comfyui 多显卡设置

地表最强开源 ai 工具 comfyui 来啦，可以免费调用所有大模型，以实现文胸图图声图文胸、视频音频克隆、 ai 模特换装、影视人物替换等所有 ai 功能。今天老八出一期 comfyui 最详细的安装教程，让宝子们也能在本地一键部署。 我们首先进入 comfyui 的 get 补官网， 点击右下角 releases， 目前最新的版本是零点二，一点一 点开下面的 asus， 如果你是 amd 显卡，就下载后缀带有 amd 的 整合包。如果你是核显，就下载后缀为 intel 的 整合包。如果你是 n 卡用户，且为最新的五十线显卡，选择后缀为 nvidia 的 整合包。 老版本的 n 卡用户选择后缀为 c u 一 八二六的整合包，点一下即可下载。这里老八就选择后缀为 nvidia 的 整合包了。 当然嫌麻烦的用户可以到老八的公开群或视频简介链接领取。博主也把本期用到的所有工具都打包好了，下好之后用 bandits 皮解压工具解压到英文路径下面，注意不要带有中文。 这里博主也准备了解压软件的安装包，双击安装即可。 然后我们安装 get 工具，打开博主给的这个包，双击里面的 get 安装包，一路默认安装即可。 然后我们把这两个 comfyui 必备的节点管理插件和汉化插件放到 custom nodes 文件夹下面，插件路径一定要放对呀，不然加载不出来， 这样这两个插件就安装好了。 然后我们来到 comfyui windows portable 文件夹路径下面，双击 run nvidia gpu 启动程序， 初次启动会自动安装相应环境，耐心等待即可， 如果没有自动跳出这个界面，可以来到控制台这里，找到这个网址，复制到浏览器里即可。 现在我们就来到了 comfyui 的 工作界面了，我们点击左下角简单设置一下。首先我们点击画面，这里可以选择连线样式，大家自行选择。 然后来到节点这里，把这三个全部改成显示全部，这样节点信息就好显示在工作流里。 老八现在就给大家简单演示一下 comfy ui 的 纹身图功能。我们来到 liblib 这个工作站点，选择图片模型，右边筛选和老八一样就可以了。 找到一张你们比较满意的图片。首先点击右边的下载按钮，下载对应模型， 选一张你们想复刻的图片， 这里是正面提示词， 这里是负面提示词。将提示词复制到工作流里面， 照着这个推荐参数调一下彩样器， 然后把下载好的模型放到这个文件夹下面， 然后进入 comfyui 工作台，点击左上角菜单编辑，刷新节点，自定义，这样模型就加载进去了。我们选择模型，点击生成这样一个简单的纹身图，工作流就跑通了， 点击左边资产右键即可下载到本地。 好了，这期教程就到这里，麻烦宝子们点个关注支持一下。后续老八也会做一些声音克隆、人物替换、人物转会、视频生成等的工作流供大家使用。大家先来安装一下 comfy ui 吧，本期视频用到的所有工具也已经准备好了，进我公开群或视频简介领取。

呃，有人说这个十六 g 显存的这个显卡能不能跑这个 comfort ui 做这个本地的视频生成？首先咱们说结论啊，可以，没问题， 然后我这现在给大家操作一遍啊，就是我这边就是一个十六 g 的 一个五零六零的显卡，用一个十六 g 的 五零六零，然后咱们跑一段本地的视频生成 整个操作流程，我这个边录屏边给大家演示啊。首先咱们到这边来，就是在那个 open collab 上 把图图片喂给 open collab， 让 open collab 去识别一下图片，然后咱们去描述咱们想让图片里的这个驴和牛形成什么样的对话，然后咱们 他看到图片之后，然后咱们告他就是生成什么样的对话，哎，然后让他把这个对话生成视频生成的提示词，这步咱们交给那个 open cloud 来生成好，他生成了这个标准的视频生成提示词， 哎，就是牛和这个驴的一个对话的提示词啊，然后这边啊，咱就采取一个直接录的形式啊，这边可以看到了电脑的实际配置啊，这个不是图啊，实际配置 gpu 十六个 g 啊，十六个 gpu 刚才跑，刚才因为这个跑的时间啊，确实比较长，这是一个五零六零的啊，然后 gpu 十六个 g， 然后内存是一个四十八 g 的 内存， 然后他跑的时间别长，咱就把它跑好了啊，但是这个确实就是在咱们上跑的啊，因为这个我可以给大家看一下，他不是贴图，他是真实的啊，生成的，在这连线都没问题啊，真实的生成的，刚才咱们的视频提示词就输入到这里头， 这是咱们输入的视频记事词，就是刚才咱们让 open class 生成的视频记事词，然后这是穿插进来的两个驴和这个牛的。 呃，图片，两张图片，然后咱们看一下它生成的结果，这是跑完了，这个任务在这呢啊，咱们可以看一下 这不历史刚生成的啊，然后咱看一下他跑完的一个大体结果。 驴，别吃了，听说你在保定河间的地位挺高的，那地方去了不就加火烧礼了吗？哦，就是说你的用处除了拉车就是加火烧礼啊。滚滚， 听说你到了潮汕带油也不错呀，去死吧，你个烧饼馅。傻驴，别吃了，听说你在保定河间整体上咱们用，咱们是让它生成了一个 二十五帧二十二秒的一个七二零 p 的 一个视频啊。呃，用时呢？大约是二十多分钟半个小时左右吧，也就是，呃，基本上接近于一比一，但是比一比一要长一会呢，我把这个整体的视频呢直接输出到这个， 生成这个视频输出，然后咱们大家直接看一下画面的效果。傻驴，别吃了，听说你在保定河间的地位挺高的，那地方去了不就假火烧里了吗？哦，就是说你的用处除了拉车就是假火烧里啊。滚滚， 听说你到了潮汕带油也不错呀，去死吧，你个烧饼馅。 呃，总结一下啊，就是十六 g， 呃，本地跑 comfortui， 视频生成可以没问题，但是你不要要求太高，说一下就生成多少多半分钟啊，或者三十秒啊，或者是帧数很高啊，或者是那个幺零八零 p 的 那个肯定应该是不行 哎，但是他跑一个短的本地生成是没什么问题的。

五月最新的秋叶 comfyui 整合包已经更新了，不用复杂的环境配置过程，只需三步一下载，二解压，三双击打开即可使用。支持 win mac 和 a 卡，最低幺零六零显卡显存八 gb 即可本地部署运行。和那些花钱还要排队的网站不同， comprise ui 这次的更新诚意拉满，内置三百加模型，工作流，图片和视频直接本地生成，无惧审核压力，不用积分，不用排队，也没有暗此暗月的计费套路。无论是做最近很火的漫剧分镜，还是工作需要的电商产品详情页， 还是创意十足的三 d 建模渲染，都是点一下的事，想试试的。老规矩，验个牌，现在开始教学， 各位同学好，我们这节课呢，来教大家如何第一次搭建工作流。相信大部分来学习 confluence 的 同学都是对 stable diffusion 的 操作有一定理解的，所以我们下面呢，就对比一下 stable diffusion 当中不同的操作模块，来帮助大家更深刻的认识 confluence 的 流程。是这样的， 我们先选择一个大模型文件，选择好之后呢，输入正反面提示词，然后设置输出尺寸。必要的时候呢，我们会选择一个插件模型， 选择好插件模型之后，我们点击生成，最终呢，在右下方就会生成一个我们符合提示词要求的内容。那么其实像大模型 ve 模型正反面提示词，生成图片时所使用的彩样器，以及生成时的输出尺寸插件，还有生成结果 在 confui 当中也是对应有相同功能的节点的，只不过这些节点呢，在 confui 当中，我们可以对其任意的移动位置删减或者复制或者新增一些其他功能的节点，来强化我们生成的结果。 所以相比于 stable diffusion 不 可动的模块， confui 当中的节点呢，它的灵活性会更强。至于在生成效果上，两者并没有特别大的区别，甚至它们使用的模型文件都是相同的。大家可以将 confui 呢理解成开发者版本的 stable diffusion， 它的自由度呢会更高一些。 我们下面来简单的介绍一下 ctrl y 的 基础操作。我们首先点击右下方的清除，将当前默认的工作流呢进行清除。清除之后，我们就得到了一个空白的操作台，我们右键界面当中的任意位置，然后点击新建节点， 就可以从中呢选择我们想要创建的功能节点，例如我们现在点击新建节点当中的彩样，点击创建 k 彩样器节点，那么这样一个具备 k 彩样器功能的节点就被我们创建好了。 相信从这个节点当中呢，大家不难看到在 stable devolution 当中，我们熟悉的参数，例如彩样器选项，提示词，相关性以及迭代部署。 我们在节点当中呢，还能看到很多颜色不同的小圆点，此时我们拖拽其中的一个小圆点，例如拖拽紫色的模型圆点， 拖拽后松开，可以看到此时就弹出了一个选项菜单，其中下方这个区域呢，是我们拖出这个圆点之后经常会创建的节点选项。因为我们拖拽 k 彩样器当中的模型圆点，通常呢会创建一个 checkpoint 加载器，简易的节点， 此时呢， checkpoint 模型加载器与 k 参照器这两个节点就以相同颜色的模型原点进行了相连，其他位置的原点呢，也是相同的逻辑。我们拖拽之后呢，选择我们需要创建的对应节点，那么两个节点当中相同颜色的原点就会进行相连。 此外，我们双击所创建节点的名称，可以看到此时它的名称呢，就变为了可编辑的状态，我们就可以对其名称进行重命名，比如我们给它起一个名字叫模型， 然后回车确定，这样名字就改好了。当然通常是没必要刻意修改这些节点的名称的，但有些时候呢，可能两个节点是相同的节点，只是功能不同， 所以需要对其修改名称。例如在 k 采集器当中，我们拖出正面条件，这个源点会创建一个叫做 clip 文本编码器的节点，这个节点是用来输入正面提示 词的节点，这两个节点是相同的节点，这 是一个连接正面提示词，一个连接负面提示词。所以有时候呢，我们就要对这样的情况对应的节点去修改名称。比如说把连接正面条件的这个节点呢，我们改名为正面提示词。把连接负面条件的这个原点的节点呢，我们改名叫做负面提示词。 不过平时自己用的话，即便是这样的情况，其实也没必要修改。我们点击之后可以选中这个节点， 选中之后呢，这个节点的周围会多出一些白圈来显示我们已经选中了这个节点。选中之后，可以对当前的这个节点呢进行拖拽，或者呢 ctrl 加 c 复制， ctrl 加 v 粘贴，再或者呢按 delete 键删除，跟我们在电脑上操作文件呢是非常类似的。 我们最后来简单介绍一下 confy 右下方的这个操作位置。首先最常用的就是点击添加提示词队列来开始运行工作流。我们创建好完整的工作流之后呢，点击这个位置就可以开始运行当前的工作流，这跟我们在 stable default 当中点击生成是一样的。 我们创建好一个完整的工作流之后，如果确定运行无误，你想保存的话呢，就点击这个模块当中保存的按键。点击之后呢，给这个工作流起一个名字，比如说我们起名叫 abc， 然后点击确认，此时我们这个工作流啊就会作为一个工作流文件下载到本地， 可以看到此时我浏览器的右上方呢，就已经成功的下载了这个工作流文件，拖拽到我们当前的浏览器 comui 的 操作页面就可以了。 另外就是我们刚才演示过的清除当前所有的工作流节点，我们点击清除，点击确认画面就清空了。当然我们同样是可以通过 ctrl 加 z 撤回刚才的操作的，或者呢按 ctrl 加 y 去重新执行刚才的操作。至于其他的功能不是特别常用，我们就不再赘述。 下面话不多说，我们来开始演示如何从零开始搭建一个完整的纹身图。工作流通常呢从原点最多的工作流节点开始搭建， 就是 k 彩样器，我们右键画面当中任意的空白处点击新建节点，点击彩样这个选项，从中呢点击 k 彩样器，我们创建一个 k 彩样器节点， 这个节点上面的原点是最多的，所以我们先创建它，将来创建其他的节点呢，调理会更加的清晰。我们下面拖拽 k 彩样器节点当中的模型原点， 拖出之后呢，松开我们点击创建 checkpoint 加载器简易这个节点，然后我们再次拖拽 k 彩样器当中橙色的正面条件源点，松开之后呢，点击创建 c l i p 文本编码器节点，负面条件源点呢，也重复刚才的操作。拖出之后呢，创建 c l i p 文本编码器节点， 然后我们继续对 k 彩样器这个节点上的源点呢进行拖出操作。首先拖出左侧的这个粉色的 lighten 的 源点， 拖出之后呢，我们点击创建这个叫做空 lighten 的 节点，这个节点呢是用来输入输出图片的尺寸的，那么最后呢，就只剩下一个原点没有拖出了，就是 k 彩样器右侧的这个粉色 lighten 的 原点，我们点击拖出，然后点击选择创建 ve 解码这个选项。 最后呢，我们点击拖拽 ve 解码这个节点当中图像的这个节点拖出之后呢，我们点击创建保存图像这个节点， 这样一来我们纹身图工作流所有的节点呢，就都已经创建完成了，但如果现在我们点击添加提示词队列来运行节点的话，可以看到 ctrl u i 呢会给我们一个十分明显的提示，告诉我们哪些节点是出问题的， 包括这个节点上面的哪些原点是没有进行连接的，所以我们就可以根据提示呢来继续补全我们当前的工作流。首先是两个 c l i p 文本编码器当中左侧的 c l i p 原点， 我们需要将其与 checkpoint 加载器节点当中的 c l i p 原点进行连接，连接好之后呢，我们再将 ve 解码器当中的 ve 这个原点，将其与 checkpoint 加载器当中的 ve 原点进行连接， 这样的连接逻辑其实很好理解，相同颜色的原点连接相同颜色的原点就可以了。最后我们选择一个合适的模型，写下我们需要的内容， 比如说 one go， 我 们点击生成可以看到此时我们就成功的生成了一个符合提示词描述的内容。那么至此呢，我们文生图的工作流就搭建完成了，相信各位同学只要跟着我们的视频一步一步的操作，都是能够搭建成功的。 即便在搭建过程当中出现了原点没有连接全的问题， comui 在 运行之后呢，也会给出一个明显的提示。 那么我们最后呢，来对康飞 y 的 工作流搭建进行一个总结。首先大多数情况下呢，我们从零开始搭建节点，都是要先创建一个 k 彩样器节点的，因为这个节点上面的圆点最多，我们创建好它之后呢， 将 k 彩样器节点上面的圆点拉出之后，往往只需要创建一个节点就可以，所以调理会比较清晰。各 同学可以把 ctrl y 的 操作理解成搭建台式电脑，像左侧的 c l i p 文本编码器， check point 加载器，还有 comlight 的 输入尺寸的节点，就相当于我们的键盘鼠标，我们将它们插在电脑的主机，也就是 k 测量器上面，通过 k 测量器进行运算，最终呢再输出到显示器上面， 这样来类比呢，相信各位同学对 control ui 的 节点连接逻辑就有了更贴近生活的体会。至于我们 stable default 的 操作逻辑非常的相似，也就是先选择模型，再输入提示词，再选择采用方法， 然后设置输出尺寸，最后点击生成，这是一个十分正常且完整的生成顺序。而在 control ui 当中呢，也遵循这样的顺序，例如此时我们更换一个随机种子，然后点击添加提示词队列， 我们可以看到绿色的位置啊，就是标注在生成过程中工作流运行的一个顺序。会先从 checkpoint 模型加载器开始 获取我们使用的模型信息，然后进一步的获取正反面提示词和输出尺寸，最后呢，将它们都集成在 k 彩样器，整合这些信息之后呢，由 ve 解码器进行解码，最后呢留下我们的保存图像这个工作流节点。 不过相信大家第一次接触 cfui 的 话，即便工作流能够搭建完成，其实对工作流运行的逻辑呢，也处在一个比较懵懂的状态。不过根据我的学习经验，大家学习 cfui 最好呢，能够本着先操作后理解的方式来进行学习。 我们前期从零开始教大家搭建工作流，也并非是为了今后你一直从零开始搭建，而是为了在不断的搭建当中愈发的理解 cfui 的 运行机制。 像在将来获取了其他作者所创建的完整工作流之后，我们也可以更加灵活地对其加以改进，使其符合自己的需求。对此呢，我也专门制作了一套课件，上面不仅展示了 stable diffusion 不 同的功能模块去对照 comfy 当中的节点的一个对照图， 同时也包含了我们课上所讲解的 comfy 基础操作知识以及工作流搭建流程，还有最后的总结。各位同学如果需要本节课的课件的话，也非常欢迎在评论区留言，我会尽可能的帮助大家解决在操作过程当中遇到的问题，同时也会发放这套课件。那么以上呢，就是本节课的全部内容， 各位同学如果觉得本节课的内容对你有帮助的话，也不妨点一个免费的一键三连支持一下，我们就下节课再见！各位同学好，我们这节课来讲解 confui 精细化纹身图工作流的第一部分。我们首先来说明一下什么是精细化纹身图工作流。 我们首先打开 stable diffusion， 相信熟悉 s d 的 同学呢都知道 stable diffusion 是 只有一个正反面提示词输入窗口的 们，此时在正面提示词窗口当中输入 one go 还有 right here， 然后选择一个合适的负面提示词模板，点击生成，可以看到此时我们就生成了一个符合提示词描述的结果。那么如果我们想要在画面当中生成两个人物，其中一个是红色头发的少女，一个是蓝色头发的少女， 正常的思路呢就是在提示词当中再追加对于另外一个少女的描述，也就是 one go blue hair。 剪好之后呢，我们再将画布的生成尺寸去拓展一倍，再次点击生成，我们可以看到此时生成的结果呢，并不是十分理想， 我们明明想要生成两个少女，但是画面当中却只有一个，而头发的颜色呢，是以红色和蓝色拼接形成的。 我们现在回到 confui， 打开我们预设好的工作流，也就是精细化纹身图工作流。