Qwen-Image-2.1: जनरेशन+एडिटिंग एकीकृत नई पीढ़ी (नेटिव 2K, पारदर्शी बैकग्राउंड, 16 रेफ़रेंस इमेज)
Qwen-Image-2.1 अलीबाबा की Qwen टीम के Qwen-Image सीरीज़ का नवीनतम ओपन-वेट संस्करण है, और इस पीढ़ी का सबसे बड़ा बदलाव भी: एक ही मॉडल से टेक्स्ट-टू-इमेज और इंस्ट्रक्शन-बेस्ड इमेज एडिटिंग दोनों—वही वेट, प्रॉम्प्ट से इमेज भी बना सकता है और एक वाक्य के इंस्ट्रक्शन से इमेज बदल भी सकता है, वर्कफ़्लो में checkpoint बदलने की ज़रूरत नहीं। साथ ही तीन चीज़ें जो पिछली पीढ़ी नहीं कर सकती थी या अच्छी तरह नहीं कर पाती थीं: नेटिव 2K सीधा आउटपुट, घने छोटे टेक्स्ट की प्रोफ़ेशनल टाइपोग्राफ़ी, और VAE में इनबिल्ट alpha चैनल से सीधे पारदर्शी बैकग्राउंड इमेज जनरेशन।
यह पेज आपको ऑफ़िशियल Qwen-Image-2.1 वर्कफ़्लो को शुरू से चलाने में मदद करता है: मॉडल के तीन हिस्से डाउनलोड करना, टेम्पलेट लाइब्रेरी से टेक्स्ट-टू-इमेज और एडिटिंग टेम्पलेट लोड करना, Resolution Selector से सीधे 2K आउटपुट, पारदर्शी बैकग्राउंड प्रॉम्प्ट लिखना, कई रेफ़रेंस इमेज जोड़कर कपड़े बदलना, और अंत में Turbo 8 स्टेप एक्सेलेरेशन पर स्विच करना।
पिछले दो पाठों से संबंध: Qwen-Image बेस मॉडल शून्य से जनरेशन संभालता है, Qwen-Image-Edit इंस्ट्रक्शन-बेस्ड एडिटिंग संभालता है, 2.1 दोनों लाइनों को एक मॉडल में मिला देता है और पूरा टेक्स्ट एनकोडर भी बदल देता है (Qwen2.5-VL 7B → Qwen3-VL 8B), मॉडल फ़ाइलें पिछली तीन पीढ़ियों के साथ संगत नहीं हैं।
सीखने के बाद आप क्या कर सकेंगे
- ऑफ़िशियल टेम्पलेट लाइब्रेरी से Qwen-Image-2.1 टेक्स्ट-टू-इमेज और एडिटिंग वर्कफ़्लो लोड करें, मॉडल फ़ाइलें पूरी करें, पहली जनरेशन चलाएँ
- Resolution Selector से आस्पेक्ट रेशियो+मेगापिक्सेल के हिसाब से इमेज बनाएँ, 1:1 पर 4MP जोड़कर सीधे 2048×2048 नेटिव 2K आउटपुट
- एक वाक्य के इंस्ट्रक्शन से इमेज एडिटिंग लिखें: बैकग्राउंड बदलना, टेक्स्ट बदलना, कपड़े बदलना, image_1 से image_16 में अधिकतम 16 रेफ़रेंस इमेज
- ऑफ़िशियल प्रॉम्प्ट टेम्पलेट से पारदर्शी बैकग्राउंड PNG जनरेट करें, अलग से बैकग्राउंड रिमूवल मॉडल चलाने की ज़रूरत नहीं
- Turbo चेकपॉइंट पर स्विच करें या ऑफ़िशियल Turbo LoRA लगाएँ, 8 स्टेप में इमेज
आपकी मौजूदा समस्याएँ
- Qwen-Image से बेस इमेज बनाकर, फिर Qwen-Image-Edit से एडिट करना—दो मॉडल सेट तीस से ज़्यादा GB, हार्ड डिस्क और प्रोसेस दोनों झेल नहीं पाते
- पिछली पीढ़ी का डिफ़ॉल्ट आउटपुट सिर्फ़ 1328×1328 (लगभग 1.8MP) है, पोस्टर बनाने के लिए अपस्केलिंग फिर से चलानी पड़ती है, टेक्स्ट बड़ा करते ही धुँधला हो जाता है
- ई-कॉमर्स सामग्री के लिए पारदर्शी बैकग्राउंड चाहिए, जनरेशन के बाद BiRefNet से फिर से काटना पड़ता है, किनारों पर हमेशा सफ़ेद रिम बच जाती है
- मल्टी-इमेज रेफ़रेंस (यह कपड़ा इस व्यक्ति पर पहनाना) पिछली पीढ़ी के मॉडल में अधिकतम 3 इमेज, सेट और सीन इमेज के लिए बिल्कुल पर्याप्त नहीं
इस तकनीक का उपयोग कब करें
जब आपको चाहिए:
- एक ही मॉडल से 'शून्य से जनरेशन' और 'इंस्ट्रक्शन से एडिटिंग' दोनों काम, दो वेट सेट मेंटेन नहीं करने पड़ेंगे
- नेटिव 2K रेज़ोल्यूशन सीधा आउटपुट: पोस्टर, पैकेजिंग, इन्फ़ोग्राफ़िक्स, घने छोटे टेक्स्ट भी साफ़
- alpha चैनल वाली पारदर्शी बैकग्राउंड इमेज सीधे जनरेट या एडिट करना
- मल्टी रेफ़रेंस इमेज एडिटिंग: पर्सन इमेज + कपड़े की इमेज + सीन इमेज साथ में डालना
और आप नहीं करना चाहते:
- जनरेशन के बाद 2K के लिए अपस्केलिंग मॉडल फिर से चलाना
- पारदर्शी बैकग्राउंड सामग्री को बैकग्राउंड रिमूवल वर्कफ़्लो से दोबारा गुज़ारना
- जनरेशन, एडिटिंग, एक्सेलेरेशन के लिए अलग-अलग मॉडल सेट डाउनलोड करना
🎒 शुरू करने से पहले की तैयारी
