Qwen-Image 2.1 : générer et éditer des images en local

Qwen a publié Qwen-Image 2.1, un modèle open-weight de 7 milliards de paramètres pour la génération et l'édition d'images. C'est la version « compacte » de la famille Qwen-Image : un seul modèle qui réunit génération à partir de texte, édition et création d'images transparentes (RGBA), pensé pour tourner sur du matériel local.

Pourquoi ça compte : pour la première fois, un modèle de cette qualité pour l'édition d'images est open et tourne en local, sans API cloud. Si vous avez une GPU d'au moins 16Go de VRAM, vous pouvez commencer à produire dès aujourd'hui.

Ce qu'il fait

Qwen-Image 2.1 réunit en un seul modèle trois choses :

• Génération à partir de texte — crée des images depuis un prompt, jusqu'à 2048x2048.
• Édition — modifie une image existante : changez le fond, extrayez un sujet, appliquez des modifications localisées avec des cercles ou des masques.
• Transparence native — génère et édite des images RGBA avec canal alpha, utiles pour stickers, icônes et éléments à superposer.

Vous pouvez passer jusqu'à 10 images de référence pour préserver l'identité de personnes ou de produits. La composante de génération est un DiT (Diffusion Transformer) de 32 couches et 7B paramètres : un choix qui équilibre qualité et coût computationnel.

Comment le faire tourner en local

La voie la plus immédiate est diffusers, la bibliothèque qui exécute les pipelines des modèles génératifs :

pip install torch>=2.4.0 transformers>=5.17 accelerate pillow
pip install git+https://github.com/huggingface/diffusers

import torch
from diffusers import QwenImage21Pipeline

pipe = QwenImage21Pipeline.from_pretrained(
    "Qwen/Qwen-Image-2.1", torch_dtype=torch.bfloat16
).to("cuda")

image = pipe(
    prompt="Une enseigne lumineuse qui dit 'QWEN 2.1', nuit, reflets sur l'asphalte mouillé",
    width=2048, height=2048, num_inference_steps=40,
).images[0]
image.save("out.png")

Sur une GPU à mémoire plus réduite, pipe.enable_model_cpu_offload() déplace les couches entre CPU et VRAM à la volée, au prix de la vitesse :

pipe = QwenImage21Pipeline.from_pretrained("Qwen/Qwen-Image-2.1", torch_dtype=torch.bfloat16)
pipe.enable_model_cpu_offload()

En alternative : ComfyUI

Si vous préférez une interface à nœuds, ComfyUI a ajouté le support natif de Qwen-Image 2.1 : génération et édition en 2K avec des workflows visuels, pratique pour qui automatise la production d'images.

Édition : un exemple pratique

La vraie force face à un modèle simple générateur, c'est l'édition. Le pipeline accepte des images en entrée en plus du prompt, et vous pouvez limiter la modification à une zone avec un masque (une image en noir et blanc : blanc là où modifier, noir pour conserver) :

# édition localisée : seule la zone du masque est modifiée
from PIL import Image

image, mask = Image.open("produit.png"), Image.open("masque.png")
out = pipe(
    prompt="Transforme le fond en table en bois dans une cuisine",
    image=image, mask=mask,
    width=1024, height=1024, num_inference_steps=30,
).images[0]
out.save("produit-edite.png")

Le même modèle effectue édition et génération, un workflow ComfyUI peut donc alterner les deux phases sans changer de checkpoint : vous générez le produit en studio, puis vous le re-contextualisez dans une autre scène en conservant identité et détails.

Combien de GPU faut-il

Le modèle en bfloat16 occupe environ 14Go de VRAM. En pratique :

• 16Go (RTX 4060 Ti 16Go, RTX 5080) — tourne, avec offload si la scène est en 2K.
• 24Go (RTX 4090, 3090) — confort, sans offload.
• Moins de 16Go — utilisez l'offload CPU ou réduisez la taille de sortie (ex. 1024x1024).

Quand c'est pertinent

Qwen-Image 2.1 brille quand l'image est un produit, pas un accompagnement :

• Assets et stickers — la transparence native supprime l'étape « retirer le fond » qui demandait avant un outil séparé.
• Photos de produit — les 10 images de référence gardent cohérent un produit à travers plusieurs scènes.
• Workflows de design locaux — avec ComfyUI vous construisez une chaîne répétable, sans jamais envoyer d'images à un service cloud.

En résumé

C'est un pas concret pour qui veut une production d'images en local : un modèle unique, open, qui génère, édite et crée la transparence. Avec 7B paramètres et le support ComfyUI, c'est l'un des plus accessibles de sa catégorie aujourd'hui.

Article généré par IA