Automatic1111 : c’est quoi et comment l’utiliser
Automatic1111 : définition claire, installation depuis GitHub, réglages de l’interface webui et comparaison honnête avec ComfyUI et Forge.

Automatic1111, c’est quoi au juste ?

Automatic1111 est le pseudonyme du développeur qui a publié la première interface graphique sérieuse autour de Stable Diffusion, et par extension le nom que tout le monde donne à son logiciel. Le projet s’appelle officiellement stable-diffusion-webui et se présente lui-même comme une interface web « for Stable Diffusion ». Il est distribué gratuitement sur github.com, sous licence libre, et tourne en local : aucune image ne part sur un serveur distant.
Point souvent mal compris : ce n’est pas un modèle d’IA. C’est une façade, une télécommande posée devant un modèle de diffusion que vous téléchargez séparément. Le même fichier de modèle peut être utilisé par plusieurs interfaces différentes, exactement comme un même fichier vidéo s’ouvre dans plusieurs lecteurs. Si vous voulez d’abord comprendre ce qui se passe sous le capot, notre explication du fonctionnement d’un modèle de diffusion est un meilleur point de départ.
Que contient le dépôt stable-diffusion-webui sur GitHub ?

La page du dépôt tient lieu de documentation principale, avec un wiki annexe. Vous y trouvez le code, les scripts de lancement et la liste des fonctions. Une fois l’ensemble installé, l’arborescence est toujours la même, et il vaut la peine de la repérer tout de suite.
- webui-user.bat et webui.sh : les deux fichiers de lancement, le premier pour Windows, le second pour Linux et Mac.
- models/Stable-diffusion : le dossier où vous déposez vos fichiers de modèles (les checkpoints).
- models/VAE, models/Lora, models/hypernetworks : les dossiers des composants additionnels.
- extensions : tout ce que vous ajoutez au logiciel après coup.
- outputs : vos images générées, rangées par onglet et par date.
À quoi sert cette interface au quotidien ?
Elle sert à générer des images depuis un texte, mais surtout à reprendre la main sur ce que les plateformes en ligne décident pour vous. Chaque bouton correspond à un paramètre réel du modèle. On y gagne une précision que peu d’outils grand public offrent, et on y perd en confort.
Les usages que nous lui voyons encore sont assez précis : retoucher une zone d’image au pinceau avec l’inpainting, piloter une pose ou une perspective avec ControlNet, entraîner et tester un style maison, ou enchaîner des centaines de variations sans payer au visuel. C’est aussi le terrain de jeu naturel des LoRA, ces petits fichiers d’entraînement qui spécialisent un modèle sur un personnage ou une matière.
Comment l’installer sur Windows, sur Mac ou avec Docker


L’installation demande trois briques : Python, Git, et le dépôt lui-même. Comptez une bonne dizaine de gigaoctets d’espace disque avant même d’avoir téléchargé un modèle. Côté matériel, une carte NVIDIA avec 8 Go de mémoire vidéo est le seuil de confort ; en dessous, vous travaillerez avec des options d’économie de mémoire et beaucoup de patience. Notre comparatif des cartes graphiques pour la génération locale détaille ce point.
Sur Windows et sur Linux
Vous installez Python 3.10 en cochant « Add Python to PATH », puis Git. Un clic droit dans le dossier de votre choix, un git clone de l’adresse du dépôt, et vous obtenez un répertoire complet. Il reste à double-cliquer sur webui-user.bat : le script crée son environnement, télécharge ses dépendances et affiche enfin une adresse locale dans la console. Ouvrez le dossier d’installation dans l’Explorateur de fichiers (Windows Explorer) pour vérifier que tout est bien arrivé.
Sur Mac
Sur un Mac Apple Silicon, l’installation passe par Homebrew puis par webui.sh. Ça fonctionne, mais soyons honnêtes : les temps de génération n’ont rien à voir avec ceux d’une machine équipée d’une carte NVIDIA, et certaines extensions refusent de démarrer. Si vous travaillez sur Mac, pointez au moins le dossier de sortie vers un endroit que vous consultez, comme Pictures, pour retrouver vos fichiers sans fouiller.
Avec Docker
Plusieurs images Docker communautaires empaquettent l’ensemble. L’intérêt est de ne pas polluer votre système avec des versions de Python contradictoires, et de pouvoir repartir de zéro en une commande. Sous Linux, il faut installer le NVIDIA Container Toolkit pour que le conteneur voie la carte graphique. C’est la voie que nous conseillons dès que la machine sert aussi à autre chose.
Comment générer sa première image et lire les options

