Hugging Face、Gradioのワークフロー機能でAUTOMATIC1111を再現した「Workflow1111」を公開
要点
- Hugging Faceのエンジニアが、画像生成UI「AUTOMATIC1111」の主要機能をGradioの新機能「gr.Workflow」で再現した「Workflow1111」を公開した。
- 全体は73個のノードと11種類のメディアパイプラインで構築されており、単一のキャンバス上で各処理が連携する。
- テキストからの画像生成、高解像度化、LLMによるプロンプト拡張、VLMによる画像解析、物体検出を用いたマスク自動生成などの機能を備える。
- 4種類の基本オペレーターのみで構成されており、専用のカスタムノードを追加することなくLLMや拡散モデルを同一キャンバス内で統合している。
- Hugging Face Spaces上で提供されており、自身のアカウントやアクセストークンを用いて実行や複製・カスタマイズが行える。
リード文
Hugging FaceのYuvraj Sharma氏とAbubakar Abid氏は2026年9月10日、Python向けUIライブラリ「Gradio」のワークフロー機能を用いて開発した「Workflow1111」を発表した。画像生成ツールの標準的な存在である「AUTOMATIC1111（stable-diffusion-webui）」の機能を、ノードベースの単一キャンバス上で再構築したプロジェクトとなっている。
73ノードと11系統のパイプラインで構成された単一キャンバス
公開された「Workflow1111」は、73個のノードを接続して11種類のメディアパイプラインを形成したグラフ構造のワークフローである。画像生成AIの標準的な操作からマルチモーダルモデルを活用した処理までが、1つの画面上に統合されている。
本システムは、Gradioが提供する「gr.Workflow」の仕様に沿って構築されており、すべてのノードは以下の4種類の基本オペレーター（処理単位）のいずれかで動作している。
fn: 任意のPython関数を実行するmodel: Hugging Faceの推論クライアント（InferenceClient）経由でモデルを呼び出すspace: 外部のGradio Spaceを呼び出すdataset: Hugging Face Hub上のデータセットから行データを取得する
ユーザーは各ノードの入出力ポートをエッジ（結線）でつないでパイプラインを形成する。Workflow1111はHugging Face Spaces上で公開されており、自身のアカウントでログインするかアクセストークンを設定することで、個人のクォータ（利用枠）を使って各モデルを実行できる。また、Spaceを複製してノード接続を独自に組み替えることも可能だという。
画像生成と高解像度化・画像編集のパイプライン
Workflow1111の中核となるのは、テキストからの画像生成（Text-to-image）パイプラインである。この機能には、ネガティブプロンプト、ステップ数、CFG（プロンプトへの忠実度）、シード値、画像サイズ（幅・高さ）の指定や、モデルを選択する「model_id」フィールドが備わっている。入力プロンプトはスタイル追加やテキスト整形を行うPython関数（fnノード）を経て、推論プロバイダ経由でモデルを呼び出すmodelノードへ渡される。生成画像には後処理用fnノードによってパラメータ情報がPNGメタデータとして書き込まれ、後から画像情報を読み取るパイプライン（PNG Info）で活用される。
高解像度化（Hi-resolution fix）と画像からの画像生成（Image-to-image）には、いずれも画像生成モデル「FLUX.1-Kontext」のmodelノードが使われている。AUTOMATIC1111では画像の拡大後に再度ノイズ除去を行うが、Workflow1111ではテキスト生成の結果をFLUX.1-Kontextノードに送り、「構図を維持したままディテールを強調する」という指示を与える2ノード構成で実現した。同じノードに画像を直接アップロードして変更指示を与えることで、画像編集機能としても動作する。
言語モデルや画像認識を組み合わせたマルチモーダル連携
Workflow1111では、拡散モデルだけでなく、大規模言語モデル（LLM）やビジョン言語モデル（VLM: 画像とテキストを同時に理解するAI）、物体検出モデルを組み合わせた機能も実装されている。
プロンプト自動生成パイプラインでは、「嵐の中の灯台」といった大まかな指示文を言語モデル「Qwen3-4B」ノードに送り、fnノードで最大40個のタグ（荒れた海、濡れた岩など）に整形して出力する。記事によると、ComfyUIのようなツールと異なり専用のカスタムノードを作成する必要がなく、LLMも拡散モデルも同じキャンバス上で通常のmodelオペレーターとして配置できる点が特徴だという。
画像を解析してプロンプトを逆推定する機能（Interrogate）では、従来のCLIPに代わりマルチモーダルモデル「Qwen2.5-VL」と画像分類モデル「ViT」を採用した。Qwen2.5-VLが写真から生成用プロンプトを導き出し、同時にViTが被写体のラベル（レストラン51.9%、タバコ店15.6%など）を判定する。同一の画像入力を共有するため、gr.Workflowによって両ノードが並列実行され、ほぼ単一処理の時間で双方の結果を取得できる。
また、画像の一部を描き直すインペイント（Inpainting）の前処理として、物体検出モデル「DETR」を用いたマスク自動生成パイプラインも備える。写真から人物や犬、車などを検出し、枠線描画とマスク画像作成の2系統に分岐させる。描画とマスク生成はローカルのPillowやNumPyで実行され、外部との通信は物体検出のAPI呼び出しのみに抑えられている。
補足
本プロジェクトは、Hugging Faceが以前公開した5つの小規模なgr.Workflow作例に続く取り組みとして公開されたものである。