เริ่มต้นใช้งาน MCP-ImageGen

ภาพประกอบ: เริ่มต้นใช้งาน MCP-ImageGen

MCP-ImageGen คือ MCP server ขนาดเล็กที่ให้ agent ของคุณ (Claude Code, Codex หรือ MCP client อื่น) สร้างภาพจากข้อความ และ แก้ภาพที่มีอยู่แล้ว ได้ในเครื่อง Mac Apple Silicon ของคุณเอง โมเดลที่ใช้คือ Qwen Image 2.1 แบบ 4-bit ผ่าน mflux

จุดที่ทำให้ต่างจากการรัน mflux ตรงๆ คือ สูตร low-RAM: ตลอดการสร้างภาพ process ทั้งต้นไม้ใช้หน่วยความจำราว 5.8 GiB (แก้ภาพ 6.7 GiB) เทียบกับ 23.5 GiB ของ mflux ปกติที่ความละเอียดเดียวกัน จึงรันคู่กับโมเดลภาษาใหญ่ในเครื่องได้โดยไม่ต้องปิดโมเดลนั้นก่อน (ตัวเลขทั้งหมดวัดบน Mac Apple Silicon 48 GB ของผู้เขียน ดูกลไกเบื้องหลัง)

ทุกอย่างทำงานในเครื่อง: ไม่มี LLM ภายใน ไม่มีเบราว์เซอร์ ไม่เรียก API ภาพจากภายนอก และไม่ดาวน์โหลดอะไรเองตอนทำงาน

ดูผลงานจริงก่อน

อยากเห็นว่าได้ภาพแบบไหน ดูแกลเลอรีตัวอย่าง ซึ่งเน้นภาพคน ธรรมชาติ และข้อความอังกฤษในภาพ แต่ละภาพมี prompt และ seed ให้ทำซ้ำ

ภาพปกของบทความนี้สร้างด้วย MCP-ImageGen เอง ผ่าน MCP generate_image จริงบนเครื่องผู้เขียน ด้วย aspect_ratio 16:9, 25 steps, seed 20261106 ใช้เวลา 165 วินาที และ footprint รวมของทั้งต้นไม้ process สูงสุด 5.78 GiB ขณะที่โมเดล 35B เปิดอยู่ prompt คือ:

A clean modern digital illustration of a silver laptop on a wooden desk at dawn,
its screen glowing with a mountain lake landscape, a small softly glowing computer
chip resting beside it, warm morning light through a window, teal and warm amber
color palette, minimalist, wide composition.

ภาพปกของคู่มือ toolsคือภาพเดียวกันหลังสั่ง edit_image ให้เปลี่ยนหน้าจอเป็นพระอาทิตย์ตก

ใช้ทำอะไรได้บ้าง

  • สร้างภาพประกอบ ภาพปก หรือภาพ concept จาก prompt ภาษาอังกฤษ เลือกอัตราส่วน 1:1, 4:3, 16:9 หรือ 9:16
  • แก้ภาพที่มีอยู่ด้วยคำสั่งสั้นๆ เช่น เปลี่ยนสีเสื้อ เอาวัตถุหรือคนออก ภาพต้นฉบับไม่ถูกแตะ
  • ให้ agent ที่ไม่มีความสามารถสร้างภาพของตัวเอง (เช่น Claude Code) สร้างภาพโดยใช้ GPU ของเครื่องคุณ
  • ใช้งานเองผ่านหน้าเว็บ UI ในเครื่อง (./run_ui.sh พอร์ต 7860) โดยไม่ต้องมี agent

ความต้องการของเครื่อง

  • Mac Apple Silicon (ใช้ MLX) และ Python 3.11
  • พื้นที่ดิสก์ว่างราว 32 GB สำหรับ weights: ดาวน์โหลด 10.5 GB บวกสำเนาที่แปลงแล้วสำหรับสร้างภาพ 9.6 GB และสำหรับแก้ภาพ 10.6 GB (ถ้าใช้แค่สร้างภาพ ข้ามสำเนาแก้ภาพได้)
  • RAM ว่างราว 6 ถึง 7 GiB ขณะที่งานรัน

ติดตั้ง

ขั้นตอนเต็มและเวอร์ชันที่ pin ไว้อยู่ใน README ของ repo สรุปดังนี้:

git clone https://github.com/halochamp/MCP-ImageGen.git
cd MCP-ImageGen
python3.11 -m venv .venv
# 1) ติดตั้งแพ็กเกจหลักตามรายการและเวอร์ชันใน README (mlx, torch, transformers, pillow ฯลฯ)
# 2) แล้วติดตั้ง mflux ทับแบบไม่ลาก dependency:
.venv/bin/python -m pip install --no-deps -r requirements.txt

สาเหตุที่ใช้ --no-deps: mflux ขอ torch และ pillow รุ่นใหม่กว่าที่โปรเจกต์นี้วัดผลไว้ (torch 2.12, pillow 12.2) การติดตั้งแบบไม่ลาก dependency จึงคงเวอร์ชันที่ทดสอบแล้ว

