家人们,核弹集更新来了!秋叶大佬全新匡威外懒人整合包来了,简直是小白神器,不用折腾,拍进的环境不用愁节点报错,全部提前配置好,双击就能启动。全套汉画界面,零基础也能闭眼玩,还内置三百三十七套爆款大神工作流拉图就能一 生成无套路全打包,想要小伙伴三六九直接带走去玩!将安装包下载到电脑后,用鼠标右键点击它,在弹出的菜单里选择解压软件解压,然后点击解压到当前文件夹,等着解压完成就好。解压后的文件夹里 解压完,打开文件夹就能看到一个粉色动漫角色的启动选项,双击就能运行。启动器, 第一次启动时等待时间会稍长,因为启动器需要自动配置环境文件和基础依赖,大家不用着急,等进度条跑完就行。 启动器主页左侧有几个关键功能区,我们快速过一遍,避免后续操作踩坑。文件路径区,这里会显示 comui 的 根目录自定义节点输入图片和输出图片的保存路径,后续找文件、存作品都靠它。 高级设置重点看生成引擎默认会选择电脑的独立 gpu, 一 般不用手动改,要是识别错了,手动换成自己的独显 gpu 就 行。 疑难解答与版本管理疑难解答这里,如果大家后续出现整合包有问题,可以通过这里进行排查。问题版本建议选稳定版,开发版虽然功能新,但可能有报错风险,大家隔一到二个月来切换一次版本就够。 小工具区是不怎么用的,所以暂时用不上。阶阶段,我们先聚焦核心功能,然后确认设置没问题后, 点击启动器右下角的一键启动。等环境配置完成, cf ui 会自动在浏览器里打开运行界面。其次,新版 cf ui 官方精心筛选出五十六个在 ai 发展史上留下深刻印记的经典 ai 功能, 并将其制作成开箱即用的模板,整齐地排列在工作流预览处,内容丰富到令人目不暇接。 对于新手而言,这无疑是快速入门,迅速掌握当下热门 ai 技术的最佳捷径。另外,新手们最头疼的三座大山,网络工具缺失、模型寻觅无果,报错无法解决, 我也为你成功铲除。我花费整整两个多星期,在耗如烟海的网络世界中翻箱倒柜、通宵达旦的下载模型调试报错,终于将这五十六个工作流的所有节点都调试的畅通无阻,模型安装的稳稳当当,参数也内置的精确无误。 你拿到手后,无需借助网络工具,不用精力繁琐的安装调试过程,只需挑选自己感兴趣的模板, 轻轻点击运行,即刻就能开启你的 ai 创作奇幻之旅。时间有限,更多精彩细节无法在此一一展开。 之后我会带领大家从最基础的纹身图开始,一步步让大家学会康复 ui 这款强大软件,让大家从零基础的小白鸟变大神, 绝无任何套路。好了,下好这节课,我们一起来学习康复意外的使用方法。那么康复意外它是一个由节点构成的工作流式软件,我们现在所看到的就是最基础的纹身图工作流。 那么接下来我们将一同学习康复意外的主要模块以及各个参数究竟代表了什么?关于软件安装有任何疑问的小伙伴欢迎在评论区内留言。首先啊, 我们先来理解节点究竟是什么,那比方说这一个我们可以称为节点,这一个也是节点,这一个,这一个,这一个他们都是节点,而节点与节点之间有线连接, 大家可以看到有红的线,黄的线,蓝的线,各式各样。那么要想学好康复以外,我们得先从最基础的,也就是这一套文生图工作六章起。我们先看到最左边这里有个缺空软加载器, root 加载器里面存放着的就是大模型。关于大模型,我们在 weby 中接触过,它控制着各式各样的画面风格。接着我们顺着 root 加载器的线往后看,首先是黄色的线连接到了 这两个节点,那么它们称为 clip 文本编码器,那文本编码器里边的内容其实就是正负项提述词。那么如何区分正向提述词还是负面提述词呢?我们顺着 文本编码器的线再往后看,可以看到由条件输出连接到了条件输入中,那么连接着正面条件的文本编码器自然而然就是输入正向提述词的地方, 而连接负面条件的文本编码器自然而然就是负向提示词输入地方。好,我们这边先生成一张图片看看。至于如何生成,看到右上角有一个运行按钮,点击一下, 接着我们就可以生成一张符合咱们提示词描述的图片。如果说我们想把图片内容稍微换换,当然就是回到刚才的正负项提示词文本框,比方说在正项提示词内输入一个女孩双马尾 负面提示词,咱们输入 ez neg, 选择第一个,获得第二个都行。接着点击运行按钮,可以看到一张非常简陋的双马尾女生形象就这么生成了。至于如何该提升它的质量, 之前的课程中也有讲过,就是在正面提示词内输入这样词汇,比方说杰作、高质量、极致的细节等等等等,那么我们就一起来实战一下。先打开 老朋友翻译器,输入杰作最高质量、极致的细节,把异文粘贴在正面提示词内。当然由于我们这边呢用的大模型,是全能大模型, 所以我们可以添加任意的风格词汇,比方说我们想让最终图像是动漫风格,那么就添加上动漫风格,如果说想要最终图像偏写实风格,那么就添加写实风格的英文,比如说来个写实风吧。 添加完之后,负面提示词这边,因为刚才啊已经使用了 isigma 这一个负面提示词的词组包,这个单词其实包含着许许多多的预设好,打包好的负面提示词,所以这边我们就先不用管, 我们点击运行可以看到画面质量好了一些,但还是远远不够,原因也很简单,分辨率太低了。那么该如何调整我们最终出图的长宽呢?我们顺着文本编码器往下看,在最底下有一个叫做空阶的东西, 空阶看起来挺陌生,但它的参数也非常容易理解,一共三个参数,宽度、高度以及平 一次大小。现在是不是豁然开朗?在这里我们将控制宽高,比如我们把宽度设置为幺零二四,高度设置为幺零二四,接着再点击运行, 现在我们就能够很明显的感受到画面的细节得到了极大程度的提升。