Hugging Faceは、以前の投稿で示唆された複雑なシステムであるAUTOMATIC1111のstable-diffusion-webuiの機能を、Gradio Workflowを用いて再構築した「Workflow1111」を発表しました。
このWorkflow1111は、73のノードから構成される11のメディアパイプラインのグラフとして実装されています。
この単一のワークフローキャンバスには、テキストから画像生成（text-to-image）、高解像度化（hi-resolution fix）、画像から画像生成（image-to-image）、プロンプト・マトリックス・グリッド、VLMによる照会、検出からインペイントマスクへの変換、ControlNetスタイルのアノテーター、背景除去、PNG情報保存、さらには画像から動画生成といった最先端の機能が統合されています。
ユーザーはHugging Faceアカウントでサインインするか、アクセス トークンを提供することでこれらのパイプラインを実行できます。
サインイン後、モデル呼び出しは個人のクォータを使用します。
ワークフローの各ノードは一つのオペレーターをラップしており、そのオペレーターの入出力が接続されるポートとなります。
オペレーターの種類は、Python関数（fn）、InferenceClient経由で呼び出されるモデル（model）、別のGradio Space（space）、およびHubデータセットの行（dataset）の4種類です。
コアとなるパイプラインは、A1111のtxt2imgタブで期待される制御（ネガティブプロンプト、ステップ数、CFG、シード、幅、高さ、モデルIDなど）を備えています。
プロンプトはまずプロンプトビルダーのfnノードを通過し、選択されたスタイルプリセットが追加されテキストがクリーンアップされた後、Inference Providersを介してチェックポイントを呼び出すモデルノードに入力されます。
生成後、後処理のfnノードが生成パラメータをPNGのメタデータに書き込み、これがPNG Infoパイプラインによって読み取られます。
高解像度化機能については、元のA1111のようにtxt2imgの出力をアップスケールしてから2回目のデノイジングを行うのではなく、ここでは2ノードの迂回経路が採用されています。
テキストから画像の結果は、リファイン指示（「構図を同一に保ちつつ、微細なディテールとマイクロテクスチャを強化」）を持つFLUX.1-Kontextモデルノードに入力され、よりシャープで大きな画像として返されます。
このKontextノードは、画像から画像生成のタブとしても機能し、アップロードされた画像と変更したい内容の説明を受け取り、編集された画像を返します。
この記事は元情報をAIで日本語に要約したものです。全文翻訳ではなく、人手による完全な検証を保証しません。詳しくは原文をご覧ください。