相信此时部分同学已经猜想到了，既然 confui 相比于 stable default 能够更加灵活地去部署模块儿，也就是节点，那么我们就可以同时部署两个提示词的输入窗口， 来分别描述我们想要生成的两个人物，最后再通过一定的方法呢，将两个人物合并在同一个图像上，以此呢来避免 stable default 当中因为提示词无法做分割 而导致两个人物的特征同时出现在一个人物身上的情况。例如此时我们在 confui 当中，第一个正面提示词输入窗口呢，我们输入红色头发的少女，而第二个提示词输入窗口呢，我们输入蓝色头发的少女。 这些都输入好之后呢，我们点击添加提示词对列，可以看到我们此时生成的结果呢，左侧的人物就是红发的少女，而右侧的人物就是蓝发的少女。 由于这两个人物的提示词都是独立成一个节点的，所以并没有出现颜色之间相互混合，特征之间相互混合的情况，这就是精细化纹身图工作流的优点。 那么话不多说，我们下面就从零开始教大家如何搭建精细化纹身图工作流。我们首先新建一个空白的工作台，点击左上方的文件加图标，点击这个加号，新建好这个默认工作流之后呢，我们清空当前的工作流节点， 下面的操作就与我们之前所讲解的纹身图工作流操作十分类似了，我们依然在任意的空白位置，右键点击新建节点，点 击采样，然后点击 k 采样器。回想起我们上节课所举的类比， k 采样器呢，就好比电脑的主机，我们下面要把键盘，鼠标还有显示器都接到这个主机上，所以我们下一步呢，拖出模型这个圆点 松开之后呢，创建 checkpoint 模型加载器。与基础纹身图工作流不同之处在于，我们这次呢，从 clip 这个圆点上面拖出的内容一共有三个，也就是两个正面提示词输入窗口，以及一个负面提示词输入窗口。 当然如果各位同学想要拖出两个负面提示词输入窗口也是可以的，但通常负面提示词是通用的，所以我们只拖出一个负面提示词窗口就可以。 我们回到 k 彩样器这个节点，从 latent 源点当中呢，我们依然拖出一个节点，叫做空 latent， 用来输入输出图片的尺寸。大家在拖出节点之后呢，最好整理一下它们摆放的位置， 这样将来在拖出其他节点时，调理会更加清晰。然后我们继续从 k 彩样器右侧的 latent 源点当中拖出，选择建立 ve 解码，然后再从 ve 解码这个节点当中拖出图像，选择保存图像这个节点， 然后我们回到 ve 解码这个节点，将 ve 源点与 checkpoint 加载器当中的 ve 源点呢进行相连，这两个是相同的颜色，都是红色的， 我们下面要创建一个之前的课程当中没有提到过的节点，它的名字叫做条件采样区域节点。对于这样的节点呢，我们可以直接双击画面当中的空白区域，打开搜索选项，在搜索选项当中搜索它的名称，我们就搜索条件采样 区域。值得一提的是，旧版的 comui 是 不支持搜索中文的，各位同学需要更新到新版的 comui 才能搜索中文。 我们选择搜索结果当中的条件区域彩样这个选项，这个节点呢，一共要创建两个，所以我们复制当前创建好的条件彩样区域节点， ctrl 加 c， 然后 ctrl 加 v， 粘贴一个一样的， 然后我们分别将条件采纳区域两个节点上面的条件左侧的条件呢，与 clip 文本编码器右侧的条件相连，就连接到两个正面提示词 clip 文本编码器右侧的条件原点上。 连接好之后呢，我们再次双击空白的区域，搜索一个叫做条件合并的节点，搜索到之后呢，我们点击创建，然后我们将两个条件采纳区域右侧的条件一，条件二原点相连，它们的颜色也是一样的。 连接好之后呢，我们的所有节点就都已经创建完毕了，剩下要做的操作就是将那些没有连接好的原点进行相连，逻辑也非常简单，相同颜色的原点连接相同颜色的原点。首先将条件合并当中，右侧的条件原点连接到 k 采集器的正面条件原点上。 最后呢，再将我们要输入负面提示词的 c、 l、 i、 p 文本编码器节点右侧的条件源点连接到负面条件源点上。这样一来我们康复 ui 精细化文声图工作流的第一部分就搭建完成了，我们现在点击添加提示词队列来测试一下， 可以看到我们整个的工作流呢是没有出现报错的，但是生成的结果呢，并非我们一开始所演示的那样的结果，其原因在于我们并没有设置合适的参数。所以我们最后呢来讲解一下如何设置合适的参数，让我们想要生成的内容出现在合适的位置。 首先我们要设置的是最终所生成的图像的宽高，在空 light 的 这个节点上面，我们将生成图片的宽度呢，从五百一十二的默认宽度改为一零二四。当然这个参数呢要根据大家的需求来决定，我们测试的话就设置的稍微小一些。然后我们要设置的是条件参照区域节点上面的参数。 各位同学可以把精细化纹身图工作流理解成我们分别生成的两张图片，生成之后呢，再将这两张图片合并为一张图片，其中传统的 konlighten 这个选项呢，设置的是总图片的尺寸，而两个条件参照区域节点上面设置的尺寸呢，则是合并之前两张图片各自的尺寸。 所以我们首先来设置第一张图片的尺寸，我们就设置为五百一十二乘五百一十二，第二张图片的尺寸呢也是相同的，五百一十二乘五百一十二，这样两张图片加起来的尺寸呢，就可以满足一零二四乘五百一十二的尺寸。 其次我们要设置的是第二张图片在画面当中的坐标，由于第一张图片生成时默认的坐标就是从左到右，从上到下，从零 零开始这样一个坐标，因此第一个按默认的坐标就可以，也就是 x 零 y 零。各位同学可以在脑海中构建一个坐标轴，只有两个方向， x 和 y。 那 么第二张图片呢，就要摆放在第一张图片的顺位位置，与 其相连。那么首先第二张图片在高度上是没有进行移动的，两张图片的关系呢，我们设置的是横向摆放，所以第二张图片的 y 呢，和第一张图片是一样， 都为零。但是第二张图片需要向右平移一个图片一的身位，所以此时第二张图片的条件采用区域 x 值呢，我们就设置为五百一十二， 然后点击确定。这样两张图片呢，就是从左到右依次摆放，横向摆放的关系最终生成后合并在一起。提示词方面呢，我们就套用之前所使用的提示词，也就是第一张图片生成红色头发的少女，我们输入 a girl 还有 red hair。 而第二张图片呢，我们来生成蓝色头发的少女，输入 a girl 还有 blue hair。 写好之后呢，我们再次点击添加提示词队列，可以看到此时我们生成的结果呢，就是一个总尺寸为一零二四乘五幺二，左侧五幺二乘五幺二的尺寸为一个红头发的少女，而右侧五幺二乘五幺二的尺寸为一个蓝头发的少女，他们之间紧密相连的关系了， 并且两张图片的人物造型呢，互不影响，独立存在，这都要归功于我们创建的两个独立的正面提示词窗口。 当然各位同学在创建的时候呢，也不推荐去死记硬背，可以跟着我们的视频一步一步的来创建精细化纹身图的工作流。 我们再次强调，教大家逐步创建工作流的目的并不是为了让你去死记硬背，而是为了让你在不断的练习当中能够理解 comfyui 的 运行机制，能够在将来获取到一些其他作者现成的工作流之后，更善于自己加以改进，为自己所用。 不过话说回来，各位同学可以看到我们当前生成的两个人物，虽然说彼此独立，互不干涉，但他们的融合程度也非常的低，两个人物呢，并非处在同一个背景上，有着非常强烈的割裂感， 那我们该如何既能保障两个人物的造型相互独立，互不亲染，同时又能保障人物处在同一个背景上，让他们相互融合的自然呢？这个知识就留给各位同学思考，我们在下一个视频当中呢，会详细的讲解如何将精细化纹身图工作流当中人物的背景在生成时变为统一的背景。 同样针对于本节课的知识呢，我也制作了一套完整的课间，这面不仅说明了精细化文生图工作流的逻辑，同时也有详细的精细化文生图工作流搭建的过程， 还有最终搭建好之后的全貌展示。同时本节课的康复 ui 搭建好的工作流文件呢，也会发放给大家，各位同学有任何的问题非常欢迎在评论区留言，我会尽可能的帮助大家解决问题，同时也会发放本节课的相关资料。那么以上呢，就是本节课的全部内容， 各位同学如果觉得本节课的内容对你有帮助的话，也不妨点一个免费的一键三连支持一下，我们就下节课再见。各位同学好，我们这节课呢，来讲解 cfui 精细化纹身图工作流的第二部分。 相信各位同学通过上一节课的学习呢，已经掌握了如何从零开始去创建一个完整的精细化纹身图工作流。通过这个工作流，我们一共创建了两个正向提示词输入节点，这两个节点的提示词内容不同，我们最终生成的结果也通过合适的参数设置， 使得两个提示词输入节点生成的角色出现在了同一幅画面上，同时也在设计上并没有相互的亲染和干扰。 但在我们上一节课的结尾呢，也发现我们生成的这两个人物呢，他们虽然在设计上并没有相互的干扰，但与此同时在背景上也毫无关联。所以我们今天这节课的目的就是来教大家如何去对我们上一节课所设计的工作流加以改进，使得我们的人物在背景打光和氛围上能够更加的和谐统一。 我们下面就来讲解一下如何去对我们上一节课的工作流进行改进，来新增一些节点，使我们获得更加理想的效果。 我们首先在上一节课工作流的基础上，在 check point 加载器这个节点上拖出 c l i p 原点，拖出后松开，我们新建一个 c l i p 文本编码器节点。需要说明的是，我们建立的这个新的 c l i p 文本编码器节点，就是用来负责描述这两个人物同时出现的统一背景的 说，我们希望这两个人物都出现在一个街道上，那我们新增的这个节点内容呢，就填写街道，然后我们复制当前工作流当中的条件合并节点，复制好之后粘贴，然后将我们刚才新增的 c l i p 文本编码器右侧的条件源点连接到我们刚刚复制粘贴的这个条件合并节点当中的条件一源点上。 之后，我们将原本连接在 k 彩样器正面条件的这条线设为取消状态，也就是点击拖拽之后松开，然后将原本的条件合并节点右侧的条件源点连接到我们新增的条件合并节点下方的条件二源点上， 我们稍微调整一下这些节点的位置。那么此时呢，各位同学不难看出，在原先工作流的基础上，我们通过这样增加节点连线的方式， 我们描述红色头发女孩的正面提示词节点与描述蓝色头发女孩的正面提示词节点在进行条件合并之后，并不会直接传输到 k 彩样器，而是先与描述背景的正面提示词节点进行了一次合并。最终呢，我们才将整合后的信息连接到了 k 彩样器的正面条件源点上。 就相当于我们先炒了两盘菜，我们生成的红色头发的少女呢，就好比番茄炒蛋生成的蓝色头发的少女呢，就好比烧茄子。在上一节课我们所创建的工作流当中，我们将番茄炒蛋和烧茄子炒好之后，仅仅是装在了同一个盘子里就端上了桌。而我们今天所创建的工作流 在上一节课的基础上，将番茄炒蛋和烧茄子重新倒回了锅中，加入了新的作料，最终呢才端上了盘子。这样我们的生成结果，两个人物的背景呢就会更加融合。 那么话不多说，我们来尝试一下。现在的工作流呢，已经完全连好了，我们在新创建的正面提示词工作流当中写入街道 street 以及夜晚 night。 写好之后呢，我们点击添加提示词队列。那么此时各位同学可以看到， 我们改造之后的工作流就成功的将两个造型特征不同的少女既进行了造型上的区分，两个人的设计完全独立，同时让他们都出现在了同一个背景当中。当然我们可以追加一些负面提示词，以谋求更好的效果。那这里呢，我就沿用 stable diffusion 当中的负面提示词，我们重新生成一遍， 看到有了更好的负面提示词的加持，我们就获得了生成人物更好的效果，并且两个人物的背景依然是和谐统一的。当然生成的结果是随机的，各位同学可以更改随机种子，以谋求更符合需求的效果。 那么到这里呢，我们的精细化纹身图工作流，它的完全体版本就搭建完成了。当然如果我们想要在画面当中不仅生成两个人，而是要生成三个人，四个人，各位同学可以举一反三，在我们当前的工作流基础上，进一步的去增加描述人物所用的正面提示词节点， 并且用条件采样区域以及条件合并工作流节点去将它们整合，最终连接到 k 采样器上。具体的创建方法呢，我就不再演示了，各位同学自行尝试之后如果遇到问题也非常欢迎在评论区交流，我会尽可能的帮助大家解决在操作过程当中的问题。 我们下面对先前没有提到的康复 ui 的 基础操作知识做一些补充，我们之前只讲解了点击右下方的保存，将当前所操作的工作流保存到电脑本地。 但是各位同学会发现，我们点击左侧的文件夹图标在这里呢，我也创建了很多在 comui 操作界面就可以直接选举的工作流，比如我们选举这个换脸的工作流就可以直接打 开。那我们该如何将当前操作的工作流保存到 comui 上面，让我们直接打开工作台就可以选择自己想要操作的工作流呢？ 方法也非常简单，首先我们点击左上方的文件加图标，将其展开，然后我们点击这里的加号键，就可以新建一个工作流。这个工作流呢是默认的纹身图工作流， 如果你不需要的话，可以直接按住 ctrl 键不要松开，然后拖拽工作台，将这些工作流全选，然后按 delete 键删除，再重新从零开始建立或者拖拽新的工作流， 我们撤回一下。就以当前的纹身图工作流为例，例如此时呢，我们已经对当前的纹身图工作流进行了一定的修改，那么此时各位同学可以看到，在这个位置就出现了一个保存图标，叫做 save work flow， 我 们点击这个图标就可以保存当前的工作流。 此时我们再次点击左上角的文件夹图标，展开下拉菜单，可以看到在这个位置呢就出现了一个叫做 united flow two 这样一个名称，这个名称呢就是我们当前正在操作的工作流的名称，我们也可以点击这个名称去进行重命名， 比如说我们给它起一个名字叫做 abc， 然后点击 save， 那 此时我们再次展开左上角的文件夹图标，可以看到当前呢就有一个名为 abc 的 工作流被保存到了我们左上角的展开图当中。那么我们现在先切换到其他工作流，然后再次点击左上角的文件夹展开， 再次点击 abc， 此时我们就可以看到我们刚刚所保存的名为 abc 的 工作流了。除此之外，各位同学可以看到这些工作流当中某一些呢是带有预览效果图的，甚至还有一些是动图，那么这些图片是如何产生的呢？ 其实也非常简单，我们选择一个合适的模型，然后直接点击添加提示词队列去生成一张图片，那么生成好之后呢，我们再次点击左上方的保存图标，此时我们再展开左上角的文件夹，可以看到我们当前名为 abc 的 工作流就多出了一个我们现在所生成的预览图。 我们再来补充一下对于工作流节点的相关操作。首先是如何一次性选中多个工作流节点，方法非常简单，我们按住键盘的 ctrl 键不要松开，然后用鼠标点击工作台当中的任意空白位置 进行拖拽，那此时会出现一个白色的选框，选框内所含盖的节点呢？我们在松开手之后都会被选中，可以看到是有选中的效果的， 那么此时呢，我们进行任意的操作，都可以对我们当前选中的工作流节点进行操作，比如按 delete 键可以看到我们当前选中的所有节点呢就都被删除了。 如果我们不想选中相邻的节点，想要跳跃的进行选中的话，就按住键盘的 ctrl 键，不要松开，依次的点击我们想要删除或者操作的节点，因为我们先选择 checkpoint 加载器，再选择保存图像节点，可以看到此时呢，这两个节点也被同时选中了。 我们最后再来讲解一下如何对节点赋与颜色，以及如何对功能相似互相搭配的节点进行分区。想要给节点赋与颜色，我们只需要右键点击这个节点， 点击之后呢，我们在右键菜单当中选择颜色，然后在颜色展开菜单当中，我们选择自己需要赋予的颜色就可以了。例如我们现在点击红色，可以看到此时 checkpoint 加载器这个节点就被变为了红色。当然我们在操作时，由于是多选的状态，所以保存图像这个节点呢也被变为了红色。 我们现在右键工作台当中的空白处，然后点击新建框这个选项，点击之后呢起一个名字，例如这个名字呢，我们就叫提示词，写好之后回车确定，此时可以看到我们新建的这个框，它的名字呢就被改为了提示词。 我们可以通过鼠标拖拽的方式改变这个新键框的位置，通过拖拽其右下角的方式改变它的尺寸，此时我们将这个新键框拖拽到 c l i p 文本编码器的下方，那么当我们再次拖拽这个蓝色的新键框时，各位同学可以看到，但凡是出现在这个新键框上方的节点呢，都会被随着一起 拖动，但如果我们此时所拖动的是节点本身的话，那么这个新键框是不会为之所动的。利用这个特性呢，我们将这个新键框拖拽到合适的大小，以涵盖我们想要的内容。 给我们拖拽到这个大小，再将 c l i p 文本编码器下方的这个框拖拽到合适的位置。这个新建框功能呢，就相当于给我们的工作流当中同类型的节点做了一个区域的划分，让操作者或者说使用者在编辑当前工作流时， 能够更容易的判断这些部分的工作流它的用途是什么。其实并没有什么实质性的功能作用，各位同学平时自己做工作流的话，没有必要做这些。 那么针对于本节课的内容呢，我也制作了一套完整的课件，上面以图文教程的方式讲解了我们本节课所讲解的相关知识点， 同时也包含了我们刚刚所提到的康复 u i 基础操作知识的补充。各位同学如果需要本节课的课件的话，也非常欢迎在评论区留言，我会尽可能的帮助大家解决问题，同时也会分享这节课的课件。那么以上呢，就是本节课的内容，对你有帮助的话，也不妨点一个免费的一键三连支持一下， 那就下节课再见。各位同学好，我们这节课呢，来讲解 confui 当中文声图 controlnet 工作流的搭建。在 stable diffusion 当中，我们使用 controlnet 的 时候，不仅要选择 controlnet 的 模型，同时也要选择对应的 controlnet 与处理器。因此我们在 controlnet 当中，我们要想搭建具备 controlnet 功能的工作流，同 同样要先搭建 controlnet 预处理器的工作流节点，那么我们下面呢就新建一个空白的工作台，新建好之后呢，将默认的工作流进行清除。