旁人如果说想进一步修饰这张图片,可以从关键词以及 laura 模型下手,至于什么事 laura 咱们稍后再讲。如果说啊,我们想一次性生成多张图片怎么操作,那么就来到空雷滕的最下边,有一个 p 四大小, 不过我们把它设置为四,意味着单次运行会跑出四张图片。那么这边我们把关键词给稍微换一下,我这边重新添加的关键词是异世界的奇幻场景以及 c g 质感,并写完后点击运行。 ok, 那 么很快生成了四张一 世界主题的场景图片,也是遵循了提示词的 c 句质感怎么样?效果还是非常不错的。如果我们想让它变成横屏图片,只需要在 lincoln 这边添加宽度或者降低高度即可。比如说我们高度设置为七百六十八,再次点击运行,很快也是生成了四张图片,同时也是如我们所料变成了横屏 c 句风格。好的,那么以上就是关于 laten 这一个小结点的功能概述。接着顺着 laten 往后看,连接到了一个叫 k 财洋气的东西,那就 k 财洋气, 它可就大有来头。如果我们仔细观察可以发现呢,刚才我们所介绍的这四个节点其实都连在了 k 财洋气上啊。 k 财洋气对于我们这整套工作流而言,相当于核心大脑,他负责处理大部分的事物,将 将各个参数输进来,然后在 k 彩样器里边进行计算,随后再通过后边的 输出节点来输出我们肉眼能看见的图像。哎,我知道这么说可能还是不太明了,咱就一起看看他到底有哪些参数。首先是随机种以及运行后操作,这两个是绑在一起的,随机种相当于图片的身份证号, 每一张图片,哎,比如说这张有属于它的随机种子,或者说下一张这张图片也有属于它独特的随机种子值。当我们的关键词以及这些 宽高等等参数均保持一致时,更改随机种子就能够生成不一样的图片。比如说啊,我们把 p 四大小设置为一,随后点击运行, 那么此时我们可以看到图片变成了这个样子,接着此时的种子值是幺零九八五作为开头,咱们再次点击运行, 现在随机种子值又换了一组,变成了二零零二九开头,而最终图像也发生了改变,这就是我们为什么每次点击运行 图像都会发生变化的原因之一。那如果说我们想让图片保持不变,这一个该如何操作?现在我们先随便输入一组种子值来六六六六六吧。接着点击运行后操作设定为固定,再次运行工作流, 那么现在的图片长这个样子,如果我们再一次点击运行,大家会发现,哎,怎么工作流没有动静啊?哎,对吧?不管我们如何点击运行,工作流就是没有反应, 因为我们生成的图像是同一张种子值,以及正负面提示词,还有宽度、高度等等参数均保持不变嘛。 ok, 那 么以上就是关于种子值对于康复 u i 的 具体作用。接着看到步数,那这个步数当然指代的就是迭代步数了,我们在 v b u i 中有学过,它的步数越高,图片越精细,步数越低,图片越粗糙。比如我们此时把步数设置为 二,点击运行,我们可以看到最终图像是一团马赛克,那如果说我们把步数设置为三十五, 再一次点击运行,那么现在我们可以看到图像比当初迭代步数为二十时更为精细。再看到下边的 c f g 值,这个值越高,代表着最终图像 与咱们的提示词越相关, c f g 值越低,代表着我们最终图像与提示词越无关。而一般情况下,咱们的 c f g 下边的采集器和调度器, 我们只需要记得彩样器选择 d p n p p 二 m s d e 记不住也没关系,默认的也挺好,调度器打开来选择 charas 选项即可,这一个对于整体的影响不会太大。那我们此时啊再次点击升层,来看一下 修改完彩样调度器之后有什么变化,怎么样?变化大吗?确实是有一些图像升层出来之后,这个变化大家也有目共睹,是带来了一些变化,但 但是并没有带来质变,所以这两个参数新手玩家保持默认即可。具体该设置什么记不住真的没有关系。而最底下的降噪值,我们将在下一节课图生图工作流中再涉及到。好的,那么我们这一个 文生图工作流就算是理解的差不多了。如果我们不小心把某个节点给删去了, 如说像这个节点该如何添加新的节点呢?很简单,有几个方法,首先呢是从节点的后边直接从小圆点拖出来,松开鼠标,然后我们就可以看到这边有一系列的选项,比如说什么转接点, v e 编码, v e 内部编码器保存图像,预览图像。大家还记得刚才我们上次的节点叫什么名字吗?保存图像对吧?当然我们选择预览图像也行。好,那现在点击了之后,就会自动连接上一个刚才我们所选的节点,哎,再一次点击运行, 我们就可以发现成功的复原了工作流。当然如果我们想预览多个图像也是完全没有问题的,比如说我们来三个预览图像节点,再一次点击运行,我们就可以看到每一个节点 均输出了刚才咱们异世界警患的图像。其实康复 ui 这工作流是非常自由 集多样性的,大家在学习完基础知识之后,可以发挥自己的脑洞,构建属于自己的工作流。那么视频的结尾我再教大家几个常用的使用技巧。首先是框选节点,比如我们想同时选中这两个文本编码器以及缺空的加载器, 我们需要按住键盘上的 ctrl 键,然后再摁住鼠标的左键进行拖动,那么现在咱们就可以同时选中这三个节点。 至于如何删除某个节点也很简单,只需要选中该节点,然后再点击这一个按钮即可,又或者点击键盘上的 delete 键,而对于运行或者说声图同样也有快捷键是,嗯, ctrl 加 enter, 大家可以稍微记一下。好的,那么以上来自关于 本期的全部内容,涉及的新知识比较多,大家可以反复观看,那么我们就下期再见,拜拜!
