iLab CONJURE : un atelier local pour générer des images avec GPT Image et Gemini

Ce que résout iLab CONJURE, et pour qui

Le projet s'adresse à ceux qui génèrent des images avec GPT Image ou Gemini et qui en ont assez de jongler entre plusieurs onglets, plusieurs scripts et plusieurs outils de gestion. iLab CONJURE regroupe dans une même WebUI locale la génération, l'édition, un historique paginé, une galerie partagée et une file de tâches. Le README insiste sur le caractère local-first : les données restent sur votre machine, dans un répertoire `data/`. C'est un outil pour utilisateurs individuels ou petites équipes qui veulent un environnement de travail unifié. Le mode OAuth avancé est explicitement réservé à un usage personnel sur une machine locale. Pour un usage partagé ou public, la documentation recommande le mode API OpenAI-compatible. Le projet est né comme iLab GPT CONJURE, centré sur GPT Image, puis a élargi son champ à Gemini à partir de la version 0.7.0. Le nom a changé, mais l'historique de données est conservé.

Architecture et flux de données visibles dans le dépôt

La structure du dépôt indique un backend Python, avec un module `codex_image.webui.server` qui expose une application web. Le frontend est en TypeScript et CSS, compilé dans un fichier statique `app.js`. Les dépendances WebUI sont épinglées précisément dans `requirements-webui.txt`, avec des hachages de paquets. Les données utilisateur sont stockées dans un répertoire `data/` qui contient la galerie, les images d'entrée, les sorties, la base de tâches SQLite et les journaux. Le flux est simple : l'utilisateur configure un fournisseur API (Base URL, clé, modèle), lance une génération depuis la page principale, la tâche passe par une file locale, et le résultat est archivé dans l'historique. Le README mentionne un endpoint `/history` qui lit la base SQLite avec pagination, recherche et filtres. Les tâches peuvent être exportées en ZIP, avec ou sans les prompts associés. Ce mécanisme d'export est un point fort : il permet de conserver une trace exploitable des générations.

Installation et démarrage : les commandes réelles

L'installation depuis les sources suit un schéma classique avec un environnement virtuel Python. Après un `git clone`, on crée un venv et on installe les dépendances avec `--require-hashes`. La commande exacte est `python3 -m venv .venv` puis `.venv/bin/python -m pip install --require-hashes -r requirements-webui.txt`. Pour lancer le serveur manuellement, le README donne cette commande : `.venv/bin/python -m codex_image.webui.server codex_image.webui.app:app --host 127.0.0.1 --port 8787 --no-access-log`. Sur macOS, un script `Start WebUI.command` est fourni ; sur Windows, c'est `Start WebUI.bat`. L'interface est ensuite accessible sur `http://127.0.0.1:8787/`. Les paquets standard (DMG pour macOS, ZIP pour Windows) incluent un lanceur avec icône de lapin et un menu de mise à jour. Une particularité : les paquets macOS ne sont ni signés ni notarisés, ce qui peut déclencher Gatekeeper. Le README donne la commande `xattr -dr com.apple.quarantine` pour contourner le blocage. C'est un frein à l'adoption en entreprise, mais acceptable pour un usage personnel.

Le verrouillage des paramètres : un mécanisme bien pensé

Un des aspects les plus intéressants est le verrouillage des paramètres de sortie. Le README explique que l'utilisateur peut verrouiller d'un clic les paramètres d'une génération, et qu'ils s'affichent alors en résumé en lecture seule. Cela évite de modifier accidentellement un réglage lors de générations successives ou en naviguant dans l'historique. Le point clé : changer de tâche ne remplace pas les paramètres verrouillés. C'est une fonctionnalité concrète qui répond à un vrai problème de flux de travail. On peut enchaîner plusieurs variations d'une même image sans craindre de tout casser. Le README précise aussi que la page de génération charge paresseusement les tâches récentes et les médias, et que la galerie et les modèles ne sont rendus que lorsqu'on les ouvre. Cela réduit le temps de chargement initial, surtout avec un grand historique. Ces deux choix de conception montrent une attention aux détails d'ergonomie, ce qui est rare dans les outils de génération d'images.

