Qu’est-ce qu’un seed et pourquoi le maîtriser ?
Le seed est un nombre entier qui initialise le générateur de nombres aléatoires de Stable Diffusion. Il détermine le point de départ du processus de diffusion. Deux générations avec le même prompt, les mêmes paramètres et le même seed produisent des images identiques. Cette reproductibilité constitue l’outil fondamental pour itérer efficacement sur vos créations.
Sans contrôle du seed, chaque génération devient une loterie. Vous ne pouvez ni corriger un détail, ni explorer une direction prometteuse, ni garantir la cohérence d’une série d’images. Le seed transforme l’aléatoire en processus contrôlé.
Où trouver et comment fixer votre seed
Dans l’interface WebUI (AUTOMATIC1111, Forge, ComfyUI)
Par défaut, le champ seed affiche -1, ce qui signifie aléatoire. Pour fixer un seed :
- Exécutez une génération avec seed -1
- Récupérez le seed utilisé dans les métadonnées de l’image générée (onglet PNG Info, ou sous l’image dans la galerie)
- Copiez ce nombre dans le champ seed pour les générations suivantes
Le bouton dés à côté du champ seed permet de revenir à -1. Le bouton recycle récupère le seed de la dernière image générée.
Plage de valeurs valides
Les seeds acceptent les entiers de 0 à 2^32-1 (4 294 967 295). Tout nombre hors cette plage est modulo-transformé. Les seeds négatifs autres que -1 ne sont pas standardisés selon les interfaces.
| Interface | Emplacement du seed | Raccourci pratique |
|---|---|---|
| AUTOMATIC1111 | Onglet txt2img/img2img, section “Seed” | Click sur l’image → “Send to txt2img” |
| ComfyUI | Noeud KSampler, champ “seed” | Passer de “randomize” à “fixed” |
| InvokeAI | Paramètres de génération, “Seed” | Icône chaîne pour verrouiller |
Stratégies de sélection et conservation
Méthode 1 : Le seed aléatoire ciblé
Générez par lots de 4-9 images avec seed -1. Examinez les résultats. Pour chaque image prometteuse, notez son seed dans un fichier texte structuré :
prompt: portrait cyberpunk, neon lighting seed: 1847293847 checkpoint: realisticVisionV51 steps: 25, cfg: 7, sampler: DPM++ 2M Karras note: bonne composition, œil gauche à corriger
Méthode 2 : Le seed incrémental pour séries cohérentes
Pour créer un personnage sous plusieurs angles ou poses, fixez un seed de base, puis incrémentez de 1 pour chaque variation. Cette technique exploite la proximité numérique des seeds qui produisent des compositions structurellement voisines.
Exemple pratique : seed 1500000 pour le portrait de face, 1500001 pour le profil, 1500002 pour le trois-quarts. Combinez avec des variations de prompt ciblées sur l’angle.
Méthode 3 : Le seed “signature” personnel
Certains créateurs adoptent un seed récurrent comme marque de fabrique. Choisissez un nombre mémorable (date de naissance modifiée, nombre premier préféré) et testez sa comportement avec vos prompts habituels. Si la qualité est satisfaisante, intégrez-le à votre workflow systématique.
Organiser et archiver vos seeds essentiels
La perte d’un seed productif est irréversible. Établissez une méthode de conservation rigoureuse :
- Option A : Nommer explicitement les fichiers image avec le seed (ex: cyberpunk_portrait_1847293847.png)
- Option B : Conserver les métadonnées PNG intactes — évitez les recompressions ou exports sur réseaux sociaux qui les stripent
- Option C : Base de données ou tableur avec recherche par tag (prompt, checkpoint, seed, usage)
Les métadonnées PNG contiennent l’intégralité des paramètres. Pour les extraire sans interface graphique :
exiftool image.png | grep -i "parameters"
Pièges et limitations à connaître
Non-portabilité entre checkpoints : Un seed produit des résultats radicalement différents selon le modèle. Un seed excellent avec SD 1.5 devient médiocre avec SDXL. Documentez systématiquement le checkpoint associé.
Sensibilité aux dimensions : Modifier la résolution (512×512 vers 768×512) altère complètement l’image même avec seed identique. Pour des variations de ratio, préférez l’inpainting ou le outpainting.
Variabilité du sampler : Euler a et Euler produisent des images différentes avec le même seed. Le changement de sampler nécessite une nouvelle exploration.
Versions de l’implémentation : Une mise à jour de xformers, de PyTorch ou de l’interface peut modifier subtilement le bruit généré. Archivez les versions logicielles pour la reproductibilité à long terme.
Application pratique : workflow d’itération contrôlée
Voici une séquence optimale pour affiner une image :
- Génération exploratoire : batch de 9, seed -1, steps 20 (rapide)
- Sélection du candidat, récupération du seed
- Fixation du seed, augmentation à steps 30-40 pour la qualité
- Variations contrôlées : ajustement du CFG (±1), changement de sampler, variation subtile du prompt
- Hi-res fix ou upscaling avec seed identique (option “Use same seed” cochée)
Cette méthode transforme le tirage aléatoire en processus de raffinement prévisible, divisant par dix le temps nécessaire à l’obtention d’un résultat final satisfaisant.