Unsloth、Qwen-Image-LayeredのGGUF量子化版をHugging Faceで公開

Unslothは、画像を複数のRGBAレイヤーに分解するQwen-Image-LayeredをGGUF量子化したunsloth/Qwen-Image-Layered-GGUFをHugging Faceで公開しました。量子化にはUnsloth Dynamic 2.0の手法を使い、重要なレイヤーを高精度へアップキャストしています。

Unslothは、AIモデルの実行と学習のためのツール群で、量子化形式への出力に対応しています。GGUFはGGMLプロジェクトで仕様が公開されている推論用モデルの保存形式です。

何ができるモデルか

ベースモデルのQwen/Qwen-Image-Layeredは、入力画像を複数のRGBAレイヤーに分解し、各レイヤーを他の内容に影響させずに個別に編集できるモデルです。原文では次の操作例を示しています。

• 特定レイヤーの色変更
• オブジェクトの置換(少女から少年へ。対象レイヤーの編集にはQwen-Image-Editを使用)
• 文字の書き換え("Qwen-Image"へ)
• 不要なオブジェクトの削除、歪みのないリサイズ、キャンバス内での移動

分解数は固定ではなく、3層や8層など可変です。さらに任意のレイヤーを再帰的に分解することもできます。ライセンスはApache 2.0、pipeline_tagはimage-text-to-imageです。

試し方と要件

モデルカードのQuick Startは、ベースモデルをdiffusersで動かす手順です。

1. transformers>=4.51.3(Qwen2.5-VL対応版)を用意します。
2. 最新版のdiffusersとpython-pptxをインストールします。

pip install git+https://github.com/huggingface/diffusers
pip install python-pptx

3. QwenImageLayeredPipeline.from_pretrained("Qwen/Qwen-Image-Layered")で読み込み、pipeline.to("cuda", torch.bfloat16)でCUDAへ移します。
4. 入力画像を.convert("RGBA")で読み込み、パラメータを指定して推論し、出力の各レイヤーを{i}.pngとして保存します。

サンプルの主な設定値は次のとおりです。

パラメータ	値
layers	4
resolution	640(640と1024のバケットがあり、このバージョンでは640を推奨)
num_inference_steps	50
true_cfg_scale	4.0
num_images_per_prompt	1
シード	777
cfg_normalize	True
use_en_prompt	True(キャプション未指定時の自動キャプション言語)
negative_prompt	" "