用 Gradio Workflow 重做 AUTOMATIC1111

用 Gradio Workflow 重建 AUTOMATIC1111

它整合了 SOTA（state-of-the-art，当前最优）模型，覆盖文生图（text-to-image）、高分辨率修复（hi-resolution fix）、图生图（image-to-image）、提示词矩阵网格（prompt-matrix grids）、VLM 反推（VLM interrogate）、检测生成 inpaint 蒙版（detection-to-inpaint masks）、ControlNet 风格的标注器（ControlNet-style annotators）、背景移除（background removal）、PNG 信息存储（PNG Info storing）以及图生视频（image-to-video）。

你可以登录 Hugging Face 账号或提供访问令牌（access token）来运行任意一条流水线（pipeline）。登录之后，模型调用会使用你自己的配额（quota）。

👉试试 Workflow1111，或者复制这个 Space，然后根据自己的用例重新连线。

我们一起走一遍画布。

画布上的内容

所有媒体流水线都由上一篇博文和官方指南里介绍过的四种算子类（operator kind）构成。画布上的每个节点都封装一个算子，算子的输入和输出会变成你用边（edge）连接的那些端口（port）。先快速回顾一下这四种算子类：fn 是 Python 函数，model 是通过 InferenceClient 调用的模型，space 是另一个 Gradio Space，dataset 是 Hub 数据集中的一行数据。

我们一条一条过这些流水线。

文生图

这是核心流水线。它带有你在 A1111 的 txt2img 标签页中会期望的那些控件：负向提示词（negative prompt）、步数（steps）、CFG、种子（seed）、宽度和高度，外加一个用于挑选检查点（checkpoint）的 model_id 字段。提示词先经过一个 prompt-builder fn 节点，该节点会追加所选的风格预设（style preset）并清理文本，然后送入一个 model 节点，通过 Inference Providers 调用检查点。一个后处理 fn 节点在输出端把生成参数写入 PNG 的元数据，这部分稍后会由 PNG Info 流水线读回。

高分辨率修复

在 Automatic1111 中，高分辨率修复会先放大 txt2img 的输出，然后再跑一遍去噪（denoising）。在这里则换成了一个两节点的支线。文生图的结果进入一个 FLUX.1-Kontext model 节点，配上一句精修指令（"enhance fine detail and micro-texture, keep the composition identical"），回来时画面更清晰、尺寸更大。

图生图

同一个 Kontext 节点同时也兼任图生图标签页。上传一张图片，描述你想做的修改，它就会返回编辑后的图像。

让 LLM 写提示词

先写一个粗略的提示词，例如 "A lighthouse in a storm."。这条流水线把它送入一个 Qwen3-4B model 节点，再由一个小 fn 节点把回复整理成一份干净的标签列表，最多四十条："stormy sea, wet rocks, dramatic composition, low angle shot, volumetric lighting, ominous tone."。你可以把任意一个扩散模型节点接到这个输出后面来渲染图像。

这里没有涉及任何自定义节点，跟 ComfyUI 不同。在 Gradio workflow 中，LLM 和扩散模型在画布上都是普通的 model 算子。

把图像读回为提示词

这类似于 AUTOMATIC1111 的 Interrogate 按钮，只不过反推（interrogate）工作由 VLM（视觉语言模型，Vision-Language Model）来完成，而不是 CLIP。

Qwen2.5-VL 看一张夜市照片，并写出一段本来可能生成这张照片的提示词。一个 ViT（Vision Transformer）分类器节点读取同一张图像并返回标签：restaurant 51.9%，tobacco shop 15.6%，toyshop 9.1%。

两个节点共用同一张图像作为输入，因此 gr.Workflow 会并行运行它们，你得到两份答案所花的时间大致与跑单个节点相当。

检测生成 inpaint 蒙版

AUTOMATIC1111 需要你手动画一个 inpaint 蒙版。这条流水线改用检测器来生成。

DETR 在一张街拍照片中找出六个目标（三个人、一条狗、一辆自行车、一辆车），随后流水线分为两支：一支把检测到的框画在原图上，另一支把它们转成蒙版，可以接到下游的 inpaint 流水线使用。

绘制和蒙版生成都在本地用 Pillow 和 NumPy 完成。只有检测调用会离开本机。

提示词矩阵

这和 AUTOMATIC1111 的 prompt matrix 类似。基础提示词 "a lone oak tree" 由一个 fn 节点与四个后缀（在日出时、在雷暴中、在银河下、在秋雾中）组合，每个变体各自送入一个文生图节点。最后一个节点把四张结果拼成一张拼贴图（contact sheet）。

gr.Workflow 没有循环算子，所以四个文生图节点并排摆在画布上。由于它们处于同一依赖深度，会并行运行，四张图同时开始生成。

放大与背景移除

这相当于 Automatic1111 的 Extras 标签页。这里有两个放大节点，走的路径不同。第一个是 fn 节点里的本地 Lanczos 重采样，不需要任何网络调用，速度取决于 Pillow 能多快完成缩放。第二个是 AuraSR ×4，也是画布上第一个 space 节点：它调用 Hub 上的一个 Space，并把结果当作任何其他节点的输出来使用。

背景移除的工作方式相同。

BRIA RMBG-2.0 是另一个 space 节点，整个模型都部署在它自己的 Space 中，本画布只是把它调用进来。

标注器

Canny（边缘检测）、line art（线稿）、sketch（素描）、luma-depth（亮度深度图）、posterize（色调分离）通常是 Automatic1111 的 ControlNet 扩展所提供的预处理器。这里每一个都是一个用纯 NumPy 写成的 fn 节点，背后不带任何模型。在一张预加载的建筑外立面示例图上，每个标注器在 CPU 上大约耗时半秒。

应用里共有 36 个算子节点，其中 32 个是 fn 节点，22 个完全在进程内运行，不发任何网络请求。即使断网，画布大约三分之二仍能继续工作。由于这些都是普通的 Python 函数，你也可以在没有画布、服务器或 GPU 的情况下直接测试它们。

PNG Info

AUTOMATIC1111 把生成细节存在 PNG 的 parameters 文本块里，由 PNG Info 标签页读回。Workflow1111 同样如此。文生图流水线上的后处理节点写入元数据，这条流水线则把它读回来，包括提示词、负向提示词、步数、CFG、种子、图像尺寸和模型。

图生视频

PNG Info 所读取的那个图像节点同时也连入一个 Wan 2.2 I2V A14B 节点，由它把图像动起来；在演示样例中，一只睡着的狐狸醒来并开始活动。这里没有第二个上传框，因为一个引用节点可以同时驱动