基于DeOldify的图像修复工作流结合ComfyUI实现自动化老照片承载着珍贵的记忆但时间留下的泛黄、褪色和划痕常常让这些记忆变得模糊。手动修复一张老照片不仅需要专业的PS技能还耗费大量时间。有没有一种方法能让这个过程变得像流水线一样自动、高效最近我在一个老照片修复项目中尝试将经典的AI上色工具DeOldify与当下热门的可视化工作流工具ComfyUI结合起来搭建了一套自动化修复管线。效果出乎意料的好——从扫描件导入到智能上色、降噪、风格化输出整个过程一气呵成大大提升了处理效率。今天我就来分享一下这个工作流的构建思路和具体实现方法希望能给有类似需求的朋友一些启发。1. 为什么选择ComfyUI与DeOldify组合在开始动手之前我们先聊聊为什么是这两个工具的组合。DeOldify大家可能不陌生它是一个基于深度学习的开源项目专门用于给黑白或褪色的老照片、视频上色。它的优势在于色彩还原相对自然对历史场景有一定的“常识”理解不会把天空涂成紫色。但它的使用方式通常是通过命令行或简单的Web界面一次处理一张图片难以融入需要批量或复杂后处理的自动化流程。而ComfyUI则是一个完全不同的存在。它本质上是一个基于节点的可视化编程界面最初为Stable Diffusion而生。你可以把它想象成一个乐高积木台每个积木节点都有特定功能如加载图片、调用模型、调整参数通过连接这些积木你就能搭建出复杂、可重复的图像生成与处理工作流。它的最大魅力在于可视化和可编排性。那么把它们俩结合起来的价值就显而易见了流程自动化将DeOldify作为一个“上色”节点嵌入ComfyUI工作流前面可以接“图片加载”、“降噪预处理”后面可以接“风格化滤镜”、“高清放大”、“批量保存”形成一个完整的处理管道。处理可控在ComfyUI中你可以实时调整DeOldify的参数如渲染因子、艺术风格权重并立即看到预览效果无需反复修改命令行参数并重新运行。批量与集成轻松实现批量老照片的流水线修复并且可以与其他强大的AI模型如Real-ESRGAN用于超分GFPGAN用于人脸增强无缝集成实现“一站式”修复。简单说ComfyUI提供了舞台和自动化流水线而DeOldify则是这条流水线上一个非常专业的“上色工人”。接下来我们就看看怎么把这位工人请到流水线上来。2. 核心准备让DeOldify在ComfyUI中“安家”要让DeOldify在ComfyUI里工作核心是为它创建一个自定义节点。这听起来有点技术但跟着步骤走其实并不复杂。2.1 环境与依赖安装首先确保你的基础环境已经就绪。你需要安装好ComfyUI这个过程网上教程很多这里不赘述。关键是准备好DeOldify的运行环境。DeOldify本身依赖特定的PyTorch版本和一系列库。最稳妥的方法是创建一个独立的Python虚拟环境来安装DeOldify避免与ComfyUI的环境冲突。但为了集成我们需要让ComfyUI能调用到这个环境里的DeOldify代码和模型。一个实用的方法是将DeOldify的核心代码和预训练模型放在ComfyUI能访问到的目录下。比如在ComfyUI的custom_nodes文件夹里新建一个DeOldify_Node的目录。# 假设你的ComfyUI目录结构如下 ComfyUI/ ├── custom_nodes/ │ └── DeOldify_Node/ # 我们新建的节点目录 │ ├── __init__.py │ ├── nodes.py # 节点核心代码 │ └── models/ # 存放DeOldify模型文件 ├── ...然后你需要将DeOldify的源代码主要是deoldify目录复制到DeOldify_Node下或者通过git submodule链接。同时下载DeOldify的预训练模型如ColorizeArtistic_gen.pth放入models文件夹。2.2 编写自定义节点这是最关键的一步。我们需要在nodes.py里创建一个ComfyUI能识别的节点类。# nodes.py 示例代码框架 import torch import numpy as np from PIL import Image import folder_paths # ComfyUI的路径管理 import sys import os # 将DeOldify源码路径加入系统路径 sys.path.insert(0, os.path.join(os.path.dirname(os.path.abspath(__file__)), deoldify)) # 现在可以导入DeOldify的模块了 from deoldify.visualize import * class DeOldifyColorizer: ComfyUI自定义节点使用DeOldify为图像上色 def __init__(self): # 初始化设备GPU/CPU self.device torch.device(cuda if torch.cuda.is_available() else cpu) self.colorizer