粉丝1878获赞3933

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!

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。

看到这里,你可能想问,如何才能便捷直观地生成片头那些动漫风格和角色呢?今天给大家介绍一个安尼玛提示词的好搭档,安尼玛 style explorer, 它是一个交互式的可式化数据库, 可以帮助你快速查找安尼玛二 b 模型里的艺术家风格和动漫角色。这里面收入了超过四万个带 dmb 模型的艺术家风格,还有三万多个动漫角色预览, 非常适合用来生成各种动漫风格和角色。接下来我们就来看一下这个节点怎么用。安装与基础操作, 我们先来安装节点,打开项目页,先给作者点个小心心,支持一下,然后复制 get 地址。这里我使用的是 comfy ui 秋叶启动器,以此为例,在启动器界面上点击版本管理,选择安装新扩展, 在扩展 u r l 栏目中粘贴刚才复制的地址,然后点击右侧的安装,等待安装完成后正常启动 comfy ui 即可。启动 comfy ui 后,在界面上双击搜索框中输入 anima, 找到 anima style explorer 节点,点击即可添加。 这里介绍两种用法,第一种是替代原先的正向条件节点,将节点左侧连接到 c r i p 模型,右侧连接到正向条件即可。 使用时,点击节点的 style browser 按钮,会弹出 animal style explorer 界面。界面上方的前两个选项用于选择风格,第三个选择角色, 第四个是 folletlab 网友分享的提示词,内容较敏感,此处不展示。第五个是收藏夹, 由于风格和角色数量庞大,我们可以将喜欢的类型添加到收藏夹中。在风格选项中可以用画师的英文名进行搜索,例如火影忍者作者按本起始的英文名是 kishimoto masashi, 输入即可找到该作者。点击画面,选择 apply style, 再点击 add to prompt, 该风格即被选中。接下来选择角色可以通过角色名称或动漫游戏名称进行搜索,例如输入 king of f, 找到拳皇角色, 选择其中一个即可。这里我选了神乐千鹤,那么最终的体式词就是暗本起始风格下的拳皇角色神乐千鹤。我们来看一下生成结果, 可以看到节点上会显示所选画师的名称。如果想尝试画师串联,可以再次点击 style browser 按钮,选择另一位画师。点击 apply style 后会弹出两个选项, add to prompt 保留原有画师, 新增一位,两者共存。 replace current artist 用新画师替换当前画师只保留一位,我们再增加一位画师。提示词中会同时显示两位画师的名称,生成后得到的就是两个画师风格融合的结果。 其他功能说明,在 anima style explorer 界面的右上方 set api key 用于接入 follet lab 获取网友分享的提示词内容较敏感, 此处不做展示。 remote image 按钮,控制预览图的显示与关闭预览图从网络获取。右上角还有一个很小的设置按钮,点开后可以更新风格库或下载预览图到本地。最后你也可以在这个提示词框中手动补充提示。 以上就是第一种使用方法,只能选择风格和角色,然后手动补充提示词。 第二种使用方法,作为外挂的提示词。输入节点功能扩展说明需要说明的是,原版节点的输出只有康迪士尼一个选项,只能作为正向条件节点使用。因此我对节点进行了修改, 增加了一个字母串类型的输出。通过这种方式接入,可以将基础提示词先传递给大模型,经优化后再输出给提示词节点可玩性更高。 如需使用此功能,请下载我网盘中的 nodes 这 p y 文件,将其替换掉 custom nodes comfor anima style nodes 目录下的原文件,然后重启 comfor ui 即可。我们来看一下工作流, 在这个工作流中,原先的正向提示词节点依然保留 anima style explorer 作为外挂节点接入, 使用方法如下,节点左侧照常连接到 clip 模型,右侧选择 prompt text 输出,将其连接到 lama 节点的用户提示词部分,系统提示词部分针对画面动感进行优。 这里我选用的大模型是千问三点五九 b, 也可使用 jama 四模型。大模型输出优化后的提示词再连接到正向条件节点的文本框中。 enemy style explorer 的 使用方法与第一种方式相同,选择风格和角色,我们依旧选择暗本起始风格和神略谦和。可以看到提示词会先经过大模型优化,再送入纹身图流程,我们来看一下生成结果, 画面动态感明显增强,大家可以根据需求自由调整大模型的系统提示词,定制自己想要的画面效果。

这是一款可以无限生成视频的 ai 工具,它完全免 f, 不 需要积分。这就是秋叶康飞 u i v 九点五破线版,全中文界面,支持中文提示词,输入一段中文就可以生成这样的 ai 视频。唯一的缺点就是需要独立显卡, 显卡越好速度越快。这次整合包内置了三百三十加工作流模型,搭配工作流就可轻松实现这种漫剧深层室内渲染等复杂制作,都是点一下的事。那整合包是什么味道呢?七百七十七尝尝咸淡。欢迎来到我的 comfy 零基础从入门到精通系列的第一课, comui 本地部署。我们这节课的教学目标是从新建文件夹开始,本地部署 comui, 然后生成第一张图片。这个整合包是这个样子的。好,我们只需要找一个空的文件夹,我们解压,解压到当前文件夹 好,稍等一会,好的,解压完毕了,那么这个 comui 也算是本地部署完了啊,我们只需要点击会事启动器就可以正常运行了。 