lz本地使用的秋葉的整合包【AI绘画】ComfyUI整合包发布解压即用 一键启动 工作流版界面 超多节点 ☆更新 ☆汉化 秋叶整合包_哔哩哔哩_bilibili目录1.基础工作流-最开始入门接触的工作流1.1Checkpoint模型、CLIP、VAE1.2CLIPpositive、negtive1.3K采样器1.4空latent1.4VAE解码器1.5预览图像2.外置VAE工作流3.一次生成多张图4.前置节点数据5.加载loRA入门介绍ComfyUIWebUI∈StableDiffuisionWebUI是基于Gradio库开发的浏览器界面comfyUI是使用图形、节点、流程式设计的用户界面comfyUI和WebUI对比comfyUIWebUI优配置要求低自由未来将与WebUI在应用层面拉开差距简单易学缺初期不好上手不易于长期管理复杂操作流程费时插件较多时过于臃肿大模型简单分类全能、真实、动漫。基本介绍界面分块侧边栏其他设置更改界面语言设置节点之间连线的方式外观的个性化设置节点不透明度更改通过适当修改节点的不透明度防止节点相互遮挡导致节点不可见。较为重要运行显示保存工作流工作流运行以及节点管理可以通过管理器面板安装节点、模型等。工作流运行点击运行按钮/CtrlEnter。基础操作滚轮滑动放大缩小操作届满按住滚轮拖动界面内容节点添加方式推荐第一种当然不止以下几种1.左键双击界面空白处即可调出节点查找为工作流添加节点2.右击界面空白处调出选择窗口选择新建节点按照层级查找想要的节点。3.通过已有节点拖曳出新节点1.基础工作流SD各个版本的说明基础工作流主要由6个节点组成1.1 Checkpoint模型、CLIP、VAECheckpoint允许我们在训练过程中保存模型的状态是一个集合模型。是在底膜上图中提到的模型的基础上对模型进行的训练使得模型能更好地表现出某种风格。Load Checkpoint节点允许我们加载处理深度学习模型这个节点是图像生成的核心决定了生成图像的风格质量。选择模型的时候右上角会显示其底模。1.2 CLIPpositive、negtiveCLIP文本编码器可以细分为2种类型一种是正面一种是负面。*负面提示词做得更多的是降低我们不想在画面中出现的东西的比例并不是完全消除。1.3 K采样器节点内参数详细说明control_after_generae一次生成之后随机种子如何变换种子。不同的种子不同的图像→噪声。在comdyUI中随机数的生成与其他UI不同这使得很难在A111上重新创建同一图像。steps去噪使用多少步or到达图像的步骤数。CFGclassifier-free guidance/Classifier-free无分类器使用多大权重来偏向我们的positive prompt数字低迭代少越接近模型训练的方向数字高更有助于构图通常4-9就能够涵盖所有用例但取决于许多因素。图像过饱和or对比度过大可尝试降低CFG。采样器调度这个两个参数被归为一组负责在潜空间对噪声进行处理通常来说没有一个“最佳的”采样器上图给出的和下图所示的是两个较好的组合。sampler_name使用什么采样器scheduler去噪的调度器denoise去掉多少噪声1代表100%。1.4 空latentEmpty Latent Image节点规定了画布的大小通常来说建议使用模型训练时提供的图片的大小。批次大小的数值如果设置得过高可能会出现爆显存的现象如果是本地运行可以重启comfyUI进行解决。1.4 VAE解码器将图像从像素空间编码到潜空间再从潜空间解码回像素空间通过编码器解码器协同工作实现。编码器将图像压缩为低维的潜在表示。解码器从潜在表示中重建图像。他能够帮助模型学习图像的本质特征提高图像质量保持风格一致性降低计算复杂度。能够让画面拥有不一样的色彩效果。AI绘画毕竟和人类绘画不一样可以理解为AI在潜空间作画其作画结果和人类期望的作画也不太一样而VAE则充当2者的“翻译官”。1.5 预览图像Preview Image节点顾名思义2.外置VAE并没有使用本身Checkpoint自带的VAE利用VAE加载器增加一个外置的VAE模型。可以理解为AI原本带的翻译官不太好我们通过训练再找一个翻译质量更好的翻译官。3.一次生成多张图生成图片序号为左到右上到下1~4。修改空Latent节点的数量生成图片增加从批次获取Latent节点筛出最想要的图4.前置节点数据将节点对应的数据拉出独立成一个数据节点。该节点能够实现变量声明同时赋值便利了变量的修改。5.加载loRALoRALow-Rank Adaptation轻量对大模型微调的技术不改变模型基础参数的情况下增强生成模型的特定功能或风格。将预训练好的LoRA模型应用到潜在空间图像生成过程中从而定制模型的行为。调节strength_model模型参数强度和strength_clip提示词参数强度参数可以获得不同的效果。一个广泛的参数可视化图表可以把LoRA理解为滤镜它的训练时间较短只要几个小时而且要的训练素材也很少。相较于CheckpointLoRA更“亲民”。*在Checkpoint和正面提示词之间加载LoRA加载器。以上end