- पिछला पाठ Qwen-Image-Edit इंस्ट्रक्शन-बेस्ड एडिटिंग सीखा हो, पता हो कि इंस्ट्रक्शन एडिटिंग क्या है (2.1 की मॉडल फ़ाइलें इसके साथ संगत नहीं हैं, सीखा न हो तो भी सीधे शुरू कर सकते हैं)
- पहली इमेज जनरेशन चलाया हो, टेम्पलेट लोड करना आता हो, KSampler और तीन Loader पहचानते हों
- मॉडल डायरेक्टरी नियमों की स्पष्ट समझ रखें:
diffusion_models,text_encoders,vaeमें क्या-क्या रखना है (भूल जाएँ तो फिर से देखें मॉडल कहाँ रखें) - हार्ड डिस्क पर लगभग 16GB आरक्षित रखें: diffusion मॉडल int8 संस्करण 6.76GB + text encoder 8.71GB + VAE 0.64GB (prompt enhancement चालू करना चाहें तो अतिरिक्त 8.82GB)
- ComfyUI को v0.37 या उससे ऊपर अपडेट करें (Turbo टेम्पलेट के लिए v0.39+ चाहिए, वर्तमान स्थिर संस्करण v0.43.2 ठीक है; अपडेट करना नहीं आता तो देखें समस्या निवारण अवलोकन)
- नेटवर्क Hugging Face से जुड़ सकता हो; कनेक्शन अस्थिर हो तो ModelScope घरेलू स्रोत अपनाएँ (पता चरण 2 में दिया गया है)
- VRAM संदर्भ: int8 वेट लगभग 6.76GB, बड़ी इमेज एडिट करते समय VRAM उपयोग संदर्भ इमेज की संख्या और रेज़ोल्यूशन के साथ बढ़ता है, तंग पड़े तो VRAM की कमी में समाधान खोजें
मूल विचार
2.1 एक ही मॉडल से दो काम कैसे कर पाता है? Text-to-image और इंस्ट्रक्शन एडिटिंग नीचे की परत पर एक ही diffusion प्रक्रिया साझा करते हैं, अंतर केवल कंडीशनल इनपुट में है: text-to-image में केवल प्रॉम्प्ट दिया जाता है, एडिटिंग में संदर्भ इमेज को text encoder की इनपुट अनुक्रम में "जोड़ा" जाता है—Qwen3-VL encoder मूल रूप से मल्टीमॉडल है, इमेज और टेक्स्ट एक साथ पढ़ता है। इसलिए 2.1 को अलग से Edit ब्रांच ट्रेन करने की ज़रूरत नहीं, एक ही वेट से सीधे काम बदले जा सकते हैं, एडिट टेम्पलेट केवल LoadImage को Text Encode नोड के इमेज स्लॉट से जोड़ता है।
Qwen-Image-2.1 वर्कफ़्लो संरचना (text-to-image टेम्पलेट, सब एक "Text to Image (Qwen Image 2.1)" सबग्राफ नोड में शामिल):
ResolutionSelector (अनुपात + मेगापिक्सेल) ──→ सबग्राफ: EmptyLatentImage ─→ KSampler ─→ VAEDecode ─→ SaveImage
CLIPLoader (Qwen3-VL 8B) ──→ TextEncodeQwenImage21 (पॉज़िटिव/निगेटिव) ─→ KSampler
UNETLoader (2.1 diffusion मॉडल) ─→ QwenImage21Cache (KV कैश) ─→ KSampler
VAELoader (4 चैनल VAE) ─→ VAEDecodeएडिट टेम्पलेट EmptyLatentImage को TextEncodeQwenImage21 के latent आउटपुट से बदल देता है—इस latent का आकार अपने आप पहली संदर्भ इमेज (image_1) का अनुसरण करता है, कैनवास का आकार खुद गणना करने की ज़रूरत नहीं।
पाँच आधिकारिक टेम्पलेट, एक मॉडल परिवार:
| टेम्पलेट नाम (टेम्पलेट लाइब्रेरी खोज शब्द) | कार्य | चरण | न्यूनतम संस्करण |
|---|---|---|---|
| Qwen Image 2.1: Text-to-Image | Text-to-Image | 25 चरण | v0.37.2 |
| Qwen Image 2.1: इमेज एडिटिंग | इंस्ट्रक्शन-आधारित रीटच + मल्टी-रेफरेंस | 25 चरण | v0.37.0 |
| बैकग्राउंड हटाएँ: Qwen Image 2.1 | पारदर्शी बैकग्राउंड कटआउट | 25 चरण | v0.37.0 |
| Qwen Image 2.1 Turbo: Text-to-Image | Text-to-Image त्वरण | 8 चरण | v0.39.0 |
| Qwen Image 2.1 Turbo: इमेज एडिटिंग | रीटच त्वरण | 8 चरण | v0.39.0 |
इस पीढ़ी के पैरामीटर स्वाद पिछली पीढ़ी से अलग हैं, शुरू करने से पहले तीन बातें याद रखें:
- cfg निश्चित रखें 1: आधिकारिक रिलीज़ पाथ cfg 1 ही है, इस स्थिति में ComfyUI निगेटिव कंडीशन छोड़ देता है, निगेटिव प्रॉम्प्ट लिखना व्यर्थ है
- चरण 25 से शुरू करें: आधिकारिक मूल पाइपलाइन लगभग 40-50 चरण की है, टेम्पलेट में घटाकर 25 चरण पर्याप्त हैं; छोटे लोकल बदलावों के लिए 4-8 चरण भी मान्य हैं
- रेज़ोल्यूशन "मेगापिक्सेल" में सोचें: 1MP ≈ 1024×1024, 2K वर्गाकार इमेज यानी 4MP, अब चौड़ाई-ऊँचाई हाथ से गणना न करें
मेरे साथ करें
