Stable Diffusion XLベースのオフラインで使えるオープンソース画像生成ツール。少ないプロンプト調整で利用できるGradio Web UIを搭載。
- スター
- 214
- フォーク
- 14
- 未解決の Issue
- 5
- 最終コミット
- 21 日前
これは何?
Ming-Image-0.1-Designは、ビジュアルデザイン向けの2モデルシリーズです。Designモデルは、UI画面、インフォグラフィック、ポスターなど、テキストを多く含む構成全体を生成でき、背景透過画像にも対応しています。Layerモデルは、統合済みのデザイン画像を、テキスト、カード、被写体、背景など、それぞれ独立して編集できるRGBAレイヤーに分解します。
リポジトリには、ローカルのチェックポイントディレクトリまたはHugging Face Hubのrepo IDを読み込むPython CLI(infer.py)が用意されています。幅と高さを指定できるtext-to-imageに加え、レイヤー数を指定するプロンプトに基づくレイヤー分解にも対応しています。validate-onlyモードでは、重みを読み込まずにチェックポイントとタスクの組み合わせを検証できます。標準的な実行環境は、BF16で動作するメモリ容量80 GiB以上の単一GPUです。FlashAttention 2は任意で、diffusion transformerにはPyTorch SDPAを使用します。
また、両方のタスク向けのプロンプト書き換えテンプレートも含まれています。推論前に、別のvision-languageモデルでこれらのテンプレートを実行します。さらに、vLLM-Omniでのデプロイ方法に関するメモと、両チェックポイントのスモークテストも用意されています。
主な機能
- 01プロンプトから、UI、インフォグラフィック、ポスターなど、テキストを多く含むデザイン全体を生成します。
- 02指定されたプロンプトのプレフィックスを使って、背景透過画像を生成します。
- 03統合済みのデザイン画像を、複数の透過RGBAレイヤーに分解します。
- 04ローカルのチェックポイントまたはHugging Face Hubのrepo IDに対応し、revisionの固定もできるCLIを提供します。
- 05プロンプト書き換えテンプレートと、チェックポイントの要件を検証するvalidate-onlyモードを備えています。
ユースケース
- テキストの説明から、UIやランディングページのモックアップを作成する。
- 編集可能なテキストや要素が必要なポスターやインフォグラフィックのレイアウトを作成する。
- 統合されたデザインをレイヤーに分け、デザインツールでさらに編集する。
- 生成したデザインを参考資料として、UIコードやスライドを作成するエージェントのワークフローに渡す。
トピック
よくある質問
- Ming-Image とは?
- テキストからデザイン全体を生成し、統合済みのデザイン画像を編集可能な透過レイヤーに分解する、オープンソースの60億パラメータモデル。 Ming-Image-0.1-Designは、ビジュアルデザイン向けの2モデルシリーズです。Designモデルは、UI画面、インフォグラフィック、ポスターなど、テキストを多く含む構成全体を生成でき、背景透過画像にも対応しています。Layerモデルは、統合済みのデザイン画像を、テキスト、カード、被写体、背景など、それぞれ独立して編集できるRGBAレイヤーに分解します。
- Ming-Image は無料で使えますか?ライセンスは?
- Ming-Image は MIT ライセンスのオープンソースです。商用製品で使う前にライセンス条件を確認してください。
- Ming-Image は今もメンテナンスされていますか?
- 活発にメンテナンス中。Ming-Image の最終コミットは 2026年9月28日 です。
- Ming-Image は何に使えますか?
- テキストの説明から、UIやランディングページのモックアップを作成する。 編集可能なテキストや要素が必要なポスターやインフォグラフィックのレイアウトを作成する。 統合されたデザインをレイヤーに分け、デザインツールでさらに編集する。 生成したデザインを参考資料として、UIコードやスライドを作成するエージェントのワークフローに渡す。
- Ming-Image はどこで入手できますか?
- ソースコードとインストール手順は GitHub にあります:https://github.com/inclusionAI/Ming-Image
概要はプロジェクトの README をもとに AI が生成しています。GitHub の数値は毎日更新されます。
関連プロジェクト
画像・動画・音声・3Dをローカル生成するためのノードグラフGUI、API、バックエンド。
LLMが実際のブラウザを操作するAIエージェント向けのOSS Pythonライブラリ。ホスト型のクラウドブラウザとエージェントAPIも利用可能。
主要取引所に対応し、バックテストやdry-run、TelegramやWeb UIでの操作ができるオープンソースのPython製暗号資産取引ボット。
エージェントプラットフォームの構築、APIでのエージェント提供、Web UIでの管理を実現するPythonフレームワークとランタイム。
任意のLLMプロバイダーでWebとローカル文書を深く調査し、出典付きレポートを作成するオープンソースの自律型エージェント。