ok, 那 么这就是会是启动器的面板,因为我已经提前配置好了整合包,所以大家不需要额外的去动这里的这些按钮,我们直接点击一键启动即可啊,那这就是 qq u i 启动后的界面啊, 第一次启动的话,它会默认的呃,它有一个这样的一个基础工作流,但这工作流呢,已经比较过时了啊,所以我们不打算讲这工作流啊, 后续我们会围绕这一页特薄或者千问这种比较新的模型啊,也比较顶尖,去围绕这些模型去展开一个纹身图啊,图层图啊,纹身视频这样的工作流的搭建,那么我提前也准备了一份啊,以这一页特薄啊为模型的一个号工作流啊, 我们可以先看一下它的生图效果怎么样 这因为这 turbo 的 性能还是比较强大的,像人像啊,动漫啊啊,三 d 写实啊,这种风格它是都能做的,可以看到效果确实也是很不错的啊, 那这工作流怎么去使用呢?其实也非常简单啊,我们只需要把准备好的套提示词复制粘贴进去,然后我们点击一下运行,可以先选择一下尺寸啊,这里的话,尺寸我选择了速度, 我们直接点一下运行,然后等待出图就可以了。好,我们图片也跑出来了,我们放大看一下啊, 这个质感,还有这个,呃,这人物确实都挺好看的,可以现在这个 gmail 啊,他是国产的模型,他对中文语言的理解啊,还是非常好的。那我们下节课要讲的就是啊这个工作流的搭建思路, 下节课我们要讲的这个工作流啊,所涉及到的这些模型啊和 unit 模型啊, v e 模型啊,还有啊一些提示词。那我们这节课就到此结束, 欢迎来到我的咖啡 u i 零基础从入门到精通系列的第二课,纹身图工作流的搭建 啊,这节课呢,我们打算围绕这一页 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,我自己也是有实际去跑了一些图片的啊,大家可以在这里参考一下啊, 它无论是人体的结构啊,还有这些发丝啊,都是非常细腻的,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。好,我们现在可以来。呃,在进行工作的讲解之前,我们还需要知道这个模型啊,怎么去安装啊?模型呢,我都准备好在这个网盘里面了, 大家下下载的时候啊,会看到这几个文件夹,那么模型呢,都是放在这个 model 文件夹下面的, 那我们的我们主要要下载的呢,就是这啊, diffusion models, 还有 text encoders, 还有 v a e 啊,那 laura 也是可以下载下来的,都可以下啊,后面的歌词都可以用的到。下载下来之后呢啊,在文件夹里面就是这样子的啊,把这四个文件夹啊复制 来, ctrl c 复制一下,或者说直接剪切也可以。我们剪切到什么位置呢?我们打开会事启动器这里点击这个根目录 啊,这样他会弹出来我们客户 ipad 本地部署的根目录位置,我们在根目录底下找到 mod 文件夹,把我们刚刚啊下载的这几个文件夹啊剪切,或者或者直接移动到 这个文件夹下面就可以了啊。我们,呃,因为我已经安装好了,所以他会显示我有九个同名文件夹啊,那我就不替换了,那么这个模型也是安装完成了啊。啊, 模型完,安装完成之后呢,我们记得把 comu 重启一下,就可以正常的去使用了,那这就是模型的安装环节啊。 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?好,我们先放 k 彩样机节点 啊,因为啊, k 传感器它就是一个核心的胜读节点吗?普遍从零到有,它都都在 k 传感器去实现的。那我们驱动 k 传感器,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 加载器啊,然后在 unit 加载器上面选择我们要用的模型啊,我们这里选择 g m t turbo。 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 采集器,我们需要什么?我们不需要什么。好,我们就给它拉出来。好,我们这里选择 click 文本编码,然后封面条件也是一样的,我们也需要一个 click 文本编码, 然后 k 采集器,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,选择一个空里头,我们这里选择 s d 三的空里头。 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。这个千万的啊, 千万的这个 clip 模型啊,这个 clip 下划线三,下划线四 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,它在这个空内存上面画完图之后,啊,是从这个内存里面去啊,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啊, 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,我给它放到这里 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,还差一个就是这个彩样算法, 我们选择这个 ur 的 flow 的 这个彩样算法, 我们给它数字填成三,那彩样算法的作用是什么呢?你可以理解成啊,这个彩样算法,它是可以一定程度上的去影响可以散样细它的绘画方式啊,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 们给他呃,稍微整理一下,好吧,我们摁出 ctrl, 再摁出鼠标左键拖动方选这几个节点,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,然后同样的克里斯文本编码框,我们给它归类为这个提示词输入区, 其他的像这 comrade 啊, v e 睫毛啊,我就给它分分类成这个呃,残阳区, 然后这里是预览图像,我还可以再出来一张图,将保存图像,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,我想生成一个数股,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词给他输入进去, 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,他已经开始工作了。