🎢 Partie 2 : fin de la lune de miel – FLUX.1-dev, Ollama et toujours pas tout à fait ça

🌐 Aussi en: English · Deutsch · Español

Dans mon dernier article, j’étais, disons, extrêmement emballé. Mon vieux PC tour générait soudain des images à partir de prompts en allemand, tournait comme un service systemd bien rangé et avait même sa propre petite interface web façon ChatGPT. J’étais sur un petit nuage. Beaucoup de prompts plus tard : l’euphorie est un peu retombée. Pas disparue – mais je me suis heurté à un mur qui mérite un article, parce qu’il m’a appris quelque chose d’important sur la façon dont ces modèles d’image fonctionnent réellement sous le capot.

Table of Contents

⚙️ Ce qui a changé depuis la dernière fois

Deux mises à jour au programme :

FLUX.1-schnell → FLUX.1-dev. « Schnell » est la version « distillée » de FLUX en 4 étapes, optimisée pour la vitesse – rapide (~1 min/image), mais nettement approximative sur les détails et la fidélité au prompt. FLUX.1-dev utilise ~20 étapes et un nœud « guidance » supplémentaire, et échange de la vitesse (~2-3 min/image) contre des résultats plus nets, plus photoréalistes et un meilleur respect des instructions.
Ajout d’Ollama + qwen2.5 (7B) comme préprocesseur de prompts. C’est un LLM séparé, purement textuel, qui se place désormais avant FLUX dans le pipeline. Mes courts prompts en allemand sont automatiquement traduits et enrichis en descriptions anglaises détaillées (angle de caméra, éclairage, style) avant même que FLUX ne les voie – car la compréhension du texte de FLUX a surtout été entraînée sur de longues légendes anglaises détaillées, pas sur « Auto am Strand, Vorderansicht ».

L’espoir : meilleur modèle de base + meilleurs prompts = des résultats nettement meilleurs et plus contrôlables sur toute la ligne. 🤞

✅ La bonne nouvelle : les choses simples sont vraiment réussies maintenant

Pour des demandes basiques du type « génère-moi une image de X », ce combo est vraiment bon. Mon test fétiche – « une Honda S2000 dorée sur la plage, vue de face » – est revenu sous la forme d’une vraie vue de face d’une S2000 dorée sur une plage, bien éclairée, digne d’une pub automobile. Même la consigne de point de vue a été respectée, ce que les tentatives précédentes ne faisaient tout simplement… pas. Donc : du texte vers l’image, en allemand, pour des scènes relativement simples ? 👍 Ça marche bien.

❌ La mauvaise nouvelle : apporter des modifications ciblées à une image ne fonctionne pas bien

Or c’est précisément là que se situe mon vrai cas d’usage : je ne veux pas seulement de nouvelles images au hasard – je veux prendre une image existante et y appliquer des modifications précises et ciblées. « Fais cracher du feu bleu au dragon. » « Passe cette voiture en rouge. » « Mets des lunettes de soleil à cette personne. » Ce genre de choses. Et c’est là que tout déraille encore. Le pipeline img2img que nous avons construit repose sur un seul curseur « à quel point ça doit changer » (la force de denoise), et le compromis est brutal :

Denoise faible → la modification demandée se voit à peine
Denoise élevé → j’obtiens une image complètement différente qui colle vaguement au nouveau prompt, mais la composition d’origine, la pose, les couleurs – en gros tout ce que je voulais garder – ont disparu

Il n’y a pas de juste milieu où « garder l’image, changer juste ce seul détail » se produit vraiment. C’est soit « rien n’a changé », soit « nouvelle image, RIP l’original ». 😬 Pour être franc, ce n’est pas encore comparable à ce que font ChatGPT ou Grok quand on téléverse une image et qu’on demande une retouche ciblée – là, on a l’impression d’une vraie retouche. Ce que j’ai en ce moment ressemble plutôt à « relancer les dés, mais des dés un peu pipés ».

🤔 Et où en est le besoin, alors ?

Toujours ouvert, honnêtement. Le passage à FLUX.1-dev + Ollama a été une vraie amélioration pour la génération – meilleure compréhension des prompts, plus de détails, les saisies en allemand gérées avec élégance. Mais mon objectif initial – « téléverser une image, dire ce qu’il faut changer, récupérer la même image avec ce seul changement » – n’est pas encore atteint. D’après ce que je comprends, il faut probablement un tout autre type d’outil – quelque chose de conçu spécifiquement pour l’édition à partir d’instructions (masquage/inpainting, ou modèles d’« édition » dédiés), plutôt que l’img2img générique basé sur le denoise que nous utilisons actuellement. Prochain terrier de lapin en vue. 🐇 La suite dès que j’aurai (ou plutôt mon copilote IA aura) trouvé la solution.