None self.model_loaded False def load_model(self, model_typeartistic): 加载指定的DeOldify模型 model_path folder_paths.get_full_path(checkpoints, fColorize{model_type.capitalize()}_gen.pth) # 这里需要根据DeOldify的API初始化颜色生成器 # 例如self.colorizer get_image_colorizer(artisticTrue) # 注意处理模型路径传递 print(fDeOldify模型加载成功类型: {model_type}) self.model_loaded True classmethod def INPUT_TYPES(cls): 定义节点的输入参数类型 return { required: { image: (IMAGE,), # 输入图像ComfyUI标准图像类型 render_factor: (INT, {default: 35, min: 7, max: 45, step: 1}), # 渲染因子控制细节 artistic: ([true, false], {default: true}), # 艺术模式或稳定模式 }, optional: { watermarked: ([true, false], {default: false}), # 是否添加水印 } } RETURN_TYPES (IMAGE,) # 定义输出类型为图像 RETURN_NAMES (colored_image,) # 输出名称 FUNCTION colorize # 节点执行的主函数 CATEGORY image/colorization # 节点在ComfyUI中的分类 def colorize(self, image, render_factor, artistic, watermarkedfalse): 执行上色的核心函数 if not self.model_loaded: self.load_model(artistic if artistic true else stable) # 将ComfyUI的IMAGE tensor转换为PIL Image # 注意ComfyUI的IMAGE tensor通常是[Batch, Height, Width, Channels]格式值范围0-1 i 255. * image[0].cpu().numpy() # 取批次第一张转为0-255范围 img Image.fromarray(np.clip(i, 0, 255).astype(np.uint8)) # 调用DeOldify进行上色 # 这里需要调用DeOldify colorizer的get_transformed_image方法 # 例如out_img self.colorizer.get_transformed_image(img, render_factorrender_factor, watermarkedwatermarkedtrue) # 示例中为伪代码具体调用方式需参考DeOldify最新API # 将输出的PIL Image转回ComfyUI的IMAGE tensor格式 # out_np np.array(out_img).astype(np.float32) / 255.0 # out_tensor torch.from_numpy(out_np)[None, ...] # 添加批次维度 # 返回结果这里用输入图像代替实际应返回上色后的tensor out_tensor image.clone() # 仅为占位实际需替换 return (out_tensor,) # 将节点类暴露给ComfyUI NODE_CLASS_MAPPINGS { DeOldify Colorizer: DeOldifyColorizer } NODE_DISPLAY_NAME_MAPPINGS { DeOldify Colorizer: DeOldify 图像上色器 }代码要点说明路径管理通过sys.path引入DeOldify库使用folder_paths管理模型路径这样更符合ComfyUI生态。输入输出定义INPUT_TYPES定义了节点需要的参数图像、渲染因子等RETURN_TYPES定义了输出。格式转换ComfyUI内部使用一种特定的IMAGEtensor格式需要与PIL Image或numpy数组进行正确转换这是节点能正常工作的关键。模型懒加载在__init__中不直接加载大模型而是在第一次执行时加载避免拖慢ComfyUI启动速度。编写完成后将DeOldify_Node文件夹放入custom_nodes重启ComfyUI你应该就能在节点菜单的image/colorization分类下找到新节点了。3. 构建自动化修复工作流节点准备好后就可以在ComfyUI的舞台上搭建我们的自动化流水线了。