然后首先呢来搭建一个 controlnet 的 预处理器，方法呢也非常简单，我们双击工作台空白的位置， 然后从中搜索我们想要搭建的预处理器名称。比较熟悉 stable definition 的 同学都知道，我们常用的模型预处理器呢，通常就是 canny 边缘检测、 deep 深度检测以及 line art 线稿检测， 有时做室内设计时呢，还会用到 m l， s d 直线检测。如果记不起这些名字的话，可以回到 stable default 的 ctrl n 的 插件看一眼， 然后我们回到 comui。 比如我们此次呢来建立一个 kenny 线稿检测的预处理器，我们就在搜索栏当中搜索 kenny， 然后选择搜索结果当中的 kenny 细致线预处理器，点击之后呢创建这个节点，创建好之后，我们将左侧的图像源点拖出，然后点击创建加载图像节点， 这个位置呢是我们用来放置现稿参考图的，同时我们将 kenny 细致线域处理器节点右侧的图像源点拖出。我们创建一个保存图像节点，这个节点呢是用来放置提取现稿之后的预览效果图的。 六、此时呢，我们直接点击添加提示词对列，就可以看到在保存图像节点当中出现了左侧我们所上传图像的现稿提取结果 么？创建好了与处理器相关的节点，我们下面就从您开始搭建一个纹身图的 control net 工作流。我们首先搭建一个正常的基础纹身图工作流， 那么就直接双击空白处，然后我们搜索 k 彩样器来创建一个 k 彩样器节点。创建好之后呢，按照我们第一节课所教授的流程， k 彩样器当做主机，我们从上面的圆点当中呢去接触键盘鼠标显示器，拖出模型圆点之后，我们点击创建 checkpoint 模型加载器节点，然后分别拖出正面条件源点，创建 c l i p 文本编码器，拖出负面条件源点，创建 c l i p 文本编码器。 然后左侧的 lighten 的 源点拖出，我们创建空 lighten 的 节点，用来设置输出图片的尺寸。而右侧的 lighten 的 源点我们拖出后呢，创建 ve 解码器节点， 最后再将 ve 解码器节点右侧的图像源点拖出，我们创建保存图像节点。最后呢，将 ve 解码节点当中的 ve 源点与 checkpoint 加载器节点当中的 ve 源点两个相同颜色的源点相连。 最后适当调整一下这些工作流节点的位置，让他们看起来呢更加整洁好看。调整好之后呢，我们基础的纹身图工作流节点就全部创建完成了。我们下面要考虑的事情呢，就是将 control night 以及我们刚刚创建的与处理器相关的节点都融入到我们当前的纹身图工作流节点当中。 这里建议大家不必有过多的思考，跟着我们的视频教程边暂停边做就好，等做完之后呢，我们再去尝试理解其中的逻辑。我们首先双击工作台空白处任意的位置，然后搜索 content 应用，然后点击搜索结果当中的 content 应用这个选项，创建 content 应用节点。 当然 controlnet 应用这个节点呢，有很多种不同的版本，但是其中包含的源点都是相同的，因此各位同学在观看视频教程时，只要保障自己创建的 controlnet 应用这个节点包含了我们视频当中所提及的源点内容，就可以 多出的部分呢，可以暂且不管，我们下面将 controlnet 应用当中左侧的正面条件源点连接到正面提示词的 c l i p 文本编码器节点右侧的条件源点上，而 controlnet 应用节点右侧的正面条件源点，我们则连接到 k 彩样器的正面条件源点上。 此时原本正面提示词 c i p 文本编码器节点当中的条件源点与 k 彩样器正面条件源点的相连关系就断开了。这就意味着我们的内容生成之前，会先经过 controlnet 应用这个节点，使我们的 controlnet 能够发挥效果后再抵达 k 彩样器。 我们下面将 controlnet 应用节点左侧的 controlnet 圆点拖出后松开，然后在弹出的窗口当中，我们点击 defcontrolnet 加载器这个选项，创建 defcontrolnet 加载器这个节点。这个节点的功能呢，就是用来设置 controlnet 模型的，我们点击这个节点的内容后呢，会出现一个下拉菜单 们此次要使用的 control net 功能是线稿检测，所以我们选择 kenny 这个模型。我们下一步呢，将 control net 应用这个节点左侧的图像原点连接到 kenny 与处理器这个节点右侧的图像原点上。这一步操作之后呢，我们的参考图就与 control net 之间发生了关联， 我们的 control 相关的节点能够读取到参考图的内容。我们最后一步呢，就是将 diff control 加载器节点左侧的模型原点拖出之后呢，连接到 checkpoint 加载器节点当中的模型原点上。这样一来，我们的文声图 control 工作流就搭建完成了。 我们现在选择上传一张线稿作为参考图，然后选择一个合适的大模型。因为是二次元的线稿，所以这里呢，我选择一个二次元风格的大模型。提示词方面呢，就尽可能描述贴合线稿的内容，我们就书写 one go 还有狐狸耳朵 fox ear。 对 于负面提示词呢，我们就将 stable diffusion 当中的负面提示词模板直接粘贴过来。全部设置完成之后，我们点击添加提示词队列， 可以看到此时我们的工作流当中呢，出现了一些报错。很明显，我们的正面提示词与负面提示词左侧的 c l i p 并没有与模型这个节点相连， 所以我们现在根据提示呢，将这些缺失连接的原点进行相连。其中负面提示词 c l i p 文本编码器右侧的条件原点与正面 c l i p 文本编码器提示词的右侧条件原点相连的思路是类似的， 我们先将其连接到 controlnet 应用这个节点左侧的负面条件源点上，然后再将 controlnet 应用节点右侧的负面条件源点连接到 k 彩样器的负面条件源点上。最后我们点击添加提示词对列，可以看到此时呢我们就成功的生成了一幅根据我们所上传的现稿参考 而得到的一幅有着狐狸耳朵的二次元动漫风格的人物。这里图片尺寸呢，我们可以设置的稍微高一些，将高度呢设置为六百，然后再次点击添加提示词对列，这样我们就获取了一幅更加完整的生成结果，可以看到效果还是相当不错的。那 那么以上呢，我们的 comui 纹身图， controlnet 相关的工作流就全部搭建完成了，我们最后来补充一些关于下载节点相关的知识。其实从我们上一节课开始呢，我们就用到了一些当前我们所使用的 comui 版本并不具备的插件节点， 那么这些新增的插件节点如何下载呢？这里提供三个下载方式。首先第一个下载方式呢，就是我们打开会事启动器，然后点击版本管理， 在上方的分页当中，我们选择安装新扩展这个选项，在这里呢搜索我们想要下载的节点插件的名称，然后点击安装，就可以在会式启动器当中安装新的插件。不过需要注意的是，某些版本可能会出现异常的 情况，导致我们无法在这个位置加载相应的插件，比如说我当前的版本这个功能就失灵了，各位同学呢，可以尝试更换版本。第二种方式呢，是比较稳妥的方式，我们直接在 github 上面来手动的下载相关的插件节点， 我们抵达对应的页面之后呢，点击绿色的 code 选项，在下拉菜单当中，我们选择 download zip 下载压缩文件，最后解压到 confui 根目录当中的 custom nodes 专门放置节点插件的文件夹当中就可以。不过这个功能呢，需要大家有一个特殊的用网 环境，如果你不了解如何使用特殊的用网环境，也非常欢迎在评论区留言，我会尽可能帮助大家解决这个问题。第三种方式呢，就是在 confui 的 操作页面当中，我们点击右下方的管理器， 在弹出的窗口当中，我们点击节点管理这个选项，然后在左上方的下拉菜单当中，我们选择所有这个选项，这样就可以展示出我们当前所有可下载的插件节点，在这个位置呢，搜索相应的名称便可以获得对应的结果。例如我们搜索 control night， 可以 看到直接呢就蹦出了跟 control night 相关的选项，对于那些没有安装的插件节点，我们直接点击这里的 instyle 即可安装，安装成功之后呢，重启一下就可以使用了。 对于本节课的内容呢，我也制作了一套完整的课件，课件上以图文教程的方式讲解了我们今天课上所讲解的全部知识。各位同学如果需要本节课的课件的话，也非常欢迎在评论区留言，我会尽可能的帮助大家解决问题， 同时会分享本节课的课件。那么以上呢，就是本节课的全部内容，各位同学如果觉得本节课的内容对你有帮助的话，也不妨点一个免费的一键三连支持一下，我们就下节课再见！ 各位同学好，我们这节课来讲解 comfui 图生图工作流搭建我们都知道在 stable default 当中是有图生图的功能的， 我们将图片导入到图生图的预备窗口，写上合适的提示词，调整合适的生成尺寸与重绘幅度，然后点击生成。生成的结果呢，就会根据我们当前所书写的提示词以及重绘幅度，根据所选模型的风格 原图为蓝本进行重新生成。生成时我们所选的重绘幅度越高，那么生成的结果呢，就越与原图相去甚远。反之，生成的重绘幅度越低，生成的结果呢，就与原图越相似。 同样在 comui 当中，我们在文生图工作流的基础上，加入图片上传节点 v a e encode 节点、蒙版节点、尺寸设置节点 control net 节点，即可创建一个相对完整的图生图工作流。同时我们本节课也会讲解一下，除了局生成之外，如何在 comui 当中创建局部重绘的工作流， 也就是我们可以通过选区笔选择我们需要重新生成的部分，然后再次点击生成。此时我们生成的结果只有在原图当中所选择的区域会受到影响发生改变，而未选择的部分则会维持原状，与原图保持相同。 那么话不多说，我们下面就来详细的演示一下。首先打开 comui， 我 们新创建一个工作台。由于在先前的课程当中，相信大家已经非常熟悉基础文生图工作流该如何从零创建了，所以我们这次就不再从零开始， 我们以当前默认的纹身图工作流为基础来添加相关的节点创建图生图工作流。首先我们双击工作台的空白处，然后搜索加载图像，点击创建加载图像节点，这是用来专门上传原图的节点。我们将加载图像节点当中的图像原点拖拽后松开，然后点击创建 v a e 编码节点， 然后我们再将 ve 编码节点当中的 laten 的 原点拖出后，连接到 k 彩样器左侧的 laten 的 原点上，这时我们原先的空 laten 的 节点就处在不可用的状态，因为我们此次创建的工作流是一个全局生成，工作流生成的结果在尺寸上将与原图保持一致，因此不需要设置输出尺寸的大小。 我们下面将 ve 编码节点左侧的 ve 原点拖出，连接到 checkpoint 加载器当中的 ve 原点上。这样一来，我们的图生图工作流就创建好了。 我们现在选一个合适的模型，例如原图是写实风格的，我们就选择一个偏二次元风格的模型。选择好之后呢， k 彩样器当中最后一个选项降噪，对应的就是 stable diffusion 当中的重绘幅度，我们通过调整降噪这个属性的大小来控制生成的结果与原图的相似程度。 例如此时我们将降噪调整为零点三，然后点击添加提示词对列，可以看到我们再次将降噪选项调整为零点九， 然后点击确定添加提示词对列，可以看到我们此时生成的结果呢？虽然有原图的影子，但是更多听从了提示词当中的描述，生成了包含有瓶子内容的结果。如果我们在生成的时候想要调节生成的尺寸， 也可以将编辑尺寸的节点添加到我们当前的工作流中，相信经过之前的练习，各位同学对这个 laten 的 节点已经非常熟悉了，通常呢，它就是用来连接设置尺寸的节点的，但是我们可以看到原先的空 laten 的 节点，它只有一个 laten 的 原点，也就是单向的。 而我们加入了加载图像节点之后，需要有一个双向连接的 latent 节点，才可以保证加载图像会经过图片尺寸设置节点再抵达 k 采集器。所以我们此时双击空白的工作台， 然后搜索 latent， 我 们从中选择 latent 的 缩放这个选项，创建 latent 的 缩放节点，可以看到此时 latent 的 缩放节点上面有两个 latent 的 圆点， 我们将左侧的 latent 原点连接到 ve 编码节点当中的 latent 原点上，而右侧的 latent 原点连接到 k 采集器当中左侧的 latent 原点上。 此时我们不难发现，在加载图像这个节点当中的数据抵达 k 采集器之前，会先经过我们创建的 latent 缩放这个节点去进行图片尺寸的分割，最终才会输出对应的结果。我们现在再次点击添加提示词对列， 可以看到此时生成的结果，在尺寸上就是符合 lin 的 缩放节点当中所输入的五幺二乘五幺二的正方形尺寸。我们现在将降噪调整为零点一，然后点击确定，点 击添加提示词对列，可以看到当前对于原图的缩放模式呢，是以拉伸压缩的方式进行缩放的，如果我们需要对原图进行裁剪后输出结果， 我们可以将 laten 的 缩放这个节点最下方的裁剪这个选项，点击之后呢选择中心，然后再次点击添加提示词对列，可以看到我们此时生成的结果就是以裁剪的方式对原图进行分割，并根据参数输出对应结果。那么以上就是我们如何搭建一个图生图全区生成的工作流， 我们下面再来讲解一下如何搭建图生图局部重绘工作流，我们就以当前搭建好的内容为基础进行搭建， 要想在我们当前工作流的基础上加入局部重绘的功能，我们只需要替换当前工作流的一个节点就可以，也就是 ve 编码这个节点，我们双击工作台的空白处，然后搜索 ve， 从中我们点击创建 ve 内部编码器节点，有了这个节点呢，我们就可以对原图进行局部重绘的操作， 具体的连接方式呢，就是将图像这个原点连接到加载图像当中的图像原点中，而内部编码器节点当中的 ve 原点就连接到 checkpoint 加载器当中的 ve 原点上。内部编码器当中的遮照原点我们就连接到加载图像的遮照原点上， 最终 laten 的 原点呢，就连接到 laten 的 缩放左侧的 laten 的 原点上。此时原先的 ve 编码节点我们就可以进行删除了， 我们下面调整一下各个节点的位置，使他们的调理更加清晰。我们下面就来演示一下如何进行局部重绘操作来使用局部重绘工作流。首先右键加载图像节点当中的图像，我们从右键菜单当中选择在遮罩编辑器中打开， 此时会弹出一个新的窗口，而我们的鼠标呢，也会变成一个画笔工具，用来选择需要重绘的区域。在左下方的滑块当中，我们可以选择画笔的大小。 选择好合适的大小之后，我们按下鼠标选择需要重绘的部分，比如我们当前选择人物的脸的部分。选择好之后呢，点击窗口右下方的 save to node。 此时我们加载图像窗口，当中的图像就被替换为了一个有遮照的图像， 选中的区域就是人物脸的部分。我们下面调整合适的重绘幅度，例如调整到零点三左右，然后点击生成。可以看到此时生成的结果呢，就与之前的局生成有了些许区别。但 值得注意的是，我们生成的结果并不理想，这是由于我们当前 k 彩样器的默认重绘方法为浅空间去噪，所以使用局部重绘，重绘幅度呢，需要在零点八到一之间，因此我们将当前的降噪选项改为零点八。然后重新点击添加提示词队列， 可以看到此时我们生成的结果呢，才符合了提示词的描述。我们将提示词更换为我们想要生成的一个女孩的提示词， 然后重新点击生成。可以看到这次生成的内容呢，就更加倾向于一个与人物的身体相契合的脸了。当然这样的结果也并非十分理想，这也得益于浅空间去造的特性，并不会基于原图来生成对应的结果。生成的图像呢，完全是根据周边未选中的环境进行生成的， 所以我们最后来讲解如何在图生图当中加入 control 节点，以此呢来保持生成的结果，即便在浅空间去造的模式下，依然能够维持与原图的高度统一，或者说参考原图， 我们依然以当前的节点作为蓝本，在此基础上创建新的节点。已完成 controlnight 图生图局部重绘工作流。首先双击空白处，我们搜索 controlnight 应用，然后点击创建 controlnight 应用节点， 这个节点在我们之前文生图 controlnight 工作流当中创建过，相信大家还是比较熟悉的。具体的连接方法呢，就是我们将 controlnight 应用节点当中的正面提示词 c l i p 文本编码器右侧的条件源点 连接到负面提示词 c l i p 文本编码器右侧的条件源点上。对应的 controlnet 应用节点右侧的正面条件源点以及负面条件源点均连接到 k 彩样器当中的正面和负面条件源点上。这样一来，正反面提示词在抵达 k 彩样器之前就会先进行 controlnet 的 处理。 我们下面将 ctrl nite 应用节点当中的 ctrl nite 圆点拖出，松开。之后呢，我们创建 def ctrl nite 加载器节点，这个节点是用来选择 ctrl nite 模型的。我们此次使用的模型呢是线稿检测模型，所以选择 line art 或者 kenny 都可以，为 这让生成的结果更加柔和。我们此次选择 line art 创建好之后呢，我们将 diff control net 加载器节点左侧的 model 原点连接到 checkpoint 加载器当中的 model 原点上。我们现在还缺少两个原点没有进行连接，那就是 control net 应用节点当中的图像原点和 v a e 原点 中。图像原点呢，我们连接到加载图像当中的图像原点上，这样我们的参考图呢，就导入了 control net 当中，而 v a e 原点呢，我们就常规的连接到 checkpoint 加载器节点当中的 v a e 原点上。其实到了这一步， control net 节点已经可以发挥其效果了， 但是并不具备输出检测图的功能。如果各位同学想要预览一下是否对原图检测成功，我们还可以加入一个预处理器节点。 我们现在双击工作台的空白处，然后搜索 line art， 点击创建 line art 艺术线预处理器节点，我们将这个节点当中左侧的图像原点连接到加载图像当中的图像原点上。而右侧的图像原点呢，我们可以直接拖出后松开，创建一个预览图像的节点。这个节点呢，是用来放置检测图。 那么我们现在万事俱备，点击添加提示词队列来生成一下，看看效果如何呗。那么此时各位同学可以看到，有了 line in art 现稿检测的加持，我们最终的生成结果，人物的五官特征是相对契合原先的身体的，但生成的效果呢，并不是很明显。 我们可以尝试更换模型以谋求更好的效果。例如，我们将当前的模型呢，更换为一个生成效果较明显的模型。同时为了确保更好的效果，我们将 stable fusion 当中也粘贴到 comui 当中。不， 图片的生成尺寸呢，也尽可能与原图保持一致。我们修改一下输出的尺寸，最后再次点击添加提示词对列。此时各位同学可以看到我们这次生成的结果，人物的面部就根据我们当前所选的模型进行了二次原画风格的转变，而身体的其他部分呢，依然保留了原图的内容。 与此同时，面部的生成与身体之间的契合度呢，也远远高于我们之前未创建 control 的 工作流时的契合度。这就是由于我们添加了一个线稿检测，它会检测原图人物的面部线条，以此来更加规范的生成我们所选区域脸的位置， 以避免我们之前出现的脸生成的方向与身体并不契合的结果。这样一来，即使我们的 k 彩样器使用的是浅 充铅降噪，也不用担心生成的部分与原图的身体毫无关联的情况出现了。针对于本节课的内容呢，我也制作了一套完整的课件，上面以图文教程的方式讲解了我们本节课的相关知识。各位同学如果需要本节课的课件的话，也非常欢迎在评论区留言，我 会尽可能的帮助大家解决在操作过程当中遇到的问题，同时也会分享这套课件。那么以上呢，就是本节课的全部内容，各位同学如果觉得本节课的内容对你有帮助的话，也不妨点一个免费的一键三连支持一下，我们就下节课再见！