चरण 1: आधिकारिक Qwen-Image-2.1 वर्कफ़्लो टेम्पलेट लोड करें
क्यों: आधिकारिक टेम्पलेट मॉडल लोडिंग, सैंपलिंग, KV कैश सब एक सबग्राफ नोड में समेट देता है, आपको केवल दस-बारह उजागर पैरामीटरों से निपटना है, शून्य से तार जोड़ने की ज़रूरत नहीं।
ComfyUI खोलें, बाईं ओर Templates साइडबार में "Qwen Image 2.1" खोजें, text-to-image के लिए Qwen Image 2.1: Text-to-Image चुनें, रीटच के लिए Qwen Image 2.1: इमेज एडिटिंग चुनें (टेम्पलेट लाइब्रेरी का चीनी नाम आपके लोकल संस्करण पर निर्भर है, खोज शब्द के लिए अंग्रेज़ी सबसे भरोसेमंद है)।
आपको यह दिखना चाहिए: text-to-image टेम्पलेट कैनवास पर केवल तीन नोड—एक Resolution Selector (अनुपात + मेगापिक्सेल), एक बड़ा सबग्राफ नोड Text to Image (Qwen Image 2.1), एक Save Image; एडिट टेम्पलेट में Image Edit (Qwen Image 2.1) सबग्राफ में image_1 से image_10 तक इमेज इनपुट स्लॉट की कतार होती है, साथ में दो LoadImage और एक Image Compare। मॉडल गायब होने पर नोड लाल हो जाते हैं, टेम्पलेट अपने आप डाउनलोड का प्रयास करता है; घरेलू नेटवर्क पर ऑटो-डाउनलोड आसानी से विफल हो जाता है, चरण 2 के अनुसार मैन्युअल डाउनलोड की सिफारिश की जाती है।
- टेम्पलेट सफलतापूर्वक लोड हुआ, कैनवास पर Resolution Selector और सबग्राफ नोड दिखाई देते हैं
चरण 2: मॉडल के तीन भाग डाउनलोड करें और संगत डायरेक्टरी में रखें
क्यों: 2.1 में नया Qwen3-VL टेक्स्ट एनकोडर और 4-चैनल VAE आया है, जो Qwen-Image / Qwen-Image-Edit की मॉडल फ़ाइलों के साथसंगत नहीं है, इसलिए दोबारा डाउनलोड करना होगा; लेकिन पाँच आधिकारिक टेम्पलेट (Turbo और बैकग्राउंड हटाना शामिल) एक ही एनकोडर और VAE सेट साझा करते हैं, अगली बार सबके लिए वही चलेगा।
तीन अनिवार्य फ़ाइलें (टेम्पलेट डिफ़ॉल्ट रूप से int8 संस्करण लोड करता है, VRAM-अनुकूल):
| फ़ाइल | डायरेक्टरी | आकार |
|---|---|---|
qwen_image_2.1_int8_convrot.safetensors | models/diffusion_models/ | 6.76 GB |
qwen3vl_8b_int8_convrot.safetensors | models/text_encoders/ | 8.71 GB |
qwen_image_2.1_vae_bf16.safetensors | models/vae/ | 644.2 MB |
डाउनलोड पते में से एक चुनें (डायरेक्टरी संरचना समान है, फ़ाइलें diffusion_models/, text_encoders/, vae/ सब-डायरेक्टरी में हैं):
- Hugging Face:
https://huggingface.co/Comfy-Org/Qwen-Image-2.1 - ModelScope घरेलू स्रोत (अनुशंसित):
https://modelscope.cn/models/Comfy-Org/Qwen-Image-2.1
फ़ाइलें रखने के बाद ComfyUI में वापस जाकर रिफ़्रेश करें, सबग्राफ़ नोड पर लाल बॉर्डर गायब हो जाएगा।
आपको यह दिखना चाहिए: सबग्राफ़ नोड के शीर्ष पर मॉडल नाम ड्रॉपडाउन से qwen_image_2.1_int8_convrot चुन सकते हैं, Queue (Ctrl+Enter) दबाने पर अब मॉडल गुम होने की त्रुटि नहीं आती।
- तीनों फ़ाइलें जगह पर हैं, नोड पर लाल बॉर्डर नहीं, मॉडल गुम होने की त्रुटि गायब
चरण 3: पहली बार नेटिव 2K टेक्स्ट-से-इमेज सफलतापूर्वक चलाएँ
क्यों: 2.1 की मुख्य विशेषताओं में से एक है कि अपस्केल मॉडल के बिना सीधे 2K आउटपुट मिलता है — रेज़ोल्यूशन हाथ से चौड़ाई-ऊँचाई भरकर नहीं, बल्कि Resolution Selector के "मेगापिक्सेल" लक्ष्य से तय होती है; पहले डिफ़ॉल्ट मान से चलाएँ, फिर 2K पर जाएँ।
- सबग्राफ़ नोड के prompt बॉक्स में वह लिखें जो आप बनाना चाहते हैं (टेम्पलेट में दिया गया नमूना प्रॉम्प्ट बहुत लंबा है, पहले उसी से परख लें)
- Resolution Selector डिफ़ॉल्ट पर रखें:
1:1 (Square)+1मेगापिक्सेल (लगभग 1024×1024) - Queue (Ctrl+Enter) दबाएँ
आपको यह दिखना चाहिए: प्रोग्रेस बार 25 चरण चलता है (cfg 1, euler, simple), आउटपुट इमेज का प्रीफ़िक्स Qwen_image_2.1।
सफलतापूर्वक चलने के बाद 2K पर बदलें: Resolution Selector के megapixels को 1 से 4 करें, अनुपात 1:1 पर रखें, और दोबारा चलाएँ।