下图展示了一个基础但完整的工作流设计思路graph LR A[原始老照片扫描件] -- B(Load Imagebr加载图像); B -- C(Pre-processbr预处理: 降噪/裁剪); C -- D{DeOldify Nodebr智能上色}; D -- E(Post-processbr后处理: 风格化/增强); E -- F(Save Imagebr保存结果); F -- G[修复完成的高清彩照]; style A fill:#f9f,stroke:#333,stroke-width:2px style G fill:#ccf,stroke:#333,stroke-width:2px style D fill:#f96,stroke:#333,stroke-width:2px3.1 工作流节点编排根据上图我们在ComfyUI界面中从左到右连接节点输入与预处理加载图像使用Load Image节点导入扫描的老照片。可以配合Image Batch节点实现批量输入。基础预处理连接一个Image Filter或专用节点进行初步降噪如轻度高斯模糊或者用Crop节点裁剪掉无用的黑边。核心上色阶段拖入我们刚刚创建的DeOldify Colorizer自定义节点。将预处理后的图像连接到它的image输入口。调整参数render_factor初始可以设为35平衡细节与色彩稳定性artistic模式选择“true”通常能获得更生动、电影感的色彩。后处理与增强人脸增强可选如果照片中人脸是关键可以接入FaceDetailer或GFPGAN等节点进行面部细节修复。超分辨率放大老照片通常分辨率低。接入Upscale Image节点使用Real-ESRGAN等模型进行4倍甚至更高倍数的智能放大让细节更清晰。风格化调色使用Color Adjustment节点微调对比度、饱和度或者接入VAE节点进行轻微的色调风格迁移让照片更具现代感或某种复古韵味。输出与保存最后连接Preview Image节点实时查看效果。使用Save Image节点配置输出路径和格式如PNG保留更多细节。ComfyUI Manager等插件支持更强大的批量保存规则。3.2 参数调试技巧渲染因子render_factor这是DeOldify最重要的参数。值越低如15-25色彩越保守稳定但可能丢失细节值越高如35-45细节和色彩越丰富但也可能引入伪影。对于质量很差的照片建议从较低值开始尝试。艺术模式 vs 稳定模式artistic模式色彩更大胆适合风景、街景stable模式更保守真实适合肖像、家族合照。可以分别运行对比。迭代优化不要指望一步到位。可以保存工作流的不同中间结果如上色后、放大后对比分析然后回到对应节点调整参数利用ComfyUI的队列功能快速重新执行后续步骤非常高效。4. 实际应用场景与效果搭建好工作流后我将其用在了几个实际场景中效果提升非常明显。场景一家族相册批量修复客户有一本上世纪60-70年代的家族黑白相册共50多张。传统手工修复报价高、周期长。使用这个自动化工作流将所有照片扫描后放入一个输入文件夹。在ComfyUI中将Load Image节点指向该文件夹并启用批处理。设置统一的预处理和上色参数针对这批照片的泛黄特点做了微调。让工作流自动运行。一个晚上就处理完了所有照片。输出结果整体色彩自然特别是对那个年代的服装、家具色彩的还原得到了客户的认可。效率相比手工提升了数十倍。场景二单张珍贵历史照片精修有一张重要的历史人物合影划痕严重面部模糊。工作流发挥了其可灵活编排的优势首先用DeOldify上色。然后将上色后的输出同时发送给两个并行分支一个分支用Real-ESRGAN进行整体超分另一个分支用FaceDetailer专门提取并增强照片中的每一张人脸。最后用一个Image Composite节点将增强后的人脸无缝融合回超分后的整体图片中。通过这种“并联融合”的节点设计实现了针对性的精细化修复这是单一工具很难做到的。5. 总结把DeOldify集成进ComfyUI构建自动化图像修复工作流听起来需要一些开发功夫但带来的回报是巨大的。它不仅仅是将一个工具“可视化”更是创造了一个可定制、可扩展、可重复的智能处理环境。对于个人用户你可以保存这个工作流为模板以后任何老照片丢进去几分钟就能得到彩色版本。对于小型工作室可以在此基础上开发更复杂的流程比如集成证件照背景替换、特定艺术风格转换等形成特色服务。这个过程中你学到的不仅仅是两个工具的使用更是一种“工作流思维”——如何将复杂的任务拆解成标准化步骤并用自动化工具串联起来。当然目前这个自定义节点还是一个基础版本在实际使用中你可能会遇到内存管理、错误处理、更复杂的参数暴露等需求这就需要根据实际情况去完善节点代码了。ComfyUI活跃的社区和清晰的API文档为这种扩展提供了很好的支持。希望这个分享能为你打开一扇门。不妨就从给一张家里的老照片上色开始体验一下可视化、自动化AI工作流的魅力吧。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