comfyUI-工作流入门
lz本地使用的秋葉的整合包【AI绘画】ComfyUI整合包发布解压即用 一键启动 工作流版界面 超多节点 ☆更新 ☆汉化 秋叶整合包_哔哩哔哩_bilibili目录1.基础工作流-最开始入门接触的工作流1.1Checkpoint模型、CLIP、VAE1.2CLIPpositive、negtive1.3K采样器1.4空latent1.4VAE解码器1.5预览图像2.外置VAE工作流3.一次生成多张图4.前置节点数据5.加载loRA入门介绍ComfyUIWebUI∈StableDiffuisionWebUI是基于Gradio库开发的浏览器界面comfyUI是使用图形、节点、流程式设计的用户界面comfyUI和WebUI对比comfyUIWebUI优配置要求低自由未来将与WebUI在应用层面拉开差距简单易学缺初期不好上手不易于长期管理复杂操作流程费时插件较多时过于臃肿大模型简单分类全能、真实、动漫。基本介绍界面分块侧边栏其他设置更改界面语言设置节点之间连线的方式外观的个性化设置节点不透明度更改通过适当修改节点的不透明度防止节点相互遮挡导致节点不可见。较为重要运行显示保存工作流工作流运行以及节点管理可以通过管理器面板安装节点、模型等。工作流运行点击运行按钮/CtrlEnter。基础操作滚轮滑动放大缩小操作届满按住滚轮拖动界面内容节点添加方式推荐第一种当然不止以下几种1.左键双击界面空白处即可调出节点查找为工作流添加节点2.右击界面空白处调出选择窗口选择新建节点按照层级查找想要的节点。3.通过已有节点拖曳出新节点1.基础工作流SD各个版本的说明基础工作流主要由6个节点组成1.1 Checkpoint模型、CLIP、VAECheckpoint允许我们在训练过程中保存模型的状态是一个集合模型。是在底膜上图中提到的模型的基础上对模型进行的训练使得模型能更好地表现出某种风格。Load Checkpoint节点允许我们加载处理深度学习模型这个节点是图像生成的核心决定了生成图像的风格质量。选择模型的时候右上角会显示其底模。1.2 CLIPpositive、negtiveCLIP文本编码器可以细分为2种类型一种是正面一种是负面。*负面提示词做得更多的是降低我们不想在画面中出现的东西的比例并不是完全消除。1.3 K采样器节点内参数详细说明control_after_generae一次生成之后随机种子如何变换种子。不同的种子不同的图像→噪声。在comdyUI中随机数的生成与其他UI不同这使得很难在A111上重新创建同一图像。steps去噪使用多少步or到达图像的步骤数。CFGclassifier-free guidance/Classifier-free无分类器使用多大权重来偏向我们的positive prompt数字低迭代少越接近模型训练的方向数字高更有助于构图通常4-9就能够涵盖所有用例但取决于许多因素。图像过饱和or对比度过大可尝试降低CFG。采样器调度这个两个参数被归为一组负责在潜空间对噪声进行处理通常来说没有一个“最佳的”采样器上图给出的和下图所示的是两个较好的组合。sampler_name使用什么采样器scheduler去噪的调度器denoise去掉多少噪声1代表100%。1.4 空latentEmpty Latent Image节点规定了画布的大小通常来说建议使用模型训练时提供的图片的大小。批次大小的数值如果设置得过高可能会出现爆显存的现象如果是本地运行可以重启comfyUI进行解决。1.4 VAE解码器将图像从像素空间编码到潜空间再从潜空间解码回像素空间通过编码器解码器协同工作实现。编码器将图像压缩为低维的潜在表示。解码器从潜在表示中重建图像。他能够帮助模型学习图像的本质特征提高图像质量保持风格一致性降低计算复杂度。能够让画面拥有不一样的色彩效果。AI绘画毕竟和人类绘画不一样可以理解为AI在潜空间作画其作画结果和人类期望的作画也不太一样而VAE则充当2者的“翻译官”。1.5 预览图像Preview Image节点顾名思义2.外置VAE并没有使用本身Checkpoint自带的VAE利用VAE加载器增加一个外置的VAE模型。可以理解为AI原本带的翻译官不太好我们通过训练再找一个翻译质量更好的翻译官。3.一次生成多张图生成图片序号为左到右上到下1~4。修改空Latent节点的数量生成图片增加从批次获取Latent节点筛出最想要的图4.前置节点数据将节点对应的数据拉出独立成一个数据节点。该节点能够实现变量声明同时赋值便利了变量的修改。5.加载loRALoRALow-Rank Adaptation轻量对大模型微调的技术不改变模型基础参数的情况下增强生成模型的特定功能或风格。将预训练好的LoRA模型应用到潜在空间图像生成过程中从而定制模型的行为。调节strength_model模型参数强度和strength_clip提示词参数强度参数可以获得不同的效果。一个广泛的参数可视化图表可以把LoRA理解为滤镜它的训练时间较短只要几个小时而且要的训练素材也很少。相较于CheckpointLoRA更“亲民”。*在Checkpoint和正面提示词之间加载LoRA加载器。以上end