一款软件彻底玩转所有 ai 内容，它就是 comui， 想要深层图片点一下就行，想要深层视频也是点一下就可以，创作音乐和三 d 建模也不在话下。加上这次的大版本更新，不仅内置了三百八十八款顶级工作流，更是解决了安装困难和百分之九十的报错问题， 最低三十系显卡即可玩转，全程本地部署，无审查，不烧积分，更不用排队，想看什么视频就生成什么视频，搞创作的来严排。 ok 啊，呃，这节课呢，我们打算围绕 z image turbo 这个模型啊，来进行一个纹身图工作流的搭建啊。好的，现在我们来到工作流里面去看一下啊，大家可以在这里参考一下啊， 无论是人体的结构啊，还有这些发丝啊，都是非常细腻的啊，它的手指啊也是正确的，人体结构也是没有错误的， 质量还是非常高的啊。 ok， 那 我们来到工作流这里，一个彩样区，提示词区和模型加载区啊，那我们现在来讲一下这个工作流它的搭建流程是什么样的？我们先新建一个工作流出来。好，我们先双击空白区域， 我们先放哪个节点呢啊？我们先放 k 采暖器节点，因为，呃， k 采暖器它就是一个核心的胜图节点嘛，图片从零到有，它都在 k 采暖器去实现的。那我们驱动 k 采暖器，不让他的脑袋空白，让他有东西可以画，让他可以画出来东西。那我们需要一个模型， 那我们按住模型这个点给它拉出来，我们这里选择一个 unit 加载器，然后在 unit 加载器上面选择我们要用的模型，我们这里选择 g m t double。 好， 我们拉到这里来，然后我们还需要正负面条件啊，去告诉 k 渲染器我们需要什么，我们不需要什么。好，我们这里选择 clip 文本编码，然后封面条件也是一样的，我们也需要一个 clip 文本编码， 然后 k 裁剪器，它是一个绘画的工具，它是不是需要一个绘画的画布来供它去绘画？那我们拉出来 选择一个，选择一个 comlite， 我 们这里选择 s d 上的 comlite。 ok， 那 我们有了文本编码之后，我们还需要一个呃，将提示词翻译成机器的能看懂语言的一个呃，模型，我们从这里拉一条线出来， 我们要需要加载一个啊，可以供我们的编码器使用的一个 clip 模型。啊，那我们需要一个加载 clip 的 节点，我们给他也连上，选择 z match turbo 可以 适配的这个千问的 啊，千问的这个 clip 模型啊，这个 clip 下环线三，下环线四 b 的 这个 clip 模型。然后就是啊， 还有一个就是 ve 模型啊，我们先看一下它画完图之后，它在这个 comelon 上面画完图之后啊，是从这个 laten 里面去呃，输出出来的，我们要将它进行一个 ve 解码， 通过这个节点将 k 传感器生成的图片解码成人类可以看懂的图像，我们拉出来预览图像， 那么这个 ve 解码，它需要一个 ve 模型去进行驱动，我们拉一条线出来加载 ve 啊， ok， 我 们放到这里了， ve 的 话就选择对应的模型啊，我们选择这个 ve 的 这个模型啊，就可以了， 那么这个基础的纹身图工作流就搭出来了，那其实呢，这里这之间呢，还差一个啊，就是这个彩样算法， 我们选择这个 url 的 这个彩样算法， 我们能给它数值填成三，这个彩样算法的作用是什么呢？你可以理解成，呃，这个彩样算法，它是可以一定程度上的去影响 k 彩样系它的绘画方式啊。呃，加上这个节点的话，会让它出图的这个结果会更加好看一点。 ok， 我 们给它呃，稍微整理一下，好吧，我们摁出 ctrl， 再摁出鼠标左键拖动框，选这几个节点，然后我们 ctrl 加 g 给它打一个组，这个组我们就给它叫做模型加载区，然后同样的 clip 文本编码框，我们给它归类为这个提示词输入区。 其他的像这个 konlayton 啊， v e 杰玛啊，我就给它分分类成这个呃彩样区， 然后这里是预览图像，我还可以再出来一张图，叫做保存图像，那保存图像的话，它就是会直接将生成出来的图片保存在本地， 那么这 k 传感器还需要一些啊，对它的参数进行调整啊，我们把自己的步数啊改成 n 八八或者九就可以了。 cf 句子改成一， 那么这个工作流啊，就相当于基本上就是搭建完成了啊，我们再给这个画布啊，给它大画布调整一个大小，我想生成一个数组，那就七六八幺二八零， 这是一个十六比九的一个画布大小，那么我们现在就呃试一下它能不能跑起来吧。好，我们先好，那我们现在去找一个提示值给它输入进去， 那么底下的负面提示词的话，其实可填可不填我这里可以啊，随便填一下，填一个比较通用的提示词，然后我们点击右上角的运行啊，我们也可以把这个运行按住前面这个六个小点给它拖下来，然后我们点击一下运行，看看可不可以跑， 哎，可以看到 k 传感器，它已经开始工作了，好，可以看到图片已经跑出来了，非常快啊， 我们可以看一下它总共花了多少时间，花了二十一秒啊，那么它因为它是呃在工作流里面首次加载这个模型啊，它花了一些时间， 如果你是第二次第三次去抷图的话，那么它的时间就会更快啊，差不多就十五秒上下，可以看到我之前跑出来的图片都是十五秒左右就可以跑出来了啊， 那个图画的质量啊，可以看到是非常不错的啊，我们可以看一下提示词写了什么，发丝凌乱蓬松，还遮面，尽显凌乱美，我们看一下它有没有啊， 有没有遵循我们的提示词指示啊？发丝凌乱蓬松，好吧，看它是有这个遵循我们的提示词来进行深图的啊，我们现在要对这个基础的节点啊做一个认识。首先呢，我把这工作流啊大致分成了一个三个区域，我们先看看场景区域，这里面 最重要的就是这个 k 传感器啊， k 传感器，它可以说是，呃，这工作流里面啊最核心的一个深图节点，你可以把它理解成是一个绘画的机器啊，图片从零到有，它都是在这个节点里面完成的。 然后我们再看看提示磁区，这里有两个啊， clip 文本编码器， 这两个文本编码器的作用就是我们可以看到 k 闪安器这里它有正正面条件和负面条件，那么这个 k 闪安器的作用就是分别去对 k 闪安器输入 啊，正面条件和负面条件，想要生成的图片，就往正面提示词这里输入你想要的，你不想要的内容呢？比如说啊，丑的，坏的，质量低的，你就可以输输入在这个负面条件这里可以看到这一页。 turbo 它对于中文的语言的理解是比较到位的好吧， 甚至知道赛尔人物空是什么，说明这个模型里面它是有训练对应的这种，呃，赛尔人啊，孙悟空的这种合集的， ok， 那 这就是提示词区啊，提示词区就比较简单，这有两个克里普罗的编码器，那我们再来看看这个模型加载区啊， 首先我们看看它加载模型一共有三个节点，一个是 unet， 那 么这个 unet 加载器呢，加载的就是我们的生图大模型， 那么这个声这个 ulike 的 加载器呢，他加载这个模型啊，就相当于是工作流的大脑没有 ulike 的 加载器啊，那么这个 k 传感器啊，他作为一个绘画的机机器，他相当于就是脑子空空的，他什么东西都画不出来， 也就是说 ulike 的 加载器的，他加载的这个大模型啊，他可以一定程度上的去决定 k 传感器他能画什么东西，画出来的质量怎么样啊？ 所以说我们在挑选大模型的时候，尽量去挑选那种质量好的那种大模型。然后就是 clip 加载器啊，可以看到这个 clip 加载器这两根线，它是连到 文本编码器上面的，它的作用就是将我们输入的提示词啊，翻译成机器可以读的懂的语言。那么 clip 要加载的模型呢？就是语言翻译的模型，然后还有一个就是 ve 的 加载器啊， ve 的 加载器作用是什么呢？我们可以看到它这根线啊，是一直连到 ve 解码这里的。 我们刚刚说了啊， cleveland 编码器，它是要将我们输入的这个提示词翻译成机器要读懂的语言，那么图片也是一样的，机器需要将它生成出来的图片解密啊，解码成人类能看得懂的图片， 那么这就是 ve 解码的作用啊，那么 ve 解码的话，它一样是需要有一个呃相对的模型来驱动的。那么还有一个节点就是这个 coleaton 啊，这两个节点是同一个节点啊，它只是尺寸不一样，那空底层的作用是什么呢？其实它就相当于啊，比如说 k 传感器，它是个绘画机器，那么它需要有一个画布， 提供一个地方去让它去绘画，那么空底层就相当于是一个画布，这个画布的大小就是它的宽高，这里的宽高也决定了它生成出来的这个图像它有多大，比如我这里输入的是七六八，宽高是一二八零。 ok， 那 么这就是这几个这个工作流里面基础的这几个节点的认知啊。好的，那么这节课我们就是围绕这 image tabo 去搭建的一个纹身图的工作流，那么下节课呢，我们将会围绕啊，一个新模型千万编辑啊，去搭建一个图身图的工作流啊。

ai 创作圈的性价比天花板，康菲 u i 九点五新版本重磅上线，这次更新聚焦高清创作需求，将视频与图像生成质量推向新高度， 更坚持永久免费开源的核心优势，让普通创作者无需花费一分钱就能轻松产出媲美专业团队的高清作品，彻底打破优质创作必付费的固有认知。生成的图像细节丰富立体色彩还原精准， 动态视频流畅丝滑，无锯齿模糊。无论是商业级海报设计、短视频创作，还是创意特效制作，都能呈现出影院级的高清质感，完全不输付费工具的输出效果。那么该如何使用呢？首先将我们的 v 九点五整合包下载到电脑上， 下载好之后，用鼠标右键点击这个压缩包，在弹出的菜单里选择解压软件进行解压。这里有一个非常重要的点，请一定要将文件解压到一个没有中文的目录下，也就是你的硬盘路径里不能出现中文字母，以免后续运行出现报错， 静静等待解压完成就好。解压完成后，咱们就可以准备打开了，在解压出的主目录里找到并双击那个粉色头像的会式启动器图标， 双击打开后，电脑会首先为你弹出一个图形化的秋叶启动器控制台。在这个界面里，我强烈建议大家先点开左侧的高级设置看一眼，确保系统已经准确识别，并且选中英伟达独立显卡。 确认无误后，点击右下角的一键启动按钮，点击之后，后台会弹出一个黑色的代码窗口，开始狂飙数据。 这期间，系统正在为你自动唤醒底层环境，并加载内置的五十多个精选插件。大家只需要耐心等待几秒到几十秒，他就会自动唤醒你的电脑默认浏览器，直接把你带入康复 ui 节点操作区。 当浏览器成功弹出带有网格和各种连线的深色界面时，恭喜大家，你已经正式推开了 ai 创作的大门。咱们这个 v 九点五整合包最大的魅力就在于把复杂留给底层，把简单教给你， 你完全不需要从零开始去学习怎么连线，直接在界面里点击加载预设好的最基础纹身图。工作流，咱们来简单跑个测试看看效果。 你只需要找到一个在上方的文本框，输入你想描绘的画面，比如简单敲上一句一个女孩毛衣白色背景，然后在下方文本框里填上如模糊、低质量、畸形之类的排雷词汇。 接着点击界面上的运行按钮，这时候你会看到屏幕上的节点开始依次亮起绿色的光效。得益于咱们非九点五底层强大的环境优化，仅仅几秒钟的功夫，一张光影细腻、质感拉满的美女照片就会在最终的图像节点里生成出来， 整个过程丝滑流畅，完全不需要你懂任何深奥的代码原理。当然，这种基础的纹身图仅仅是个热身， 咱们这个 v 九点五整合包真正的核心资产是里面为大家精心预制的两百多个大师级精品工作流。这 些工作流的特点可以用四个字来概括，那就是开箱即用。以前大家在网上找工作流，最怕的就是导入进去后满屏飘红，告诉你缺这个节点，少那个插件，折腾半天都跑不通。而在咱们的整合包里，几十个核心插件早就为你配置的明明白白。 不管你是想做高清的图声图，局部重绘，还是想玩点高级的 ai 换脸，数字人对口型，甚至是去挑战目前最前沿的视频生成模型，这里面都有现成的模板供你直接调用，那么你赶紧去自己动手试试吧。 欢迎来到我们的 comfy 视频生成系列课程。哈喽，大家好，那么这一节课呢，我们来学习我们六种视频生成方式之中的第四种，也就是动作迁移工作流。那么我们只需要上传一张图片， 然后再上传一个视频就可以了。那么首先我们来看一下我们刚才导入， ok， 然后再来看一下我们生成的结果， 整体的一个动作，包括人物的一致性都保持的还是很不错的， 同时呢，他会将我们原来的视频当中的音频自动与我们的视频进行一个结合，然后直接一键生成。那么像这一种我们图片可以模仿视频当中的人物动作，然后进行一个视频输出的工作流，是如何实现的呢？ 我们来看一下怎么使用。那么首先呢，我们依旧要明白，第一步就是确认我们的模型使用， 这对于我们生成任何视频或者图片都直观的重要。像这里面我们依旧选择 g g u f 的 模型， 以及添加一个对应的加速 laura。 由于这里面我们使用的是一个动作迁移，所以我们还需要加一个 animate 的 加速流来进一步对这个工作流进行一个加速，我们加载好我们的这些模型之后呢 就可以直接输入到我们的彩样器当中，这个时候就要注意到我们彩样器还依旧缺少了正负相条件，那么正负相条件其实指的就是我们视频当中的人物运动部分， 这个时候我们需要加载我们的一个视频进来，那么这个视频呢会拆分成很多张的图像， 然后传入到我们的姿态与处理器这里面，然后通过这个处理器呢分别对我们的一个姿势以及面部来进行一个识别，最后将生成的这些图像呢输入到我们的动画短视频当中， 我们需要提供面部视频和姿态视频，那么这些都是通过我们的育处理器来得到的结果，同时这里面我们还需要输入我们的一个参考图像，也就是最后我们视频生成中的主体人物图像， 通过我们的视觉编码器呢进行一个编码，然后一同输入到我们的一个转视频节点当中， 然后这样子就提供了他的一个副像条件。同时由于我们的参考图像可能尺寸比较大， 所以这里面呢我们直接对整体的一个图像呢设置一下深层的视频宽高，那么像这里面这张图像呢是一个竖向的比例，所以我们最后设成一个宽四八零，然后长度为八三二的一个图像尺寸， 然后在这个地方我们进行一个设置，最后呢我们的彩样器上面的条件我们就都连接好， 然后再直接输入到我们的解码器当中，进行一个生成即可，最后呢就能得到这样的结果，这里面我们想要这个视频呢，更流畅一点，也可以添加一个补帧节点，又或者想让视频变得更清楚一点，可以添加一个高清放大节点。 那么这两个节点呢，在我上一节课讲设为真生成的时候都已经提过了，那么整体的工作流所使用到的文件我都已经为大家准备好， 比如说我们的插件，包括我们的 g g f， 我 们的视频转模型，包括我们的视频 c t r l， 再比如说我们的所需要的模型以及工作流。那么大家在拿到这样的文件链接之后呢， 就放到对应的文件夹目录即可，那么这个视频就到这里了，感谢大家的观看，如果对你有帮助的话，不妨点赞加关注，支持一下，我们下个视频再见。

