BluePixel Turbo · İndirme rehberi
BluePixel-Turbo İndirme ve Yerel Kurulum
Model ağırlıklarını ve çıkarım kodunu edinin, ortam gereksinimlerini kontrol edin ve yerel görsel düzenleme için geliştiricinin örneklerini izleyin.
Fotoğrafınızı tarayıcıda düzenleyin
BluePixel Turbo’yu açın, fotoğrafınızı yükleyin ve yapmak istediğiniz değişikliği anlatın.
Kurulumu atlayın — çevrimiçi düzenleyinAşağıdaki kod blokları vivo’nun GitHub README dosyasından değiştirilmeden alınmıştır. Kodları klonlanan deponun dizininde çalıştırın; örnek yollar ve İngilizce talimatlar yayımlandığı gibi korunmuştur.
Ortam gereksinimleri
README, BF16 destekleyen bir CUDA ortamı gerektirir. Bağımlılıklar Diffusers 0.36 API’sini hedefler. GPU çıkarımını kendi dağıtım ortamınızda doğrulamanız gerekir.
Kaynak:vivo README dosyası
v1 ve v2 kontrol noktaları
Model kartında v1, ilk ckpt800 SFT sürümü; v2 ise güncel ckpt35 (STEP-35) sürümü olarak tanımlanır. 2026-11-03 güncellemesi, ek son eğitim uygulanmamış, SATP ile damıtılmış bir ara kontrol noktasıdır; ileride pekiştirmeli öğrenme planlanmaktadır. Yalnızca transformer ağırlıkları güncellenmiştir; metin kodlayıcı, VAE ve tokenizer değişmemiş, üst veriler yenilenmiştir.
Kaynak:vivo model kartı
Kodu ve tam kontrol noktasını indirin
Bağlantısı verilen vivo/BluePixel deposunu klonlayın ve dizinine geçin. Bağımlılıkları kurun, ardından openvivo/BluePixel-Turbo kontrol noktasının tamamını örneklerde kullanılan dizine indirin.
pip install -r requirements.txthf download openvivo/BluePixel-Turbo --local-dir ./BluePixel-TurboKaynak:vivo README dosyası
Tek görsel için çıkarım
Bu README örneği, depodaki assets/test_input.jpg dosyasını İngilizce bir talimatla düzenler ve output.jpg olarak kaydeder. Aşağıdaki kod ve tüm parametre değerleri değiştirilmeden aktarılmıştır.
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")Kaynak:vivo README dosyası
JSONL ile toplu çıkarım
Her satıra image_name ve edit_prompt alanlarını içeren bir görev yazın. Devam etme özelliği varsayılan olarak açıktır: başarılı görevler atlanır, başarısız görevler yeniden denenir. --no-resume görevleri yeniden çalıştırıp çıktıları üzerine yazar; bu seçeneği tek bir işleme süreciyle kullanın. Modeli veya çıkarım ayarlarını değiştirirken yeni bir çıktı dizini seçin.
{"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_promptKaynak:vivo README dosyası
1K, 2K ve 4K piksel bütçeleri
README, target_pixels değerini 1K için 1024², 2K için 1440² ve 4K için 4096² olarak tanımlar. Bunlar piksel bütçeleridir: model kartına göre kare olmayan girdiler en boy oranını yaklaşık olarak korur ve boyutlar 64’ün katlarına hizalanır.
target_pixels = {
"1K": 1024 * 1024, # 1048576
"2K": 1440 * 1440, # 2073600
"4K": 4096 * 4096, # 16777216
}VAE döşemesiyle bellek kullanımını azaltın
README, belleği sınırlı cihazlar için vae_tiling=True önerir. Komut satırındaki karşılığı --vae-tiling seçeneğidir. Bu, otomatik kodlayıcının bellek kullanımını azaltır; bağlantı verilen README ve model kartında asgari VRAM miktarı belirtilmez.
pipe = load_pipeline(
"BluePixel-Turbo", device="cuda", vae_tiling=True, mu_mode="empirical"
)Kaynak:vivo README dosyası
Dağıtımdan önce LICENSE ve NOTICE dosyalarını okuyun
Depo ve model kartı sürümü Apache-2.0 olarak etiketler. Ancak NOTICE, temel model Flux 2 Klein için FLUX Non-Commercial License belirtir. Bu rehber ticari amaçlı kendi sunucunuzda barındırma iznini doğrulamaz; ağırlıkları kullanmadan önce geçerli lisans belgelerini inceleyin.
Kaynak:vivo model kartıLisans metni (LICENSE)Üçüncü taraf bildirimleri (NOTICE)
ComfyUI: üçüncü taraf entegrasyonu
T8mars/Comfyui-BluePixel-T8, vivo tarafından yayımlanmamış bir üçüncü taraf deposudur. Düğümlerini veya iş akışlarını test etmedik. Deponun kendi belgelerine başvurun; bu rehber doğrulanmış bir ComfyUI kurulumu sunmaz.
Kaynak:T8mars deposu
İndirme soruları
Tarayıcı düzenleyicisi için ağırlıkları indirmem gerekir mi?
Hayır. Çevrimiçi düzenleme düğmesiyle sitenin düzenleyicisini açabilirsiniz. Geliştiricinin kontrol noktasını indirip çalıştırmak ayrı bir yerel iş akışıdır.
Her çıktı tam olarak 4096 × 4096 mı olur?
Hayır. Geliştirici kare 4K çıktıyı 4096 × 4096 olarak tanımlar. Kare olmayan görseller, piksel bütçesi içinde en boy oranını yaklaşık olarak korur; boyutlar 64’ün katlarına hizalanır.
BF16 yapılandırması, indirilen ağırlıkların BF16 biçiminde saklandığı anlamına mı gelir?
Hayır. Model kartı, transformer ağırlıklarının float32 biçiminde, 36,314,324,992 bayt total_size değeriyle saklandığını belirtir. bfloat16 alanı depolama türünü değil, çıkarım için amaçlanan veri türünü tanımlar.
Önceki kontrol noktalarını nerede bulabilirim?
Model kartına göre önceki revizyonlar Hugging Face deposunun commit geçmişinde ve revizyon tarayıcısında korunur. Seçtiğiniz revizyona ait model kartı görüntüsünü inceleyin.
Düzenleme talimatlarını hangi dilde yazmalıyım?
Model kartı, kontrol noktasının İngilizce düzenleme talimatları için tasarlandığını belirtir. Çıktılarda görsel bozulmalar veya istenmeyen değişiklikler olabileceği de belirtilir; kullanmadan önce sonucu kontrol edin.