Modèles d'images en local : de SDXL à Qwen-Image

Générer des images sans passer par le cloud est désormais à la portée d'une carte graphique de bureau. En trois ans, on est allé de SD 1.5, qui tournait aussi sur 6 Go de VRAM, à Qwen-Image 2.1, qui génère et modifie des images jusqu'à 2048x2048 en local. Cet article explique comment ces modèles fonctionnent, combien de Go de VRAM il faut réellement, et lequel choisir selon votre matériel.

Pourquoi générer des images en local

Quatre raisons pratiques. D'abord, le coût : une fois installé, un modèle d'images ne demande ni abonnement ni crédits, et vous générez autant d'images que vous voulez sans compteur. Ensuite, la disponibilité : la génération fonctionne même sans connexion, sur votre machine, quand vous voulez. Puis, le contrôle : vos images, vos prompts et vos données ne quittent pas la machine. Enfin, la confidentialité : pour qui publie des contenus commerciaux, savoir qu'aucune requête ne passe par un serveur tiers est une différence concrète.

La qualité n'est plus un compromis : les modèles open-weight d'aujourd'hui (FLUX, Qwen-Image) produisent un photoréalisme, des anatomies et un rendu du texte qui rivalisent avec les services cloud de l'an dernier. Le prix à payer, c'est la VRAM, et là, mieux vaut être clair sur les chiffres.

Comment fonctionnent les diffusion models

Tous les modèles cités ici appartiennent à la famille des diffusion models. L'idée de base : le modèle apprend à inverser un processus de bruit. On part d'une image, on ajoute du bruit jusqu'à obtenir du pur statique, et le réseau apprend à « nettoyer » ce bruit pas à pas. À la génération, on fait l'inverse : on part de bruit aléatoire et, en une vingtaine (ou une quarantaine) de passages, on arrive à l'image.

Le paramètre qui compte pour la qualité, c'est le nombre de passages, dit step : plus de step, plus l'image est raffinée, mais plus il faut de temps. La différence moderne est architecturale. Les modèles de la génération SDXL utilisent un U-Net, une architecture à convolutions avec connexions en pont. Les modèles récents, depuis FLUX, utilisent le DiT (Diffusion Transformer) : au lieu de convolutions, ils transforment l'image en une séquence de « tokens » qu'un transformer parcourt, exactement comme un modèle linguistique parcourt les mots.

Le DiT scale mieux : plus de paramètres, plus de données, plus de qualité. C'est pourquoi FLUX (12B paramètres) et Qwen-Image (20B) produisent des résultats que SDXL (2,6B) n'atteint pas à prompt égal. Il y a un revers : plus de paramètres, plus de VRAM et plus de calcul.

De SDXL à Qwen-Image : la frise chronologique

SD 1.5 (2022) est le classique : 512px natifs, 6-8 Go de VRAM, et l'écosystème de LoRA et ControlNet le plus vaste de tous. Encore aujourd'hui, pour expérimenter vite ou entraîner des personnalisations sur peu de données, il reste imbattable.

SDXL 1.0 (2023) passe à 2,6B paramètres, 1024x1024 natifs et un double encodeur de texte (CLIP + OpenCLIP), ce qui se traduit par : mieux suivre les prompts complexes et composer des scènes plus cohérentes. C'est la référence du photoréalisme accessible, avec un immense éventail de fine-tunes.

FLUX (2024) marque le changement d'architecture. Les 12B paramètres du DiT portent l'adhérence au prompt, l'anatomie et surtout le rendu du texte à un niveau que l'U-Net n'atteint pas. Il existe en deux variantes : [schnell], distillée en quelques step et publiée sous licence Apache 2.0, et [dev], la version complète pour les usages sérieux.

Qwen-Image (2025) arrive d'Alibaba avec 20B paramètres et une autre nouveauté : la compréhension du texte dans les images est excellente, et les instructions d'édition sont suivies avec précision. La version compacte Qwen-Image 2.1 (2026) condense le tout en 7B : génère jusqu'à 2048x2048, modifie à l'aide de jusqu'à 10 images de référence et produit une transparence RGBA native, le tout dans un seul modèle.

Combien de Go de VRAM faut-il vraiment

Ici, les chiffres comptent plus que la publicité. Les valeurs ci-dessous valent avec la quantification en 4 bits (Q4_K_M, le format de référence pour l'usage local) et 20-30 step :

Modèle	Paramètres	Résolution native	VRAM conseillée	Architecture
SD 1.5	~0,9B	512px	6-8 Go	U-Net
SDXL 1.0	2,6B	1024px	12 Go	U-Net
FLUX.1 [schnell]	12B	1024px	16 Go	DiT
FLUX.1 [dev]	12B	1024px	16-24 Go	DiT
Qwen-Image 2.1	7B	2048px	16 Go	DiT

En pratique : avec 8 Go, orientez-vous vers SDXL quantisé ou SD 1.5 à pleine qualité ; avec 12 Go, SDXL est confortable et les fine-tunes tournent bien ; avec 16 Go, FLUX quantisé et Qwen-Image 2.1 ; avec 24 Go, FLUX [dev] à pleine qualité. Une note honnête : les images à 2048px de Qwen-Image demandent plus de mémoire intermédiaire par step qu'au 1024px, donc sur une 16 Go, gardez le batch à 1-2.

Où les utiliser : ComfyUI, Fooocus, Diffusers

Le modèle n'est que la moitié. L'autre moitié, c'est le logiciel qui le fait tourner :

ComfyUI est la référence des workflows à nœuds : vous branchez le modèle, l'encodeur de texte, les sampleurs et les blocs d'édition, et vous construisez des pipelines précises. C'est ce que vous utilisez quand vous voulez répéter exactement le même résultat.

Fooocus est la voie simple : une interface en style Midjourney, un prompt et un clic, et il génère avec SDXL sans toucher aux paramètres. C'est le moyen le plus rapide de savoir à quoi votre matériel ressemble.

Diffusers (la bibliothèque de Hugging Face) est la référence pour les développeurs : quelques lignes de code pour charger SDXL, FLUX ou Qwen-Image 2.1 et générer depuis un script, avec un support natif de la quantification.

Quel modèle choisir

Six cas concrets. Produit ou catalogue photo : SDXL pour le volume, FLUX [dev] pour les hero shots avec texte. Prototypage créatif rapide : SD 1.5 avec vos LoRA, car c'est le plus rapide et le plus personnalisable. Logos, icônes et graphismes avec texte : FLUX ou Qwen-Image, les seuls capables d'écrire des mots lisibles dans l'image. Édition et retouches : Qwen-Image 2.1, car édition, transparence et multi-référence sont dans le modèle même. Images à fond transparent à composer : Qwen-Image 2.1, le seul avec RGBA natif. Expérimenter avec peu de VRAM : SD 1.5 ou SDXL quantisé, pour comprendre les flux avant de passer à un modèle plus grand.

La règle pratique est simple : partez du modèle qui tourne confortablement sur votre matériel, et faites un tour à FLUX ou Qwen-Image quand la qualité du texte ou l'édition deviennent le point. Le comparatif côte à côte se trouve dans la page ressources, où chaque modèle a sa fiche, ses exigences et ses liens.

Sources

Les données techniques sont vérifiées sur les pages officielles : Stable Diffusion XL 1.0 (Hugging Face), FLUX.1 (Black Forest Labs), Qwen-Image 2.1 (Qwen) et le blog technique Qwen-Image.

Article généré par IA