เตรียม weights

โปรแกรมไม่ดาวน์โหลดโมเดลเอง ต้องเตรียมสองขั้น:

# ดาวน์โหลด checkpoint ต้นทาง (ราว 10.5 GB)
HF_HUB_DISABLE_XET=1 .venv/bin/hf download mlx-community/Qwen-Image-2.1-MLX-4bit \
    --local-dir ~/Models/ImageStudio/Qwen-Image-2.1-MLX-4bit

# แปลงเป็นรูปแบบที่ mflux โหลดได้ (สร้างภาพ และ --edit สำหรับแก้ภาพ)
.venv/bin/python tools/convert_weights.py
.venv/bin/python tools/convert_weights.py --edit

การแปลงฝั่งสร้างภาพแก้เฉพาะส่วน header ของไฟล์ safetensors ใช้เวลาไม่กี่วินาที ส่วนฝั่งแก้ภาพโหลดราว 9 GB ผ่าน MLX จึงควรรันตอนมี RAM ว่าง

runtime ตรวจขนาดไฟล์ weights ทุกไฟล์ตามค่าที่ pin ไว้ ถ้าไฟล์หายหรือขนาดไม่ตรงจะคืน model_not_ready แทนที่จะรันต่อแล้วได้ผลเพี้ยน โฟลเดอร์ ~/Models/ImageStudio/ เป็นที่เก็บเริ่มต้น (ชื่อโฟลเดอร์เดิม) เปลี่ยนได้ด้วย MCP_IMAGEGEN_MODEL_DIR และ MCP_IMAGEGEN_EDIT_MODEL_DIR ตัว weights ของ Qwen Image มีเงื่อนไข license ของตัวเอง อ่านจาก model card ก่อนนำภาพไปใช้งาน

เชื่อมต่อกับ agent

ชี้ command ไปที่ Python ใน .venv และ server.py ของ checkout นี้ path ด้านล่างเป็นตัวอย่าง ต้องแทนด้วย path จริง:

# Claude Code
claude mcp add mcp-imagegen -- /path/to/MCP-ImageGen/.venv/bin/python /path/to/MCP-ImageGen/server.py

# Codex
codex mcp add mcp-imagegen -- /path/to/MCP-ImageGen/.venv/bin/python /path/to/MCP-ImageGen/server.py

หนึ่งภาพใช้เวลาราว 3 ถึง 4 นาที ให้ตั้ง timeout ต่อ tool ของ client ให้นานกว่านั้นมาก client ที่ตัดการเรียกทิ้งที่ 60 วินาทีจะล้มทุกครั้ง ระหว่างรอ server ส่ง progress ให้ client แสดงสถานะได้

ลองใช้ครั้งแรก

บอก agent ตรงๆ เช่น “สร้างภาพทะเลสาบบนภูเขาตอนพระอาทิตย์ขึ้น อัตราส่วน 16:9” agent จะเรียก generate_image ด้วย prompt ภาษาอังกฤษ รอราว 3 นาที แล้วได้ไฟล์ PNG ใน work/generated/ ของโปรเจกต์ จากนั้นสั่งต่อได้ว่า “เปลี่ยนท้องฟ้าเป็นสีส้ม” agent จะเรียก edit_image กับภาพที่เพิ่งสร้าง

รายละเอียดพารามิเตอร์และวิธีเขียน prompt อยู่ในคู่มือ tools

ข้อจำกัดที่ควรรู้

  • ช้า ทีละภาพ: ราว 3 นาทีต่อภาพ และทั้งเครื่องรันได้ทีละงาน (host lock) งานที่สองรอสูงสุด 15 นาทีแล้วได้ busy
  • prompt ภาษาอังกฤษ: จำกัด 512 tokens ข้อความภาษาไทยในภาพยังไม่ได้วัด ส่วนข้อความอังกฤษสั้นๆ ที่ใส่ในเครื่องหมายคำพูดตรงๆ มักออกถูก
  • กลุ่มคนหลายคนหรือมือ/นิ้ว อาจผิดสัดส่วน ใช้ subject เดียวให้ชัดจะได้ผลดีกว่า
  • แก้ภาพได้ที่ราว 768 px: ภาพที่ใหญ่กว่าจะถูกย่อก่อน เพราะความละเอียดที่สูงขึ้นใช้ RAM เกินเป้า
  • วัดบนเครื่องเดียว: ตัวเลข RAM และเวลาวัดบน Apple Silicon 48 GB เครื่องของผู้เขียน เครื่องอื่นอาจต่างออกไป
  • ภาพไม่ถูกเก็บใน git: ไฟล์ที่สร้างอยู่ใน work/ ซึ่ง .gitignore กันไว้ ถูกลบเองหลัง 7 วัน และโฟลเดอร์จำกัดรวม 1 GiB

โปรเจกต์นี้ยังใหม่ (เผยแพร่ 2026-11-06) และไม่ระบุ license ใน repo

ความคิดเห็น

กำลังโหลดความคิดเห็น...