2026-09-10 — views
Gradio 워크플로우 노드로 AUTOMATIC1111 기능 재구축
읽어야 하는 이유 빌더들은 커스텀 라우팅 코드 없이 Gradio의 연산자 모델을 활용해 복잡하고 모듈화된 AI 파이프라인을 구축할 수 있으며, 다단계 미디어 워크플로우의 신속한 프로토타이핑이 가능합니다.
Yuvraj Sharma와 Abubakar Abid는 AUTOMATIC1111의 핵심 미디어 파이프라인을 73개의 노드로 재현한 Gradio 캔버스인 Workflow1111을 시연합니다.
미디어 파이프라인을 위한 그래프 기반 접근법
Yuvraj Sharma와 Abubakar Abid는 AUTOMATIC1111의 stable-diffusion-webui 기능 세트를 단일 Gradio Workflow 캔버스로 재구성하는 프로젝트인 Workflow1111을 소개했습니다. 이 그래프는 73개의 노드로 구성된 11개의 미디어 파이프라인으로 이루어져 있습니다. 이 시스템은 텍스트-이미지 생성, 고해상도 수정, 이미지-이미지 편집, 프롬프트 매트릭스, 비전-언어 모델 질의, 감지 기반 인페인팅 마스크, ControlNet 스타일 애노테이터, 배경 제거, PNG 메타데이터 저장 및 이미지-비디오 변환을 위한 최첨단 모델을 통합합니다.
핵심 연산자 및 노드 유형
캔버스의 모든 미디어 파이프라인은 네 가지 연산자 유형으로 구성됩니다: Python 함수(fn), InferenceClient를 통해 호출되는 모델, 다른 Gradio Spaces, 그리고 Hub 데이터셋 행입니다. 각 노드는 하나의 연산자를 감싸며, 엣지 연결을 위한 포트로서 입력과 출력을 노출합니다. 이 구조는 개발자가 로컬 처리와 원격 모델 호출을 원활하게 혼합할 수 있게 합니다. 예를 들어, 일부 노드는 네트워크 호출이 필요하지만 다른 노드는 완전히 프로세스 내에서 실행되므로, 인터넷 연결이 끊겨도 캔버스의 약 3분의 2가 여전히 작동합니다.
주요 파이프라인 구현
텍스트-이미지 파이프라인은 AUTOMATIC1111의 txt2img 탭을 반영하여 부정적 프롬프트, 단계, CFG 및 시드를 처리합니다. 프롬프트 빌더 함수는 스타일 프리셋을 추가하고 텍스트를 정리한 후 모델 노드로 전달합니다. 고해상도 수정은 디테일을 향상시키고 이미지를 업스케일하기 위해 FLUX.1-Kontext 모델을 사용하는 두 노드 우회 경로로 구현됩니다. 이미지-이미지 기능은 이 Kontext 노드를 공유하여 사용자가 이미지를 업로드하고 원하는 변경 사항을 설명할 수 있게 합니다.
고급 기능에는 거친 아이디어를 태그 목록으로 변환하기 위해 Qwen3-4B를 사용하는 LLM 지원 프롬프트 생성기와, 이미지에서 프롬프트를 생성하기 위해 Qwen2.5-VL을 사용하는 VLM 질의기가 포함됩니다. 감지 파이프라인은 DETR을 사용하여 객체를 식별하고 Pillow와 NumPy로 로컬에서 인페인팅 마스크를 생성합니다. 프롬프트 매트릭스 기능은 Gradio Workflow에 루프 연산자가 없으므로 4개의 텍스트-이미지 노드를 병렬로 실행하여 연락처 시트를 생성합니다. 업스케일링과 배경 제거는 로컬 함수와 AuraSR 및 BRIA RMBG-2.0과 같은 원격 Spaces를 모두 활용합니다.
로컬 실행 및 API 노출
많은 호출이 원격 하드웨어로 전송되지만, fn 노드는 사용자의 GPU에 모델을 로딩할 수 있습니다. 이 앱은 모든 출력 노드에 대해 9개의 REST 엔드포인트를 노출하여 외부 클라이언트가 워크플로우와 상호작용할 수 있게 합니다. 또한 MCP 지원을 사용하여 시작하면 이러한 출력이 Claude Code나 Cursor와 같은 AI 어시스턴트를 위한 도구가 되어, 글루 코드를 작성하지 않고도 에이전트가 더 큰 작업의 일부로 이미지를 생성하거나 감지를 실행할 수 있습니다.