/ Модель
Каталог

Характеристики

Лицензия
MIT
Опубликована
22 сен 2026

Ссылки

Hugging Face

Ming-Image-0.1-Design-Layer

TechnoBaptist
Генерация изображенийИзображение, текст → изображение

Модель Ming-Image-0.1-Design-Layer разделяет плоское изображение графического дизайна на заданное число прозрачных RGBA-слоёв для дальнейшего редактирования.

0скачиваний за 30 дней0лайковвеса обновлены22 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

Ming-Image-0.1-Design-Layer — модель для разложения готового плоского изображения дизайна на заданное число отдельных RGBA-слоёв по входному изображению и плану слоёв. Репозиторий опубликован TechnoBaptist; модель распространяется по лицензии MIT.

Модель предназначена для восстановления отдельных элементов графического дизайна, например для последующего редактирования композиции. Можно задать подробное описание слоёв через prompt либо указать только их количество. Результат сохраняется как отдельные PNG-файлы с альфа-каналом; заявленная задача Hugging Face — image-text-to-image.

В README рекомендованы разрешение обработки 1024 пикселя (512 для более быстрого разложения), 12 шагов сэмплирования и CFG 2.0. В качестве проверенной конфигурации указана одна CUDA-видеокарта с 80 ГБ VRAM при точности BF16. В репозитории указаны веса safetensors и приведены количественные результаты на тестовом наборе Crello, но численные значения в доступном тексте README отсутствуют.

Сценарии применения

  • разделение готового макета на отдельные графические слои
  • извлечение элементов дизайна с прозрачным фоном
  • подготовка плоского изображения к послойному редактированию
  • восстановление композиции макета по описанию требуемых слоёв

Ограничения

Для рекомендованной конфигурации указана CUDA-видеокарта с 80 ГБ VRAM; доступный текст README не содержит численных значений результатов тестирования Crello.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Ming-Image-0.1-Design-Layer

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

Нельзя запустить

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

Ревизия весов
ead08ce

0 моделей

    Создать бенчмарк