आपको यह दिखना चाहिए: आउटपुट 2048×2048 हो जाता है, दृश्य का विवरण और छोटा टेक्स्ट स्पष्ट रूप से ज़्यादा मज़बूत — यही नेटिव 2K है, बीच में कोई अपस्केल मॉडल नहीं आया।
💡 रेज़ोल्यूशन इस तरह चुनें
- अनुपात Resolution Selector के aspect_ratio में चुनें (1:1, 2:3, 3:2, 3:4, 4:3, 9:16, 16:9, 21:9 आठ विकल्प)
- आकार megapixels से तय होता है (0.1–16.0): 1MP ≈ 1024×1024, 4MP = 2048×2048 (2K वर्गाकार इमेज)
- आधिकारिक सलाह है कि पिक्सेल मान 32 का गुणज हो; सामान्य लक्ष्यों (1MP, 4MP वर्गाकार इमेज) का गणना करने पर ठीक वही आता है
- 4K के लिए मत भागें: 2K ट्रेनिंग आकार से बहुत ज़्यादा बढ़ने पर प्रॉम्प्ट का पालन करने की क्षमता घट जाती है
- 1MP से एक बार इमेज बनाएँ, 4MP से एक बार इमेज बनाएँ, दोनों बार सफल और 4MP पर 2048×2048
चरण 4: एक वाक्य के निर्देश से इमेज संपादन, अधिकतम 16 संदर्भ इमेजें
क्यों: संपादन 2.1 में मिलाई गई क्षमता है, संदर्भ इमेजें स्लॉट क्रम में टेक्स्ट एनकोडर में जुड़ती हैं, प्रॉम्प्ट में <image1>, <image2> से नाम लेकर संदर्भित किया जाता है — यह लेखन शैली पिछली Edit लाइन में नहीं थी, यह पूरी तरह नया इंटरफ़ेस है।
- टेम्पलेट लाइब्रेरी से Qwen Image 2.1: इमेज संपादन टेम्पलेट लोड करें
- image_1 स्लॉट में संपादित करने वाली इमेज डालें (LoadImage नोड से अपलोड करें; टेम्पलेट का नमूना
portrait_model_denim.pngव्यक्ति की इमेज है) - image_2 से आगे संदर्भ इमेजें जोड़ें (नमूना
clothing_light_blue_denim_shirt.pngकपड़ों की इमेज है), अधिकतम image_16 तक जोड़ सकते हैं, आधिकारिक टेम्पलेट में पहले 10 स्लॉट खुले हैं - सबग्राफ़ नोड के prompt में निर्देश लिखें, स्लॉट से नाम लेकर संदर्भित करें:
Keep the character and pose in <image1> unchanged, put this light blue denim shirt from <image2> on the character, preserve the original facial features, hair, body shape and pose(image_1 में व्यक्ति की मुद्रा वही रखें, image_2 की यह हल्की नीली डेनिम शर्ट व्यक्ति पर पहनाएँ, मूल चेहरे का आकार, हेयरस्टाइल, शरीर की बनावट और मुद्रा बनाए रखें।)
- Queue दबाएँ
आपको यह दिखना चाहिए: आउटपुट में व्यक्ति वही है, कपड़े संदर्भ इमेज की डेनिम शर्ट से बदल गए हैं; टेम्पलेट में एक Image Compare नोड भी है, स्लाइडर खींचकर मूल इमेज और परिणाम की तुलना कर सकते हैं।
💡 संपादन कैनवास आकार के नियम (resolution पैरामीटर)
resolutionएककुल पिक्सेल बजट है, चौड़ाई या ऊँचाई नहीं:1024का अर्थ है image_1 को अनुपात बनाए रखते हुए लगभग 1024×1024 कुल पिक्सेल तक स्केल करना (जैसे 3:4 इमेज लगभग 896×1184 तक सिकुड़ जाएगी)- टेम्पलेट डिफ़ॉल्ट
0: हर संदर्भ इमेज अपना पिक्सेल आकार रखती है (32 के गुणज पर संरेखित), 3000×4000 की फ़ोटो का कैनवस 3008×4000 ही होगा custom_sizeबंद (डिफ़ॉल्ट): कैनवास image_1 का अनुसरण करता है; चालू करने पर ही Resolution Selector की चौड़ाई-ऊँचाई उपयोग होती है- कैनवास जितना बड़ा, उतना धीमा: आधिकारिक तौर पर RTX 5090 पर परीक्षण में 3008×4000 करीब 6 s/it रहा, जबकि लगभग 896×1184 तक छोटा करने पर सिर्फ करीब 0.3 s/it——इमेज संपादन धीमा हो तो पहले resolution और रेफ़रेंस इमेज के आकार की जाँच करें, फिर कुछ और सोचें
सिर्फ किसी हिस्से को बदलना चाहते हैं? image_1 के LoadImage नोड पर राइट-क्लिक करें → Open in Mask Editor, फिर Paint Pen से जिस हिस्से को बदलना है वहाँ कुछ स्ट्रोक लगाएँ और सेव करें। लगाए गए स्ट्रोक इमेज में ही लिखे जाते हैं (mask में नहीं), और प्रॉम्प्ट में रंग का नाम लेकर बताएँ: "change the jacket in the red area" (लाल क्षेत्र का जैकेट बदलें)। मार्किंग उस क्षेत्र के भीतर की जानी चाहिए जिसे आप बदलना चाहते हैं; अगर मार्किंग का रंग खुद फ़ाइनल इमेज में आ सकता है, तो वांछित रंग को भी प्रॉम्प्ट में लिखें।