好,可以看到图片已经跑出来了,非常快啊, 我们可以看一下他总共花了多少时间,花了二十一秒啊,那么他因为他是呃在工作流里面首次加载这个模型啊,他花了一些时间, 如果你是第二次第三次去抠图的话,那么他的时间就会更快啊,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。发丝凌乱蓬松而真面尽显凌乱美,我们看一下他有没有啊, 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,我们先看看彩样区,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,他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 裁剪器这里它有正正面条件和负面条件。那么这个 clip 文本编码器的作用就是分别去对 k 裁剪器输入 啊正面条件和负面条件。你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 gmail, 它对于中文的语言的理解是比较到位的好吧, 他甚至知道赛亚人物空是什么,说明这模型里面还是有训练对应的这种,呃,赛亚人啊,孙悟空啊,这种合集的, ok, 那 这就是提示词区啊,提示词区就比较简单,这有两个啊,克里普罗的编码器。然后我们再来看看这个模型加载器啊, 首先我们看看他加载模型一共有三个节点,一个是 unik, 那 么这个 unik 加载器呢,加载的就是我们的深图大模型, 那么这个是这个 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,它作为一个绘画的机机器,它相当于就是脑子空空的,它什么东西都画不出来。 也就是说 ulike 的 加载器的它加载的这个大模型啊,它可以一定程度上的去决定 k 传感器它能画什么东西,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。

用 com 外做 ai 视频,是不是一运行就报错,模板还打不开?试试这款 v 九点五整合包,所有问题都提前优化好了,打开软件,直接在列表里挑喜欢的视频模板拖进去就能用,参数都已经预设好了, 零基础也能几分钟搞定。把手针图片拖进去,点击运行就能得到这样的 ai 视频。想自己搭建流程,批量出片搞创作的六六六烟烟牌,这次我就给大家啊准备了这个 啊啊,零成本的,然后也不太吃这个计算机配置的一个工作流,给大家像一般可以打游戏的电脑啊,比如四零六零啊,五零六零这样的啊,内存有个八 g 啊,十六 g 啊,就可以去体验这个工作流了啊。好,我们来看一下这份工作流怎么去用的啊, 那我这个工作流本质上是手真生视频啊,你需要先准备一张用于视频开头的图片啊,那我这张图片呢,其实也是用 ai 去生成的啊,发把它加载到这个节点这里啊,加载图像的节点这里, 然后去输入啊,输入提示词啊,你想让他做什么啊,建议的话,就像我这样子来写,我第一秒做什么,第二秒啊,什么,这镜头怎么动的,内容是什么啊?这样子,呃,写的精准一点,这样的话 ai 跑出来的这个画面也比较精准一些啊,负面提示词的话就不用动了啊,这是通用的啊, 那像这些模型啊,采用算法的参数啊,都调好了啊,可以不用动,那么其他要动的话,就是像这里的参数啊,这几个参数, 视频秒数,视频帧率,还有分辨率这几个啊,可以根据自己的需求来进行变更。那如果你的显卡比较好啊,你的电脑配置比较好的话,那你的你视频生成的秒数啊,可以可以稍微调高一点啊, 那么帧率也是一样的啊,那我这里的话,推荐帧率最多就填十六就可以了啊,为什么?因为你看我这后面啊,这里他是跑出来两份视频的啊, 嗯,一份是十六帧的啊,后面的这个是三十二帧的,他进行了一个插帧的处理, 所以说你这里填十六,最后得出来的结果是三十二帧啊,是啊,非常够用了的啊,就没有必要再往高处填啊,这样话也只是浪费你电脑的这个算力啊,浪费他点浪费显存内存而已。那如果你的计算机配置不是很好的话,那你就可以把帧率调成八吗? 啊,那么它最后跑出来它也有十六帧啊,是非常够用的啊,那同样的啊,那分辨率的话也可以调高或者调低啊,调高的话一二八零,调低的话七六八啊,可以自己去试,去试一下自己显卡的极限在哪里啊? 啊,可以看到这个啊,这个工作流呢,它无论是跑慢距啊,还是跑这种啊像还是跑这种啊,三 d 啊,写实啊,它都是可以的啊,因为我这个模型呢,用的本身就是啊,而段二点二的这个 a 十四 b 的, 那它这个 laura 是 那个 smoothmix 的 啊,加了这个 laura 的, 它会让这个啊视频生成出来的动作啊,更加流畅丝滑啊,这个模型还是比较强的好。那么这个啊,这个工作流的这个大致的用法。

