#automatic1111

AUTOMATIC1111 to otwarty program uruchamiany na własnym komputerze, który daje graficzny panel do modeli generujących obrazy z opisu słownego, przede wszystkim z rodziny Stable Diffusion. Nazwa pochodzi od pseudonimu autora, a pełna nazwa projektu brzmi stable diffusion webui. Kod wydano na licencji AGPL-3.0, a panel działa w przeglądarce, mimo że żaden serwis internetowy nie bierze w tym udziału: program stawia niewielki serwer lokalny i pod ten adres wchodzi się z tej samej maszyny.

Cała rzecz przypomina ciemnię fotograficzną. Odbitka nie pojawia się od razu, tylko wynurza się z szarej płachty stopniowo, w kolejnych kąpielach, a fotograf steruje tym, ile razy powtórzy krok i jak mocno zadziała każdy z nich. Model pracuje dokładnie tak, tyle że zamiast światła ma szum.

Szum, z którego wyłania się obraz

Punktem wyjścia jest prostokąt wypełniony przypadkowymi wartościami. Model został wyuczony jednej umiejętności: patrząc na zaszumiony obraz, przewidzieć, co w tym szumie jest zbędne. Krok po kroku ta nadmiarowa część jest odejmowana, aż zostaje spójny obraz. Liczba kroków to jedno z ustawień w panelu, a algorytm decydujący o sposobie odejmowania nazywany jest samplerem i jest ich w tym programie kilkadziesiąt.

Opis słowny wchodzi jako kierunek. Tekst zamieniany jest na postać liczbową i steruje przewidywaniem w każdym kroku, a osobne pole na opis negatywny wskazuje, czego w kadrze być nie ma. Trzecim parametrem jest ziarno, czyli liczba wyznaczająca początkowy szum. Ten sam opis i to samo ziarno dają ten sam obraz, i to jest jedyny sposób na powtórzenie wcześniejszego wyniku.

Poza generowaniem z samego tekstu panel obsługuje pracę na obrazie wejściowym, dorysowanie brakującego fragmentu wewnątrz kadru i rozszerzenie kadru poza pierwotne krawędzie. We wszystkich tych trybach mechanizm jest ten sam, zmienia się tylko punkt startowy odszumiania.

Punkt kontrolny, dodatek i sterowanie kompozycją

Trzy pojęcia mylą się najczęściej, a różnią się rozmiarem i rolą. Punkt kontrolny to pełny model, plik ważący wiele gigabajtów, wymieniany w całości i przesądzający o stylu. Mały dodatek dostrajający, znany jako LoRA, to plik kilkusetkrotnie mniejszy, doczepiany do punktu kontrolnego, żeby dołożyć jedną postać, styl albo obiekt. Trzecia rzecz, sterowanie kompozycją, przyjmuje obraz pomocniczy, na przykład szkic albo układ postaci, i narzuca mu geometrię wyniku, nie ruszając stylu.

Czym różni się od generatora w chmurze

Usługa internetowa oddaje gotowy obraz i chowa wszystko, co powyżej. Nie ma tam wyboru punktu kontrolnego ani wglądu w kroki pośrednie, jest za to karta graficzna dostawcy i rachunek za sztukę. AUTOMATIC1111 oddaje sterowanie w zamian za obowiązki: potrzebna jest własna karta z odpowiednią ilością pamięci, miejsce na dysku na modele i czas na konfigurację. Drugą różnicą jest prywatność, bo materiał wejściowy nie opuszcza maszyny, co bywa jedynym argumentem przy zdjęciach produktowych przed premierą.

Stan projektu i dokąd poszła społeczność

Ten punkt zmienił się od czasów, gdy nazwa była domyślną odpowiedzią na pytanie o lokalne generowanie obrazów. Repozytorium nadal istnieje i nie zostało zamknięte, ale duże wydania zatrzymały się w 2024 roku, a późniejsza aktywność to drobne poprawki. Nowsze architektury modeli nie doczekały się obsługi w głównej gałęzi. Ruch przeniósł się w dwa miejsca: do odgałęzienia o nazwie Forge, które zachowało ten sam układ panelu, poprawiło zużycie pamięci i dodało obsługę nowszych modeli, oraz do ComfyUI, które porzuca formularz z suwakami na rzecz układania przebiegu z połączonych bloków.

Dla firmy stojącej przed wyborem znaczy to tyle, że instrukcje sprzed dwóch lat prowadzą do narzędzia działającego, ale nierozwijanego, a nowe modele wymagają czegoś innego.

Licencja programu to nie licencja modelu

Najczęściej pomijana pozycja przy wdrożeniu. Sam program jest wolny, natomiast wagi modelu pobiera się osobno i każdy plik ma własne warunki, czasem ograniczające zastosowanie handlowe albo wymagające wskazania źródła. Wynik wygenerowany na modelu z zakazem komercyjnego użycia nie nadaje się do katalogu produktów, niezależnie od tego, jak wygląda.

Druga pozycja to rozszerzenia. Panel przyjmuje wtyczki instalowane z zewnętrznych repozytoriów, a każda z nich to kod uruchamiany z pełnymi prawami użytkownika. Trzecia to sprzęt, bo cały koszt przenosi się na kartę graficzną, jej pamięć i prąd, i to jest wydatek jednorazowy, ale niemały. Czwarta ma naturę prawną: obraz przedstawiający rozpoznawalną osobę albo cudzy znak towarowy pozostaje problemem, choć powstał na własnej maszynie.

Kiedy własna karta to za dużo zachodu

Firma potrzebująca kilkunastu obrazów miesięcznie wyda na sprzęt więcej, niż zapłaciłaby za usługę, i dojdzie jej utrzymanie. Materiały wymagające pewnych praw do publikacji lepiej zamawiać tam, gdzie warunki są opisane w umowie. Jeśli powtarzalność wyniku jest ważniejsza od kontroli nad procesem, formularz z kilkudziesięcioma ustawieniami staje się wadą, a nie zaletą.