एकाधिक रेफ़रेंस इमेज सिर्फ कपड़े बदलने के लिए नहीं हैं——डिज़ाइन ड्राफ़्ट और वास्तविक उत्पाद की इमेज दोनों साथ देकर प्रोडक्ट मॉकअप बनाया जा सकता है; तरीका वही है, व्यवहारिक उदाहरण देखें प्रोडक्ट मॉकअप में।
- दो इमेज से कपड़े बदलना सफल, चरित्र का चेहरा और मुद्रा अपरिवर्तित
- resolution को 0 से 1024 में बदलकर देखें; इमेज तेज़ बनती है और कैनवास छोटा हो जाता है
चरण 5: पारदर्शी बैकग्राउंड वाली इमेज बनाना (टेक्स्ट-से-इमेज और इमेज संपादन, दो रास्ते)
क्यों: 2.1 का VAE 4 चैनल वाला है, alpha सीधे इमेज में जनरेट होता है, बाद में बैकग्राउंड हटाने की ज़रूरत नहीं——यह ई-कॉमर्स सामग्री की अनिवार्य ज़रूरत है, और इसीलिए आधिकारिक तौर पर अलग से एक "移除背景" (बैकग्राउंड हटाएँ) टेम्पलेट दिया गया है।
रास्ता A: टेक्स्ट-से-इमेज से सीधे पारदर्शी बैकग्राउंड बनाना। टेक्स्ट-से-इमेज टेम्पलेट के प्रॉम्प्ट में आधिकारिक टेम्पलेट वाक्य-रचना अपनाएँ और बीच का हिस्सा अपने सब्जेक्ट से बदलें:
This is an RGBA format image with transparency. [a red sneaker, product photography, side view]. The image has an alpha channel and a transparent background.रास्ता B: मौजूदा इमेज से बैकग्राउंड हटाना। टेम्पलेट लाइब्रेरी से 移除背景 (बैकग्राउंड हटाना): Qwen Image 2.1 टेम्पलेट लोड करें, image_1 में अपनी इमेज जोड़ें, प्रॉम्प्ट पहले से लिखा हुआ है:
Remove the background, and output a PNG imageदोनों रास्तों में ध्यान रखें: आउटपुट PNG में ही सेव करें (टेम्पलेट के Save Image में png / 8-bit / sRGB पहले से सेट है), JPEG alpha चैनल सेव नहीं कर सकता, सेव किया तो पारदर्शिता चली जाएगी।
पारदर्शी सामग्री के और तरीके (BiRefNet से लोकल कटआउट, Bria से क्लाउड कटआउट, बैकग्राउंड बदलकर कंपोज़िट) प्रोडक्ट कटआउट और बैकग्राउंड बदलना में विस्तार से बताए गए हैं।
आपको यह दिखना चाहिए: जनरेट की गई इमेज गहरे चेकरबोर्ड बैकग्राउंड पर पारदर्शी क्षेत्र दिखाती है; फ़ाइल को PS / GIMP में खींचने पर लेयर में alpha चैनल होता है।
- रास्ता B सफल: एक वास्तविक फ़ोटो से बैकग्राउंड हटाया गया, PNG में alpha चैनल मौजूद
चरण 6: Turbo पर स्विच करें, 8 चरणों में इमेज
क्यों: Turbo उसी मॉडल का डिस्टिल्ड चेकपॉइंट है, जिसमें 8 चरणों का शेड्यूल निश्चित है, इमेज बनने का समय 25 चरण वाले संस्करण का लगभग एक-तिहाई है——बैच इमेज बनाते समय या बार-बार आज़माते समय फ़र्क़ साफ़ महसूस होता है।
तरीका A (अनुशंसित): सीधे Turbo टेम्पलेट पर स्विच करें। टेम्पलेट लाइब्रेरी से Qwen Image 2.1 Turbo:文生图 (टेक्स्ट-टू-इमेज) या Qwen Image 2.1 Turbo:图像编辑 (इमेज एडिटिंग) लोड करें, डिफ़्यूज़न मॉडल को qwen_image_2.1_turbo_int8_convrot.safetensors से बदलें (6.76 GB, बेस int8 के समान आकार), सैंपलिंग निश्चित 8 चरणों के ManualSigmas शेड्यूल से होती है, चरण संख्या बदलने की न ज़रूरत है न संभव है।
तरीका B: बेस टेम्पलेट पर Turbo LoRA लगाना। अगर फिर से 6.76GB डाउनलोड नहीं करना चाहते, तो आधिकारिक रिपॉज़िटरी से qwen_image_2.1_turbo_lora_avg_rank_178_bf16.safetensors (Comfy-Org/Qwen-Image-2.1 की loras/ डायरेक्टरी) डाउनलोड करके models/loras/ में रखें, सबग्राफ़ में मॉडल लाइन पर LoraLoaderModelOnly नोड जोड़कर उसे लोड करें, फिर सबग्राफ़ नोड के steps को 8 कर दें, sampler/scheduler को euler/simple पर ही रहने दें।
आपको यह दिखना चाहिए: प्रोग्रेस बार सिर्फ 8 चरणों में ही इमेज बना देता है; टेक्स्ट पोस्टर जैसे सघन लेआउट वाले कामों की क्वालिटी अब भी अच्छी रहती है (Turbo टेम्पलेट का सैंपल प्रॉम्प्ट खुद एक "QWEN IMAGE / 2.1 TURBO" दो-पंक्ति बड़े अक्षरों वाला पोस्टर है, इससे पहले सत्यापित कर सकते हैं)।
