Qwen-Image: texto a imagen
Generar imágenes con capacidad excepcional de renderizado y edición de texto multilingüe usando el modelo MMDiT de 20B de Qwen-Image.
Probar un ejemplo
Acerca de este flujo de trabajo
Este Flujo de trabajo demuestra la generación de texto a imagen con el diffusion transformer MMDiT 20B de Qwen-Image dentro de ComfyUI. Se centra en un nodo dedicado de generación de Qwen-Image (UUID: e5cfe5ba-2ae0-4bc4-869f-ab2228cb44d3), que carga los pesos del modelo Qwen-Image y produce una imagen directamente a partir de tu prompt. Un nodo MarkdownNote aporta guía integrada dentro del gráfico y un nodo SaveImage escribe la salida final en tu directorio de salida de ComfyUI.
A nivel técnico, el nodo Qwen-Image ejecuta el modelo MMDiT 20B de extremo a extremo, gestionando internamente el acondicionamiento del prompt y los pasos de difusión. Los archivos oficiales del modelo están disponibles en los repositorios Comfy-Org/Qwen-Image_ComfyUI (Hugging Face o Modelscope). El Flujo de trabajo admite presets prácticos de relaciones de aspecto y resoluciones (p. ej., 1328×1328 para 1:1, 1664×928 para 16:9, 928×1664 para 9:16, 1472×1140 para 4:3). En una RTX 4090D de 24GB, se ha observado que la configuración FP8 e4m3fn completa una primera imagen en aproximadamente 90 segundos y las siguientes más rápido, según las configuraciones. Qwen-Image está diseñado para renderizar texto multilingüe dentro de imágenes, por lo que es adecuado para pósteres, señalética, mocks de UI y otros gráficos donde el texto legible es importante.
Preguntas y respuestas
Descarga desde los repositorios Comfy-Org/Qwen-Image_ComfyUI en Hugging Face o Modelscope. Sigue las instrucciones de ubicación del repo (normalmente dentro de tu directorio de modelos de ComfyUI). Luego selecciona el checkpoint en el nodo Qwen-Image.
Usa los presets proporcionados probados con este Flujo de trabajo: 1328×1328 (1:1), 1664×928 (16:9), 928×1664 (9:16) y 1472×1140 (4:3). Los tamaños más grandes pueden mejorar la legibilidad, pero aumentan la VRAM y el tiempo de renderizado.
En una RTX 4090D de 24GB, FP8 e4m3fn funciona de forma eficiente y puede renderizar una primera imagen en aproximadamente 90 segundos, con ejecuciones posteriores más rápidas según la configuración. FP8 e4m3fn es una configuración de baja precisión que reduce el uso de memoria. Si tienes menos VRAM, baja la resolución o usa una precisión/checkpoint más ligero si está disponible.
Sé explícito y conciso sobre el texto y el idioma en tu prompt; evita instrucciones demasiado largas o complejas cuando necesites tipografía nítida. Elige un preset de resolución adecuado, prefiere fondos de alto contraste e itera en el wording si los caracteres se ven ambiguos.