小伙伴们,这次真的是核弹级更新!全新的咖啡 u i 懒人整合包,这波绝对是小白的神之一手,别担心什么拍成环境和节点包错了,这次帮大家把最难的骨头全拆完了!真正的开箱即用,双击启动,甚至无需借助网络工具中文汉化界面, 哪怕你对英语一窍不通,也能闭眼入。最牛的是,这里面直接内置了市面上最火三百三十七套大神级工作流,都只需要你把图拉进去,点击生成,一键搞定。整合包教程什么味道呢?七七八,尝尝咸淡,接着开始教学喽。 很多人都知道 sd 的 外币 u i, 它名气大,使用者众多,这导致了很多的用户错误的外币 u i 就是 stable u i、 fox 这三种。它们呢,各自有各自的优缺点,使用的场景呢,也有所不同。这三种界面的优缺点、应用场景呢,我给大家罗列在下面了。这里简单地讲一下 copy ui, 它的热度呢,不断地在上升, 越来越多的设计师还有艺术家都开始使用它来创作。为什么呢?因为外部 ui 使用久了,你会发现,想精细地控制图片生成的每一步还是蛮费劲的。一张图你得调整主题、背景、风格、文字特效等细节多得很。 如果全靠外部 ui 操作呢?不仅麻烦,还很难实现。但 coffui 就 不一样了,你把工作流程一搭一键运行全自动流程呢,省心又省力。另外, coffui 的 节点是可视化设计呢,能让你的创意啊更自由。你可以专注于设计工作流,解决实际问题。你可以随意组合各种模块,直到达到你想要的效果, 甚至你还能加入一些不直接相关的模块,比如计算啊,翻译啊,自动抠图排版等功能,真的是很强大又全面。当然 coffee ui 学起来呢,也会比外部 ui 呢稍微多了一些难度,但我们的教程会帮你轻松地跨过这道坎。现在的趋势是, 开源开发者一出新功能和插件都会优先适配 coffee ui, 大家更看好 coffee ui 的 未来,所以你也赶紧加入吧。接下来我们介绍一下 coffee ui 的 整合包以及安装方法。使用整合包的好处有很多, 首先呢就是省去了自己部署文件解压即可使用,还避免了很多复杂的报错。整合包当中呢,插件的安装和管理呢,都非常的方便,大大的节约了使用者的时间,降低了使用的成本。市场主流的整合包呢,主要有秋叶的整合包以及番茄酱的铁锅炖,这里我们以秋叶的整合包启动器来做眼提低。 一、压缩文件要放在一个有较大存储空间的盘上,因为文件解压后呢,要占用大概十个 g, 另外还有模型等其他的文件,建议最小不少于五十 g 的 空间,最好呢是预留一百五十 g 以上的空间。二、 压缩文件呢,最好是放在根目录底下,如果不是根目录底下,而是在一个文件夹下,那就请注意呢,这个文件夹及上级的文件夹呢,不要有中文空格等非常规的名称。接下来鼠标选择这个压缩文件,并右键单机选择解压到当前文件夹,解压过程呢需要稍等片刻, 解压完成以后双击这个文件夹。在文件夹里我们可以看到一个 a 会式启动器,这个 esc 的 可执行文件我们先不要启动它。如果你之前呢没有装过外部域外,你可以把模型呢拷贝在 comui 的 model 目录底下对应的子目录当中。如果你之前安装过外部域外,可以把外部域外的模型呢设置给 comui 来共享。当然你也可以两个位置你都拷对模型,只不过呢会占用比较大的硬盘空间。接下来我们演示如何把外部域外的模型设置给 comui 来共享。 共享的方法就是修改这个 x g m 默认。 ps, 这个文件在文件夹里面呢,找到这个文件,点击后,右键选择重命名并删除点以及后面的 example, 弹出重命名窗口后点击试。然后呢,再点击并右键选择打开方式,选择记事本,点击确定 在记事本内容的上半部分,然后找到 best pass 这一行。这个冒号及空格后的部分要替换成你之前安装外部 ui 的 路径,注意看我的操作。 首先呢,找到你的外部 ui 的 路径,点击路径的位置,右键复制替换这部分的内容。注意,冒号后呢有个空格需要保留。另外呢,需要注意的是 by spa 下下的这一部分啊,一般不需要修改, 但你检查一下,如会有路径不一致的部分也需要修改。比如外部 ui 中 contenirs 的 模型默认呢是在 model s contenirs 下,但你也有可能安装在了 s tianson s d y b y ctrl s 目录 s 这个目录下。如果情况相同,那你就需要修改 ctrl r 空格后的这个地址,修改完成后,点击文件保存并关闭即可。 接下来双击 i 会式启动器,来到这个界面,我们一般呢都不用设置,我们点击版本管理, 上面有内核,点击刷新列表,一键更新,你会发现呢, comrade 的 内核每天都在更新,你也可以在这里呢点击切换,切换为最新的啊,安装最新的版本, 点击扩展,你会看到秋叶整合包已经预装的所有的插件列表,同样呢可以刷新列表一键更新,我们点击呢安装新扩展,选择想要安装的插件或者呢搜索新的插件 好了,我们点击一键启动按钮,稍微等一会儿,我们就会来到网页的启动界面,页面默认的就是中文的, 如果不是中文,你可以点击这里右上角的齿轮,来到这个选项,将语言呢设置成中文即可。有时候你会发现,为什么我的 coffee ui 的 界面跟别人的不一样呢? 接下来呢,我们讲一下 coffee ui 的 界面操作的一些小技巧。点击右上角齿轮,这里有调色板,其实就是皮肤默认的是暗黑,你也可选择你喜欢的,比如说明亮界面的风格呢,就会发生了变化。 这里有一个连线渲染模式,默认的是曲线,还有直角线,直线什么意思呢?你会发现这里的连接线呢都是曲线,我们设置成直角线就是这样的效果,那设置成直线呢,就是另一种效果, 你可以呢根据自己的喜好呢来设置。再给大家讲一个很实用的小技巧,随着以后的插件越装越多,很多模块到底是属于哪个插件下的呢?怎么样能够一目了然呢?接下来点击管理器,来到这里 设置为 id 加名称,那么康飞源内置的模块呢,就会在上面呢显示一只小狐狸的图标,前面的 id 呢是序号,而额外安装的模块上面呢就会显示查询的名称。除了给大家讲过的在启动器选项中 安本管理里面安装节点的方法之外,还有三种安装节点的方法,都很简单,大家掌握以后呢都可以灵活地运用。一、当我们点击加载或者拖入一个工作流文件的时候,如果遇到红色的框和提示, 可以点击安装缺失节点页面就会显示你缺少的节点,如果有好几个,分别点击安装即可。点击过程当中你也可以在下方的控制台当中查看运行的信息状况。 安装好节点后就会多出呢更新和卸载的按钮,你可以点击这里的 restart 按钮,重新点击一键启动等待,控制台当中呢显示下载都完成,自动重启,出现 cover y 的 界面就可以了。

