Repolode
Enviar
inclusionAI

inclusionAI/Ming-Image

Modelos open source com 6 bilhões de parâmetros que geram designs visuais completos a partir de texto e dividem imagens achatadas em camadas transparentes editáveis.

Alternativa open source a:FigmaCanva

Ver no GitHub
Estrelas
214
Forks
14
Issues abertas
5
Último commit
há 21 dias

O que é?

Ming-Image-0.1-Design é uma série de dois modelos para trabalhos de design visual. O modelo Design gera layouts completos para telas de UI, infográficos, pôsteres e outras composições com bastante texto, além de criar imagens com fundo transparente. O modelo Layer recebe uma imagem de design achatada e a decompõe em camadas RGBA editáveis de forma independente, como elementos separados de texto, cartões, assunto principal e fundo.

O repositório disponibiliza uma CLI em Python (infer.py) que carrega um diretório local de checkpoint ou um ID de repositório do Hugging Face Hub. Ela oferece suporte à geração de texto para imagem com largura e altura configuráveis, além da decomposição em camadas orientada por um prompt que especifica o número de camadas. O modo validate-only verifica a combinação de checkpoint e tarefa sem carregar os pesos. A implantação padrão usa uma única GPU com pelo menos 80 GiB de memória, executando em BF16; FlashAttention 2 é opcional, e o transformer de difusão usa PyTorch SDPA.

O projeto também inclui templates de reescrita de prompts para as duas tarefas, executados por um modelo separado de visão e linguagem antes da inferência, além de notas sobre a implantação com vLLM-Omni e testes de fumaça para os dois checkpoints.

Recursos principais

  • 01Gera designs visuais completos para UI, infográficos, pôsteres e layouts com bastante texto a partir de prompts.
  • 02Cria imagens com fundo transparente usando os prefixos de prompt listados.
  • 03Decompõe uma imagem de design achatada em várias camadas RGBA transparentes.
  • 04Oferece uma CLI compatível com checkpoints locais ou IDs de repositório do Hugging Face Hub, com fixação de revisão.
  • 05Inclui templates de reescrita de prompts e um modo validate-only para verificar os contratos dos checkpoints.

Casos de uso

  • Criar rascunhos de mockups de UI ou landing pages a partir de uma descrição textual.
  • Criar layouts de pôsteres ou infográficos que precisem de texto e elementos editáveis.
  • Separar um design achatado em camadas para continuar a edição em ferramentas de design.
  • Usar referências de design geradas em fluxos de trabalho com agentes que criam código de UI ou slides.

Tópicos

#image-generation#text-to-image#layer-decomposition#ui-design#diffusion-model#transparent-background#python

Perguntas frequentes

O que é Ming-Image?
Modelos open source com 6 bilhões de parâmetros que geram designs visuais completos a partir de texto e dividem imagens achatadas em camadas transparentes editáveis. Ming-Image-0.1-Design é uma série de dois modelos para trabalhos de design visual. O modelo Design gera layouts completos para telas de UI, infográficos, pôsteres e outras composições com bastante texto, além de criar imagens com fundo transparente. O modelo Layer recebe uma imagem de design achatada e a decompõe em camadas RGBA editáveis de forma independente, como elementos separados de texto, cartões, assunto principal e fundo.
Ming-Image é gratuito? Qual é a licença?
Ming-Image é open source sob a licença MIT. Confira os termos da licença antes de usá-lo em produtos comerciais.
Ming-Image ainda é mantido?
Manutenção ativa. O último commit de Ming-Image foi em 28 de set. de 2026.
Para que posso usar Ming-Image?
Criar rascunhos de mockups de UI ou landing pages a partir de uma descrição textual. Criar layouts de pôsteres ou infográficos que precisem de texto e elementos editáveis. Separar um design achatado em camadas para continuar a edição em ferramentas de design. Usar referências de design geradas em fluxos de trabalho com agentes que criam código de UI ou slides.
Onde consigo Ming-Image?
O código-fonte e as instruções de instalação estão no GitHub: https://github.com/inclusionAI/Ming-Image

Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.

Projetos relacionados