⚠️ Turbo के 8 चरण "लॉक" होते हैं
Turbo टेम्पलेट ManualSigmas नोड से डिस्टिल्ड शेड्यूल हार्डकोड करता है (1.0, 0.978453, 0.95418, 0.926626, 0.89508, 0.845148, 0.704534, 0.414568, 0)। चरण बढ़ाने के लिए शेड्यूल भी साथ बदलना होगा, अकेले चरण संख्या बदलने का कोई मतलब नहीं। बेस मॉडल पर यह प्रतिबंध नहीं है, 25 → 40 चरण कभी भी समायोजित किए जा सकते हैं।
- Turbo से एक इमेज बनी, 8 चरणों में पूर्ण, समय 25 चरण वाले संस्करण का लगभग एक-तिहाई
चेकपॉइंट ✅
- टेम्पलेट सफलतापूर्वक लोड: Resolution Selector + सबग्राफ़ नोड + Save Image, कोई लाल बॉर्डर नहीं
- तीनों चीज़ें तैयार:
diffusion_modelsमें 2.1 डिफ़्यूज़न मॉडल,text_encodersमें Qwen3-VL,vaeमें 4 चैनल वाला VAE - 1:1 + 4MP से सीधे 2048×2048, किसी अपस्केल नोड से नहीं गुज़रा
- संपादन टेम्पलेट में
<image1>/<image2>से रेफ़रेंस इमेज का नाम लेकर कपड़े बदलना सफल - पारदर्शी बैकग्राउंड वाली PNG चेकरबोर्ड बैकग्राउंड पर पारदर्शी दिखती है, फ़ाइल में alpha चैनल मौजूद
- Turbo से 8 चरणों में इमेज सामान्य बनती है
आम ग़लतियों की चेतावनी
❌ निगेटिव प्रॉम्प्ट लिखने से कोई असर नहीं
cfg 1 होने पर ComfyUI निगेटिव कंडीशन की गणना सीधे छोड़ देता है, negative_prompt में कुछ भी लिखना बेअसर है——यह 2.1 के आधिकारिक रिलीज़ पाथ की सेटिंग है, कोई bug नहीं। निगेटिव को असर देना है तो cfg बढ़ाना होगा: आधिकारिक संदर्भ के अनुसार cfg 2 सघन टेक्स्ट और छोटे अंकों के साथ बेहतर चिपकता है, पर किनारे अति-तीखे हो जाते हैं; cfg 5 पर क्वालिटी साफ़ बिगड़ती है, 0.5 पर सीधे इमेज खराब। cfg बढ़ाने से पहले seed फ़िक्स करके तुलना करें, एक बार में सिर्फ एक मान बदलें।
❌ इमेज संपादन इतना धीमा जैसे अटक गया हो
ग्राफ़िक्स कार्ड को दोष देने से पहले दो चीज़ें जाँचें: क्या सबग्राफ़ नोड का resolution 0 है (हर रेफ़रेंस इमेज अपने मूल पिक्सेल अनुसार कैनवास में जाती है, कुछ 3000×4000 की इमेज जमा होने पर सैंपलिंग 12MP से शुरू होती है); और क्या रेफ़रेंस इमेज बहुत अधिक और बहुत बड़ी हैं (अधिक इमेज टेक्स्ट एनकोडिंग सीक्वेंस लंबा करती हैं, KV कैश पर दबाव भी बढ़ता है)। resolution को 1024 सेट करने पर आधिकारिक परीक्षण में गति लगभग 6 s/it से वापस लगभग 0.3 s/it हो जाती है। फिर भी धीमा हो तो Qwen Image 2.1 Cache नोड बदलें: device में cpu चुनें (मेमोरी प्रीफ़ेच से, गति लगभग नहीं गिरती), या dtype में int8 चुनें (कैश आधा, सटीकता bf16 के करीब)।
❌ प्रॉम्प्ट एन्हांसमेंट चालू करने के बाद इमेज प्रॉम्प्ट से बिल्कुल मेल नहीं खाती
refine_prompt चालू होने पर इमेज मॉडल को वास्तव में वह प्रॉम्प्ट दिया जाता है जिसे एन्हांस मॉडल ने 改写后 (फिर से लिखे हुए) रूप में बदल दिया है, न कि आपका लिखा वाक्य। 改写 की क्वालिटी max_length पर निर्भर करती है: टेम्पलेट का डिफ़ॉल्ट 4096 है, जबकि एन्हांस मॉडल का इन्फ़ेरेंस ब्लॉक (thinking) token बहुत खा जाता है — बजट इन्फ़ेरेंस में खत्म हो जाने पर 改写 का नतीजा 空字符串 (खाली स्ट्रिंग) होगा, और इमेज मॉडल खाली प्रॉम्प्ट से सैंपल करेगा, यानी एडिट का नतीजा ओरिजिनल इमेज जैसी ही वापस आएगी। ऑफ़िशियल एन्हांस मॉडल की अनुशंसित वैल्यू t2i के लिए 16256 / i2i के लिए 24000 है। सही क्रम: पहले max_length को ऑफ़िशियल वैल्यू तक बढ़ाएं, फिर thinking_mode चालू करें, अंत में refine_prompt चालू करें, और सबग्राफ के Preview Any नोड से देखें कि असल में कौन सा प्रॉम्प्ट लागू हो रहा है। ध्यान दें कि इंतज़ार का समय भी उसी हिसाब से बढ़ेगा।
❌ ट्रांसपेरेंट इमेज को दूसरे नोड से जोड़ने पर एरर
