> For the complete documentation index, see [llms.txt](https://docs.clore.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.clore.ai/guides/guides_v2-fr/generation-dimages/invokeai.md). # InvokeAI InvokeAI est une boîte à outils Stable Diffusion de qualité professionnelle offrant un éditeur avancé basé sur un canevas à nœuds, une prise en charge complète de SDXL/SD1.5/SD2.x, ControlNet, IP-Adapter, gestion des LoRA et une interface web soignée. Il est conçu pour les artistes et les professionnels créatifs qui ont besoin d’un contrôle précis de leur flux de génération d’images. Les GPU à grande VRAM de CLORE.AI vous permettent d’exécuter SDXL en pleine résolution avec plusieurs ControlNets simultanément. {% hint style="success" %} Tous les exemples peuvent être exécutés sur des serveurs GPU loués via [CLORE.AI Marketplace](https://clore.ai/marketplace). {% endhint %} ## Exigences du serveur | Paramètre | Minimum | Recommandé | | --------- | -------------------- | ------------------------ | | RAM | 12 Go | 32 Go+ | | VRAM | 6 Go | 12 Go+ | | Disque | 40 Go | 200 Go+ | | GPU | NVIDIA GTX 1060 6GB+ | RTX 3090, RTX 4090, A100 | {% hint style="info" %} Pour SDXL (1024×1024) sans compromis, 12 Go de VRAM sont recommandés. Pour SD1.5 (512×512 ou 768×768), 6 Go de VRAM suffisent. Plus de VRAM = résolution plus élevée, génération plus rapide et davantage de ControlNets simultanément. {% endhint %} ## Déploiement rapide sur CLORE.AI **Image Docker :** `ghcr.io/invoke-ai/invokeai:latest` **Ports :** `22/tcp`, `9090/http` **Variables d’environnement :** | Variable | Exemple | Description | | --------------- | ----------- | ------------------------------------------------- | | `INVOKEAI_ROOT` | `/invokeai` | Répertoire racine pour les modèles et les sorties | ## Configuration étape par étape ### 1. Louez un serveur GPU sur CLORE.AI Visitez [CLORE.AI Marketplace](https://clore.ai/marketplace) et recherchez : * **Travail créatif à petit budget**: RTX 3080/3090 (10–24 Go VRAM) * **SDXL professionnel**: RTX 4090 (24 Go VRAM) * **Qualité maximale**: A100 80GB — exécutez plusieurs modèles simultanément ### 2. SSH sur votre serveur ```bash ssh -p root@ ``` ### 3. Créez la structure de répertoires InvokeAI ```bash mkdir -p /root/invokeai ``` ### 4. Récupérez l’image Docker InvokeAI ```bash docker pull ghcr.io/invoke-ai/invokeai:latest ``` ### 5. Lancez InvokeAI **Lancement de base :** ```bash docker run -d \ --name invokeai \ --gpus all \ -p 9090:9090 \ -v /root/invokeai:/invokeai \ -e INVOKEAI_ROOT=/invokeai \ ghcr.io/invoke-ai/invokeai:latest \ invokeai-web --host 0.0.0.0 --port 9090 ``` **Avec un répertoire racine personnalisé et des ressources accrues :** ```bash docker run -d \ --name invokeai \ --gpus all \ --shm-size 8g \ -p 9090:9090 \ -v /root/invokeai:/invokeai \ -v /root/models:/root/models \ -e INVOKEAI_ROOT=/invokeai \ ghcr.io/invoke-ai/invokeai:latest \ invokeai-web --host 0.0.0.0 --port 9090 ``` **Avec GPU spécifique (serveur multi-GPU) :** ```bash docker run -d \ --name invokeai \ --gpus '"device=0"' \ -p 9090:9090 \ -v /root/invokeai:/invokeai \ -e INVOKEAI_ROOT=/invokeai \ -e CUDA_VISIBLE_DEVICES=0 \ ghcr.io/invoke-ai/invokeai:latest \ invokeai-web --host 0.0.0.0 --port 9090 ``` ### 6. Attendez l’initialisation ```bash docker logs -f invokeai ``` Recherchez : `Uvicorn en cours d’exécution sur http://0.0.0.0:9090` ### 7. Accès via le proxy HTTP de CLORE.AI Ouvrez votre tableau de bord CLORE.AI et trouvez le `http_pub` URL pour le port 9090 : ``` https://-9090.clore.ai/ ``` Cela ouvre l’interface web complète d’InvokeAI dans votre navigateur. ### 8. Téléchargez votre premier modèle Dans l’UI d’InvokeAI : 1. Cliquez **Gestionnaire de modèles** (icône cube dans la barre latérale gauche) 2. Cliquez **Ajouter un modèle → HuggingFace** 3. Entrez l’identifiant du modèle (par exemple, `stabilityai/stable-diffusion-xl-base-1.0`) 4. Cliquez **Ajouter le modèle** Ou téléchargez directement depuis CivitAI : 1. Allez sur **Gestionnaire de modèles → Ajouter un modèle → URL** 