生成图片免费,生成视频同样免费,这就是二零二六最强的 ai 生产力工具 comui 九点五中文破线版,和那些烧积分要排队买会员的网站不同,这个九点五版本不用联网, 不用魔法上网,所有运行均在本地支持,破限制,无审查,想生成什么就生成什么,而且原生中文自带三百八十八款顶级工作流, 你只需要拿到软件包,双击打开,输入提示词,点击运行就可以生成这样的 ai 视频。还没试试的直接抄作业。欢迎来到我的咖啡 u i 零基础从入门到精通系列的第二课,纹身图工作流的搭建。 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。好了,现在我们来到工作流里面去看一下啊,我自己也是有实际去跑了一些图片的啊,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。把这四个文件夹啊复制 ctrl c 复制一下,或者说直接剪切也可以。 我们剪辑到什么位置呢?我们打开会事启动器这里,点击这个根目录啊,这样它会弹出来我们客户 u i 本地部署的根目录位置。我们在根目录底下找到 models 文件夹, 把我们刚刚啊下载的这几个文件夹啊剪切,或者或者直接移动到这个文件夹下面就可以了啊。我们,呃,因为我已经安装好了,所以它会显示我有九个同名文件夹啊,那我就不替换了, 那么这个模型也是安装完成了啊。呃,模型完,安装完成之后呢,我们记得把 ctrl u i 重启一下啊,就可以正常地去使用了,那么这就是模型的安装环节啊。 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 采暖器节点啊,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,它都都在 k 采暖器去实现的。那我们驱动 k 采暖器,不让它的脑袋空白,让它有东西可以画,让它可以画出来。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 un 加载器 啊,然后在 unit 加载器上面选择我们要用的模型啊,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,我们再给它拉出来。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,选择一个空 later, 我 们这里选择 s d 上的空 later。 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。好吧,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 千问的这个 clip 模型啊,这个 clip 下划线三下划线四 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 里面去啊,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啊, 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 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 ur 的 flow 的 这个彩样算法, 我们能给它数字填成三。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,我们摁住 ctrl, 再摁住鼠标左键拖动方选这几个节点,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 cleveland 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 colon 啊, v a e 编码啊,我就给它分分类成这个呃参照区, 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 传感器还需要一些呃,对它的参数进行调整啊,我们把自己的步数啊改成八八或者九就可以了。 cf 句子改成一, ok, 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,给他大画布调整一个大小,我想生成一个数图,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,我们现在就呃试一下它能不能跑起来吧。好,我们现在就呃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摁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啊,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, 看他是有这个遵循我们的提示词来进行深图的啊,我们现在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生图节点,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 采集器,它有正正面条件和负面条件,那么这个 clip 文本编码器的作用就是分别去对 k 采集器输入 啊,正面条件和负面条件,你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 gmail, 它对于中文的语言的理解是比较到位的好吧, 