基于DeOldify的图像修复工作流：结合ComfyUI实现自动化
基于DeOldify的图像修复工作流结合ComfyUI实现自动化老照片承载着珍贵的记忆但时间留下的泛黄、褪色和划痕常常让这些记忆变得模糊。手动修复一张老照片不仅需要专业的PS技能还耗费大量时间。有没有一种方法能让这个过程变得像流水线一样自动、高效最近我在一个老照片修复项目中尝试将经典的AI上色工具DeOldify与当下热门的可视化工作流工具ComfyUI结合起来搭建了一套自动化修复管线。效果出乎意料的好——从扫描件导入到智能上色、降噪、风格化输出整个过程一气呵成大大提升了处理效率。今天我就来分享一下这个工作流的构建思路和具体实现方法希望能给有类似需求的朋友一些启发。1. 为什么选择ComfyUI与DeOldify组合在开始动手之前我们先聊聊为什么是这两个工具的组合。DeOldify大家可能不陌生它是一个基于深度学习的开源项目专门用于给黑白或褪色的老照片、视频上色。它的优势在于色彩还原相对自然对历史场景有一定的“常识”理解不会把天空涂成紫色。但它的使用方式通常是通过命令行或简单的Web界面一次处理一张图片难以融入需要批量或复杂后处理的自动化流程。而ComfyUI则是一个完全不同的存在。它本质上是一个基于节点的可视化编程界面最初为Stable Diffusion而生。你可以把它想象成一个乐高积木台每个积木节点都有特定功能如加载图片、调用模型、调整参数通过连接这些积木你就能搭建出复杂、可重复的图像生成与处理工作流。它的最大魅力在于可视化和可编排性。那么把它们俩结合起来的价值就显而易见了流程自动化将DeOldify作为一个“上色”节点嵌入ComfyUI工作流前面可以接“图片加载”、“降噪预处理”后面可以接“风格化滤镜”、“高清放大”、“批量保存”形成一个完整的处理管道。处理可控在ComfyUI中你可以实时调整DeOldify的参数如渲染因子、艺术风格权重并立即看到预览效果无需反复修改命令行参数并重新运行。批量与集成轻松实现批量老照片的流水线修复并且可以与其他强大的AI模型如Real-ESRGAN用于超分GFPGAN用于人脸增强无缝集成实现“一站式”修复。简单说ComfyUI提供了舞台和自动化流水线而DeOldify则是这条流水线上一个非常专业的“上色工人”。接下来我们就看看怎么把这位工人请到流水线上来。2. 核心准备让DeOldify在ComfyUI中“安家”要让DeOldify在ComfyUI里工作核心是为它创建一个自定义节点。这听起来有点技术但跟着步骤走其实并不复杂。2.1 环境与依赖安装首先确保你的基础环境已经就绪。你需要安装好ComfyUI这个过程网上教程很多这里不赘述。关键是准备好DeOldify的运行环境。DeOldify本身依赖特定的PyTorch版本和一系列库。最稳妥的方法是创建一个独立的Python虚拟环境来安装DeOldify避免与ComfyUI的环境冲突。但为了集成我们需要让ComfyUI能调用到这个环境里的DeOldify代码和模型。一个实用的方法是将DeOldify的核心代码和预训练模型放在ComfyUI能访问到的目录下。比如在ComfyUI的custom_nodes文件夹里新建一个DeOldify_Node的目录。# 假设你的ComfyUI目录结构如下 ComfyUI/ ├── custom_nodes/ │ └── DeOldify_Node/ # 我们新建的节点目录 │ ├── __init__.py │ ├── nodes.py # 节点核心代码 │ └── models/ # 存放DeOldify模型文件 ├── ...然后你需要将DeOldify的源代码主要是deoldify目录复制到DeOldify_Node下或者通过git submodule链接。同时下载DeOldify的预训练模型如ColorizeArtistic_gen.pth放入models文件夹。2.2 编写自定义节点这是最关键的一步。我们需要在nodes.py里创建一个ComfyUI能识别的节点类。# nodes.py 示例代码框架 import torch import numpy as np from PIL import Image import folder_paths # ComfyUI的路径管理 import sys import os # 将DeOldify源码路径加入系统路径 sys.path.insert(0, os.path.join(os.path.dirname(os.path.abspath(__file__)), deoldify)) # 现在可以导入DeOldify的模块了 from deoldify.visualize import * class DeOldifyColorizer: ComfyUI自定义节点使用DeOldify为图像上色 def __init__(self): # 初始化设备GPU/CPU self.device torch.device(cuda if torch.cuda.is_available() else