Qwen Image Edit 2511

なんか普通にradeonでも動いたので記載

git clone https://github.com/comfyanonymous/ComfyUI.git

cd ComfyUI

uv venv venv --python 3.11 --seed
source venv/bin/activate
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/rocm7.1

pip install -r requirements.txt

pip install -r manager_requirements.txt

vi ./user/__manager/config.ini  #  network_mode = personal_cloud に変更する

python main.py --enable-manager

ここにおいてあるjsonを使ってみた（ただしUnet GGUF Loaderを使ってqwen-image-edit-2511-Q4_K_M をロードするよう変更）

Qwen-Image-Edit | Comfyに使う ComfyUI

models/diffusion_models: qwen-image-edit-2511-Q4_K_M.gguf

models/text_encoders: qwen_2.5_vl_7b_fp8_scaled.safetensors

models/vae: qwen_image_vae.safetensors

Q4_K_M で VRAM 10-11GB

Q5_K_M で VRAM 16GBギリギリ

で使えました

manga image batch translator

https://github.com/zyddnys/manga-image-translator

git clone https://github.com/zyddnys/manga-image-translator.git
cd manga-image-translator 
# project's Python requirement: `>=3.10, <3.12`だったのでやむなく..
uv venv venv --python 3.11 --seed
source venv/bin/activate
pip install torch torchvision --index-url https://download.pytorch.org/whl/rocm7.1
sudo apt install g++-12 
pip install -r requirements.txt

cp example/config-example.json ./config.json

config.jsonを編集
以下のように直す
  "translator": {
    "translator": "m2m100",
    "target_lang": "JPN",

python -m manga_translator local  --config-file config.json -v  -i ~/Downloads/illust

翻訳がテキトーなのはm2m100のせいもあるので有料サービスを使ってみてはどうか

sd-scripst更新

Anima学習ができるようになったので更新

参考: 

画像生成モデルAnimaのLoRA学習およびFinetuningコード｜yumihari

git clone https://github.com/kohya-ss/sd-scripts

cd sd-scripts

# python3.14ではエラーが出る. error: the configured Python interpreter version (3.14) is newer than PyO3's maximum supported version (3.13)

uv venv venv --python 3.13 --seed
source venv/bin/activate

pip install torch torchvision --index-url https://download.pytorch.org/whl/rocm7.1
pip install -r requirements.txt

# Anima uses full bf16, so it cannot be trained with fp16.

とりあえず動いた設定

SDXLと同じ設定でやったらOOMエラー
やむなくnetwork_train_unet_onlyにした
あとfp16ではエラーになるらしくて、bf16に変更した

1_XXXXXXX/
2_sls_XXXXXXX/を用意
画像と.txtを2_slsの方に入れる

    
cd ${homedir}
. ./venv/bin/activate

# 7900XTXのエミュレーション
export HSA_OVERRIDE_GFX_VERSION=11.0.0
export PYTORCH_HIP_ALLOC_CONF=garbage_collection_threshold:0.9,max_split_size_mb:512

# EDIT: network_alpha=1 network_dim=8 に変更中

 accelerate launch --num_cpu_threads_per_process=2 \
 "./anima_train_network.py" --enable_bucket \
 --min_bucket_reso=512 --max_bucket_reso=2048 \
 --pretrained_model_name_or_path=${sdmodel}/Stable-diffusion/anima-base-v1.0.safetensors \
 --qwen3=${sdmodel}/text_encoder/qwen_3_06b_base.safetensors \
 --vae=${sdmodel}/VAE/qwen_image_vae.safetensors \
 --train_data_dir=${traindir} \
 --reg_data_dir=${traindir}/1_XXXXXXX \
 --resolution="1024,1024" \
 --output_dir=${traindir}/outputAnima/ \
 --network_alpha=1 \
 --save_model_as=safetensors \
 --network_module=networks.lora_anima \
 --network_dim=8 \
 --output_name=XXXXXXX_anima_XL \
 --lr_scheduler_num_cycles="1" \
 --lr_scheduler_power="1" \
 --no_half_vae \
 --learning_rate="0.00015" \
 --lr_scheduler="cosine_with_restarts" \
 --train_batch_size="2" \
 --max_train_steps="5000" \
 --mixed_precision="bf16" \
 --save_precision="bf16" \
 --seed="0" \
 --caption_extension=".txt" \
 --cache_latents \
 --cache_latents_to_disk \
 --network_train_unet_only \
 --optimizer_type="Lion" \
 --max_grad_norm="1" \
 --max_train_epochs=50 \
 --max_data_loader_n_workers="0" \
 --caption_dropout_rate="0.05" \
 --bucket_reso_steps=64 \
 --min_snr_gamma=5 \
 --gradient_checkpointing \
 --mem_eff_attn
    

