Qwen-Imageを利用して画像生成をローカルのPCで実行したい。インストール手順はどのようなものだろうか?
ComfyUIを利用する前提で考えている。
Qwen-Image のインストール手順を紹介します。
ComfyUIをインストールします。最新版である必要があります。
インストール手順はこちらの記事のPortable版のインストールを参照してください
Qwen-Image をインストールする手順を紹介します。
以下の HuggingFaceのHubから、Qwen-Imageのfp8のモデル qwen_image_fp8_e4m3fn.safetensors をダウンロードします。
ダウンロードしたモデルを次のディレクトリに配置します。
(ComfyUIの配置ディレクトリ)\models\diffusion_models\
または
(ComfyUIの配置ディレクトリ)\models\diffusion_models\qwen-image\
以下の HuggingFaceのHubから、Qwen-Imageのテキストエンコーダー qwen_2.5_vl_7b_fp8_scaled.safetensors をダウンロードします。
ダウンロードしたモデルを次のディレクトリに配置します。
(ComfyUIの配置ディレクトリ)\models\text_encoders\
または
(ComfyUIの配置ディレクトリ)\models\text_encoders\qwen-image\
以下の HuggingFaceのHubから、Qwen-ImageのVAE qwen_image_vae.safetensors をダウンロードします。
ダウンロードしたモデルを次のディレクトリに配置します。
(ComfyUIの配置ディレクトリ)\models\vae\
または
(ComfyUIの配置ディレクトリ)\models\vae\qwen-image\
ファイルの配置は以上です。
ComfyUIを起動し、以下のワークフローを作成します。
[モデルサンプリングオーラフロー (Model Sampling Auraflow)]のノードは以下のメニューにあります。
[ノードを追加] > [高度な機能] > [モデル] > [モデルサンプリングオーラフロー]
[空のSD3潜在画像]のノードは以下のメニューにあります。
[ノードを追加] > [潜在] > [SD3] > [空のSD3潜在画像]
ワークフローのJSONは以下です。
{
"id": "9d0f6f53-41e1-47cd-9d1d-7d8c85e92b2b",
"revision": 0,
"last_node_id": 125,
"last_link_id": 250,
"nodes": [
{
"id": 121,
"type": "CLIPLoader",
"pos": [
-627.8934326171875,
201.7527618408203
],
"size": [
500,
110
],
"flags": {},
"order": 0,
"mode": 0,
"inputs": [],
"outputs": [
{
"name": "CLIP",
"type": "CLIP",
"links": [
248,
249
]
}
],
"properties": {
"Node name for S&R": "CLIPLoader",
"cnr_id": "comfy-core",
"ver": "0.3.48"
},
"widgets_values": [
"qwen-image\\qwen_2.5_vl_7b_fp8_scaled.safetensors",
"qwen_image",
"default"
]
},
{
"id": 68,
"type": "UNETLoader",
"pos": [
-625.6572875976562,
57.36044692993164
],
"size": [
500,
90
],
"flags": {},
"order": 1,
"mode": 0,
"inputs": [],
"outputs": [
{
"name": "MODEL",
"type": "MODEL",
"slot_index": 0,
"links": [
246
]
}
],
"properties": {
"Node name for S&R": "UNETLoader",
"cnr_id": "comfy-core",
"ver": "0.3.47"
},
"widgets_values": [
"qwen-image\\qwen_image_fp8_e4m3fn.safetensors",
"default"
]
},
{
"id": 75,
"type": "VAELoader",
"pos": [
-626.149658203125,
-62.91905975341797
],
"size": [
500,
70
],
"flags": {},
"order": 2,
"mode": 0,
"inputs": [],
"outputs": [
{
"name": "VAE",
"type": "VAE",
"slot_index": 0,
"links": [
211
]
}
],
"properties": {
"Node name for S&R": "VAELoader",
"cnr_id": "comfy-core",
"ver": "0.3.47"
},
"widgets_values": [
"qwen-image\\qwen_image_vae.safetensors"
]
},
{
"id": 5,
"type": "CLIPTextEncode",
"pos": [
-33.3889045715332,
498.81170654296875
],
"size": [
500,
90
],
"flags": {
"collapsed": false
},
"order": 5,
"mode": 0,
"inputs": [
{
"name": "clip",
"type": "CLIP",
"link": 249
}
],
"outputs": [
{
"name": "CONDITIONING",
"type": "CONDITIONING",
"slot_index": 0,
"links": [
22
]
}
],
"title": "CLIP Text Encode (Negative)",
"properties": {
"Node name for S&R": "CLIPTextEncode",
"cnr_id": "comfy-core",
"ver": "0.3.47"
},
"widgets_values": [
""
]
},
{
"id": 122,
"type": "ModelSamplingAuraFlow",
"pos": [
212.30715942382812,
58.96329116821289
],
"size": [
250,
60
],
"flags": {},
"order": 6,
"mode": 0,
"inputs": [
{
"name": "model",
"type": "MODEL",
"link": 246
}
],
"outputs": [
{
"name": "MODEL",
"type": "MODEL",
"links": [
247
]
}
],
"properties": {
"Node name for S&R": "ModelSamplingAuraFlow",
"cnr_id": "comfy-core",
"ver": "0.3.48"
},
"widgets_values": [
3.5
]
},
{
"id": 124,
"type": "EmptySD3LatentImage",
"pos": [
488.3114318847656,
576.6817016601562
