ComfyUI Load Image Batch节点索引异常深度解析与完整解决方案【免费下载链接】was-node-suite-comfyuiAn extensive node suite for ComfyUI with over 210 new nodes项目地址: https://gitcode.com/gh_mirrors/wa/was-node-suite-comfyuiWAS Node Suite作为ComfyUI最强大的节点套件之一为AI图像处理工作流提供了210多个专业节点。其中Load Image Batch节点是批量图像处理的核心组件负责高效加载和管理图像序列。然而在实际应用中开发者常遇到节点索引显示NaN、队列执行失败或图像加载中断等异常问题这些问题直接影响AI图像处理流程的稳定性和效率。本文将深入分析问题根源提供系统级解决方案帮助开发者快速恢复工作流正常运行。问题场景AI图像处理流程中的常见痛点在复杂的AI图像处理工作流中Load Image Batch节点承担着关键的数据输入角色。当节点出现异常时整个处理链都会受到影响。以下是开发者最常遇到的几种问题场景1. 索引显示异常节点INDEX字段显示为NaN或空白状态无法正常显示当前处理的图像序号。这种问题通常发生在重启ComfyUI后或更改图像目录路径时。2. 队列执行失败点击Queue按钮时出现Failed to convert an input value to a INT value错误提示导致整个工作流无法执行。3. 图像加载中断批量处理过程中节点在特定批次卡住无法继续加载后续图像常见于处理大规模图像集时。4. 状态不一致节点内部计数器与文件系统实际图像列表不同步导致加载错误的图像或重复处理相同图像。技术原理Load Image Batch节点工作机制简析要有效解决问题首先需要理解Load Image Batch节点的内部工作机制。该节点通过WAS_Load_Image_Batch类实现主要包含以下核心组件状态管理系统节点使用WASDatabase进行状态持久化存储三个关键信息Batch Paths存储图像目录路径Batch Patterns存储文件匹配模式Batch Counters存储当前索引位置# 状态初始化逻辑WAS_Node_Suite.py第5340-5348行 stored_directory_path self.WDB.get(Batch Paths, label) stored_pattern self.WDB.get(Batch Patterns, label) if stored_directory_path ! directory_path or stored_pattern ! pattern: self.index 0 self.WDB.insert(Batch Counters, label, 0) self.WDB.insert(Batch Paths, label, directory_path) self.WDB.insert(Batch Patterns, label, pattern) else: self.index self.WDB.get(Batch Counters, label)图像加载模式节点支持三种加载模式适应不同处理需求模式描述适用场景single_image按指定索引加载单张图像精确控制特定图像incremental_image按顺序自动递增加载批量顺序处理random随机选择图像加载数据增强和随机采样文件格式支持节点通过ALLOWED_EXT列表限制支持的图像格式确保只处理兼容的图像文件PNG, JPG/JPEG, BMP, GIF, WEBP等常见格式自动排除不支持的文件类型解决方案分层从简单到复杂的修复路径方案一快速状态重置初级解决方案当遇到索引显示NaN的简单问题时可以尝试以下快速修复步骤清除节点缓存在ComfyUI中删除并重新添加Load Image Batch节点重新配置图像目录路径和匹配模式手动重置数据库状态# 临时解决方案通过Python脚本重置状态 import json import os # 定位WAS Node Suite数据库文件 db_path 路径/to/ComfyUI/custom_nodes/was-node-suite-comfyui/was_suite_db.json if os.path.exists(db_path): with open(db_path, r) as f: data json.load(f) # 清除Batch相关数据 if Batch Paths in data: del data[Batch Paths] if Batch Counters in data: del data[Batch Counters] if Batch Patterns in data: del data[Batch Patterns] with open(db_path, w) as f: json.dump(data, f, indent2)验证文件系统权限确认ComfyUI进程有权限访问图像目录检查目录路径是否包含特殊字符或空格确保图像文件格式符合支持列表方案二逻辑连接重构中级解决方案当问题涉及多个节点间的复杂连接时需要系统性重构断开异常连接链移除所有与Load Image Batch节点相关的Logic Boolean节点检查Conditioning节点的输入类型匹配重建数据流管道从源头重新建立图像处理流水线逐个节点测试确保数据正确传递添加调试输出在关键位置添加日志输出监控状态变化# 在get_next_image方法中添加调试信息 def get_next_image(self): if self.index len(self.image_paths): self.index 0 image_path self.image_paths[self.index] self.index 