2. Collez l’URL de téléchargement CivitAI 3. Définissez le type de modèle (Checkpoint, LoRA, etc.) *** ## Exemples d’utilisation ### Exemple 1 : Génération d’image basique via l’interface web 1. Ouvrez InvokeAI à votre URL http\_pub CLORE.AI 2. Cliquez **Texte vers Image** dans le sélecteur de flux de travail 3. Saisissez une invite : `"un dragon majestueux perché sur une montagne de cristal, art numérique, 4k"` 4. Définir l’invite négative : `"flou, basse qualité, filigrane"` 5. Définir la résolution sur `1024x1024` (SDXL) ou `512x512` (SD1.5) 6. Cliquez **Lancer** ### Exemple 2 : Utilisation du canevas basé sur des nœuds L’éditeur de flux de travail est la fonctionnalité signature d’InvokeAI : 1. Cliquez **Flux de travail** dans la navigation supérieure 2. Cliquez **Nouveau flux de travail** 3. Ajouter des nœuds : **Texte → Image**, connecter à **Enregistrer l’image** 4. Ajouter un **ControlNet** nœud pour une génération guidée : * Clic droit → Ajouter un nœud → **ControlNet** * Connectez votre image de référence * Sélectionner le processeur : `Canny`, `Profondeur`, `Pose`, etc. 5. Cliquez **Lancer** pour exécuter l’ensemble du pipeline ### Exemple 3 : Utilisation des LoRA 1. Téléchargez une LoRA depuis CivitAI (via Gestionnaire de modèles → importation par URL) 2. Dans le panneau de génération, trouvez **LoRA** section 3. Cliquez **+** et sélectionnez votre LoRA 4. Définir le poids (0.5–1.0 typique) 5. Ajouter le mot déclencheur dans l’invite (indiqué sur la page du modèle CivitAI) Exemple d’invite avec déclencheur LoRA : ``` portrait d’une femme, , hyperréaliste, éclairage studio ``` ### Exemple 4 : Utilisation d’IP-Adapter pour le transfert de style 1. Activer **IP-Adapter** dans le panneau de génération 2. Téléversez une image de style de référence 3. Définir le poids (0.5 = influence subtile, 1.0 = influence forte) 4. Générez avec n’importe quelle invite — la sortie correspondra au style de référence ### Exemple 5 : Utilisation de l’API (sans interface) InvokeAI expose une API REST pour une utilisation programmatique : ```python import requests import time import base64 BASE_URL = "http://localhost:9090" # ou votre URL http_pub CLORE.AI # Lister les modèles disponibles models = requests.get(f"{BASE_URL}/api/v1/models").json() print("Modèles disponibles :", [m["name"] for m in models.get("items", [])]) # Mettre en file une génération payload = { "batch": { "graph": { "nodes": { "text_encoder": { "type": "compel", "id": "text_encoder", "prompt": "une ville futuriste au coucher du soleil, photoréaliste", }, "noise": { "type": "noise", "id": "noise", "width": 1024, "height": 1024, "seed": 42, }, "denoise_latents": { "type": "denoise_latents", "id": "denoise_latents", "steps": 30, "cfg_scale": 7.5, "scheduler": "dpmpp_2m", }, "l2i": { "type": "l2i", "id": "l2i", }, }, "edges": [], } } } # Plus simple : utilisez l’API de file d’attente response = requests.post(f"{BASE_URL}/api/v1/queue/default/enqueue_batch", json=payload) print(response.status_code) ``` *** ## Configuration ### Fichier de configuration invokeai.yaml Situé à `/root/invokeai/invokeai.yaml`: ```yaml InvokeAI : Serveur Web : host: 0.0.0.0 port: 9090 allow_origins: [] Fonctionnalités : esrgan: true # Upscaling ESRGAN internet_available: true Mémoire/Performance : ram: 12.0 # RAM max pour le cache des modèles (Go) vram: 0.25 # Fraction de la VRAM pour le cache des modèles lazy_offload: true # Décharger les modèles sur le CPU lorsqu’ils ne sont pas utilisés Chemins : models_path: /invokeai/models db_path: /invokeai/databases/invokeai.db outdir: /invokeai/outputs ``` ### Paramètres recommandés selon le GPU **RTX 3090 / 4090 (24 Go VRAM) :** ```yaml Mémoire/Performance : ram: 24.0 vram: 0.5 # Garder 50% pour le modèle actif lazy_offload: false # Ne pas décharger — VRAM suffisante ``` **RTX 3080 (10 Go VRAM) :** ```yaml Mémoire/Performance : ram: 16.0 vram: 0.25 lazy_offload: true ``` **GPUs plus petits (6-8 Go VRAM) :** ```yaml Mémoire/Performance : ram: 8.0 vram: 0.1 lazy_offload: true ``` *** ## Conseils