],
"size": [
330,
110
],
"flags": {},
"order": 3,
"mode": 0,
"inputs": [],
"outputs": [
{
"name": "LATENT",
"type": "LATENT",
"links": [
250
]
}
],
"properties": {
"Node name for S&R": "EmptySD3LatentImage",
"cnr_id": "comfy-core",
"ver": "0.3.48"
},
"widgets_values": [
928,
1664,
1
]
},
{
"id": 16,
"type": "KSampler",
"pos": [
904.7521362304688,
39.19496154785156
],
"size": [
330,
270
],
"flags": {},
"order": 7,
"mode": 0,
"inputs": [
{
"name": "model",
"type": "MODEL",
"link": 247
},
{
"name": "positive",
"type": "CONDITIONING",
"link": 239
},
{
"name": "negative",
"type": "CONDITIONING",
"link": 22
},
{
"name": "latent_image",
"type": "LATENT",
"link": 250
}
],
"outputs": [
{
"name": "LATENT",
"type": "LATENT",
"slot_index": 0,
"links": [
115
]
}
],
"properties": {
"Node name for S&R": "KSampler",
"cnr_id": "comfy-core",
"ver": "0.3.47"
},
"widgets_values": [
1120313301679350,
"randomize",
20,
4,
"euler",
"simple",
1
]
},
{
"id": 21,
"type": "VAEDecode",
"pos": [
1265.392578125,
-76.6550064086914
],
"size": [
200,
60
],
"flags": {
"collapsed": false
},
"order": 8,
"mode": 0,
"inputs": [
{
"name": "samples",
"type": "LATENT",
"link": 115
},
{
"name": "vae",
"type": "VAE",
"link": 211
}
],
"outputs": [
{
"name": "IMAGE",
"type": "IMAGE",
"slot_index": 0,
"links": [
112
]
}
],
"properties": {
"Node name for S&R": "VAEDecode",
"cnr_id": "comfy-core",
"ver": "0.3.47"
},
"widgets_values": []
},
{
"id": 66,
"type": "SaveImage",
"pos": [
1497.6265869140625,
-77.06146240234375
],
"size": [
534.265869140625,
406.8871765136719
],
"flags": {},
"order": 9,
"mode": 0,
"inputs": [
{
"name": "images",
"type": "IMAGE",
"link": 112
}
],
"outputs": [],
"properties": {
"Node name for S&R": "SaveImage",
"cnr_id": "comfy-core",
"ver": "0.3.47"
},
"widgets_values": [
"%date:yyyyMMdd_hhmmss%_t2i_Qwen-Image-fp8_test"
]
},
{
"id": 4,
"type": "CLIPTextEncode",
"pos": [
-32.1250114440918,
201.40719604492188
],
"size": [
500,
250
],
"flags": {
"collapsed": false
},
"order": 4,
"mode": 0,
"inputs": [
{
"name": "clip",
"type": "CLIP",
"link": 248
}
],
"outputs": [
{
"name": "CONDITIONING",
"type": "CONDITIONING",
"slot_index": 0,
"links": [
239
]
}
],
"title": "CLIP Text Encode (Positive)",
"properties": {
"Node name for S&R": "CLIPTextEncode",
"cnr_id": "comfy-core",
"ver": "0.3.47"
},
"widgets_values": [
"a girl is standing, "
]
}
],
"links": [
[
22,
5,
0,
16,
2,
"CONDITIONING"
],
[
112,
21,
0,
66,
0,
"IMAGE"
],
[
115,
16,
0,
21,
0,
"LATENT"
],
[
211,
75,
0,
21,
1,
"VAE"
],
[
239,
4,
0,
16,
1,
"CONDITIONING"
],
[
246,
68,
0,
122,
0,
"MODEL"
],
[
247,
122,
0,
16,
0,
"MODEL"
],
[
248,
121,
0,
4,
0,
"CLIP"
],
[
249,
121,
0,
5,
0,
"CLIP"
],
[
250,
124,
0,
16,
3,
"LATENT"
]
],
"groups": [],
"config": {},
"extra": {
"ds": {
"scale": 0.6830134553650707,
"offset": [
652.1054055010045,
160.45339904324754
]
},
"frontendVersion": "1.25.9",
"reroutes": [
{
"id": 1,
"pos": [
-87.80879974365234,
222.09242248535156
],
"linkIds": [
248,
249
]
}
],
"linkExtensions": [
{
"id": 248,
"parentId": 1
},
{
"id": 249,
"parentId": 1
}
]
},
"version": 0.4
}
生成する画像の解像度は以下のサイズが推奨されています。
| 幅 | 高さ | 縦横比 |
|---|---|---|
| 1,328 | 1,328 | 1:1 |
| 1,472 | 1,140 | 4:3 |
| 1,140 | 1,472 | 3:4 |
| 1,664 | 928 | 16:9 |
| 928 | 1,664 | 16:9 |
[CLIP Text Encode (Positive)]のノードのテキストボックスにプロンプトを入力します。
今回は以下のプロンプトを設定します。
設定ができたら[実行する]ボタンをクリックします。
画像を保存のノードに画像生成結果が表示されます。
生成された画像は下図です。Stable DiffusionやImagenと比較すると以下の点が優れています。