1 if self.index len(self.image_paths): self.index 0 # 添加详细日志输出 print(f[DEBUG] {self.label} Index: {self.index}, Total: {len(self.image_paths)}) self.WDB.insert(Batch Counters, self.label, self.index) return (Image.open(image_path), os.path.basename(image_path))方案三系统级优化高级解决方案对于大规模生产环境需要实施系统级优化路径管理规范化使用相对路径而非绝对路径避免路径中包含空格和特殊字符定期清理无效或重复的图像文件批处理参数优化根据图像大小和数量合理设置批处理大小使用合适的图像压缩格式平衡质量和性能启用RGBA输出时注意内存使用状态持久化策略定期备份节点状态数据库实现状态版本控制支持快速回滚记录完整的处理历史便于问题追踪实战案例复杂工作流故障排查演示案例一大规模图像批量处理中断场景描述处理包含500图像的目录时节点在第247张图像后卡住INDEX显示为NaN。排查步骤检查第247张图像验证文件完整性和格式兼容性分析内存使用排除资源耗尽问题验证索引同步检查数据库中的索引值是否与实际文件列表匹配文件系统检查确认inode限制和磁盘空间充足解决方案# 重新扫描目录并重建索引 import glob import os def rebuild_image_index(directory_path, pattern*): 重新扫描目录并重建图像索引 image_paths [] for file_name in glob.glob(os.path.join(glob.escape(directory_path), pattern), recursiveTrue): if file_name.lower().endswith((.png, .jpg, .jpeg, .bmp, .gif, .webp)): abs_file_path os.path.abspath(file_name) image_paths.append(abs_file_path) image_paths.sort() print(f找到 {len(image_paths)} 个图像文件) return image_paths案例二多节点协作时的状态同步问题场景描述Load Image Batch节点与Logic Boolean、Conditioning节点组合使用时出现间歇性故障。排查步骤分析节点执行顺序确认ComfyUI的执行队列机制检查数据类型转换验证各节点间的数据类型兼容性监控状态变化在关键节点添加调试输出解决方案实现状态检查点机制在异常时自动回滚到上一个有效状态使用ComfyUI的节点执行监控工具跟踪数据流添加输入验证逻辑提前发现类型不匹配问题AI图像分割模型工作流程图展示了从图像输入到分割输出的完整处理链Load Image Batch节点作为数据源为整个流程提供稳定的图像输入预防措施与最佳实践系统架构优化建议模块化设计将复杂的图像处理工作流分解为独立的子流程每个子流程使用独立的Load Image Batch节点。这有助于隔离故障并简化调试过程。状态检查机制在关键节点添加状态验证逻辑及时发现并处理异常。可以定期检查以下指标索引值是否在有效范围内0 ≤ index 图像总数图像文件是否存在且可访问数据库状态与文件系统内容是否同步资源监控实时监控内存、磁盘和CPU使用情况预防资源耗尽导致的故障。建议设置以下监控阈值内存使用率超过80%时发出警告磁盘空间低于10%时触发清理操作CPU使用率持续高于90%时考虑优化算法配置管理最佳实践路径管理规范化使用相对路径./images/batch_001/而非绝对路径避免特殊字符确保路径中不包含!#$%^*()[]{}|;:,?等字符长度限制保持路径长度在合理范围内建议不超过255字符批处理参数优化表参数推荐值说明批处理大小8-32张根据GPU内存调整图像分辨率512×512 - 1024×1024平衡质量与性能文件格式PNG或WebP支持透明通道且压缩率高缓存策略启用磁盘缓存减少重复I/O操作错误恢复策略实现自动错误检测和恢复机制记录详细的错误日志便于问题追踪提供一键重置功能快速恢复节点状态图像分割效果展示展示了SAM模型在不同场景下的精确分割能力Load Image Batch节点的稳定输出是保证分割质量的前提性能调优技巧与进阶调试索引算法优化对于大规模图像集超过1000张可以考虑以下优化策略延迟加载机制仅在需要时加载图像减少内存占用预加载缓存预加载下几张图像提高处理速度索引分片将大型图像集分为多个子目录分别处理缓存策略改进# 智能缓存机制示例 class SmartImageCache: def __init__(self, max_size100): self.cache {} self.max_size max_size self.access_order [] def get_image(self, image_path): if image_path in self.cache: # 更新访问顺序 self.access_order.remove(image_path) self.access_order.append(image_path) return self.cache[image_path] else: # 加载新图像 image Image.open(image_path) self.cache[image_path] image self.access_order.append(image_path) # 清理最久未使用的缓存 if len(self.cache) self.max_size: oldest