🎢 Część 2: miesiąc miodowy się kończy — FLUX.1-dev, Ollama i wciąż nie do końca to

🌐 Także w: English · Deutsch · Français · Español · Italiano · Português · Nederlands
W moim poprzednim wpisie byłem, powiedzmy, niesamowicie nakręcony. Mój stary PC typu tower nagle generował obrazy z niemieckich promptów, działał jako schludna usługa systemd, z własnym małym webowym UI w stylu ChatGPT. Praktycznie unosiłem się w powietrzu. Wiele promptów później: euforia trochę ostygła. Nie zniknęła — ale uderzyłem w ścianę, o której warto napisać, bo nauczyła mnie czegoś ważnego o tym, jak te modele obrazów naprawdę działają pod maską.
⚙️ Co zmieniliśmy od ostatniego razu
Były dwa ulepszenia:
- FLUX.1-schnell → FLUX.1-dev. “Schnell” to zoptymalizowana pod kątem szybkości, 4-krokowa “destylowana” wersja FLUX — szybka (~1 min/obraz), ale wyraźnie niedbała w szczegółach i trzymaniu się promptu. FLUX.1-dev używa ~20 kroków i dodatkowego node’a “guidance”, wymieniając szybkość (~2-3 min/obraz) na ostrzejsze, bardziej fotorealistyczne wyniki i lepsze wykonywanie poleceń.
- Ollama + qwen2.5 (7B) dodane jako preprocesor promptów. To osobny, wyłącznie tekstowy LLM, który teraz siedzi w pipeline przed FLUX. Moje krótkie niemieckie prompty są automatycznie tłumaczone i rozwijane w szczegółowe angielskie opisy (kąt kamery, oświetlenie, styl), zanim FLUX w ogóle je zobaczy — bo rozumienie tekstu przez FLUX było trenowane głównie na długich, szczegółowych angielskich podpisach, a nie na “Auto am Strand, Vorderansicht”.
Nadzieja: lepszy model bazowy + lepsze prompty = wyraźnie lepsze, bardziej kontrolowalne wyniki na całej linii. 🤞
✅ Dobra wiadomość: proste rzeczy wychodzą teraz naprawdę świetnie
Przy prostych prośbach typu “wygeneruj mi obraz X” to połączenie jest naprawdę dobre. Mój standardowy test — “złota Honda S2000 na plaży, widok z przodu” — wrócił jako prawdziwe ujęcie z przodu złotej S2000 na plaży, dobrze oświetlone, wyglądające jak reklama samochodu. Nawet z uszanowaną instrukcją co do punktu widzenia, czego wcześniejsze próby po prostu... nie robiły. Czyli: tekst na obraz, po niemiecku, dla stosunkowo prostych scen? 👍 Działa dobrze.
❌ Zła wiadomość: celowane zmiany w obrazie nie działają dobrze
Ale tu właśnie mieszka mój prawdziwy przypadek użycia: nie chcę tylko losowych nowych obrazów — chcę wziąć istniejący obraz i nanieść konkretne, celowane zmiany. “Niech smok zieje niebieskim ogniem.” “Zmień ten samochód na czerwony.” “Dodaj tej osobie okulary przeciwsłoneczne.” Takie rzeczy. I tu koła wciąż odpadają. Pipeline img2img, który zbudowaliśmy, działa na jednym suwaku “jak bardzo ma się to zmienić” (denoise strength), a kompromis jest brutalny:
- Niski denoise → żądana zmiana prawie wcale się nie pojawia
- Wysoki denoise → dostaję zupełnie inny obraz, który mgliście pasuje do nowego promptu, ale oryginalna kompozycja, poza, kolory — w zasadzie wszystko, co chciałem zachować — znika
Nie ma złotego środka, w którym naprawdę zachodzi “zachowaj obraz, zmień tylko tę jedną rzecz”. Albo “nic się nie zmieniło”, albo “nowy obraz, RIP oryginał”. 😬 To, mówiąc wprost, jeszcze nie dorównuje temu, co robią ChatGPT czy Grok, gdy wgrywasz obraz i prosisz o celowaną edycję — tam to wygląda jak prawdziwa edycja. To, co mam teraz, przypomina raczej “rzuć kośćmi jeszcze raz, ale trochę je obciąż”.
🤔 Gdzie to zostawia wymaganie?
Szczerze mówiąc, wciąż otwarte. Przejście na FLUX.1-dev + Ollama było realną poprawą dla generowania — lepsze rozumienie promptów, więcej szczegółów, niemieckie wejście obsłużone z gracją. Ale mój pierwotny cel — “wgraj zdjęcie, powiedz, co zmienić, dostań to samo zdjęcie z tą jedną zmienioną rzeczą” — jeszcze nie jest rozwiązany. Z tego, co rozumiem, wymaga to prawdopodobnie zupełnie innego rodzaju narzędzia — czegoś zbudowanego specjalnie do edycji na podstawie poleceń (masking/inpainting albo dedykowane modele “edit”), zamiast ogólnego img2img opartego na denoise, którego używamy teraz. To następna królicza nora. 🐇 Więcej o tym, gdy ja (a raczej mój AI-kopilot) to rozgryzę.
📚 Więcej w tej serii: moja własna AI