警告，本视频耗十四个月制作，制作时长五百分钟，陪你系统学习康 b u i 制作视频！这应该是目前最详细的 ai 视频教程了，哪怕你是零基础，也能轻松给你学会！马上暑假了，有人愿意每天花一小时学习 ai 慢剧制作吗？不用，对， 不用魔法，它就是最近重磅更新的 comforsee 破线版，本地一键启动，你就可以实现纹身图图生视频一键室内渲染设计、古风真人 ai 视频虚拟模特、做电商服装等三百加工作留模板， 老规矩，验个牌试试吧！本套课程共分为两个部分，一到六节为基础部分，其中包含了 kufui 的 配置要求以及如何安装与部署、 界面导览与原理介绍文声图以及提示词的语法，之后还会聊聊 ai g c 的 相关网站以及模型下载，最后还有读声图以及高清修复的过程。那么从第七节课到第十三节课属于进阶部分，先后会讲解坑深内及其诸多预处理器的使用方法以及使用场景，之后还会教大家 ipad pro 及其强大功能的应用。 随后我们还会学习最基础的 ai 视频生成原理，而在最后，我们将结合前面所学的全部知识，一起来做一个 ai 视频换脸、转会。这些这些这些都是 ai 生成的。 自二零二三年以来， ai 绘图软件 stupefaction 的 发展势不可挡，各种各样的衍生模型插件白花起放，现如今生成像这样的 ai 视频完全不在话下，那么 我们就一起跟随着时代的脚步，一起探寻 stableview 的 comfui 到底该如何使用吧！大家所熟知的 webui 和 comfui 其实都是属于 stableview， 而 webui 主要是基于规则库开发的浏览器界面， comfui 则是使用图形节点、流觞图设计和用于稳定扩散的用户界面。这边我们将 comfui 和 webui 的 优缺点列出来，方便大家做个对比。首先我们来看 webui 这块，它的优点是简单易学，并且操作较为基础与简易， 而它的缺点是不利于长期管理。那么这是什么意思呢？当你在深度学习完 vbu ui 的 高阶内容后，你会意识到如果使用的是康复 ui， 那 么将节省两到三倍甚至更多的时间。其次，在插件过多时， vbu ui 会显得非常的臃肿， 机操作费时。那么接下来我们看一下康菲 u i。 这边我们可以看到康菲 u i 对 配置的要求较低，这同时也意味着降低了 ai 绘画的门槛，方便更多的小伙伴加入进来。那么它的优点其次是节点更易于管理，有较强的自主性，我们可以根据个人需求来组装属于自己的工作流。 并且在未来，康菲 u i 将逐渐与未必 u i 在 应用层面拉开距离。比如前段时间的 s d 三或者国产最新的可棱大模型， 都是第一时间在康复 ui 里可搭建工作流并使用的。而对于未被 ui， 这些最新的模型与插件往往得过一阵子才能失桩，甚至直接不失桩。所以使用康复 ui 也意味着你能够更早的使用到最新的模型与插件。康 复 ui 的 缺点是初期不好上手，但我相信在你学完了本套课程后，一定能够完全掌握康复 ui 的 技术操作。除此之外，过去我们知道有许多软件，比如 blender、 达芬奇 ue 等等都是使用节点式工作流， 因为他们有极强的自主心与可模块化，许多头部公司的顶级团队使用的都是节点式软件。那么 comfuly 除了上述优点之外，我们在使用时还可以非常方便的套用他人分享的工作流，即刻便可实现相同的效果，节省了非常多的节点部署思路的思考时间， 以及从单个节点构建成工作流的部署事件。哈喽，各位小伙伴大家好，欢迎来到 cf ui 系列教程的第二节课。那么在本节课中，我们将介绍 cf ui 的 配置要求以及安装与部署的过程。那么首先是电脑配置以及系统环境的介绍，首先是显卡方面， 最低要求是拥有四 g 级以上显存的英伟达显卡，如果显存不足，可能会影响到绘图过程的流畅度。接下来是 cpu， 关于 cpu 要求不高，英特尔十代 i 三以上就可以使用，但推荐使用性能更强的，如英特尔十三代 i 五幺三六零零 kf， 以获得更好的性能。接下来是内存，内存至少需要十六 gb， 推荐三十个 gb 以上，以确保可以加载和运行较大的模型。最后是硬盘，关于硬盘呢，至少需要两百 g 的 空余空间，推荐使用大容量的固态硬盘，因为 ai 绘图过程中会下载和生成大量的模型以及图像数据。那么接下来我们详细介绍一下康菲 u i 的 下载以及部署方式。 我们先安装资源包里面附带的启动器运行依赖，接着打开解压之后的 comfui 文件夹，在文件夹内找到 a 会使启动器，随后点击一键启动即可。锁匙启动时可能会安装一些必要的环境依赖。 稍等片刻后，我们便来到了 comfui 的 主界面。接下来介绍第二种安装方法，官网资源包的安装。当然关于官网的资源包，我们也可以在评论区内获取。我们解压完资源包后，在文件夹内找到这个项目， 双击运行。等待片刻后，我们便可以来到最原汁原味的 cf ui 界面了。这个版本的 cf ui 是 没有装任何非官网的插件的。 此外， cf ui 完全离线工作，对 gpu 的 要求相对较低，但是也有 cpu 模式，不过在 cpu 模式下绘图速度极微缓慢。如果小伙伴们之前有使用过 vpu ui 或其他类型的 stupefaction ai 绘图应用， 我们可以通过修改 comfui 的 配置文件来实现在不同的 ai 绘图应用间共享大模型以及 logo 等等，依次减少对硬盘内存的占用。那么接下来我就向大家演示一下如何将我们的 comfui 大 模型以及 logo 的 加载路径修改成 vibui 的。 如果小伙伴们没有玩过 vibui， 那 么这一段可以直接跳过。好的，那么我们打开 comfui， 接着我们找到这个文件， s 三 model pass yaml 点 big example， 接着我们找到这一项 base pass， 我们要做的是把贝斯帕后面的这一串改成我们 web ui 文件夹的路径。比方说我们打开了 web ui 的 文件夹后，我们可以单机上面的这个栏目，随后 ctrl c 复制。接着我们回到刚才的记事本内，将我们刚刚复制的路径粘贴到此处，随后我们保存并关闭记事本。接下来的一步很重要， 我们需要将 example 以及这个点给删除，也就是将我们的文件名后缀改成点 y a m l， 随后点击确定即可。那么接下来我们打开 comui 来确认一下。 好的，我们这边看一下 check point 加载器里面的大模型，点开后我们可以看到多了，非常多啊，那么这就证明我们成功把模型路径合并到了 v b u i 内。好的，那么以上就是关于本期的全部内容了， 欢迎来到 comfui 系列教程的第三节，那么在本节课中，我们将一起了解 comfui 的 主界面以及各种参数到底代表了什么。最后我们将学习 stableview 生成图片的根本原理。好的，我们打开了七位大佬的会式启动器后，点击一键启动。 经过一段时间的等待后，我们便来到了 comfui 的 主界面。那么我们在面对 comfui 这个完全陌生的软件时，我们要做的就是初步了解每一个模块的大体含义，那么接下来我带着大家过一遍。首先是操作方式，我们可以通过鼠标的滚轮来控制画面的缩放， 按住鼠标左键，我们可以拖动我们的仕图。点击鼠标右键，我们可以看到有非常多的栏目，这边我们可以试着点击新建节点，随后我们可以看到有非常多的节点可以供我们选择。好的，那么之后我们再来说一下快捷键，顺从图片的快捷键是 ctrl 加 enter 框选节点的快捷键是按住 ctrl 加鼠标的左键。移动框选目标的快捷键是按住 shift 加鼠标的左键。 这边我们在框选门后，如果不按住 shift 直接进行拖动的话，我们可以看到此时只有单一节点进行了移动，剩下的快捷键我都放在这了，小伙伴们可以暂停观看。 好的，那么接下来我带着大家一起来解读一下这个默认工作流。首先在这边我们可以看到有个叫 shift 烹饪加载器的东西，这个节点的主要作用是加载扩散模型， 也就是我们常说的大模型。此外，该节点还提供适当的 v、 a、 e 以及 clip 模型，具体它们是什么，我们带回讲。我们顺着缺空位加载器的节点连线，可以看到这里有两个 clip 文本编码器，在这里我们可以看到它们的输入都是 clip， 而他们的输出都是条件。那么究竟什么是 k 服模型呢？ k 服全称为 control language image programming， 是 由 open ai 公司在二零二一年发布的一款多模态预训练神经网络模型。 k 服模型的作用是理解我们输入文字的意思，比如我们输入 one go 生成的是一个女孩，而不是太阳， 这就是 clip 的 作用。接着我们顺着 clip 文本编码器的条件输出看过来，连接到了 k 采阳器上。这边我们可以看到 k 采阳器拥有两个关于条件的输入，一个是正面条件，另一个是负面条件。那么这代表着连接着正面条件的文本编码器内的提示词为正面条件提示词， 也就是我们常说的正向提示词。同理，下面的则为负面条件提示词，也就是我们常说的负面提示词。好的，我们把目光重新回到 k 采阳器内， 我们可以看到除了正面条件以及负面条件外，还有两个输入，分别是模型以及 latent。 那 么模型则是连接着刚才的这个 pos 接收器，也就是我们的大模型。那么这个 latent 究竟是什么意思呢？ latent 通常是指前空间，可以理解为 stability fusion 内部流程中的图像格式。如果将图像作为输入，则需要通过 v a e 编码将其转化为 latent。 数据 在最后输出时，也需要通过 v a e 解码将其转化为像素空间，也就是我们最终看到的图像。这边我们可以看到可以采洋气的 laten 连接着一个叫做空 laten 的 节点，这个节点内共有三个参数， 分别是宽度、高度以及 p c 大 小。宽度和高度决定了我们最终生成图像的尺寸，而 p c 大 小则代表着每生成一次将出多少张图。比如说我们将 p c 大 小改为三，高度改成七百六十八。 最后我们按 ctrl 加 enter 进行生成。好的，这边我们可以看到一次性生成了三张图像，也就是我们批次数目的图像。接下来我们继续看 k 太阳系的其他参数。 首先是随机总，随机总的值我们一般称为种子值，每张图都有专属于它的种子值，我们也可以理解为种子值，就是图片的 id 号码。接下来是运行后操作，点开后我们可以看到用了四个选项，分别是固定、增加、减少以及图片的 id 号码。接下来是运行后操作，点开后我们可以看到用了四个选项，分别是固定则，在你生成完后，种子值会保持不变， 方便你进行其他的调整与操作。那么接下来就是裁量部署，裁量步数越多，计算机的运算时间越长，在大多数的情况下，我们的裁量步数保持二十到三十步即可。接下来是 c f 句子，该指的意思是 提示词引导系数。 c f 句子越高，则代表着生成图像与提示词之间的联系越紧密。 c f 句子越低，则代表着提示词对生成结果的影响越小。不过过高或过低的 c f 句子都会给图片带来不好的影响， 所以我们一般保持适中的 c f 制即可。接下来是采阳器和调度器，我们可以理解它们为图像的生成方式，如果我们将其他参数比作是食材，那么它们则是烹饪方式，不同的烹饪方法当然会带来不一样的结果。比如我们点开采阳器后，可以看到有非常多的选项，这里我们目前最好的一般是选 择这个 g p n 加二 m 或者 d p n 加二 m s d e， 这两个都是挺不错的。接下来调度器我们也是可以看到有非常多的选项，这里我们一般选择的是 keras。 最后我们可以看到还有个降噪参数，由于该参数是跟图胜图有关的，我们以后再说。接下来我们看一下右边有个叫做物业 e 解码的东西，那么我们可以看到这边也有两个输入，分别是 laten 以及物业 e。 至于 laten 刚才我们已经解释过了，也就是擒控件图像，那么物业 e 究竟是什么呢？物业 e 全称变分字编码记 ruby 炫的 ootlin 格式的缩写。它是一种深度学习模型，主要用于无间断学习任务，特别是在生成模型领域。 维 e 结合了神经网络和概率图模型的特点，而它在康复以外的作用是将我们的前空间图像编码成像素空间图像，或是将像素空间图像编码成前空间图像。除此之外，我们还可以双击屏幕上的空白处，随后就可以搜索节点，比如说搜索加载图像， 或者我们也可以双击搜索预览图像。这边再多说一嘴，维 e 解码之后的图像节点，我们也可以直接连接到预览图像上， 比如说我们现在把这个保存图像节点给删去，如果这么操作的话，那么我们生成的图像不会被保存，接着我们再生成一次。 这边还要注意的一点是，在我们搜索节点的时候，我们也可以输入英文，比如说加载图像的话，那么就是 load image， 那 么我们可以看到这两个节点是完全相同的。接着我们再来说一下，比如说当我们输入英文的时候，同样的也是 load image， 但是这个时候我们加了一个空格，好， 我们可以看到这里面并没有出现加载图像的节点，那么这也意味着在我们搜索节点的时候，我们要注意区分节点的名称是否有空格。好，比如说我们需要搜索加载图像节点，那么我们删去 load a m h 之间的空格时候，我们可以看到，哎， 是不是加载图像节点就出现了？好的，那么以上就是关于默认工作流的全部解释，接下来我们来看下界面还有其他哪些模块。首先我们点击左上角，这里有个文件夹， 点开后我们可以看到我们的工作流都保存在这，这边可以点击新建，那么我们就新建了一个新的工作流，当然我们也可以点击这个 import， 也就是输入我们的工作流，或者说是输入我们的文件夹。 最后我们点击 models， 我 们可以在这里找到并且下载相关的模型。接着我们来看一下右边的栏目，首先是该栏目的左上角，我们按住后可以进行拖动， 然后是这个齿轮标志，点开后我们便来到了康复 ui 的 设置界面，在这里我们可以设置语言，点开后我们可以看到有中文，繁体中文、英语以及日语韩语等等，我们往上翻可以看到有其他的功能，比如图像面板顺序，图像面板的位置等等等等，我们 往下看，这有个文本补全，这个 in a b o 我 们一定要勾选上，这代表着它的起用。文本补全的意思就是在我们数几十次的时候，会有这些英文短语的提示， 我们往下看就会添加提示词对列，这个是生成的意思。接下来我们可以看到一个保存的选项，点击该按钮我们便可以保存当前的工作流 以及加载，那么就是加载工作流，同样的意思。接着是重刷新，比如说我们下载一个新的大模型之后，那么我们点击重刷新便可使用。接下来还有个重点就是管理器，这个是康复余额里面最重要的节点，点开后我们可以看到有非常多的功能， 比如说这边有数据库以及频道方式，预览方法，表情等等等等。这边预览方法我们一般选择的是这个 a， ten， two r， g， b， 然后表情这一栏我们一般选择的是名称， 也就是标签名称。选择了之后，我们可以看到节点的右上方一般会出现一个小狐狸按钮，而小狐狸按钮则代表了是它是官方节点，那么我们可以看到该节点是属于编辑一个新节点组的。接着我们回到管理器 这六个 custom node 命令键，点开后我们可以看到有非常多的节点，在这里我们可以查找以及安装我们想要的任意一个节点。在监考的学习过程中，我们会频繁使用到这一个模块， 接着我们看到 model manager， 在 这里我们可以安装我们想要的任意一个模型，注意模型不是节点，他们是分开来的，至于干模块我们今后也会频繁的用到好的。在接受完 cf 以外的主界面以及各种参数后，我们来了解一下 stability 的 内在运行原理，就可以方便我们理解并掌握进一步的学习内容。 在我们输入完提速词之后，文本编码器的 get 模型会将提速词转化为特征向量，然后再由 ve 编码器将这些特征向量传入到前空间内，这些特征向量在前空间内不断的降噪，最后再由 ve 解码器 将这些经过降噪之后的特征向量解码成由一个个像素所组成的图片。好的，那么以上就是本期的全部内容了， hello， 大家好，欢迎来一道 comforui 系列教程的第四节课，那么本节课我们将一起学习文生图的相关知识 以及提述词的语法。在第三节课的结尾，我们一起学习了 stable fusion comforui 的 基础工作原理，那么现在我将结合默认的文生图工作流来讲解其中的工作流程。首先第一步，在我们输入完正负象题后，文本编码器内的克里普模型会将我们的提示词总后的特征向量输送到 k 彩阳器内。 那么这边有个疑问，就是文本编码器的克利普模型从哪来呢？我们顺着这个节点往下看，可以看到它来自于这个库页加载器， 而这个加载器主要是加载各种各样的大模型，也就是说文本编码器内的克利普模型是属于各个大模型的内置克利普模型，而不同的大模型之间克利普模型也可能会有所差异。那么接着我们可以看到这个库页加载器的输出有个 v a e， 那 么也就是说它提供了 v a e 模型，我们看看连到哪 哦，连到了 v a e 解码这里，而 v a e 解码的作用就是将 k 彩阳期内经过了降噪之后的前空间图像解码成像素空间的图像，也就是我们肉眼可以看到的图像。这边我们可以做个实验，先将种子轴固定，最后断开 v a e 的 连接， 然后我们生成，我们可以看到这边是直接报错了，而这个报错的意思是缺少了 vue 的 输入，那么接下来我们重新将 vue 模型给连上，随后开始生成。这边再提一嘴，生成的快捷键是 ctrl 加 enter， 非常的实用，请牢记。 如果说你想调节生成图片的尺寸，那么我们可以在空内存这里，比如说我们将高度调成七百六十八，除以这个数值一定是八的倍数，宽度也一样，这一批次的话则是控制单次生成的图片数量。比如说我们设置成二，好的，我们按 ctrl 加 enter 开始生成。 图片生成后，我们是不是可以看到他的比例已经成功变成了竖屏的比例，并且他一次生成了两张图像。好，接下来我们一起学习提速词的相关语法。首先我们来聊聊书写规范， 无论是正向提示词或者是副向提示词，我们在书写的时候一定是英文以及英文的标点符号，不然系统可能会识别错误。比如我们输入 one go gong 还有 yellow dress， 黄色的裙子。这边在提一嘴，生成的快捷键是 ctrl 加 enter。 好 在我们得到了一个穿着黄色裙子在花园中漫步女孩的图片。那如果说我们用中文来输入，结果会是什么样呢？一个女孩花园以及黄色的裙子， 我们这边可以看到，不能说是毫无关联吧啊，他们至少图片中都有女孩，但是黄色的裙子以及花园很明显没有在图片中出现。接下来我们来讲一讲提述词的权重。 在做之前，首先我们要理解什么是权重。对于权重概念模糊的小伙伴，我们可以理解权重就是比重 分量，那么一个提示词的权重越高，他的分量就越高，他的比重就越高，他在整体中的地位就越高。比如现在一个提示词的权重是一点二，而另一个提示词的权重是零点九，那么当然是一点二的提示词会占更大的比重。 