self.access_order.pop(0) del self.cache[oldest] return image内存管理优化及时释放资源处理完成后立即释放不再使用的图像数据使用生成器对于超大图像集使用生成器逐张加载监控内存泄漏定期检查内存使用情况及时发现并修复泄漏并行处理支持对于高性能需求场景可以探索多线程/多进程加载的可能性import concurrent.futures from PIL import Image def parallel_load_images(image_paths, max_workers4): 并行加载多个图像 with concurrent.futures.ThreadPoolExecutor(max_workersmax_workers) as executor: future_to_path {executor.submit(Image.open, path): path for path in image_paths} results {} for future in concurrent.futures.as_completed(future_to_path): path future_to_path[future] try: results[path] future.result() except Exception as exc: print(f{path} generated an exception: {exc}) return results进阶调试与开发资源核心源码分析位置Load Image Batch节点的完整实现位于项目核心文件中主类定义WAS_Node_Suite.py第5269行开始的WAS_Load_Image_Batch类数据库管理第737行的WASDatabase类图像加载逻辑第5351行的load_images方法索引管理第5365行的get_next_image方法调试工具与技巧日志级别调整通过修改配置启用详细调试日志跟踪节点内部状态变化# 启用详细调试输出 import logging logging.basicConfig(levellogging.DEBUG)单元测试框架为关键功能编写自动化测试确保代码变更不会引入回归问题import unittest from WAS_Node_Suite import WAS_Load_Image_Batch class TestLoadImageBatch(unittest.TestCase): def setUp(self): self.batch_node WAS_Load_Image_Batch() def test_single_image_mode(self): # 测试单图像模式 result self.batch_node.load_batch_images( path./test_images, pattern*.png, modesingle_image, index0 ) self.assertIsNotNone(result[0]) # 图像不应为None def test_incremental_mode(self): # 测试增量模式 result1 self.batch_node.load_batch_images( path./test_images, pattern*.png, modeincremental_image ) result2 self.batch_node.load_batch_images( path./test_images, pattern*.png, modeincremental_image ) self.assertNotEqual(result1[1], result2[1]) # 文件名应不同性能分析工具使用Python profiling工具识别性能瓶颈# 使用cProfile分析性能 python -m cProfile -o profile.stats your_script.py # 使用snakeviz可视化分析结果 snakeviz profile.stats社区支持与贡献WAS Node Suite作为开源项目拥有活跃的开发者社区。遇到复杂问题时可以查阅项目文档仔细阅读README和Wiki页面搜索GitHub Issues查找类似问题的解决方案参与社区讨论在Discord或论坛分享经验和解决方案提交Pull Request贡献代码改进和bug修复总结与下一步行动建议Load Image Batch节点的稳定性直接影响整个AI图像处理工作流的可靠性。通过深入理解节点内部机制、实施系统级修复方案、遵循最佳实践开发者可以有效预防和解决索引异常问题。立即行动建议诊断当前问题使用本文提供的诊断方法确定问题类型选择合适的解决方案根据问题复杂度选择相应修复方案实施预防措施配置监控和错误恢复机制参与社区贡献分享经验并帮助改进项目长期优化方向保持更新定期更新WAS Node Suite到最新版本建立监控体系实现自动化监控和告警机制探索新技术关注AI图像处理领域的新技术和最佳实践贡献代码参与开源项目共同提升工具质量通过系统化的故障排查和预防策略可以显著提升AI图像处理工作流的稳定性和效率为创意工作提供可靠的技术支撑。记住稳定可靠的数据输入是高质量AI图像处理的基础而Load Image Batch节点正是这一基础的关键保障。【免费下载链接】was-node-suite-comfyuiAn extensive node suite for ComfyUI with over 210 new nodes项目地址: https://gitcode.com/gh_mirrors/wa/was-node-suite-comfyui创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
