BluePixel Turbo · Download-Anleitung
BluePixel-Turbo: Download und lokale Einrichtung
Lade Modellgewichte und Inferenzcode herunter, prüfe die Systemanforderungen und nutze die Beispiele des Herausgebers zur lokalen Bildbearbeitung.
Bearbeite ein Foto im Browser
Öffne BluePixel Turbo, lade dein Foto hoch und beschreibe die gewünschte Änderung.
Einrichtung überspringen — online bearbeitenDie folgenden Codeblöcke stammen unverändert aus vivos GitHub README. Führe sie im geklonten Repository aus; Beispielpfade und englische Anweisungen bleiben wie veröffentlicht.
Anforderungen an die Umgebung
Das README verlangt eine CUDA-Umgebung mit BF16-Unterstützung. Die Abhängigkeiten sind auf die API von Diffusers 0.36 ausgelegt. Die GPU-Inferenz muss in deiner eigenen Bereitstellungsumgebung geprüft werden.
Quelle:vivos README auf GitHub
Die Checkpoints v1 und v2
Die Modellkarte bezeichnet v1 als ursprüngliche SFT-Veröffentlichung ckpt800 und v2 als aktuelle Version ckpt35 (STEP-35). Das Update vom 2026-11-03 ist ein SATP-destillierter Zwischenstand ohne zusätzliches Nachtraining; weiteres bestärkendes Lernen ist geplant. Nur die Transformer-Gewichte wurden aktualisiert; Textencoder, VAE und Tokenizer sind unverändert, Metadaten wurden erneuert.
Quelle:Modellkarte auf Hugging Face
Code und vollständigen Checkpoint herunterladen
Klone das verlinkte Repository vivo/BluePixel und wechsle in dessen Verzeichnis. Installiere die Abhängigkeiten und lade dann den vollständigen Checkpoint openvivo/BluePixel-Turbo in das von den Beispielen verwendete Verzeichnis.
pip install -r requirements.txthf download openvivo/BluePixel-Turbo --local-dir ./BluePixel-TurboQuelle:vivos README auf GitHub
Inferenz für ein einzelnes Bild
Dieses README-Beispiel bearbeitet assets/test_input.jpg aus dem Repository mit einer englischen Anweisung und speichert output.jpg. Der folgende Code und sämtliche Parameterwerte sind unverändert übernommen.
import torch
from PIL import Image
from vins_infer import load_pipeline
pipe = load_pipeline(
"BluePixel-Turbo",
device="cuda",
vae_tiling=False,
lora_scale=None,
shift=0,
mu_mode="empirical",
)
result = pipe(
image=Image.open("assets/test_input.jpg").convert("RGB"),
instruction="Change the gray sweater to burgundy red.",
num_inference_steps=4,
guidance_scale=3.0,
target_pixels=4096 * 4096,
generator=torch.Generator(device="cuda").manual_seed(42),
).images[0]
result.save("output.jpg")Quelle:vivos README auf GitHub
Stapelverarbeitung mit JSONL
Lege pro Zeile eine Aufgabe mit den Feldern image_name und edit_prompt an. Die Fortsetzung ist standardmäßig aktiv: erfolgreiche Aufgaben werden übersprungen, fehlgeschlagene erneut versucht. --no-resume führt Aufgaben erneut aus und überschreibt die Ergebnisse; nutze es mit nur einem Arbeitsprozess. Wähle bei einem Modellwechsel oder geänderten Inferenzeinstellungen ein neues Ausgabeverzeichnis.
{"image_name": "/path/to/input.png", "edit_prompt": "make the hair red"}CUDA_VISIBLE_DEVICES=0 python vins_infer.py \
--model-dir BluePixel-Turbo \
--jsonl /path/to/your_tasks.jsonl \
--out-dir ./output \
--target-pixels 16777216 \
--steps 4 \
--guidance 3.0 \
--seed 42 \
--mu-mode empirical \
--instruction-field edit_promptQuelle:vivos README auf GitHub
Pixelbudgets für 1K, 2K und 4K
Das README definiert target_pixels als 1024² für 1K, 1440² für 2K und 4096² für 4K. Das sind Pixelbudgets: Laut Modellkarte behalten nichtquadratische Eingaben ihr Seitenverhältnis ungefähr bei, und die Abmessungen werden auf Vielfache von 64 ausgerichtet.
target_pixels = {
"1K": 1024 * 1024, # 1048576
"2K": 1440 * 1440, # 2073600
"4K": 4096 * 4096, # 16777216
}Speicherbedarf durch VAE-Tiling senken
Für Geräte mit wenig Speicher empfiehlt das README vae_tiling=True. Die entsprechende Kommandozeilenoption lautet --vae-tiling. Das senkt den Speicherbedarf des Autoencoders; README und Modellkarte nennen keinen Mindestwert für den Grafikspeicher.
pipe = load_pipeline(
"BluePixel-Turbo", device="cuda", vae_tiling=True, mu_mode="empirical"
)Quelle:vivos README auf GitHub
Vor dem Einsatz LICENSE und NOTICE lesen
Repository und Modellkarte kennzeichnen die Veröffentlichung als Apache-2.0. NOTICE führt das Basismodell Flux 2 Klein jedoch unter der FLUX Non-Commercial License auf. Diese Anleitung bestätigt keine Erlaubnis zum kommerziellen Selbsthosting; prüfe vor der Nutzung der Gewichte die geltenden Lizenzdokumente.
Quelle:Modellkarte auf Hugging FaceLizenztext (LICENSE)Hinweise zu Drittanbietern (NOTICE)
ComfyUI: Integration eines Drittanbieters
T8mars/Comfyui-BluePixel-T8 ist ein Repository eines Drittanbieters und keine Veröffentlichung von vivo. Wir haben dessen Knoten und Arbeitsabläufe nicht getestet. Nutze die dortige Dokumentation; diese Anleitung bietet keine verifizierte ComfyUI-Einrichtung.
Quelle:Repository von T8mars
Fragen zum Download
Brauche ich die Gewichte für den Browsereditor?
Nein. Öffne den Editor der Website über die Schaltfläche zur Online-Bearbeitung. Das Herunterladen und Ausführen des Herausgeber-Checkpoints ist ein separater lokaler Ablauf.
Hat jede Ausgabe genau 4096 × 4096 Pixel?
Nein. Der Herausgeber beschreibt eine quadratische 4K-Ausgabe mit 4096 × 4096 Pixeln. Nichtquadratische Bilder behalten innerhalb des Pixelbudgets ungefähr ihr Seitenverhältnis, und die Abmessungen werden auf Vielfache von 64 ausgerichtet.
Bedeutet die BF16-Konfiguration, dass der Download in BF16 gespeichert ist?
Nein. Laut Modellkarte sind die Transformer-Gewichte in float32 mit einer total_size von 36,314,324,992 Byte gespeichert. Das Feld bfloat16 beschreibt den vorgesehenen Inferenzdatentyp und nicht den Speicherdatentyp.
Wo finde ich frühere Checkpoints?
Laut Modellkarte bleiben ältere Revisionen im Commit-Verlauf und Revisionsbrowser des Hugging-Face-Repositorys verfügbar. Prüfe die zu deiner gewählten Revision gehörende Modellkarte.
In welcher Sprache soll ich Bearbeitungsanweisungen schreiben?
Die Modellkarte beschreibt den Checkpoint als für englische Bearbeitungsanweisungen vorgesehen. Sie warnt außerdem vor Artefakten und unbeabsichtigten Änderungen; prüfe das Ergebnis vor der Verwendung.