BluePixel Turbo · Guía de descarga
BluePixel-Turbo: descarga e instalación local
Obtén los pesos y el código de inferencia, comprueba los requisitos y sigue los ejemplos del desarrollador para editar imágenes en tu equipo.
Edita una foto en tu navegador
Abre BluePixel Turbo, sube tu foto y describe el cambio que quieres hacer.
Sin instalación — editar en líneaLos bloques de código siguientes se reproducen sin cambios del README de vivo en GitHub. Ejecútalos desde el repositorio clonado; las rutas y las instrucciones en inglés se conservan tal como se publicaron.
Requisitos del entorno
El README requiere un entorno CUDA compatible con BF16. Las dependencias están orientadas a la API de Diffusers 0.36. Debes validar la inferencia en GPU en tu propio entorno de despliegue.
Fuente:README de vivo
Diferencias entre los checkpoints v1 y v2
La ficha del modelo identifica v1 como la versión SFT inicial ckpt800 y v2 como la versión actual ckpt35 (STEP-35). La actualización del 2026-11-03 es un checkpoint intermedio destilado mediante SATP, sin entrenamiento posterior adicional; se prevé continuar con aprendizaje por refuerzo. Solo se actualizaron los pesos del transformador; el codificador de texto, el VAE y el tokenizador siguen iguales, y se renovaron los metadatos.
Fuente:Ficha del modelo de vivo
Descargar el código y el checkpoint completo
Clona el repositorio vivo/BluePixel enlazado y entra en su directorio. Instala las dependencias y descarga el checkpoint completo openvivo/BluePixel-Turbo en el directorio utilizado por los ejemplos.
pip install -r requirements.txthf download openvivo/BluePixel-Turbo --local-dir ./BluePixel-TurboFuente:README de vivo
Inferencia de una sola imagen
Este ejemplo del README edita assets/test_input.jpg del repositorio con una instrucción en inglés y guarda output.jpg. El código y todos los valores de los parámetros se reproducen sin cambios.
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")Fuente:README de vivo
Inferencia por lotes con JSONL
Prepara una tarea por línea con los campos image_name y edit_prompt. La reanudación está activada por defecto: se omiten las tareas completadas y se reintentan las fallidas. --no-resume vuelve a ejecutar las tareas y sobrescribe sus resultados; úsalo con un solo proceso de trabajo. Elige otro directorio de salida al cambiar el modelo o los ajustes de inferencia.
{"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_promptFuente:README de vivo
Presupuestos de píxeles 1K, 2K y 4K
El README define target_pixels como 1024² para 1K, 1440² para 2K y 4096² para 4K. Son presupuestos de píxeles: la ficha del modelo indica que las entradas no cuadradas conservan aproximadamente su relación de aspecto, con dimensiones ajustadas a múltiplos de 64.
target_pixels = {
"1K": 1024 * 1024, # 1048576
"2K": 1440 * 1440, # 2073600
"4K": 4096 * 4096, # 16777216
}Reducir el uso de memoria con VAE por bloques
El README recomienda vae_tiling=True para dispositivos con poca memoria. Su equivalente en la línea de comandos es --vae-tiling. Reduce la memoria utilizada por el autocodificador; el README y la ficha del modelo enlazados no especifican una cantidad mínima de VRAM.
pipe = load_pipeline(
"BluePixel-Turbo", device="cuda", vae_tiling=True, mu_mode="empirical"
)Fuente:README de vivo
Leer LICENSE y NOTICE antes del despliegue
El repositorio y la ficha del modelo indican Apache-2.0. Sin embargo, NOTICE incluye el modelo base Flux 2 Klein bajo la FLUX Non-Commercial License. Esta guía no confirma el permiso de autoalojamiento comercial; revisa las licencias aplicables antes de utilizar los pesos.
Fuente:Ficha del modelo de vivoTexto de la licencia (LICENSE)Avisos de terceros (NOTICE)
ComfyUI: una integración de terceros
T8mars/Comfyui-BluePixel-T8 es un repositorio de terceros, no una publicación de vivo. No hemos probado sus nodos ni sus flujos de trabajo. Consulta su documentación; esta guía no ofrece una instalación de ComfyUI verificada.
Fuente:Repositorio de T8mars
Preguntas sobre la descarga
¿Necesito los pesos para usar el editor del navegador?
No. El botón de edición en línea abre el editor del sitio. Descargar y ejecutar el checkpoint del desarrollador es un proceso local independiente.
¿Todos los resultados miden exactamente 4096 × 4096?
No. El desarrollador describe una salida 4K cuadrada de 4096 × 4096. Las imágenes no cuadradas conservan aproximadamente su relación de aspecto dentro del presupuesto de píxeles, con dimensiones ajustadas a múltiplos de 64.
¿La configuración BF16 significa que los pesos se almacenan en BF16?
No. La ficha del modelo indica que los pesos del transformador se almacenan en float32, con un total_size de 36,314,324,992 bytes. El campo bfloat16 describe el tipo de datos previsto para la inferencia, no para el almacenamiento.
¿Dónde están los checkpoints anteriores?
Según la ficha del modelo, las revisiones anteriores siguen disponibles en el historial de commits y el explorador de revisiones del repositorio de Hugging Face. Revisa la ficha correspondiente a la revisión que elijas.
¿En qué idioma debo escribir las instrucciones de edición?
La ficha del modelo describe el checkpoint como destinado a instrucciones de edición en inglés. También advierte de posibles artefactos o cambios no deseados; revisa el resultado antes de usarlo.