ComfyUI Load Image Batch节点索引异常深度解析与完整解决方案
ComfyUI Load Image Batch节点索引异常深度解析与完整解决方案【免费下载链接】was-node-suite-comfyuiAn extensive node suite for ComfyUI with over 210 new nodes项目地址: https://gitcode.com/gh_mirrors/wa/was-node-suite-comfyuiWAS Node Suite作为ComfyUI最强大的节点套件之一为AI图像处理工作流提供了210多个专业节点。其中Load Image Batch节点是批量图像处理的核心组件负责高效加载和管理图像序列。然而在实际应用中开发者常遇到节点索引显示NaN、队列执行失败或图像加载中断等异常问题这些问题直接影响AI图像处理流程的稳定性和效率。本文将深入分析问题根源提供系统级解决方案帮助开发者快速恢复工作流正常运行。问题场景AI图像处理流程中的常见痛点在复杂的AI图像处理工作流中Load Image Batch节点承担着关键的数据输入角色。当节点出现异常时整个处理链都会受到影响。以下是开发者最常遇到的几种问题场景1. 索引显示异常节点INDEX字段显示为NaN或空白状态无法正常显示当前处理的图像序号。这种问题通常发生在重启ComfyUI后或更改图像目录路径时。2. 队列执行失败点击Queue按钮时出现Failed to convert an input value to a INT value错误提示导致整个工作流无法执行。3. 图像加载中断批量处理过程中节点在特定批次卡住无法继续加载后续图像常见于处理大规模图像集时。4. 状态不一致节点内部计数器与文件系统实际图像列表不同步导致加载错误的图像或重复处理相同图像。技术原理Load Image Batch节点工作机制简析要有效解决问题首先需要理解Load Image Batch节点的内部工作机制。该节点通过WAS_Load_Image_Batch类实现主要包含以下核心组件状态管理系统节点使用WASDatabase进行状态持久化存储三个关键信息Batch Paths存储图像目录路径Batch Patterns存储文件匹配模式Batch Counters存储当前索引位置# 状态初始化逻辑WAS_Node_Suite.py第5340-5348行 stored_directory_path self.WDB.get(Batch Paths, label) stored_pattern self.WDB.get(Batch Patterns, label) if stored_directory_path ! directory_path or stored_pattern ! pattern: self.index 0 self.WDB.insert(Batch Counters, label, 0) self.WDB.insert(Batch Paths, label, directory_path) self.WDB.insert(Batch Patterns, label, pattern) else: self.index self.WDB.get(Batch Counters, label)图像加载模式节点支持三种加载模式适应不同处理需求模式描述适用场景single_image按指定索引加载单张图像精确控制特定图像incremental_image按顺序自动递增加载批量顺序处理random随机选择图像加载数据增强和随机采样文件格式支持节点通过ALLOWED_EXT列表限制支持的图像格式确保只处理兼容的图像文件PNG, JPG/JPEG, BMP, GIF, WEBP等常见格式自动排除不支持的文件类型解决方案分层从简单到复杂的修复路径方案一快速状态重置初级解决方案当遇到索引显示NaN的简单问题时可以尝试以下快速修复步骤清除节点缓存在ComfyUI中删除并重新添加Load Image Batch节点重新配置图像目录路径和匹配模式手动重置数据库状态# 临时解决方案通过Python脚本重置状态 import json import os # 定位WAS Node Suite数据库文件 db_path 路径/to/ComfyUI/custom_nodes/was-node-suite-comfyui/was_suite_db.json if os.path.exists(db_path): with open(db_path, r) as f: data json.load(f) # 清除Batch相关数据 if Batch Paths in data: del data[Batch Paths] if Batch Counters in data: del data[Batch Counters] if Batch Patterns in data: del data[Batch Patterns] with open(db_path, w) as f: json.dump(data, f, indent2)验证文件系统权限确认ComfyUI进程有权限访问图像目录检查目录路径是否包含特殊字符或空格确保图像文件格式符合支持列表方案二逻辑连接重构中级解决方案当问题涉及多个节点间的复杂连接时需要系统性重构断开异常连接链移除所有与Load Image Batch节点相关的Logic Boolean节点检查Conditioning节点的输入类型匹配重建数据流管道从源头重新建立图像处理流水线逐个节点测试确保数据正确传递添加调试输出在关键位置添加日志输出监控状态变化# 在get_next_image方法中添加调试信息 def get_next_image(self): if self.index len(self.image_paths): self.index 0 image_path