cpu) self.colorizer None self.model_loaded False def load_model(self, model_typeartistic): 加载指定的DeOldify模型 model_path folder_paths.get_full_path(checkpoints, fColorize{model_type.capitalize()}_gen.pth) # 这里需要根据DeOldify的API初始化颜色生成器 # 例如self.colorizer get_image_colorizer(artisticTrue) # 注意处理模型路径传递 print(fDeOldify模型加载成功类型: {model_type}) self.model_loaded True classmethod def INPUT_TYPES(cls): 定义节点的输入参数类型 return { required: { image: (IMAGE,), # 输入图像ComfyUI标准图像类型 render_factor: (INT, {default: 35, min: 7, max: 45, step: 1}), # 渲染因子控制细节 artistic: ([true, false], {default: true}), # 艺术模式或稳定模式 }, optional: { watermarked: ([true, false], {default: false}), # 是否添加水印 } } RETURN_TYPES (IMAGE,) # 定义输出类型为图像 RETURN_NAMES (colored_image,) # 输出名称 FUNCTION colorize # 节点执行的主函数 CATEGORY image/colorization # 节点在ComfyUI中的分类 def colorize(self, image, render_factor, artistic, watermarkedfalse): 执行上色的核心函数 if not self.model_loaded: self.load_model(artistic if artistic true else stable) # 将ComfyUI的IMAGE tensor转换为PIL Image # 注意ComfyUI的IMAGE tensor通常是[Batch, Height, Width, Channels]格式值范围0-1 i 255. * image[0].cpu().numpy() # 取批次第一张转为0-255范围 img Image.fromarray(np.clip(i, 0, 255).astype(np.uint8)) # 调用DeOldify进行上色 # 这里需要调用DeOldify colorizer的get_transformed_image方法 # 例如out_img self.colorizer.get_transformed_image(img, render_factorrender_factor, watermarkedwatermarkedtrue) # 示例中为伪代码具体调用方式需参考DeOldify最新API # 将输出的PIL Image转回ComfyUI的IMAGE tensor格式 # out_np np.array(out_img).astype(np.float32) / 255.0 # out_tensor torch.from_numpy(out_np)[None, ...] # 添加批次维度 # 返回结果这里用输入图像代替实际应返回上色后的tensor out_tensor image.clone() # 仅为占位实际需替换 return (out_tensor,) # 将节点类暴露给ComfyUI NODE_CLASS_MAPPINGS { DeOldify Colorizer: DeOldifyColorizer } NODE_DISPLAY_NAME_MAPPINGS { DeOldify Colorizer: DeOldify 图像上色器 }代码要点说明路径管理通过sys.path引入DeOldify库使用folder_paths管理模型路径这样更符合ComfyUI生态。输入输出定义INPUT_TYPES定义了节点需要的参数图像、渲染因子等RETURN_TYPES定义了输出。格式转换ComfyUI内部使用一种特定的IMAGEtensor格式需要与PIL Image或numpy数组进行正确转换这是节点能正常工作的关键。模型懒加载在__init__中不直接加载大模型而是在第一次执行时加载避免拖慢ComfyUI启动速度。编写完成后将DeOldify_Node文件夹放入custom_nodes重启ComfyUI你应该就能在节点菜单的image/colorization分类下找到新节点了。3. 构建自动化修复工作流节点准备好后就可以在ComfyUI的舞台上搭建我们的自动化流水线了。