那么接下来我们做个演示，比方说我们输入 one girl garden， one girl 的 权重是一点二，而 garden 的 权重是零点八，那么画面会更侧重于 one girl 的 展现。那如果说我们 one girl 的 比重是零点八，而 garden 的 比重是一点二，那么画面会更注重于描述花园是怎么怎么样的。 好的，接下来我们来讲一讲我们该怎么去控制描述词的权重。首先是重括号，重括号代表着零点九分的权重， 也就是说给提示词加上中括号后，提示词的比重会变小，会降低它的重要性。那接下来是小括号，小括号代表着一点一倍的权重， 比如我们给一个提示词加上小括号后，那么该提示词在画面中的比重就会增高。最后是大括号，大括号代表着一点零五倍的权重，算是一种微调。当我们给某位提示词听这两个中括号时，那么就相当于为这个提示词加上了零点九，乘以零点九是零点八一， 那么就相当于给这个提示词加上了零点八一倍的权重。那么同样的，当我们给一个体数词加上两个小括号时，那么就等于一点一乘以 一点一倍的权重，那也就是一点二一，相当于我们给这个提示词加上了一点二一倍的权重，大括号也同理。那么有的同学可能会问，关于这个权重的变化有没有什么快捷键呢？哎，这个还真有。比如我们将光标移动到某位提示词上时， 打个比方说该的摁住 ctrl 加上键，那么就是给他加权重，我们可以看到他的权重在不断增加，那么 ctrl 加下键，那么就是减少他的权重，是不是很方便呢？ 不过我们要补充的一点是，关于权重，我们要多低都行，但是不可过高，因为过高的话图片就会落，你以何？ 换句话说，图片就会变形，会失帧。接下来我们来讲短句和长句，我相信不少小伙伴都有这么一个疑问，为什么我姐提示词的时候一定是一个一个词这样去拼写， 而不是用一句话去描述我们想要生成的内容呢？那么这边我可以很明确的回答你，其实两种都行，但 就目前而言，用一个一个的词组去生成，效果会更加的准确，更能表达出我们提示词独含的意思。另外一点，使用一个一个的词的时候，也方便我们进行权重的调整。比如刚才我们有提到，将光标放在某一提示词上， 然后摁住 ctrl 加上或下，就可以调整该提示词的权重。那么如果说是一句话的话，你想调整某一提示词，那么可能就得手动续出过号，进行相关的权重调整。当然现在全世界的 a i g c 从业者也在不断的去研究该怎么样让自然语言，也就是我们的长句能达到媲美短句的效果。 接下来我们来讲一讲提示词的整体长度。这边要注意，比如我们在输入正向提示词的时候，并不是说越多就越好，多可能会让你的表现更加糟糕，那么我们最好把提示词控制在什么数量之内会效果最佳呢？经过众多 ai g c 玩家的经验以及研究表明， 提速词控制在七十五个之内是效果最精准的，超过了七十五个提速词的话，可能会对提速词的识别不精准，整体的表现会降低。正向提速词如此反向提速词也是一样的，记住最好不要超过七十五个。 接下来我们来讲一讲骑手势，那么什么是骑手势呢？在 step 第五选各个大模型训练的过程中，会加入许多的，比如四 k， 八 k 或者 master piece 各种各样高质量的图形去训练， 那么当我们在输入提示词的时候，比方说输入四 k masterpiece， 那 么就可以使我们生成的图像更加的精美。反向提示词的话，那么就相反，比如我们输入模糊 就是文不想要模糊嘛，那么相当于也是会让图片变得更加的清晰。或者说我们在反向提示词内输入文字 text， 那 么在画面中就会减少文字的出现。这边我们可以来看一下这几组的对比，才艺还是很明显的。 接下来我们来讲讲提速词的顺序，或许有小伙伴会有疑问，以为提示词在整体的前部或者是在整体的后部会有什么影响吗？答案是会有影响，在一组提示词中，约靠前的提示词权重会有所增加。那么在我们书写提示词的时候，我们尽量按如下格式进行书写。 首先是书写那些可以提升画质的，或者说可以改变画风的些词汇，比如 masterpiece， high， quality， high， detail， as 这些词汇。第二步是描述我们画面的主体，比如我们可以说 one girl u g s， 一个女孩，蓝色的裙子。 那么第三步就是描写环境，场景，灯光或者说构图。比如我们可以说啊 garden 背景嘛， garden 或者说是 white background， 白色的背景，或者说是 fall fly 柔和的灯光，类似于这些。那么最后我们可以在正向提示词的结尾添上我们想要加的 lora， 关于 lora 和各种模型的下载，我上期视频也有介绍，感兴趣的小伙伴可以回去观看。接下来我们来讲一讲提速词污染。那首先我们要知道 什么是提示词污染。我们可以看一下这一组图片，未经处理时，在多个提示词同时书写的情况下，各个提示词的意思可能会相互渗透。那么为了避免这种情况，我们可以用 break 来隔开提示词， 尤其是防止颜色污染之后我们来聊聊提示词融合。比如我们写 one go cat， 这边我们可以看到生成了一张猫在女孩身上的图片。好的，现在我们在 one go 和 cat 之间添加上 end。 注意这里的 end 必须是大写，全部大写。这边我们可以看到生成了一张猫娘的图片。这个 end 的 作用就是将两个提示词融合在一起。同样的，下划线也有和 end 类似的作用，也是将两个提示词结合在一块。 除此之外，给一组提示词用中括号括起来，中间再用竖线隔开，也有类似与融合的效果。那么这个的原理是，第一步画前面的关键词，第二步画后面的关键词，第三步又在画前面的关键词，以此类推。最后我们来讲一下控制生成的时间段， 比方说现在的迭代步数是二十步，在这过程中，我想让前百分之三十生成森林，后面百分之七十生成一个女孩。那么我们可以试着这么书写大括号， forrest 在 街上冒号 one girl 在 街上冒号零点三，最后以大括号结尾。那么这一长串 代表着是在百分之三十的时候叠数画 forest 还是画 one go。 那 么如果说文把零点三改成零点七，那么意思就是前百分之七十画 forest， 后面百分之三十画 one go。 好 的，那么以上就是本期的所有内容了。

今天这一期视频来讲一下小白工具箱的小险从救命节点，为什么说它是小险从的救命神器呢？等下你看完这期视频，你就明白这个神奇的节点如何让你能够用更小的险从跑更大的模型。 首先第一点我对小白工具箱做了一个全新的优化，第一个就是模型分块交换的一个节点，他现在完美的兼容 n 卡、 a 卡和 i 卡，而且小白工具箱安装的时候是不需要安装依赖的，解压即可用，所以说绝对不会存在将你的环境损坏的这种风险。 然后接下来第二点，我会演示一下模型分块交换节点的用法和使用以后的效果。最后我会演示一下小白工具箱节点的一个安装方法。 我们可以在 com u i 里面看到小白工具箱的模型分块交换节点现在是有两个，一个是 ulet 模型用的，一个是 jk pos 模型用的，我们大概率用的都是这个 ulet 模型的节点。 如果说你想要在你的工作流里面增加这个节点，在已经安装了小白工具箱的情况下，双击空白画布，搜索小白 x b， 然后往下面找到这个节点，点击就可以加入到画布里面，然后你进行连线就可以加入到工作流了。 现在进入演示阶段，首先使用 flex 二单独编辑的基础工作流做一个演示，在我们没有进入这个节点的时候，我对一个一五三六乘以二三零四的图片进行一个单图编辑，我们看一下需要用多少的显存 运行工作流，等到模型进入到采样阶段的时候，那将是模型对显存占用的一个真实数据，那么现在已经进入到采样阶段，我们打开任务管理，先看一下， 我们可以看到这一个峰值状态的话，它占用了一个十五点九 g 的 显存。我们关掉这个工作流， 把我们的分块节点加入到工作流里面，连线连进去，然后释放一下显存，确保显存已经释放。这次运行工作流等待到采样阶段，我们观察一下日制， 通过日制我们可以看到它这个模型总共有三十二层，那么我们就已经进行了分块采样阶段已经开始进行运行了， 现在显存占用只有十一点八个 g， 相对于前面的话降了将近四个 g 左右。我们结束这个工作流，然后再用万象二点二涂声视频的基础工作流做一个测试， 因为我的工作流在前期已经加了这个方块节点，所以说我们需要把它先屏蔽掉，这个是一个老的节点，大家节点不用动，只要更新了全新的小白工具箱重新运行，就可以自动匹配到这个节点。我们屏蔽掉节点运行工作流，观察启动日期， 现在已经进入到了采样阶段，我们看一下显存占用， 我们可以看到专用显存已经占用了二十一点九个 g， 共享显存使用了九点二个 g， 总共加起来是三十一 g 多，那么我们停止工作流，同样激活刚才屏蔽掉的分快节点 方块，选择四十个方块，这个视频跑的是七二零乘以一二八零一百零五帧，六点五秒的一个视频。最后我们释放一下显存，确保显存已经释放完毕，重新运行工作流， 继续观察日制，等它进入到采样阶段。 现在模型已经进行了分块，进入到了采样阶段，我们看一下显存的占用，可以看到专用显存只使用了十一点六个 g， 共享显存使用了四点二 g， 总共加起来是 十八个 g 左右，刚才是三十个 g， 现在是十八个 g， 省了十二个 g。 继续我们结束工作流， 再用老同学二点三纹身视频的一个工作流做一个实验，我们依旧屏蔽掉分快节点，开始运行工作流观察日制，继续等待它的采样时间。 模型已经进入到了采样阶段，我们去看一下显存占用， 可以看到专用显存占用了二十三点四个 g， 共享显存占用了二点三个 g， 总共加起来是二十五 g 多不到二十六 g。 继续停止工作流，释放显存，激活我们刚才屏蔽的分块节点。 这个模型总共有四十八层，那么我们选择四十八层，这个层数的大小取决了 把多少东西分配到内存里面去。同样数字越小，占用的显存越大，数字越大，占用的显存越小，但是他的数字上限是不会超过这个模型最大的层数的。 显存已经释放，那么我们继续运行工作流观察日期，等待他的裁样阶段。 现在正在对模型进行一个分块，分块完毕了以后就进入到裁样阶段。 我们来观察一下显存的占用情况，可以看到专用显存只占用了十四个 g 不 到，继续结束我们的工作流。 通过这几个模型的演示，可以验证出我们的小白工具箱的模型分块交换节点是十分有效果的，可以让你用更小的显存去跑更大的模型，或者可以让你在分块以后把模型能够原本跑的分辨率增大，或者把时间变长。 对于这种像 z 秘制不支持的这种工作流，如果说我们加入我们的节点的话，他会进行报错， 并不是所有的模型都能够使用这个方块节点的，有些模型他是不支持的，因为他的这个模型设计的这个底层框架，他就是只能一次性全部加载，不支持方块来进行加载的，这是模型的限制，不是我们节点的问题。这一点要做一个说明， 到了怎样的阶段必然报错，因为这个模型不支持方块就这么简单。那么接下来讲第三步，如何安装这个 beta 版本的小白工具箱， 解压完毕了以后到里面进去复制这个文件夹。复制小白工具箱的文件夹一定要确保你复制的是这个第一层的文件夹，不要复制这个外面的第二层的文件夹，不然的话没有效果复制或者剪切也可以。 在我们的机智启动器选择下面的节点目录，打开进去以后，找到你原本的小白工具箱的节点，连文件夹一起删掉 粘贴我们刚刚解压的文件夹就可以了。然后重启 comui， 你 的小白工具箱就正常使用了。同样我也在日记里面增加了一个验证的代码， 如果小白工具箱正常加载的话，它就会有这么一段代码提示你小白 powerbox 成功加载。那么今天的视频就到这里。

看看这个人工智能视频。我用 ltx 二点三在孔飞外生成了这个只用了八 gb。 在 八 gb 显存的 gpu 上运行 ltx 二点三通常会导致内存溢出而崩溃。但今天我将向您展示确切的补丁和设置，以便安全地运行它。 为了证明它有效，我们将实时监控性能监视器，让大家看到显存安全的保持在八 gb 以下。 现在这个工作流非常简单易用，我没把它搞复杂。这次我保持了简单，那么我们就来配置它。首先，我们需要添加几个简单的命令，以激进模式运行康复 ui 来节省内存。 通常你只需输入 python y p y 即可启动，但今天我们要加入 loverran。 接下来，我们需要添加 reserve v r e m 一 百零二。那这个有什么用？它为 windows 保留了一到二 g b 的 内存，因此你的电脑不会崩溃。 今天我的测试所用显卡拥有三十二 gb 现存，因此我输入 reserve v r a m 二十四，为 comfy ui 留出恰好八 gb 的 使用空间。接下来，我们需要修复缓存， 添加缓存规则时以降低缓存内存占用。最后，添加预览方法 test， 以创建非常清亮级的图像预览。 但如果之后人出现内存不足错误，只需将此选项改为预览方法，那以节省更多显存。 如果你使用的是便携版的 copy ui， 不 必担心，只需右键点击你的 run nvi d i a g p ubed 文件，选择编辑，并在 m p y 后粘贴这些完全相同的命令。现在让我们看看这些模型。 首先，我使用蒸馏版的一点一 q 四 k m 模型，这节省了海量显存，因为我们无需加载额外的 lo r a 文件。 接下来，我们进入双 c l i p 加载器。我加载了 jama 三 g g u f 文件。那我为什么特意要用 g g u f 版本呢？因为这将一个庞大的人工智能模型压缩到了仅六点一四 g b p s。 这正是我们强制它在低显存中运行的方法。之后，我加载 ldx 二点三文本投影文件，大小约为二点三一 gb。 总之，这些模型的总量约为二十三 gb。 我还为此工作留添加了一个低显存补丁组。我们将加载好的模型传入 stage attention， memory efficient attention 和 chunk feed forward 补丁。这些节点直观重要，因为它们能在视频主动生成过程中降低峰值显存占用。 我们节省了显存，但也必须阻止人工智能生成错误的解剖结构。因此，我们使用了 l t x n a g 节点。 那这个有什么用？这能让你的负面提示词效果更强。它让人工智能在你说不要坏手，不要奇怪文字和不要伪影时听从指令。 这个简单的节点能让您的最终视频看起来更好。接下来我们看看提示词部分。 我在这里添加了一个旁路组。你可以手动输入正常的提示词。但是如果你想使用提示词中记呢？因此我添加了一个提示词中记选项。您可以根据需求在手动提示词与提示词中记之间轻松切换。 提示字准备好后，我们需要设定视频尺寸。看看我这里的笔记，上面有推荐的分辨率。我知道有些人使用自定义分辨率节点，但每个额外节点都会浪费你有限的显存， 因此我保持简单并以纯文本形式写入该值。我只是手动输入了这些数字。对于八 gb 显存的 gpu， 我 强烈建议从四百八十乘八百三十二的分辨率开始， 我将其精确设置为每秒二十四帧，共十秒。如果之后还需要节省更多显存，你可以调低这个值。现在是我的秘诀。 我将视频生成分成了两个阶段，第一遍执行前六个步骤，之后第二遍再做两步。 那我们为什么要这么做？因为如果你的显存较低，就要确保第一遍能安全运行再往下进行。因此，我强烈建议你先跳过第二遍处理和超分器。 所以让我们现场测试。第一遍，我会点击运行，并打开性能监视器， 密切观察图标。加载 texencore 的 模型仅需约三点七 gb 显存。 当进入提示词部分时，大约占用五点六 gb。 现在进入第一遍，显存飙升。目前生成这段视频正好需要八点一 gb。 生成前六步仅需约四十四秒。完成后你会看到显存回落至约三点六 gb。 第一遍效果很棒，但我们还得把视频做完。因此我将启动第二遍并再次点击运行。 因为我们之前使用了正确的缓存设置，所以它不会从头开始。它正好从第一遍结束的地方开始。在第二遍中，它再次占用大约八 gb 的 显存。 最后这两个步骤仅需十五秒，意味着完整视频恰好耗时一分钟即可完成。 现在我们已经得到了一段很棒的视频，但如果你想把它放大以提升画质呢？所以让我展示一下当我起用内置放大部分时会发生什么。 观察性能监视器 v r a m 超过八 g b， 并一路飙升至约十四 g b。 它仍可在八 g b g b u 上运行，且不会失败。但由于它占用大量内存，完成视频制作将耗费很长时间，因此我采用了一种更优的方法， 别用内置的放大功能。先下载生成的视频，然后将该视频重新加载到 comfy ui 中，并使用 rtx video resolution 节点。 那这个有什么用？它安全地放大您的视频，你甚至可以将它设置为超高质量。而显存占用仅需大约三到四 gb， 生成大约需要三十秒。这对低显存电脑非常友好，因为你不必等待长达十四 gb 的 内存监控。 现在我们节省了显存，并安全的提升了视频分辨率。现在让我们看看这个工作流能带来更多什么样的结果。这是第一个例子，一个女孩正在唱歌，运镜非常逼真，画质惊人。 我在大约一分钟内生成了整个场景。那复杂的物理呢？ 那复杂的物理效果呢？所以这是我创建的另一个场景。一位老人正坐着抽烟，此时，一列火车驶过车站， 仔细观察物理效果。当火车经过时，风确实把它的烟雾吹向那个方向。如果仔细观察，会发现一个非常微小的物理问题，但又肉眼去看，整体效果看起来棒极了。 如果你想学习如何制作更棒的人工智能视频，现在就点击屏幕上的视频，我将向你展示下一个秘密，那里见，拜拜！