self.image_paths[self.index] self.index 1 if self.index len(self.image_paths): self.index 0 # 添加详细日志输出 print(f[DEBUG] {self.label} Index: {self.index}, Total: {len(self.image_paths)}) self.WDB.insert(Batch Counters, self.label, self.index) return (Image.open(image_path), os.path.basename(image_path))方案三系统级优化高级解决方案对于大规模生产环境需要实施系统级优化路径管理规范化使用相对路径而非绝对路径避免路径中包含空格和特殊字符定期清理无效或重复的图像文件批处理参数优化根据图像大小和数量合理设置批处理大小使用合适的图像压缩格式平衡质量和性能启用RGBA输出时注意内存使用状态持久化策略定期备份节点状态数据库实现状态版本控制支持快速回滚记录完整的处理历史便于问题追踪实战案例复杂工作流故障排查演示案例一大规模图像批量处理中断场景描述处理包含500图像的目录时节点在第247张图像后卡住INDEX显示为NaN。排查步骤检查第247张图像验证文件完整性和格式兼容性分析内存使用排除资源耗尽问题验证索引同步检查数据库中的索引值是否与实际文件列表匹配文件系统检查确认inode限制和磁盘空间充足解决方案# 重新扫描目录并重建索引 import glob import os def rebuild_image_index(directory_path, pattern*): 重新扫描目录并重建图像索引 image_paths [] for file_name in glob.glob(os.path.join(glob.escape(directory_path), pattern), recursiveTrue): if file_name.lower().endswith((.png, .jpg, .jpeg, .bmp, .gif, .webp)): abs_file_path os.path.abspath(file_name) image_paths.append(abs_file_path) image_paths.sort() print(f找到 {len(image_paths)} 个图像文件) return image_paths案例二多节点协作时的状态同步问题场景描述Load Image Batch节点与Logic Boolean、Conditioning节点组合使用时出现间歇性故障。排查步骤分析节点执行顺序确认ComfyUI的执行队列机制检查数据类型转换验证各节点间的数据类型兼容性监控状态变化在关键节点添加调试输出解决方案实现状态检查点机制在异常时自动回滚到上一个有效状态使用ComfyUI的节点执行监控工具跟踪数据流添加输入验证逻辑提前发现类型不匹配问题AI图像分割模型工作流程图展示了从图像输入到分割输出的完整处理链Load Image Batch节点作为数据源为整个流程提供稳定的图像输入预防措施与最佳实践系统架构优化建议模块化设计将复杂的图像处理工作流分解为独立的子流程每个子流程使用独立的Load Image Batch节点。这有助于隔离故障并简化调试过程。状态检查机制在关键节点添加状态验证逻辑及时发现并处理异常。可以定期检查以下指标索引值是否在有效范围内0 ≤ index 图像总数图像文件是否存在且可访问数据库状态与文件系统内容是否同步资源监控实时监控内存、磁盘和CPU使用情况预防资源耗尽导致的故障。建议设置以下监控阈值内存使用率超过80%时发出警告磁盘空间低于10%时触发清理操作CPU使用率持续高于90%时考虑优化算法配置管理最佳实践路径管理规范化使用相对路径./images/batch_001/而非绝对路径避免特殊字符确保路径中不包含!#$%^*()[]{}|;:,?等字符长度限制保持路径长度在合理范围内建议不超过255字符批处理参数优化表参数推荐值说明批处理大小8-32张根据GPU内存调整图像分辨率512×512 - 1024×1024平衡质量与性能文件格式PNG或WebP支持透明通道且压缩率高缓存策略启用磁盘缓存减少重复I/O操作错误恢复策略实现自动错误检测和恢复机制记录详细的错误日志便于问题追踪提供一键重置功能快速恢复节点状态图像分割效果展示展示了SAM模型在不同场景下的精确分割能力Load Image Batch节点的稳定输出是保证分割质量的前提性能调优技巧与进阶调试索引算法优化对于大规模图像集超过1000张可以考虑以下优化策略延迟加载机制仅在需要时加载图像减少内存占用预加载缓存预加载下几张图像提高处理速度索引分片将大型图像集分为多个子目录分别处理缓存策略改进# 智能缓存机制示例 class SmartImageCache: def __init__(self, max_size100): self.cache {} self.max_size max_size self.access_order [] def get_image(self, image_path): if image_path in self.cache: # 更新访问顺序 self.access_order.remove(image_path) self.access_order.append(image_path) return self.cache[image_path] else: # 加载新图像 image Image.open(image_path) self.cache[image_path] image self.access_order.append(image_path) # 清理最久未使用的缓存 if len(self.cache) self.max_size: