新しい画像モデルをRelayDeskの画像スタジオから使いたい。そこでいきなり画面を作り足すのではなく、同じPCで実行環境だけを使い、赤いマグカップを一枚生成するところから始めました。画面と生成側を分けたことで、どちらを調べるべきか分かる状態を作れました。
モデル名だけでは足りない。役割ごとに部品をそろえる
今回のQwen Imageの構成には、文章を生成条件に変えるエンコーダー、画像のもとを作る拡散モデル、結果を画像へ戻すVAEがありました。複数のファイルを見て「全部モデルだ」とまとめると、読み込み先を取り違えます。配布説明と対応する役割を一行ずつ照合し、CUDA対応の実行環境も既存の構成と分けました。モデルの置き場と実行環境の場所を別々に記録すると、トラブル時にも変更範囲が分かります。
赤いマグカップを先に作った理由
単体試験は1024×1024、8ステップ、Eulerなどの条件を固定しました。ステップは生成の反復回数、スケジュールは反復ごとに使うノイズの水準です。同じ「8ステップ」でもスケジュールが違えば同じ条件とは言えません。複雑な指示を使うと、画面が出てもモデルの接続と指示文の良し悪しが混ざるため、色と形がすぐ分かる物を選びました。
次に画面で同じ条件を通す
単体で生成できた後、既存の画像生成の経路へつなぎました。確認したのはボタンが増えたことより、画面から依頼でき、結果が履歴に出て、保存した画像を開けることです。当時の試行では単体16.96秒、画像スタジオ14.62秒で各1枚生成。ピークVRAMはそれぞれ25,653 MiBと25,870 MiBでした。これは当時の一構成の実測で、画面経由が常に速いと判断できる比較ではありません。
別の環境で試すときの指示
既存設定を保全し、まず単体で指定サイズの画像を一枚生成する。使用ファイル・実行版・生成条件を記録する。成功後に画面へ接続し、履歴と保存した画像まで確認する。失敗したら読み込み・生成・保存のどこで止まったかを分けて報告する。
技術資料：当時の実行環境で確認した変更
コメント