1. Introduction au tutoriel

Le projet UNO est un modèle de génération d'images IA publié par l'équipe de création intelligente de ByteDance en avril 2025. Il peut prendre en charge la génération d'images à sujet unique et à sujets multiples, unifier plusieurs tâches avec un seul modèle et démontrer de fortes capacités de généralisation. Les résultats pertinents de l'article sontGénéralisation du moins au plus : libérer davantage de contrôle grâce à la génération en contexte".

Le projet prend en charge plusieurs formats de données et backends de stockage, dispose de puissantes capacités d'optimisation des requêtes et d'une évolutivité flexible, et convient aux scénarios d'analyse de données à grande échelle. UNO s'engage à aider les développeurs à créer facilement des processus de traitement de données efficaces grâce à des API simples et des fonctionnalités fonctionnelles riches, et à fournir un support d'infrastructure de données fiable aux entreprises et aux développeurs.

Ce tutoriel utilise des ressources pour une seule carte RTX 4090.

👉 Ce projet fournit un modèle de :

• FLUX.1-dev-fp 8 : Il s'agit d'un transformateur redresseur de 12 milliards de paramètres capable de générer des images à partir de descriptions textuelles.

Exemples de projets

2. Étapes de l'opération

1. Après avoir démarré le conteneur, cliquez sur l'adresse API pour accéder à l'interface Web

Si « Modèle » n'est pas affiché, cela signifie que le modèle est en cours d'initialisation. Étant donné que le modèle est grand, veuillez patienter environ 1 à 2 minutes et actualiser la page.

2. Après être entré sur la page Web, vous pouvez démarrer une conversation avec le modèle

❗️Conseils d’utilisation importants :

• Nombre d'étapes :  Représente le nombre d'itérations du modèle ou le nombre d'étapes du processus d'inférence, représentant le nombre d'étapes d'optimisation que le modèle utilise pour générer le résultat. Un nombre plus élevé d’étapes produit généralement des résultats plus précis, mais peut augmenter le temps de calcul.
• Conseils:  Il est utilisé pour contrôler le degré auquel les entrées conditionnelles (telles que le texte ou les images) dans les modèles génératifs affectent les résultats générés. Des valeurs de guidage plus élevées permettront aux résultats générés de correspondre plus étroitement aux conditions d'entrée, tandis que des valeurs plus faibles conserveront plus de caractère aléatoire.
• Graine:  Il s'agit de la graine de nombre aléatoire, utilisée pour contrôler le caractère aléatoire du processus de génération. La même valeur Seed peut produire les mêmes résultats (à condition que les autres paramètres soient les mêmes), ce qui est très important pour reproduire les résultats.

Comment utiliser

Échange et discussion

🖌️ Si vous voyez un projet de haute qualité, veuillez laisser un message en arrière-plan pour le recommander ! De plus, nous avons également créé un groupe d’échange de tutoriels. Bienvenue aux amis pour scanner le code QR et commenter [Tutoriel SD] pour rejoindre le groupe pour discuter de divers problèmes techniques et partager les résultats de l'application↓

Informations sur la citation

Merci à l'utilisateur Github xxxjjjyyy1  Pour la réalisation de ce tutoriel, les informations de référence du projet sont les suivantes :

@article{wu2025less,
  title={Less-to-More Generalization: Unlocking More Controllability by In-Context Generation},
  author={Wu, Shaojin and Huang, Mengqi and Wu, Wenxu and Cheng, Yufeng and Ding, Fei and He, Qian},
  journal={arXiv preprint arXiv:2504.02160},
  year={2025}
}