看到很多小伙伴说本地玩不动康复 u i， 今天就给大家分享一个不错的云端平台，只要电脑能联网几分钟就能生成这样的镜头或者带声音的剧情，这短短的一生，我们最终都会失去， 你不妨大胆一些，爱一个人，攀一座山，追一个梦。话不多说，直接给大家演示一下。打开仙公园官网首页，选择顶部部署 gpu， 这里有很多社区玩家制作的各种镜像，前面演示的两段视频是用我自己制作的镜像生成的，切换到搜索作者，输入遇见 ai 就 可以看到了。 点击镜像卡片会展示镜像的详细信息和使用说明，我在使用说明中标注了详细的操作步骤，点击弹窗底部的使用该镜像部署， 然后在页面右上角选择合适的显卡，个人建议选择四十八 g 显存的显卡，这里需要登录，如果你还没有账号，可以使用屏幕上的邀请码注册，新注册的账号会赠送八元体验金，够体验两到三个小时。 选好后一定要仔细确认信息，然后点击底部的确认部署即可。此时页面会出现一个正在部署中的势力平台，也比较良心。右侧明确提示部署过程是不计费的， 耐心等待即可，部署成功后实力会显示运行中，同时右侧会显示出常用的操作项入口，点击仙宫源 o s 就 可以打开类似本地电脑的桌面了。双击康复 u i 就 能直接使用康复 u i 了。通过左侧工作流可以看到该镜像内置的四个工作流。 点击打开你想使用的工作流，参考使用说明中的操作步骤，调整输入参数。首先选择一张人物照片， 然后输入提示词，我这里就偷懒直接复制了，放大展示一下，感兴趣的可以看看。然后将分辨率调整为一二八零乘八百。最后我选择的是音频声视频工作流，所以还需要加载一段角色讲话的音频素材，简单试听一下。 这短短的一生，我们最终都会失去。一切准备就绪，直接运行即可，过程就快进跳过了，比本地运行快很多，大概几分钟，生成时长的话在十一秒左右，给大家展示一下生成结果，我们最终都会失去， 你不妨大胆一些，爱一个人，攀一座山，追一个梦。接下来再给大家演示一下纹身视频工作流，以同样的方式打开工作流，这次我加快一下节奏，快速调整好参数， 直接运行。有前一次运行的缓冲，这一次运行速度也会快很多。手段采样仅耗时十七秒。来看一下生成结果， 工作流就演示到这里了。最后再提醒大家一点，记得回到实力管理界面关机，避免产生意外的费用。 此外还需注意关机后仍会存在计费，所以如非必要，建议将资产下载到本地后销毁实力成功销毁后将不再产生任何费用。点赞关注，下期更精彩！

有好多的朋友问我这个工作流显存低能不能跑，还有个朋友问说九宫格如何拆分镜图啊？我就把这两个问题都放在一个视频里，给大家教一下啊，这条视频包含的所有的工作流以及模型我都会分享到群里啊，然后我做了一个量化版的啊， g u f 版本的，就把这边他都剃掉了。正常来说的话， 以这个量化版本的话， q 四 k m 这个版本八 g 啊，十二 g 显存的这些应该也能跑的啊，可以去试一下啊。可以去试，因为我没有八 g 和十二 g 显存的显卡，但是按理论上来讲啊，这个应该是可以跑的，但是你的这个地方，记住啊，这个地方尽量不要帧数过高啊，正常你就填二十四帧秒数的话不要过多啊。 然后我今天拿这个工作流测了啊，测了几个视频，可以看一下效果啊，这个是六十帧的十六 g 显存的 啊，你看他动效各方面也还可以啊，然后我还跑了一个三十秒的啊，我这个因为正常我拿这个导演台，这个导演台有点吃这个配置的， 所以说我之前我那上一条工作流，我是可以做一分钟啊，都不是那么吃配置的，但是这个工作流的话，我做不了啊，这个工作流有点吃配置，就这个导演台差价的原因。这次我先测了一分钟啊， g f 的 一分钟我也跑不了，这次我就跑了个三十秒的，哎，三十秒之后他又过了啊，四十秒，五十秒没测啊，我们看一下三十秒的效果。 题时词我没写啊，我就随便写了一下。题时词就是写一二三一二三能写的啊，一千二十 twix promise the space。 并且这次的话基本上我保证不会出现字幕的啊，很，几乎很少，应该说不，不能说百分之百啊，你 to naticaly to do on 20。 因为他平时没有好好写，所以说你看他后面的黑板面，那都是第一次，你看我平时是怎么写的。 italy， 你 看我这么多张，我这么多张图片全写了一二三，一二三。因为只是为了测试我这个秒数能不能跑得动啊，所以说，没有没有好好测，这里暂停说一下啊，以上这个 g u f 导演台这个攻略，如果不会用的，去看我之前那个 l t x 二点三导演台的视频教学啊， 这期视频主要是针对低显存的，所以说就不重复讲工作流的使用教学了。这里的我还只是又单独又给大家做了一个单独生成视频的一个工作流啊，就是哪怕刚才那个导演台，如果你们跑不了的话，如果你们想徒身视频用单头来跑的话，这个基本可以保障你们八 g 显存和十二 g 显存绝对是可以跑的啊，然后看我跑的效果，效果我觉着啊，我自己跑着，我感觉不是很差啊。 ok， 这是一段啊，我们再看看上面的 啊，再看看这个，嗯， 有点慢动作啊，这个得抽卡，或者是在 text 上改一改，调一调啊，这就是，哎，这个工具怎么用啊？来给大家看一下这个工具怎么用啊，基本上就是你在这里上传一张图片啊，从这里直接上传一张图片， 同学们，把题词填好啊，把题词填好，然后这个地方啊，把秒数啊，把秒数改，你想输入几秒都可以啊，这帧率啊，帧率二十五啊，二十五帧的，然后用的是 g u f 量化模型啊。 啊，这个我写的很明白啊，如果说你这个插件不能用的话，你可以 ctrl 加 b 给他隐藏，也可以按照我这个方法啊，就去去安装一下，然后到时候在我这个里边去去下载那个这个这个启动器，用启动器去把这个里边的一些这个 second 啊， second 二点二这个东西下载安装一下，安装完之后他一般就能用了啊， 然后呢，这里我也写了，如果你是八 g 显存的话，你就这里，这里正常的话应该是二和。呃，四零九六啊，四零九六啊，如果你是八 g 显存的话，你就改成啊，改成四 四和二零四八十二 g 显存的话就不用了，就忽略啊，十二 g 显存你就改成那个崩块，两分两块就好了。然后四零九六 啊，别的地方的话都是已经搭建好的啊，就不用动了啊，你就只需要在这里上传图片，在这里啊，调好啊，调好你的秒数，你的图片是什么比例的，一般它是产出的话就是什么比例， 它就是这个工作流。还有朋友问说这个图像九宫格如何拆分啊？其实就是一个节点，一般 computer y 都会，你们都会安这个插件的啊？就 computer y easy user 啊，本来今天我想自己写一个节点，后来看有有有的话，我就自己不用写了，然后你从这里输入行，比如说你这个九宫格，你看这是三列是吧？然后三行，对吧？你这里就写三列，三行你直接点这点跑啊，你一跑， 那他你这一张每一张图片就单独给你拆分出来了啊？拆分出来了，你从这里看一下资产啊，你看一下资产，点一下这 每一张都是单独的啊，就已经拆分好了啊，非常方便。这个不吃什么，显存很快的，任何电脑我估计都能跑的动。自己再去放大，再去高清化啊，然后放大之前记得能去掉白边，去掉这种小白边啊。好，这就今天的教程。

你这个阶级的人会极力阻止你刷到这条视频，因为他们不想让你知道 ai 已经发展成这个样子了。像这样的，首尾帧过度虚拟电子模特、一键室内设计、渲染等三三零加工作流都出自最近重磅更新的 comfy。 和那些满是套路的平台不同，本地一键即可启动， 无需排队，更不要模仿老规矩，验个牌试试，后面跟着实操教程学习吧！整套课程共分为两个部分，一到六节为基础部分，其中包含了 comfy 的 配置要求以及如何安装与部署 面导览与原理介绍文声图以及提示词的语法，之后还会聊聊 ai g c 的 相关网站以及模型下载，最后还有突声图以及高清修复的过程。那么从第七节课到第十三节课属于进阶部分，先后会讲解 cos 内及其诸多预处理器的使用方法以及使用场景，之后还会教大家 ipad pro 及其强大功能的应用。 最后我们还会学习最基础的 ai 视频生成原理，而在最后，我们将结合前面所学的全部知识，一起来做一个 ai 视频换脸、转会。这些这些这些都是 ai 生成的。 自二零二三年以来， ai 绘图软件 stupefaction 的 发展势不可挡，各种各样的衍生模型插件百花齐放，现如今生成像这样的 ai 视频完全不在话下。那么 我们就一起跟随着时代的脚步，一起探寻 stableview 的 康复 ui 到底该如何使用吧。大家所熟知的 web ui 和康复 ui 其实都是属于 stableview， 而 web ui 主要是基于规则库开发的浏览器界面，康复 ui 则是使用图形、节点、流程图设计和用于稳定扩散的用户界面。这边我们将康复 ui 和 web ui 的 优缺点列出来，方便大家做个对比。首先我们来看 web ui 和 web ui 的 优缺点列出来，方便大家做个对比。首先我们来看 ui 这块，它的优点是简单易学，并且操作较为基础与简易， 它的缺点是不利于长期管理。那么这是什么意思呢？当你在深度学习完 web ui 的 高阶内容后，你会意识到，如果使用的是康复 ui， 那 么将节省两到三倍甚至更多的时间。其次，在插件过多时， web ui 会显得非常的臃肿， 机操作费时。那么接下来我们看一下康菲 ui。 这边我们可以看到康菲 ui 对 配置的要求较低，这同时也意味着降低了 ai 绘画的门槛，方便更多的小伙伴加入进来。那么它的优点极致是节点更易于管理，有较强的自主性，我们可以根据个人需求来组装属于自己的工作流。 并且在未来，康菲 ui 将逐渐与微软在应用层面拉开距离。比如前段时间的 sd 三或者国产最新的克林大模型， 都是第一时间在康复 ui 里可搭建工作流并使用的。而对于 web ui， 这些最新的模型与插件往往得过一阵子才能失状，甚至直接不失状。所以使用康复 ui 也意味着你能够更早的使用到最新的模型与插件。而 康复 ui 的 缺点是初期不好上手，但我相信在你学完了本套课程后，一定能够完全掌握康复 ui 的 基础操作。除此之外，过去我们知道有许多软件，比如 blender、 达芬奇、 ue 等等都是使用节点式工作流， 因为他没有极强的自主心与可模块化，许多头部公司的顶级团队使用的都是节点式软件。那么康复以外，除了上述优点之外，我们在使用时还可以非常方便的套用他人分享的工作流，即刻便可实现相同的效果，节省了非常多的节点部署思路的思考时间 及从单个节点构建成工作游的部署时间。哈喽，各位小伙伴大家好，欢迎来到 cf ui 系列教程的第二节课。那么在本节课中，我们将介绍 cf ui 的 配置要求以及安装与部署的过程。那么首先是电脑配置以及系统环境的介绍。首先是显卡方面， 最低要求是拥有四 g 级以上显存的英伟达显卡，如果显存不足，可能会影响到绘图过程的流畅度。接下来是 cpu， 关于 cpu 要求不高，英特尔十代 i 三以上就可以使用，但推荐使用性能更强的，如英特尔十三代 i 五幺三六零零 kf， 以获得更好的性能。接下来是内存，内存至少需要十六 gb， 推荐三十个 gb 以上，以确保可以加载和运行较大的模型。最后是硬盘，关于硬盘呢，至少需要两百 g 的 空余空间，推荐使用大容量的固态硬盘，因为 ai 绘图过程中会下载和生成大量的模型以及图像数据。那么接下来我们详细介绍一下 comfuly 的 下载以及部署方式。 我们先安装资源包里面附带的启动器运行依赖，接着打开解压之后的 comfui 文件夹，在文件夹内找到被会式启动器，随后点击一键启动即可。锁匙启动时可能会安装一些必要的环境依赖。 稍等片刻后，我们便来到了 comfui 的 主界面。接下来介绍第二种安装方法，官网资源包的安装。当然关于官网的资源包，我们也可以在评论区内获取。我们解压完资源包后，在文件夹内找到这个项目， 双击运行，等待片刻后，我们便可以来到最原汁原味的康复 ui 界面了。这个版本的康复 ui 是 没有装任何非官网的插件的。 此外，康复 ui 完全离线工作，对 gpu 的 要求相对较低，但是也有 cpu 模式，不过在 cpu 模式下绘图速度极微缓慢。如果小伙伴们之前有使用过 vpi 或其他类型的 stupefaction ai 绘图应用， 都可以通过修改 comfui 的 配置文件来实现。在不同的 ai 绘图应用间共享大模型以及 logo 等等，依次减少对硬盘内存的占用，那么接下来我就向大家演示一下，如果将我们的 comfui 大 模型以及 logo 的 加载路径修改成 vibui 的， 如果小伙伴们没有玩火 vibui， 那 么这一段可以直接跳过。好的，那么我们打开 comfui， 接着我们找到这个文件， isht 打开。好的，那么打开之后我们找到这一项 basepass， 我们要做的是把 bash 后面的这一串改成我们 web ui 文件夹的路径。比方说我们打开了 web ui 的 文件夹后，我们可以单机上面的这个栏目，随后 ctrl c 复制。接着我们回到刚才的记事本内，将我们刚刚复制的路径粘贴到此处，随后我们保存并关闭记事本。接下来的一步很重要， 我们需要将 example 以及这个点给删除，也就是将我们的文件名后缀改成点 y a m l， 随后点击确定即可。那么接下来我们打开 comui 来确认一下。 好的，我们这边看一下 check point 加载器里面的大模型，点开后我们可以看到多了，非常多啊，那么这就证明我们成功把模型路径合并到了 vip ui 内。好的，那么以上就是关于本期的全部内容了， 欢迎来到 comfui 系列教程的第三节，那么在本节课中我们将一起了解 comfui 的 主界面以及各种参数到底代表了什么。最后我们将学习 stableview 生成图片的根本原理。好的，我们打开了奇威大佬的会使启动器后点击一键启动。 经过一段时间的等待后，我们便来到了 comforion 的 主界面。那么我们在面对 comforion 这个完全陌生的软件时，我们要做的就是初步了解每一个模块的大体含义。那么接下来我带着大家过一遍。首先是操作方式，我们可以通过鼠标的滚轮来控制画面的缩放， 按住鼠标左键，我们可以拖动我们的仕图。点击鼠标右键，我们可以看到有非常多的栏目，这边我们可以试着点击新建节点，随后我们可以看到有非常多的节点可以供我们选择。好的，那么之后我们再来说一下快捷键，顺从图片的快捷键是 ctrl 加 enter 框，选节点的快捷键是按住 ctrl 加鼠标的左键。移动框选目标的快捷键时，按住 shift 加鼠标的左键， 这边我们在框选完后，如果不按住 shift 直接进行拖动的话，我们可以看到此时只有单一节点进行了移动，剩下的快捷键我都放在这了，小伙伴们可以暂停观看。 好的，那么接下来我带着大家一起来解读一下这个默认工作流。首先在这边我们可以看到有个叫区块过滤加载器的东西，这个节点的主要作用是加载扩散模型，也就是我们常说的大模型。此外该节点还提供适当的 ve 以及 kf 模型，具体它们是什么我们带回讲。 我们顺着车控加载器的节点连线，可以看到这里有两个 clip 文本编码器，在这里我们可以看到它们的输入都是 clip， 和它们的输出都是条件。那么究竟什么是 clip 模型呢？ clip 全称为 contrast language image programming， 是 由 open ai 公司在二零二一年发布的一款多模态与训练神经网络模型。 clip 模型的作用是理解我们输入文字的意思， 如我们输入弯钩生成的是一个女孩，而不是太阳，这就是 k 赋的作用。接着我们顺着 k 赋文本编码器的条件输出看过来，连接到了 k 采阳器上。这边我们可以看到 k 采阳器拥有两个关于条件的输入，一个是正面条件，另一个是负面条件，那么这代表着连接着正面条件的文本编码器内的提示词为正面条件提示词， 也就是我们常说的正向提示词，从里下面的则为负面条件提示词，也就是我们常说的负面提示词。好的，我们把目光重新回到 k 采阳器内， 我们可以看到除了正面条件以及负面条件外，还有两个输入，分别是模型以及 latent， 那 么模型则是连接着刚才的这个 pos 接收器，也就是我们的大模型。那么这个 latent 究竟是什么意思呢？ latent 通常是指前空间，可以理解为 stability function 内部流程中的图像格式。如果将图像作为输入，则需要通过 v a e 编码将其转化为 latent 数据。在最后输出时，也需要通过 v a e 解码将其转化为像素工具，也就是我们最终看到的图像。这边我们可以看到 k 才阳气的 latent 连接着一个叫做空 latent 的 节点，这个节点内共有三个参数， 分别是宽度、高度以及 p 四大小。宽度和高度决定了我们最终生成图像的尺寸，而 p 四大小则代表着每生成一次将出多少张图。比如说我们将 p 四大小改为三，高度改成七百六十八。 最后我们按 ctrl 加 enter 进行生成。好的这边我们可以看到一次性生成了三张图像，也就是我们 p 四数目的图像。接下来我们继续看 gaussian 的 其他参数。 首先是随机种，随机种的值我们一般称为种子值，每张图都有专属于它的种子值，我们也可以理解为种子值，就是图片的 id 号码。接下来是运行后操作，点开后我们可以看到用了四个选项，分别是固定、增加、减少以及随机。如果选择固定，则在你生成完后种子值会保持不变， 方便你进行其他的调整与操作。那么接下来就是采样部署，采样步数越多，计算器的运转时间越长。在大多数的情况下，我们的采样步数该值的意思是及时引导系数。 cf 句子越高则代表着生成图像与提示词之间的联系越紧密。 cf 句子越低，则代表着提示词对生成结果的影响越小。不过过高或过低的 cf 句子都会给图片带来不好的影响， 所以我们一般保持适中的 c f 锯齿即可。接下来是采暖器和调度器，我们可以理解它们为图像的生成方式。如果我们将其他参数比作是食材，那么它们则是烹饪方式。不同的烹饪方法当然会带来不一样的结果。比如我们点开采暖器后，可以看到有非常多的选项，这里我们目前最好的一般是选择这个 d p n 加二样或者 d p n 加二样 s d e 这两个都是挺不错的。