/ Модель
Каталог

Характеристики

Лицензия
MIT
Библиотека
custom
Опубликована
26 сен 2026

Ссылки

Hugging Face

Ming-Image-0.1-Design-Layer

Jinstudio
Генерация изображенийИзображение, текст → изображение

Производная модели inclusionAI/Ming-Image-0.1-Design-Layer. Модель раскладывает плоское дизайн-изображение на указанное число редактируемых слоёв RGBA.

0скачиваний за 30 дней0лайковвеса обновлены26 сен 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 Jinstudio/Ming-Image-0.1-Design-Layer на Hugging Face совпадает с карточкой inclusionAI/Ming-Image-0.1-Design-Layer, поэтому описание составлено по ней.

Ming-Image-0.1-Design-Layer — модель для разложения готового плоского дизайн-изображения на заданное число отдельных слоёв RGBA. На вход подаются изображение и план слоёв в текстовом запросе; если запрос опущен, число слоёв задаётся отдельно, а модель формирует стандартный вариант разложения.

Модель предназначена для извлечения редактируемых элементов из графического дизайна и презентационных материалов. Каждый слой сохраняется как отдельный PNG с альфа-каналом, что позволяет повторно собрать исходную композицию и продолжить работу с её частями. В README рекомендованы разрешение обработки 1024 пикселя или 512 для ускорения, 12 шагов сэмплирования и CFG 2.0; проверенная конфигурация требует одной CUDA GPU с 80 ГБ видеопамяти.

Модель распространяется в формате safetensors по лицензии MIT. README указывает на использование совместного репозитория Ming-Image для установки и запуска. Размер модели, архитектура и поддерживаемые языки в предоставленных данных не описаны.

Сценарии применения

  • разделение элементов готового графического дизайна на прозрачные слои
  • извлечение объектов и фона из плоской иллюстрации
  • подготовка элементов макета к раздельному редактированию
  • разбор слайдов презентации на отдельные графические слои
  • восстановление композиции из экспортированных PNG-слоёв

Ограничения

Для проверенной конфигурации README рекомендует GPU с 80 ГБ видеопамяти. Результат зависит от заданного плана слоёв или выбранного числа слоёв; подробные количественные результаты в предоставленной карточке не приведены.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Ming-Image-0.1-Design-Layer

🧩 ModelScope · 🤗 Hugging Face · 📄 Blog · 🖥️ Demo 🎨 Design Skill · 📊 PPT Skill

Ming-Image-0.1-Design-Layer decomposes a flattened design image into a requested number of RGBA layers using an image and a layer plan.

Quick Start

Use the companion Ming-Image repository for installation and inference:

git clone https://github.com/inclusionAI/Ming-Image
cd Ming-Image
pip install -r requirements.txt

python infer.py \
  --model inclusionAI/Ming-Image-0.1-Design-Layer \
  --task layer-decompose \
  --input-image assets/layer_samples/card_making_input.png \
  --prompt assets/layer_samples/card_making_prompt.txt \
  --attn-implementation flash_attention_2 \
  --resolution 1024 \
  --output-dir outputs/layers

This runs the released six-layer card-making example. See the full layer-decomposition demo for the output structure and layer-count behavior.

Prompt enhancement (PE) can use Ling-3.0-flash-VL or qwen3.8-27B; see layer-decomposition prompt rewriting.

Deployment

We recommend the following inference frameworks to serve the model:

Recommended settings

  • Working-resolution bucket: 1024 (recommended), or 512 for faster layer decomposition. The output preserves the input image's aspect ratio.
  • Sampling steps: 12.
  • CFG scale: 2.0.
  • Precision: BF16.
  • Hardware: one CUDA GPU with 80 GiB VRAM (validated configuration).

Provide --input-image plus either a detailed layer specification through --prompt, or omit --prompt and set --num-layers N to create the default request. When --prompt is supplied, the layer count declared in that prompt controls the output count. The standalone outputs are saved as RGBA PNG files.

Gallery

The example shows the input design, six decomposed layers, and the recomposed result.

The gallery shows additional flattened designs, their transparent layers, and the corresponding recomposed results.

Performance

The table reports quantitative layer-decomposition results on the Crello test set; lower RGB L1 and higher Alpha soft IoU are better.

License

This model is released under the MIT License.

Как запустить

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

GPU в ailist

Универсальный рантайм · custom

Нельзя запустить

Задача «image-text-to-image» пока не поддерживается рантаймом.

Ревизия весов
3a68d77

0 моделей

    Создать бенчмарк