sd forge neo

rocm7.1環境下に久しぶりにインストール

参考
https://note.com/aiaicreate/n/nae1f2b3c07c7

うちのlinuxにはpython3.10, 3.13, 3.14しかなかったので3.13にしておく

git clone https://github.com/Haoming02/sd-webui-forge-classic sd-webui-forge-neo --branch neo
cd sd-webui-forge-neo
chmod +x webui.sh
chmod +x webui-user.sh

webui-user.shを変更

# 以下の環境変数はつけてもつけなくても変わりなかった..
export TORCH_BLAS_PREFER_HIPBLASLT=0
export HSA_OVERRIDE_GFX_VERSION=11.0.0
export PYTORCH_ROCM_ARCH=gfx1100
# export HSA_OVERRIDE_GFX_VERSION=11.0.1ではなぜかRX7800XTではうまくいかない
export HIP_VISIBLE_DEVICES=0
export PYTORCH_HIP_ALLOC_CONF=garbage_collection_threshold:0.9,max_split_size_mb
:512
python_cmd="python3.13"
export TORCH_COMMAND="pip install torch torchvision --index-url https://download.pytorch.org/whl/rocm7.1"
export COMMANDLINE_ARGS="--uv --listen --enable-insecure-extension-access"

上記変更

uv venv venv --python 3.13 --seed
./webui-user.sh --uv

参考URLでは —sageをつけておけば sageattensionが自動インストールされると書いてあったが、

Installing sageattention
Failed to install sageattention; Please manually install it

と拒絶されてしまう

dynamic prompts などの機能拡張のインストール方法
通常の拡張機能のインストールだとエラーになるので、下記の方法を使う

Extensions」>Install from URL
から、下記のURLを入れる

https://github.com/abzaloff/sd-dynamic-prompts.git

同様に WD14 Taggerも
https://github.com/hirorohi03/stable-diffusion-webui-wd14-tagger.git

を使って入れる

stable-diffusion-webui-dataset-tag-editorは動作しなかった

ComfyUIServerと Qwen Image Edit 2509

Radeonで Comfyの QwenImageEditがちょっとでも画像が大きいとたとえvae encode/decodeをtiledにしても 16GBでも OOMで動かないため、リモートのRTX3060 12GB搭載windows machineで Qwen Image Editをさせてみることとした

https://github.com/Zuntan03/SimpleComfyUi

に
「Qwen-Image-Edit-2509 を簡単に試せる Setup-QwenImageEdit2509.bat を追加しました。」
と書いてあったため、SimpleComfyUiInstaller.batでインストールした後Setup-QwenImageEdit2509.batを起動してダウンロード

リモートでやるときは
ComfyUI.bat をコピーして編集、--listenを付ける
" call %~dp0ComfyUi_NoArgs.bat  --fast --listen %* "

さらにWindows firewallを変更して、ポート3188をあける
こうすると他のＰＣから参照可能となり、無事Qwen Image Editで編集することができた

(Q3_Kはかなり画像の品質が劣化しており、多少時間かかっても Q5_Kのほうがよかった)

HunyuanImage-gguf

HunyuanImageも試してみた

ComfyUIをアップデート: git pull

やり方は下記をみてやりました

ComfyUIでFP8/GGUF版のHunyuanImage-2.1 Distilledを試す（推奨VRAM 12～16GB）｜まゆひらa

fp8版はHIP OOMで1024x1024でも落ちるので、gguf版を試してみたところとりあえず1024x1024で動作しました

whisperによる音声認識

qiitaに音声認識させてchatgptで？要約や翻訳させるというプログラムがでていた

ただ認識さえしてくれればいいからそんな感じでwhisperだけ導入

しかも音声wavを要するにtextにしてくれればいいからcli.pyのみ作成

python3 -m venv venv
source venv/bin/activate
pip3 install torch torchvision --index-url https://download.pytorch.org/whl/rocm6.4
pip install .

使い方

# python cli.py sample.wav

import argparse
import whisper
import torch

def main():
    parser = argparse.ArgumentParser(
        description="Whisper CLI - wavファイルを文字起こし"
    )
    parser.add_argument("audio", type=str, help="入力音声ファイル (wav, mp3, m4a
など)")
    parser.add_argument(
        "--model", type=str, default="large",
        choices=["tiny", "base", "small", "medium", "large"],
        help="使用するWhisperモデル (デフォルト: large)"
    )
    parser.add_argument(
        "--translate", action="store_true",
        help="翻訳モード（日本語→英語など）"
    )
    args = parser.parse_args()

    # GPU利用チェック
    device = "cuda" if torch.cuda.is_available() else "cpu"
    print(f"Using device: {device}")

    # モデルロード
    model = whisper.load_model(args.model, device=device)

    # 文字起こし
    if args.translate:
        result = model.transcribe(args.audio, task="translate")
    else:
        result = model.transcribe(args.audio)

    print("\n=== Transcription Result ===\n")
    print(result["text"])

if __name__ == "__main__":
    main()