2.1 डिकोड की गई इमेज में 4 चैनल (RGB+alpha) होते हैं, जिन नोड्स को 3 चैनल मानकर लिखा गया है (upscale, कुछ कंपोजिट नोड) वे इसे पाकर एरर देते हैं, और 报错出现在下游节点上 (एरर डाउनस्ट्रीम नोड पर दिखता है), जिससे आसानी से गलतफहमी होती है कि वही नोड खराब है। समाधान: VAEDecode के बाद एक SplitImageWithAlpha नोड डालें, RGB आउटपुट को तीन-चैनल नोड को दें, alpha अलग जाए। दोनों नोड्स की mask परिपाटी 「1 = पारदर्शी (ट्रांसपेरेंट)」 है, SplitImageWithAlpha का mask आउटपुट सीधे JoinImageWithAlpha के alpha इनपुट से जुड़ सकता है।
एडवांस टिप्स (वैकल्पिक)
स्टेप्स को बिना बर्बादी के कैसे एडजस्ट करें।25 स्टेप 「पर्याप्त」 स्तर है, इष्टतम स्तर नहीं: ऑफिशियल पाइपलाइन 40-50 स्टेप उपयोग करती है; कपड़ों का रंग बदलने जैसे छोटे लोकल बदलाव के लिए 4-8 स्टेप भी चलते हैं, डिफ़ॉल्ट से कई गुना तेज़; हाथ, उंगलियों जैसे ज़िद्दी डिटेल लगभग 30 स्टेप में कन्वर्ज होते हैं, 25 → 40 स्टेप डिटेल की fizz (डिटेल धुंधली, किनारे फ्रिंजी) कम करते हैं। सिद्धांत: जो ठीक न हो वहीं एडजस्ट करें, समस्या न हो तो न छेड़ें।
KV कैश नोड (Qwen Image 2.1 Cache)। एडिटिंग वर्कफ़्लो के हर सैंपलिंग स्टेप पर टेक्स्ट+रेफरेंस इमेज प्रीफ़िक्स दोबारा कैलकुलेट होता है, यह एक्सपेरिमेंटल नोड प्रीफ़िक्स को VRAM या RAM में कैश करके री-कैलकुलेशन छोड़ देता है।device: auto (डिफ़ॉल्ट, पहले खाली VRAM फिर RAM)/ gpu / cpu (RAM प्रीफ़ेच, लगभग कोई स्पीड लॉस नहीं)/ off (हर स्टेप पर री-कैलकुलेट, डिबगिंग में कैश पर शक हटाने के लिए); dtype: default लॉसलेस / int8 कैश आधी प्रिसिशन, bf16 के करीब / int4 और आधी, पर हर स्टेप पर एरर लगभग दोगुना। टेम्पलेट के डिफ़ॉल्ट वैल्यू (auto + default) ज़्यादातर कॉन्फ़िग पर सीधे चलते हैं।
चेकरबोर्ड टेक्सचर के लिए VAE बदलें। फोटो-स्टाइल के घने डिटेल वाले हिस्सों में बारीक चेकरबोर्ड टेक्सचर दिख सकता है, यह VAE डिकोडर की उपज है, स्टेप बढ़ाने से ठीक नहीं होता। कम्युनिटी ऑथर madebyollin ने इसी डिकोडर को फ़ाइनट्यून किया है: texture_fix_vae_for_qwen_image_2.1_bf16.safetensors (अनौपचारिक फ़ाइल), इसे models/vae/ में डालें, Load VAE नोड में चुनाव बदल दें, कीमत है रीकंस्ट्रक्शन प्रिसिशन हल्की गिरती है।
Lightning 4 स्टेप LoRA। ऑफिशियल Turbo के अलावा कम्युनिटी के lightx2v ने 4 स्टेप डिस्टिल LoRA निकाला है (Qwen-Image-2.1-Lightning, अनौपचारिक): pytorch_lora_weights.safetensors डाउनलोड करके models/loras/ में डालें, LoraLoaderModelOnly से लगाएं, steps को 4 करें, sampler/scheduler euler/simple ही रखें। ध्यान दें इसका शेड्यूल 1024×1024 पर फ़िट है, दूसरे आउटपुट साइज़ पर मैच ढीला होगा।
प्रॉम्प्ट एन्हांसर (Prompt Enhancer) का सही उपयोग। t2i और एडिटिंग टेम्पलेट में वैकल्पिक प्रॉम्प्ट-改写 (रीराइट) ब्रांच बनी है: एक डेडिकेटेड Qwen 3.5 एनकोडर (t2i के लिए ..._pe_t2i..., एडिटिंग के लिए ..._pe_i2i..., प्रत्येक 8.82GB) आपके एक वाक्य को पूरी डिस्क्रिप्शन में फैलाता है। डिफ़ॉल्ट में बंद; उपयोग करना हो तो 「第 3 个踩坑 (तीसरा पिटफॉल)」 वाले क्रम से चालू करें। 改写 जिस सिस्टम प्रॉम्प्ट का पालन करता है वह सबग्राफ के Text (System Prompt) नोड में है, 改写 की स्टाइल बदलनी हो तो उसे एडिट करें। 移除背景 (बैकग्राउंड हटाने) वाले टेम्पलेट में यह ब्रांच नहीं है, मत ढूंढ़ें।
सामान्य प्रश्न
क्या Qwen-Image-2.1 ओपन-सोर्स है?
हाँ, ओपन-सोर्स है। Qwen-Image-2.1 अली Qwen टीम की Qwen-Image श्रृंखला का नवीनतम ओपन-सोर्स वेट संस्करण है, और वेट फ़ाइलें Hugging Face के https://huggingface.co/Comfy-Org/Qwen-Image-2.1 या ModelScope के घरेलू स्रोत https://modelscope.cn/models/Comfy-Org/Qwen-Image-2.1 से डाउनलोड की जा सकती हैं।
Qwen-Image-2.1 को लोकली कैसे डिप्लॉय करें?