oldest self.access_order.pop(0) del self.cache[oldest] return image内存管理优化及时释放资源处理完成后立即释放不再使用的图像数据使用生成器对于超大图像集使用生成器逐张加载监控内存泄漏定期检查内存使用情况及时发现并修复泄漏并行处理支持对于高性能需求场景可以探索多线程/多进程加载的可能性import concurrent.futures from PIL import Image def parallel_load_images(image_paths, max_workers4): 并行加载多个图像 with concurrent.futures.ThreadPoolExecutor(max_workersmax_workers) as executor: future_to_path {executor.submit(Image.open, path): path for path in image_paths} results {} for future in concurrent.futures.as_completed(future_to_path): path future_to_path[future] try: results[path] future.result() except Exception as exc: print(f{path} generated an exception: {exc}) return results进阶调试与开发资源核心源码分析位置Load Image Batch节点的完整实现位于项目核心文件中主类定义WAS_Node_Suite.py第5269行开始的WAS_Load_Image_Batch类数据库管理第737行的WASDatabase类图像加载逻辑第5351行的load_images方法索引管理第5365行的get_next_image方法调试工具与技巧日志级别调整通过修改配置启用详细调试日志跟踪节点内部状态变化# 启用详细调试输出 import logging logging.basicConfig(levellogging.DEBUG)单元测试框架为关键功能编写自动化测试确保代码变更不会引入回归问题import unittest from WAS_Node_Suite import WAS_Load_Image_Batch class TestLoadImageBatch(unittest.TestCase): def setUp(self): self.batch_node WAS_Load_Image_Batch() def test_single_image_mode(self): # 测试单图像模式 result self.batch_node.load_batch_images( path./test_images, pattern*.png, modesingle_image, index0 ) self.assertIsNotNone(result[0]) # 图像不应为None def test_incremental_mode(self): # 测试增量模式 result1 self.batch_node.load_batch_images( path./test_images, pattern*.png, modeincremental_image ) result2 self.batch_node.load_batch_images( path./test_images, pattern*.png, modeincremental_image ) self.assertNotEqual(result1[1], result2[1]) # 文件名应不同性能分析工具使用Python profiling工具识别性能瓶颈# 使用cProfile分析性能 python -m cProfile -o profile.stats your_script.py # 使用snakeviz可视化分析结果 snakeviz profile.stats社区支持与贡献WAS Node Suite作为开源项目拥有活跃的开发者社区。遇到复杂问题时可以查阅项目文档仔细阅读README和Wiki页面搜索GitHub Issues查找类似问题的解决方案参与社区讨论在Discord或论坛分享经验和解决方案提交Pull Request贡献代码改进和bug修复总结与下一步行动建议Load Image Batch节点的稳定性直接影响整个AI图像处理工作流的可靠性。通过深入理解节点内部机制、实施系统级修复方案、遵循最佳实践开发者可以有效预防和解决索引异常问题。立即行动建议诊断当前问题使用本文提供的诊断方法确定问题类型选择合适的解决方案根据问题复杂度选择相应修复方案实施预防措施配置监控和错误恢复机制参与社区贡献分享经验并帮助改进项目长期优化方向保持更新定期更新WAS Node Suite到最新版本建立监控体系实现自动化监控和告警机制探索新技术关注AI图像处理领域的新技术和最佳实践贡献代码参与开源项目共同提升工具质量通过系统化的故障排查和预防策略可以显著提升AI图像处理工作流的稳定性和效率为创意工作提供可靠的技术支撑。记住稳定可靠的数据输入是高质量AI图像处理的基础而Load Image Batch节点正是这一基础的关键保障。【免费下载链接】was-node-suite-comfyuiAn extensive node suite for ComfyUI with over 210 new nodes项目地址: https://gitcode.com/gh_mirrors/wa/was-node-suite-comfyui创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