接下来点开调度器，我们也是可以看到有非常多的选项，这里我们一般选择的是 chaos。 最后我们可以看到还有个降噪参数，由于该参数是跟图生图有关的，我们以后再说。接下来我们看一下右边有个叫做 v e 解码的东西，那么我们可以看到这边也有两个输入，分别是 lateen 以及 v e late 刚才我们已经解释过了，也就是晴空间图像。那么物业 e 究竟是什么呢？物业 e 全称变分字编码器 blake 宣布 autodrill 的 缩写，它是一种深度学习模型，主要用于无间断学习任务，特别是在生成模型领域。物业 e 结合了神经网络和概率图模型的特点，而它在康复以外的作用是将我们的晴空间图像编码成像素空间图像， 或是将像素空间图像编码成晴空间图像。除此之外，我们还可以双击屏幕上的空白处，随后就可以搜索节点，比如说搜索加载图像， 或者我们也可以双击搜索预览图像。这边再多说一嘴 v a e。 解码之后的图像节点，我们也可以直接连接到预览图像上， 比如说我们现在把这个保存图像节点给删去，如果这么操作的话，那么我们生成的图像不会被保存，接着我们再生成一次。这边还要注意的一点是，在我们搜索节点的时候，我们也可以输入英文，比如说加载图像的话，那么就是 load image， 那么我们可以看到这两个节点是完全相同的。接着我们再来说一下，比如说当我们输入英文的时候，同样的也是 load image， 但是这个时候我们加了一个空格，好，我们可以看到 这里面并没有出现加载图像的节点，那么这也意味着在我们搜索节点的时候，我们要注意区分节点的名称是否有空格好，比如说我们需要搜索加载图像节点，那么我们删除 load image 之间的空格时候，我们可以看到，哎， 是不是加载图像节点就出现了？好的，那么以上就是关于默认工作流的全部解释，接下来我们来看下界面还有其他哪些模块。首先我们点击左上角，这里有个文件夹， 点开后我们可以看到我们的工作流都保存在这，这边可以点击新建，那么我们就新建了一个新的工作流，当然我们也可以点击这个 import， 也就是输入我们的工作流，或者说是输入我们的文件夹。 最后我们点击 models， 我 们可以在这里找到并且下载相关的模型。接着我们来看一下右边的栏目，首先是该栏目的左上角，我们按住后可以进行拖动， 然后是这个齿轮标志，点开后我们便来到了 ctrl u i 的 设置界面，在这里我们可以设置语言，点开后我们可以看到有中文，繁体中文，英语以及日语韩语等等。我们往上翻可以看到有其他的功能，比如图像面板顺序，图像面板的位置等等等等。我们往下看，这有个文本补全，这个 enable 我 们一定要勾选上，这代表着它的起用。 文本补全的意思就是在我们输入提示词的时候，会有这些英文短语的提示，我们往下看，有个添加提示词对列，这个是生成的意思。 接下来我们可以看到一个保存的选项，点击该按钮，我们并可以保存当前的工作流以及加载，那么就是加载工作流，同样的意思。接着是重刷新，比如说我们下载一个新的大模型之后，那么我们点击重刷新便可使用。接下来还有个重点就是管理器，这个是 com 文档里面最重要的节点，点开后我们可以看到非常多的功能， 比如说这边有数据库以及频道方式，预览方法，表情等等等。这边预览方法我们一般选择的是名称 也是标签，名称选择了之后，我们可以看到节点的右上方一般会出现一个小狐狸按钮，而小狐狸按钮则代表了的是它是官方节点。比如说我们加载一个新节点，那么我们可以看到该节点是属于 any money 贝贝拉克节点组的。接着我们回到管理器第 六个 cosmo 编辑，点开后，我们可以看到有非常多的节点，在这里我们可以查找以及安装我们想要的任意一个节点。在今后的学习过程中，我们会频繁使用到这一个模块， 接着我们看到 model 命令诀，在这里我们可以安装我们想要的任意一个模型，注意模型不是节点，他们是分开来的。至于干模块，我们今后也会频繁的用到好的。在接受完康复以外的逐阶面以及各种参数后，我们来了解一下 cbd 的 内在运行原理，就可以方便我们理解并掌握进一步的学习内容。 在我们输入完体数词之后，文本编码器的 get 模型会将体数词转化为特殊向量，然后再由业 e 编码器将这些特殊向量 翻入到前空间内，这些特征向量在前空间内不断的降噪，最后再由 ve 解码其将这些经过降噪之后的特征向量解码成由一个个像素所组成的图片。好的，那么以上就是本期的全部内容了， 哈喽大家好，欢迎来到 comfui 系列教程的第四节课，那么本节课我们将一起学习纹身图的相关知识 以及体式词的语法。在第三节课的结尾，我们一起学习的 stable fusion com for ui 的 技术工作原理。那么现在我将结合默认的文胸图工作流来讲解其中的工作流程。首先第一步，在我们输入完正负象体式词后，文本被码期内的 clip 模型会将我们的体式词转换为特征向量输送到 k 彩阳期内。 我这边有个疑问，就是文本编码器的克利普模型从哪来呢？我们顺着这个节点往下看，可以看到它来自于 jiffy 加载器，而这个加载器主要是加载各种各样的大模型，也就是说文本编码器内的克利普模型是属于各个大模型的内置克利普模型，而不同的大模型之间，克利普模型也可能会有所差异。 那么接着我们可以看到这块加载器的输出有个 ve， 那 么也就是说他提供了 ve 模型，我们看看连到哪哦，连到了 ve 解码这里，而 ve 解码的作用就是将 k 太阳器内经过了降噪之后的前空间图像解码成像素空间的图像，也就是我们肉眼可以看到的图像。这边我们可以做个实验，先将种子组固定，最后断开 ve 的 连接， 然后我们生成，我们可以看到这边是直接报错了，而这个报错的意思是缺少了 ve 的 输入，那么接下来我们重新将 ve 模型给连上， 随后开始生成。这边再提一嘴，生成的快捷键是 ctrl 加 enter， 非常的实用，请牢记。如果说你想调节生成图片的尺寸，那么我们可以在空内存这里， 比如说我们将高度调成七百六十八，所以这个数字一定是八的倍数，宽度也一样，这一批次的话则是控制单次生成的图片数量，比如说我们设置成二好的，我们摁 ctrl 加 enter 开始生成 图片，生成后，我们是不是可以看到他的比例已经成功变成了竖屏的比例，并且他一次生成了两张图像？好，接下来我们一起学习提速词的相关语法。首先我们来聊聊书写规范， 不论是正向提速词或者是副向提速词，我们在书写的时候一定是英文以及英文的标点符号，不然系统可能会识别错误。比如我们输入 one go 嘎等， 还有 yellow dress， 黄色的裙子。这边再提一嘴，生成的快捷键是 ctrl 加 enter。 好 的，我们得到了一个穿着黄色裙子在花园中漫步女孩的图片。那如果说我们用中文来输入，结果会是什么样呢？一个女孩花园以及黄色的裙子， 我们这边可以看到，不能说是毫无关联吧啊，他们至少图片中都有女孩，但是黄色的裙子以及花园很明显没有在图片中出现。接下来我们来讲一讲提述词的权重。在做之前，首先我们要理解什么是权重。对于权重概念模糊的小伙伴，我们可以理解权重就是比重 分量，那么一个提词尺的权重越高，它的分量就越高，它的比重就越高，它在整体中的地位就越高。比如现在一个提词尺的权重是一点二，而另一个提词尺的权重是零点九，那么当然是一点二的提词尺会占更大的比重。 那么接下来我们做个演示，比方说我们输入 one go golden one go 的 权重是一点二，而该等的权重是零点八，那么画面会更侧重于 one go 的 展现。那如果说我们 one go 的 比重是零点八，而该等的比重是一点二，那么画面会更注重于描述花园是怎么怎么样的。 好的，接下来我们来讲一讲我们该怎么去控制提速词的权重。首先是重括号，重括号代表着零点九倍的权重，也就是说给提示词加上中括号后，提速词的比重会变小，会降低它的重要性。 接下来是小括号，小括号代表着一点一倍的权重，比如我们给一个体式词加上小括号后，那么该体式词在画面中的比重就会增高。最后是大括号，大括号代表着一点零五倍的权重，算是一种微调。当我们给某位体式词听这两个中括号时，那么就相当于为这个体式词加上了零点九乘以 零点九倍的权重。零点九乘以零点八一，那么就相当于给这个体式词加上了零点八一倍的权重。那么同样的，当我们给个体数词加上两个小括号时， 那就等于一点一乘以一点一倍的权重，那也就是一点二一，相当于我们给这个体式词加上了一点二一倍的权重。大括号语，同理，那么有的同学可能会问，关于这个权重的变化有没有什么快捷键呢？哎，这个还真有。比如我们将光标移动到某一体式词上时， 打个比方说，该的按住 ctrl 加上键，那么就是给他加权重，我们可以看到他的权重在不断的增加，那么 ctrl 加下键，那么就是减少他的权重，是不是很方便呢？ 不过我们要补充的一点是，关于权重，我们要多低都行，但是不可过高，因为过高的话，图片就会过拟合，换句话说，图片就会变形，会 失真。接下来我们来讲短句和长句。我相信不少小伙伴都有这么一个疑问，为什么我解提示词的时候一定是一个一个词这样去听写， 而不是用一句话去描述我们想要生成的内容呢？那么这边我可以很明确的回答你，其实两种都行，但是就目前而言， 用一个一个的词组据生成，效果会更加的准确，更能表达出我们提示词独含的意思。另外一点，使用一个一个的词的时候，也方便我们进行权重的调整。比如刚才我们有提到，将光标放在某一提示词上， 按住 ctrl 加上或下就可以调整该题词的权重。那么如果说这一句话的话，你想调整某一题词词，那么可能就得着重去除括号，进行相关的权重调整。而当然现在全世界的 a i g c 从业者也在不断的去研究该怎么样让自然语言，也就是我们的长句能达到媲美短句的效果。接下来我们来讲一讲 提示词的整体长度。这么要注意，比如我们在输入正向提示词的时候，并不是说越多就越好，多可能会让你的表现更加糟糕。那么我们最好把提示词控制在什么数量之内会效果最佳呢？经过众多 a i g c 玩家的经验以及研究表明，提示词控制在七十五个之内 是效果最精准的，超过了七十五个提示词的话，可能会对提示词的识别不精准，整体的表现会降低。正向提示词如此反向提示词也是一样的，记住最好不要超过七十五个。 接下来我们来讲一讲骑手势，那么什么是骑手势呢？在 stable dev 选各个大模型训练的过程中，会加入许多的，比如四 k， 八 k 或者 masterpiece 各种各样高质量的图形去训练。 那么当我们在输入提示词的时候，比方说输入四 k masterpiece， 那 么就可以使我们生成的图像更加的精美。反向提示词的话，那么就相反，比如我们输入模糊 字纹，不想要模糊吗？那么相当于也是会让图片变得更加的清晰。或者说我们在反向提示词内输入文字 text， 那 么在画面中就会减少文字的出现。这边我们可以来看一下这几组的对比，差异还是很明显的。 接下来我们来讲讲提速词的顺序，或许有小伙伴会有疑问，以为提速词在整体的前部或者是在整体的后部会有什么影响吗？答案是会有影响，在一组提示词中，约靠前的提示词权重会有所增加。那么在我们书写提示词的时候，我们尽量按如下格式进行书写， 首先是书写那些可以提升画质的，或者说可以改变画风的些词汇，比如 masterpiece， high quality， high detail s 这些词汇。第二步是描述我们画面的主体，比如我们可以说 one girl rougeous， 一个女孩，蓝色的裙子。那么第三步就是描写环境，场景，灯光或者说构图，比如我们可以说 ungarden 背景吧该等，或者说是 white background， 白色的背景，或者说是 soft light 柔和的灯光类似于这些。那么最后我们可以在这项提示词的结尾添上我们想要加的 laura， 关于 laura 和各种模型的下载，我上期视频也有介绍，感兴趣的小伙伴可以回去观看。接下来我们来讲一讲提出词污染。那首先我们要知道 什么是提示词污染。我们可以看一下这一组图片，未经处理时，在多个提述词同时书写的情况下，各个提述词的意思可能会相互渗透。那么为了避免这种情况，我们可以用 break 来隔开提述词， 尤其是防止颜色污染。之后我们来聊聊提述词融合。比如我们写 one girl， kid 这边我们可以看到生成了一张猫在女孩身上的图片。好的，现在我们在 one girl 和 kid 之间添加上 end， 所以这里的 end 必须是大写，全部大写。这边我们可以看到生成了一张猫粮的图片，这个 end 的 作用就是将两个提示词融合在一起。同样的，下划线也有和 end 类似的作用，也是将两个提示词结合在一块。 除此之外，隔一组提示词用中括号括起来，中间再用竖线隔开，也有类似与融合的效果。那么这个的原理是，第一步画前面的关键词，第二步画后面的关键词，以此类推。最后我们来讲一下控制生成的时间段， 比方说现在的叠带步数是二十步，在这过程中，我想让前百分之三十生成森林，后面百分之七十生成一个女孩。那么我们可以试着这么书写大括号， boris 在 街上冒好 one girl 在 街上冒好零点三，最后以大括号结尾。那么这一长串 代表着是在百分之三十的时候叠数画 boris， 开始画 one girl。 那 么如果说我们把零点三改成零点七，那么意思就是前百分之七十画 boris， 后面百分之三十画 one girl。 好 的，那么以上就是本期的所有内容了。

这是黑鹤大佬搭建的 o x 二点三多帧控制工作流，今天咱们两千零八十 t i 二十二克显卡来跑一下，得益于群里的赛博普萨姆二十给了整合包，本来二十系显卡开不了的， c 值的参差加速也能用上了， 速度直接加快百分之三十。图 也是先用豆包深层的测试一下， 直接开始过程，五秒剪掉，直接看成品。第一个生成五秒视频，我发现它不张嘴，第二个我改成八秒才同步，五百多秒生成时间内存高一点，差不多可以两百多秒生成。 每个人都有故事，但要有一双发现故事的眼睛，你呢？每个人。

大家好，我是陈旭，今天给大家分享一期 comui 的 基础知识，包括快速启动、界面设置，工作流模板模型文件、常规插件等。那么首先我们来讲一下 comui 的 启动，如果我们的 comui 是 通过拉取官方源代码进行安装的，那么我们启动的时候是需要来到我们的 comui 根目录， 然后在根目录右键在终端中打开，通过激活我们的虚拟环境，然后实现启动。但是这种启动方式非常麻烦， 它需要多次输入命令才能够侦查启动。例如我们首先要输入这行命令，然后激活它的虚拟环境，但这个时候很多电脑是没有办法直接激活，比如说我这台电脑，我现在回车看一下， 是因为环境策略受限，没有办法激活，我们还需要输入一行代码，也就是这行代码，然后绕过我们的环境策略受限的一个状态回车，然后我们再输入这行命令，继续激活我们的虚拟环境。点回车看一看， 当它前面变成绿色的 v 一 n v， 就 表示它的虚拟环境已经激活，现在我们输入我们的启动命令，它就可以启动了。 好，它已经开始启动，但是这种启动方式确实比较麻烦，例如我的电脑要输入四次命令，然后才能正常启动，我现在教大家如何设置我们的一键启动按钮。继续来到我们的咖啡园，给目录，在这里右键我们新建一个文本文档，在这里输入 star， 然后注意我们这个后缀啊，一定要设置 b a t， 然后回车， 这个时候它会有一个提示，我们只需要点视就可以，那么现在我们开始编辑一下它，然后对它右键在记事本中编辑，我们已经打开它可以编辑了，那么现在我们只需要输入这样一些命令，如果大家看不清可以放大一些，这些我们都不用管， 唯一我们要关注的是它就是我们的 comui 的 根目录，如何快速找到我们的 comui 根目录呢？只需要在我们根目录这里点击空白处，这个时候我们的根目录地址就可以复制了，比如 ctrl c， 然后回到这里进行替换，然后我们点击保存关闭。好，这个时候我们可以点击它进行快速启动，尝试一下， 好，它已经开始运行，当我们看到这里说明已经启动完成，这种方式是非常方便的，我们只需要点击一下，我们还可以把它右键显示更多发送到桌面快捷方式，然后我们会看到我们桌面有这样的一个按钮，那么每次只要我们想运行我们的 comui， 我 们只需要在这个地方点击一下，我们 comui 就 启动了。 好，看到这里说明我们的 comui 已经是启动状态，那么我们再回到我们的根目录。实际上我们日常使用我们的 comui 经常会用到的某些文件夹。第一个也就是我们的 custom node， 这是我们的一个插件库，比如说我们安装的所有插件都在这里。 第二个核心是我们的 models， 就是 我们的模型库，点进来以后我们会看到这里有 checkpoint clip diffusion models， loras unit， 加载器，包括 vae。 当我们去下载我们的模型文件的时候，我们一定要看提示，要放在我们对应的文件夹里面。还有一个我们经常用到的文件夹，就是我们的 output， 这里是我们生成的所有的视频啊，图片啊，它的一个存放地址。最后一个要讲的就是我们的工作流它到底在哪里？ 我们找到这个 user 双击，然后点这里，然后再点我们的 workflow， 这里是我们平时所用的所有工作流，它都会存放在这里。 ok， 我 们的文件夹就算讲完了，因为 comfuse 的 基础内容角度，我们需要分几期才能给大家讲完。今天主要讲了在启动 comfuse 的 时候，如何绕过繁琐的代码行，设置一个快速的启动按钮和我们 comfuse 根目录主要文件夹的处理。请大家点赞、收藏加关注，感谢观看，我们下期见！