/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen-Image
Библиотека
diffusers
Опубликована
17 июл 2026

Qwen-Image-ControlNet-Union

Преобразование изображенийИзображение, текст → изображение3 профессии

Производная модели InstantX/Qwen-Image-ControlNet-Union. Объединённый ControlNet для генерации и редактирования изображений Qwen-Image с управлением по контурам, глубине и позе.

6скачиваний за 30 дней0лайковвеса обновлены17 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Карточка модели Jasper1007/Qwen-Image-ControlNet-Union на Hugging Face совпадает с карточкой InstantX/Qwen-Image-ControlNet-Union, поэтому описание составлено по ней.

Qwen-Image-ControlNet-Union — объединённый ControlNet от InstantX для управления генерацией и редактированием изображений на базе Qwen-Image. Модель принимает изображение с картой управления и текстовое описание, поддерживая четыре типа условий: контуры Canny, мягкие границы, глубину и позу. Она интегрируется с Diffusers и ComfyUI.

ControlNet обучен с нуля в течение 50 тысяч шагов на 10 миллионах качественных изображений общего содержания и изображений людей. В архитектуре используются пять двойных блоков из предварительно обученного трансформера; обучение проводилось при разрешении 1328×1328 в BF16. Для управления силой условия предусмотрен параметр controlnet_conditioning_scale.

Модель подходит для создания изображений по тексту с сохранением заданных контуров, глубины или позы, а также для редактирования изображений с таким контролем. В README отмечено, что без явного указания текста в промпте некоторые детали, например мелкий текст, могут сохраняться хуже. Лицензия — Apache-2.0.

Сценарии применения

  • генерация изображения по карте контуров Canny
  • создание изображения по карте глубины
  • генерация персонажа с заданной позой
  • управляемое редактирование изображения по мягким границам
  • сохранение композиции исходного изображения при генерации

Ограничения

Некоторые детали, включая мелкий текст, могут сохраняться хуже, если в промпте нет явного указания текста. Для подготовки карт управления README рекомендует отдельные детекторы Canny, Anyline, Depth Anything и DWPose.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen-Image-ControlNet-Union

This repository provides a unified ControlNet that supports 4 common control types (canny, soft edge, depth, pose) for Qwen-Image.

Model Cards

  • This ControlNet consists of 5 double blocks copied from the pretrained transformer layers.
  • We train the model from scratch for 50K steps using a dataset of 10M high-quality general and human images.
  • We train at 1328x1328 resolution in BFloat16, batch size=64, learning rate=4e-5. We set the text drop ratio to 0.10.
  • This model supports multiple control modes, including canny, soft edge, depth, pose. You can use it just as a normal ControlNet.

Showcases

Inference

import torch
from diffusers.utils import load_image

# https://github.com/huggingface/diffusers/pull/12215
# pip install git+https://github.com/huggingface/diffusers
from diffusers import QwenImageControlNetPipeline, QwenImageControlNetModel

base_model = "Qwen/Qwen-Image"
controlnet_model = "InstantX/Qwen-Image-ControlNet-Union"

controlnet = QwenImageControlNetModel.from_pretrained(controlnet_model, torch_dtype=torch.bfloat16)

pipe = QwenImageControlNetPipeline.from_pretrained(
    base_model, controlnet=controlnet, torch_dtype=torch.bfloat16
)
pipe.to("cuda")

# canny
# it is highly suggested to add 'TEXT' into prompt if there are text elements
control_image = load_image("conds/canny.png")
prompt = "Aesthetics art, traditional asian pagoda, elaborate golden accents, sky blue and white color palette, swirling cloud pattern, digital illustration, east asian architecture, ornamental rooftop, intricate detailing on building, cultural representation."
controlnet_conditioning_scale = 1.0

# soft edge
# control_image = load_image("conds/soft_edge.png")
# prompt = "Photograph of a young man with light brown hair jumping mid-air off a large, reddish-brown rock. He's wearing a navy blue sweater, light blue shirt, gray pants, and brown shoes. His arms are outstretched, and he has a slight smile on his face. The background features a cloudy sky and a distant, leafless tree line. The grass around the rock is patchy."
# controlnet_conditioning_scale = 1.0

# depth
# control_image = load_image("conds/depth.png")
# prompt = "A swanky, minimalist living room with a huge floor-to-ceiling window letting in loads of natural light. A beige couch with white cushions sits on a wooden floor, with a matching coffee table in front. The walls are a soft, warm beige, decorated with two framed botanical prints. A potted plant chills in the corner near the window. Sunlight pours through the leaves outside, casting cool shadows on the floor."
# controlnet_conditioning_scale = 1.0

# pose
# control_image = load_image("conds/pose.png")
# prompt = "Photograph of a young man with light brown hair and a beard, wearing a beige flat cap, black leather jacket, gray shirt, brown pants, and white sneakers. He's sitting on a concrete ledge in front of a large circular window, with a cityscape reflected in the glass. The wall is cream-colored, and the sky is clear blue. His shadow is cast on the wall."
# controlnet_conditioning_scale = 1.0

image = pipe(
    prompt=prompt,
    negative_prompt=" ",
    control_image=control_image,
    controlnet_conditioning_scale=controlnet_conditioning_scale,
    width=control_image.size[0],
    height=control_image.size[1],
    num_inference_steps=30,
    true_cfg_scale=4.0,
    generator=torch.Generator(device="cuda").manual_seed(42),
).images[0]
image.save(f"qwenimage_cn_union_result.png")

Inference Setting

You can adjust control strength via controlnet_conditioning_scale.

  • Canny: use cv2.Canny, set controlnet_conditioning_scale in [0.8, 1.0]
  • Soft Edge: use AnylineDetector, set controlnet_conditioning_scale in [0.8, 1.0]
  • Depth: use depth-anything, set controlnet_conditioning_scale in [0.8, 1.0]
  • Pose: use DWPose, set controlnet_conditioning_scale in [0.8, 1.0]

We strongly recommend using detailed prompts, especially when include text elements. For example, use "a poster with text 'InstantX Team' on the top" instead of "a poster".

For multiple conditions inference, please refer to PR.

ComfyUI Support

ComfyUI offers native support for Qwen-Image-ControlNet-Union. Check the blog for more details.

Community Support

Liblib AI offers native support for Qwen-Image-ControlNet-Union. Visit for online inference.

Limitations

We find that the model was unable to preserve some details without explicit 'TEXT' in prompt, such as small font text.

Acknowledgements

This model is developed by InstantX Team. All copyright reserved.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · diffusers

Нельзя запустить

Модели «картинка → картинка» пока не запускаются.

Ревизия весов
aabec0d

0 моделей