ComfyUI में आधिकारिक टेम्पलेट लोड करें: बाईं ओर Templates साइडबार में "Qwen Image 2.1" खोजें, टेक्स्ट-से-इमेज के लिए "Qwen Image 2.1: Text to Image" चुनें, इमेज एडिटिंग के लिए "Qwen Image 2.1: Image Edit" चुनें, और फिर चरण 2 के अनुसार तीन मॉडल फ़ाइलों को संबंधित डायरेक्टरी में रखें (models/diffusion_models/, models/text_encoders/, models/vae/)। ComfyUI को v0.37 या उससे ऊपर अपडेट करना ज़रूरी है, और Turbo टेम्पलेट के लिए v0.39+ चाहिए।
Qwen-Image-2.1 को लोकल डिप्लॉय करने के लिए कितनी हार्ड डिस्क डाउनलोड करनी होगी?
तीन अनिवार्य फ़ाइलों का कुल आकार लगभग 16GB है: डिफ्यूज़न मॉडल int8 संस्करण qwen_image_2.1_int8_convrot.safetensors 6.76GB, टेक्स्ट एनकोडर qwen3vl_8b_int8_convrot.safetensors 8.71GB, VAE qwen_image_2.1_vae_bf16.safetensors 644.2MB। प्रॉम्प्ट एन्हांसमेंट चालू करना हो तो 8.82GB और जोड़ें।
Qwen-Image-2.1 की मॉडल फ़ाइलों का उपयोग Qwen-Image या Qwen-Image-Edit की फ़ाइलों की तरह किया जा सकता है?
नहीं। 2.1 ने पूरा टेक्स्ट एनकोडर (Qwen2.5-VL 7B से Qwen3-VL 8B) और 4 चैनल वाला VAE बदल दिया है, इसलिए मॉडल फ़ाइलें पिछली तीन पीढ़ियों के साथ संगत नहीं हैं और इन्हें दोबारा डाउनलोड करना होगा। लेकिन 2.1 के अपने पाँच आधिकारिक टेम्पलेट (Turbo और बैकग्राउंड हटाने वाले सहित) एक ही एनकोडर और VAE साझा करते हैं, इसलिए एक बार डाउनलोड करने पर सभी के लिए उपयोग किया जा सकता है।
Qwen-Image-2.1 को लोकल डिप्लॉय करने के लिए कितना VRAM चाहिए?
int8 वेट लगभग 6.76GB हैं। बड़ी इमेज एडिट करते समय VRAM का उपयोग रेफ़रेंस इमेज की संख्या और रेज़ोल्यूशन के साथ बढ़ता है; अगर कम पड़े तो VRAM不足 में समाधान खोजें, या Qwen Image 2.1 Cache नोड में device को cpu और dtype को int8 चुनें।
इस पाठ का सारांश
✅ शुरुआत के लक्ष्यों को देखें, अब आप कर सकते हैं:
- Qwen-Image-2.1 वर्कफ़्लो के पाँच ऑफिशियल टेम्पलेट लोड करना (टेक्स्ट-टू-इमेज / एडिट / बैकग्राउंड हटाना / Turbo ×2), तीनों ज़रूरी चीज़ें जोड़कर चलाना
- Resolution Selector के मेगापिक्सल से इमेज निकालना, 4MP से सीधे नेटिव 2K
- एक वाक्य के निर्देश से इमेज एडिट,
<image1>…<image16>अधिकतम 16 रेफरेंस इमेज स्लॉट से नाम लेकर - टेक्स्ट-टू-इमेज में RGBA टेम्पलेट वाक्य-रचना, एडिट में ऑफिशियल बैकग्राउंड-हटाने वाला टेम्पलेट, सीधे ट्रांसपेरेंट PNG
- Turbo चेकपॉइंट बदलना या Turbo LoRA लगाना, 8 स्टेप में इमेज
मुख्य पैरामीटर्स की समीक्षा:
| पैरामीटर | अनुशंसित मान | विवरण |
|---|---|---|
| cfg | 1 | ऑफिशियल पथ; इस समय नेगेटिव प्रॉम्प्ट अक्रियाशील, cfg बढ़ाने पर ही असर |
| steps | 25 (बेस)/ 8 (Turbo) | बेस एडजस्टेबल 4-50; Turbo 8 स्टेप पर फ़िक्स्ड शेड्यूल में लॉक |
| sampler / scheduler | euler / simple | सभी ऑफिशियल टेम्पलेट में समान |
| megapixels | 1 (डिफ़ॉल्ट) → 4 (2K वर्ग इमेज) | Resolution Selector का साइज़ लक्ष्य |
| resolution (एडिट) | 0 (डिफ़ॉल्ट) या 1024 | 0=रेफरेंस इमेज के मूल साइज़ के साथ; 1024=कुल पिक्सेल बजट, तेज़ |
| refine_prompt / thinking | बंद / बंद | चालू करने से पहले max_length को 4096 से ऑफिशियल मान तक बढ़ाएं |
| कैश device / dtype | auto / default | VRAM कम हो तो cpu या int8 |
अगले पाठ की झलक
Qwen परिवार यहीं एक चरण पूरा हुआ। अगला पाठ दूसरे मुख्य परिवार पर: FLUX.1 टेक्स्ट-टू-इमेज: dev और schnell की लोकल डिप्लॉयमेंट। आप सीखेंगे:
- FLUX.1 dev और schnell दोनों वर्ज़न की स्थिति का अंतर, कौन किस स्थिति के लिए ठीक
- फुल checkpoint और fp8 वर्ज़न के बीच VRAM का समझौता
- FLUX शैली के प्रॉम्प्ट लिखने का तरीका (Qwen से बिल्कुल अलग स्वाद)
- बाद में Kontext कंसिस्टेंसी इमेज एडिटिंग और Fill इनपेंटिंग, दोनों इसी पाठ की नींव पर बने हैं