L’interface s’ouvre sur l’onglet txt2img. En haut à gauche, un menu déroulant choisit le modèle chargé en mémoire. Au centre, deux champs de texte : le prompt, et le prompt négatif. À droite, le gros bouton « Generate ». Tout le reste n’est que réglages, et une grande partie du vocabulaire est en anglais.
- « Stable Diffusion checkpoint » : le modèle actif. Changer de checkpoint change tout le rendu, bien plus qu’un mot de plus dans le prompt.
- « Sampling method » et « Sampling steps » : l’algorithme de débruitage et le nombre d’étapes. Entre 20 et 30 suffisent presque toujours, et chaque step supplémentaire coûte du temps de calcul.
- « CFG Scale » : le degré d’obéissance au texte. Trop haut, les images deviennent dures et saturées.
- « Batch count » et « Batch size » : le nombre de séries et le nombre d’images par série, pour tester une idée en volume.
- « Seed » : le point de départ aléatoire, à fixer dès que vous voulez comparer deux réglages à image constante.
- « Hires. fix » : une seconde passe qui monte la résolution en conservant la composition.
- « VAE » : le décodeur final, responsable des couleurs et du grain. Un VAE mal choisi délave toute une série.
- « Extras » : un onglet à part, dédié à l’agrandissement des images déjà produites.
- « Settings » : les options globales, à valider avec « Apply settings » puis un rechargement de l’interface.
Deux détails font gagner un temps considérable. L’onglet « PNG Info » relit les paramètres inscrits dans un fichier déjà généré et vous permet de les renvoyer vers txt2img. Et la petite flèche sous le bouton principal porte l’infobulle « Read generation parameters from prompt or last generation if prompt is empty into user interface » : elle recharge d’un clic tous les réglages d’une génération précédente. Pour le champ du bas, notre guide du prompt négatif explique quoi y mettre et quoi y laisser de côté.
Comment ajouter des modèles et des extensions
Un modèle s’ajoute en copiant son fichier dans models/Stable-diffusion, puis en cliquant sur le bouton de rafraîchissement à côté du menu déroulant. Pas d’installateur, pas de validation : le logiciel liste ce qu’il trouve. La plupart des modèles custom et des LoRA se téléchargent sur Civitai, avec leurs réglages recommandés dans la description. Les hypernetworks, plus anciens, se rangent dans leur propre dossier et s’appellent directement dans le prompt.
Les extensions suivent la même logique de bricolage assumé. L’onglet « Extensions » contient une liste « Available » que vous pouvez filtrer, un champ « Install from URL » pour coller l’adresse d’un dépôt Git, et un bouton « Check for updates » qui compare vos versions. Après chaque ajout, « Apply and restart UI » recharge le tout. Trois ou quatre extensions bien choisies suffisent ; au-delà, les conflits commencent.
Automatic1111, ComfyUI ou Forge : lequel choisir ?
Les trois outils font tourner les mêmes modèles, avec des philosophies opposées. Automatic1111 propose des formulaires : vous remplissez des champs, vous cliquez, vous obtenez une image. ComfyUI propose un graphe de nœuds que vous reliez à la main, ce qui est plus abstrait au départ et beaucoup plus puissant dès que vous automatisez une chaîne de traitement. Forge est un dérivé direct de stable-diffusion-webui : même disposition, même habitudes, mais une gestion mémoire réécrite et un support plus rapide des modèles récents.
- Vous débutez et voulez des curseurs explicites : Automatic1111, ou Fooocus si vous préférez encore plus simple.
- Vous avez une carte graphique modeste ou visez les modèles récents comme Flux : Forge tient mieux la charge et reste familier.
- Vous construisez un enchaînement reproductible, avec plusieurs passes et des conditions : ComfyUI, sans hésiter.
- Vous voulez produire sans rien installer : une plateforme en ligne vous évitera le week-end de configuration.
Les erreurs que nous voyons revenir

La première est d’installer Python dans sa toute dernière version : le projet attend la 3.10, et une version trop récente provoque des erreurs de dépendances incompréhensibles. La deuxième est de juger un modèle sur une seule image, alors que le seed aléatoire fait varier le résultat du simple au double. La troisième est d’empiler les extensions jusqu’à ce que l’interface refuse de démarrer, sans savoir laquelle retirer.
Il y a enfin une erreur de stratégie, plus coûteuse. Beaucoup de créateurs passent des soirées à régler une installation locale pour produire, au bout du compte, une dizaine de visuels par mois. Pour ce volume, un outil en ligne comme notre générateur d’images revient moins cher en temps qu’en électricité, à raison d’environ 2 crédits par image. L’installation locale se justifie quand vous entraînez vos propres styles ou générez en masse ; si vous voulez simplement utiliser le modèle, notre article sur Stable Diffusion sans rien installer couvre les alternatives.
Questions fréquentes
Oui, le logiciel est open source et ne coûte rien à télécharger. Les dépenses sont ailleurs : la carte graphique, l’électricité, et le temps passé à maintenir l’installation. Si vous louez une machine distante pour le faire tourner, c’est l’hébergeur qui facture, à l’heure ou à l’usage selon son modèle.
Des services proposent l’interface préinstallée sur un serveur, et vous y accédez par un simple navigateur. C’est pratique pour essayer, mais vous dépendez d’un abonnement ou d’une facturation à l’heure, et le démarrage de la session prend quelques minutes. Vérifiez toujours la page tarifs de l’éditeur, car ces offres changent souvent.
Oui. En ajoutant l’argument --api dans le fichier de lancement, l’interface expose une API locale que vous pouvez appeler depuis un script. C’est la méthode classique pour générer des images en lot depuis un tableur ou un back-office. Notre article sur l’automatisation des visuels produit par API montre la logique d’ensemble.
Non, mais c’est de loin le chemin le plus simple. Les cartes AMD demandent une configuration spécifique selon le système, et les Mac Apple Silicon fonctionnent au prix d’une lenteur notable. Avec moins de 6 Go de mémoire vidéo, prévoyez des options d’économie de mémoire et des images de petite taille.