下图展示了一个基础但完整的工作流设计思路graph LR A[原始老照片扫描件] -- B(Load Imagebr加载图像); B -- C(Pre-processbr预处理: 降噪/裁剪); C -- D{DeOldify Nodebr智能上色}; D -- E(Post-processbr后处理: 风格化/增强); E -- F(Save Imagebr保存结果); F -- G[修复完成的高清彩照]; style A fill:#f9f,stroke:#333,stroke-width:2px style G fill:#ccf,stroke:#333,stroke-width:2px style D fill:#f96,stroke:#333,stroke-width:2px3.1 工作流节点编排根据上图我们在ComfyUI界面中从左到右连接节点输入与预处理加载图像使用Load Image节点导入扫描的老照片。可以配合Image Batch节点实现批量输入。基础预处理连接一个Image Filter或专用节点进行初步降噪如轻度高斯模糊或者用Crop节点裁剪掉无用的黑边。核心上色阶段拖入我们刚刚创建的DeOldify Colorizer自定义节点。将预处理后的图像连接到它的image输入口。调整参数render_factor初始可以设为35平衡细节与色彩稳定性artistic模式选择“true”通常能获得更生动、电影感的色彩。后处理与增强人脸增强可选如果照片中人脸是关键可以接入FaceDetailer或GFPGAN等节点进行面部细节修复。超分辨率放大老照片通常分辨率低。接入Upscale Image节点使用Real-ESRGAN等模型进行4倍甚至更高倍数的智能放大让细节更清晰。风格化调色使用Color Adjustment节点微调对比度、饱和度或者接入VAE节点进行轻微的色调风格迁移让照片更具现代感或某种复古韵味。输出与保存最后连接Preview Image节点实时查看效果。使用Save Image节点配置输出路径和格式如PNG保留更多细节。ComfyUI Manager等插件支持更强大的批量保存规则。3.2 参数调试技巧渲染因子render_factor这是DeOldify最重要的参数。值越低如15-25色彩越保守稳定但可能丢失细节值越高如35-45细节和色彩越丰富但也可能引入伪影。对于质量很差的照片建议从较低值开始尝试。艺术模式 vs 稳定模式artistic模式色彩更大胆适合风景、街景stable模式更保守真实适合肖像、家族合照。可以分别运行对比。迭代优化不要指望一步到位。可以保存工作流的不同中间结果如上色后、放大后对比分析然后回到对应节点调整参数利用ComfyUI的队列功能快速重新执行后续步骤非常高效。4. 实际应用场景与效果搭建好工作流后我将其用在了几个实际场景中效果提升非常明显。场景一家族相册批量修复客户有一本上世纪60-70年代的家族黑白相册共50多张。传统手工修复报价高、周期长。使用这个自动化工作流将所有照片扫描后放入一个输入文件夹。在ComfyUI中将Load Image节点指向该文件夹并启用批处理。设置统一的预处理和上色参数针对这批照片的泛黄特点做了微调。让工作流自动运行。一个晚上就处理完了所有照片。输出结果整体色彩自然特别是对那个年代的服装、家具色彩的还原得到了客户的认可。效率相比手工提升了数十倍。场景二单张珍贵历史照片精修有一张重要的历史人物合影划痕严重面部模糊。工作流发挥了其可灵活编排的优势首先用DeOldify上色。然后将上色后的输出同时发送给两个并行分支一个分支用Real-ESRGAN进行整体超分另一个分支用FaceDetailer专门提取并增强照片中的每一张人脸。最后用一个Image Composite节点将增强后的人脸无缝融合回超分后的整体图片中。通过这种“并联融合”的节点设计实现了针对性的精细化修复这是单一工具很难做到的。5. 总结把DeOldify集成进ComfyUI构建自动化图像修复工作流听起来需要一些开发功夫但带来的回报是巨大的。它不仅仅是将一个工具“可视化”更是创造了一个可定制、可扩展、可重复的智能处理环境。对于个人用户你可以保存这个工作流为模板以后任何老照片丢进去几分钟就能得到彩色版本。对于小型工作室可以在此基础上开发更复杂的流程比如集成证件照背景替换、特定艺术风格转换等形成特色服务。这个过程中你学到的不仅仅是两个工具的使用更是一种“工作流思维”——如何将复杂的任务拆解成标准化步骤并用自动化工具串联起来。当然目前这个自定义节点还是一个基础版本在实际使用中你可能会遇到内存管理、错误处理、更复杂的参数暴露等需求这就需要根据实际情况去完善节点代码了。ComfyUI活跃的社区和清晰的API文档为这种扩展提供了很好的支持。希望这个分享能为你打开一扇门。不妨就从给一张家里的老照片上色开始体验一下可视化、自动化AI工作流的魅力吧。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