de performance ### 1. Utilisez SDXL-Turbo ou SDXL-Lightning pour une génération rapide Au lieu du SDXL de base (25–50 étapes), utilisez : * **SDXL-Turbo**: 1–4 étapes, génération en temps réel * **SDXL-Lightning**: 4–8 étapes, qualité proche de SDXL Téléchargez via Gestionnaire de modèles → HuggingFace : * `stabilityai/sdxl-turbo` * `ByteDance/SDXL-Lightning` ### 2. Choisir le bon scheduler | Scheduler | Qualité | Vitesse | Idéal pour | | -------------- | --------- | ------- | ------------------ | | `euler_a` | Bon | Rapide | Usage général | | `dpmpp_2m` | Excellent | Rapide | Photoréaliste | | `dpmpp_2m_sde` | Excellent | Moyen | Détail élevé | | `ddim` | Bon | Rapide | Inpainting | | `lms` | Bon | Rapide | Styles artistiques | ### 3. Activez l’optimisation mémoire xFormers InvokeAI active cela automatiquement lorsqu’il est disponible. Vérifiez dans les logs : ``` xFormers est disponible ``` ### 4. Utilisez la mise en cache des modèles Gardez vos modèles les plus utilisés dans le cache. Dans invokeai.yaml : ```yaml ram: 32.0 # Plus grand = plus de modèles en cache ``` ### 5. Découpez pour les grandes résolutions Pour des images plus grandes que ce que votre VRAM permet (par ex. 2048×2048 sur GPU 12 Go) : * Utilisez **VAE en tuiles** dans l’éditeur de flux de travail * Ou générez en 1024×1024 puis remontez en qualité avec **ESRGAN** *** ## Dépannage ### Problème : "CUDA out of memory" ``` RuntimeError : CUDA out of memory ``` **Solutions :** 1. Baisser la résolution (1024→768 ou 512) 2. Réduire la taille de lot à 1 3. Activer le déchargement paresseux (lazy offloading) dans invokeai.yaml 4. Utiliser un modèle plus petit (SD1.5 au lieu de SDXL) ### Problème : Interface web inaccessible ```bash # Vérifier si le conteneur est en cours d’exécution docker ps | grep invokeai # Vérifier les logs pour des erreurs docker logs invokeai 2>&1 | tail -50 # Vérifier le mappage de ports docker port invokeai ``` Assurez-vous que le port 9090 est répertorié dans la configuration des ports de votre commande CLORE.AI. ### Problème : Échec du téléchargement du modèle à l’intérieur du conteneur ```bash # Télécharger manuellement via exec docker exec -it invokeai bash cd /invokeai/models/main wget "https://civitai.com/api/download/models/XXX" -O mymodel.safetensors ``` ### Problème : Génération lente (< 1 it/s) * Vérifiez l’utilisation du GPU : `docker exec -it invokeai nvidia-smi` * Assurez-vous que xFormers est activé dans les logs * Essayez `euler_a` scheduler (le plus rapide) ### Problème : Images noires/cassées Généralement un problème de VAE. Essayez : 1. Gestionnaire de modèles → Éditer le modèle → Changer le VAE en `sdxl-vae-fp16-fix` 2. Ou ajoutez `--fp32-vae` drapeau ### Problème : Le conteneur ne démarre pas ```bash docker logs invokeai # Commun : le port 9090 est déjà utilisé # Correction : docker stop $(docker ps -q --filter "publish=9090") docker start invokeai ``` *** ## Liens * [GitHub](https://github.com/invoke-ai/InvokeAI) * [Documentation](https://invoke-ai.github.io/InvokeAI/) * [Docker Hub / GHCR](https://github.com/invoke-ai/InvokeAI/pkgs/container/invokeai) * [CivitAI (Modèles)](https://civitai.com) * [CLORE.AI Marketplace](https://clore.ai/marketplace) *** ## Recommandations GPU Clore.ai | Cas d’utilisation | GPU recommandé | Coût estimé sur Clore.ai | | ------------------ | --------------- | ------------------------ | | Développement/Test | RTX 3090 (24GB) | \~$0.12/gpu/hr | | Production | RTX 4090 (24GB) | \~$0.70/gpu/hr | | Grande échelle | A100 80GB | \~$1.20/gpu/hr | > 💡 Tous les exemples de ce guide peuvent être déployés sur [Clore.ai](https://clore.ai/marketplace) serveurs GPU. Parcourez les GPU disponibles et louez à l’heure — sans engagement, avec accès root complet. --- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter: ``` GET https://docs.clore.ai/guides/guides_v2-fr/generation-dimages/invokeai.md?ask= ``` The question should be specific, self-contained, and written in natural language. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.