Les limites à connaître avant de s'engager

Le mode OAuth local pour Codex est présenté comme une option avancée, mais le README est très clair sur les risques : les interfaces internes de ChatGPT peuvent changer, devenir indisponibles, ou être soumises à des règles d'utilisation du compte. Il est explicitement déconseillé pour la production, les équipes ou les services publics. C'est une limite rédhibitoire pour certains. De plus, les paquets macOS ne sont pas signés ni notariés, ce qui complique l'installation sur des machines avec des politiques de sécurité strictes. Le projet est aussi fortement lié à un écosystème Python et à un frontend compilé. Si vous voulez modifier le TypeScript ou le CSS, il faut installer Node.js et reconstruire `app.js`. Ce n'est pas un outil pour ceux qui veulent une simple interface web sans dépendances lourdes. Enfin, la gestion des erreurs partielles lors de générations multiples est mentionnée, mais le README ne détaille pas comment les échecs sont présentés à l'utilisateur. C'est un angle mort à vérifier par vous-même.

Comparaison avec une approche alternative

L'alternative évidente est d'utiliser directement l'API OpenAI ou Gemini avec un script personnel, ou un outil comme ComfyUI, que le README cite d'ailleurs pour l'expérience 'décompresser et exécuter'. La différence d'approche est nette. ComfyUI est un éditeur de flux visuel, où l'utilisateur construit un graphe de nœuds. iLab CONJURE est une application orientée tâches, avec une file d'attente et un historique structuré. Pour quelqu'un qui veut juste générer des images en série avec des templates et des références, iLab CONJURE est plus direct. Pour quelqu'un qui veut contrôler chaque étape du pipeline (samplers, étapes de diffusion, modèles de contrôle), ComfyUI offre une granularité bien supérieure. L'autre différence majeure : ComfyUI ne dépend pas d'un fournisseur API externe pour fonctionner, alors qu'iLab CONJURE, en mode recommandé, dépend d'un point de terminaison OpenAI-compatible. C'est un choix architectural qui simplifie la gestion des modèles, mais qui introduit une dépendance réseau et des coûts par appel.

Coût de maintenance et implications de la licence

La maintenance est un point à ne pas négliger. Le projet est actif, avec des versions récentes (v0.8.3 en août 2026). Les mises à jour sont gérées par un helper pour macOS standard, qui vérifie un manifest signé et le SHA256 du DMG. Le portable a son propre script de mise à jour avec vérification Ed25519. Cela réduit le risque de casse, mais il faut suivre les versions. La licence est AGPL-3.0, ce qui a des implications si vous modifiez le code et le déployez comme service réseau. L'AGPL impose de fournir le code source modifié à vos utilisateurs, même si vous n'avez pas modifié le code vous-même, dès lors que vous l'offrez via un réseau. C'est un point à vérifier avec un conseiller juridique si vous prévoyez une utilisation en entreprise. En pratique, pour un usage interne sans redistribution, la licence ne pose pas de problème majeur. Le README recommande de ne pas committer les fichiers OAuth, clés API, images ou bases de données dans Git, ce qui est une bonne pratique de sécurité.

Conclusion éditoriale

Adoptez iLab CONJURE si vous travaillez en local, seul ou en petite équipe, et que vous acceptez de configurer un fournisseur OpenAI-compatible pour éviter le mode OAuth. Ne l'utilisez pas pour un service public ou une production stable sans passer par l'API, car le mode Codex/ChatGPT OAuth repose sur des interfaces internes non officielles. Avant de vous engager, vérifiez la disponibilité des paquets signés pour macOS (non notariés) et testez la migration depuis un ancien portable. Vérifiez aussi que votre fournisseur supporte bien les paramètres de verrouillage et les exports ZIP, car ces fonctions dépendent de la structure des réponses API.

Sources officielles

1. Official documentation
2. Official README
3. Project repository
4. Release notes