甚至知道赛亚人物空是什么啊,说明这个模型里面它是有训练对应的这种,呃,赛亚人啊,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,这有两个克里普的编码器,然后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,它加载这个模型啊,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,它作为一个绘画的机机器,它相当于就是脑子空空的,它什么东西都画不出来, 也就是说 ulike 的 加载器的它加载的这个大模型啊,它可以一定程度上的去决定 k 传感器它能画什么东西,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 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,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,颗粒补本编码器,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 v a e 解码的作用啊,那么 v a e 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空内存 啊,这两个节点是同一个节点啊,它只是尺寸不一样,那空阶的作用是什么呢?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,那么空阶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,宽是七六八,高是一二八零,那么它伸出来的图片尺寸就是七六八和一二八零。 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 千问编辑啊,去搭建一个图生图的工作流啊。本节课呢,我们将围绕千问 edit 啊,就是千问编辑模型来展开一个图生图的工作流搭建啊。那么这节课的工作流它有什么作用呢?首先它可以呃建立角色资产库, 进行双图或者三图的编辑,风格转会,动作姿态的编辑,还有服装的更换。呃,特别是这个角色资产库的建立啊, 生成这个角色三四图是一种极具实战意义的使用方式啊,三四图可以用于 ai 视频生成时保持角色的一致性。 ok, 那 么来到工作流的这个搭建页面,我们可以大致的看一下它的呃结构。 我这里呢主要就分成了三个区,模型,加载区,提示词输入区,批量区,还有图片输入区,然后这边是这个跑出来图片的展示啊,好,那我们现在就开始演示怎么去搭建这个工作流,那我们先新建一个空白工作流, ok, 好, 双击。我们一样是先从 k 采暖器开始搭建啊,我们先需要有一个呃核心的升图工具,那就是这个 k 采暖器 跟昨天的搭建思路是一样的。呃, k 采暖器有了之后,我们需要有一个支持它升图的模型,我们给它拉出来。但是跟上期不一样的是,我们这期不选择 unit 加载器了,我们选择 我选择 diffusion model loader 的 这个这个加载器。这个加载器呢?它跟 这个加载器,它跟昨天用到的 unit 加载器其实它的作用是一样的,只不过 diffusion model loader 的 这个加载器,它的架构更新啊,要适配我们这节课要用到的这个新模型。接着往往下看啊, k 传感器下面是正负面条件, 我们需要拉出来给他一个文本编码器。啊,那我们这次用到的是千问编辑的这个模型啊,我们的文本编码也要用这个千问千问编辑的专用这个文本编码框啊, 我们正负面条件都需要一个文本编码框拉出来, 我们看文本编码框上面需要连接 clip 和 v a e 啊,那我们一样拉出来我们加载 clip。 同样的页面条件的文本编码框也需要连接加载 clip。 还有 ve 啊, ve 也要连接出来,我们加载 ve, 我 们这个工作流本质它是图声图嘛,那既然是图声图的话啊,图声图的工作流本质上就是你提供一张图片给机器,然后机器它会参考你的这张图片去进行一个图片的重绘, 那么我们这里就要引入一个新的节点,那就是啊,加载图像,我们需要把图片上传到这个节点,然后通过这个节点将图像输入到文本编码框中, 那我们可以看到这个文本编码框这里,它是可以支持输入三张图像的啊,我们给,所以说我们可以给加载图像复制多两张出来。 ok, 我 们将三个加载图像的节点都给它们连接上。 呃,正负面的这个两个文本编码器啊,都需要连啊。 好,然后这这里的 v e 也要连上,我们还需要在这个模型加载器和 k 采集器之间啊,再加上一个节点啊,我们也是一个新的节点啊,我们叫 laura, laura 加载器啊,仅模型我们只需要加载模型就行了,我们给它连上 啊,这个 ruler 的 作用是什么呢?我们一会再讲好吧。啊,还有就是还要再加上一个裁样算法。 呃,这个裁样算法的话,我们上节课也是有说过的啊,裁样算法的作用就相当于是一定程度上左右这个 k 裁样器的绘画方式啊,然后再加上一个 c f g 归一化。 那么 c f g 归一化的作用是什么呢?就是,呃,当你的 c f g 值调得很高的时候啊,它会让你伸出来的图片出现色彩溢出的情况, 或者对比度非常高,会炸图啊,那我们 c f g 归一化加上这个节点的话,会有效的防止这个情况的发生。 ok, 那 我们这边的这个像模型区域啊,模型区块还有彩样区块啊, 就搭建好了,我们给它分类一下,我们 ctrl g 这里的话就是模型加载区,这里就是提示值 输入区,然后这里是彩样区,彩样区这边还没有完全搭建好啊,我们就先不框,我们说了这个 k 彩样器,它是一个相当于是绘画的机器吧,它需要一个画布,我们给它拉出来啊, 我们还是选择这个控雷腾图像,还是第三去设置它的画布大小,然后出图码,我们需要用 ve 编码啊, ve 解码,好吧, ve 连接过来,然后图像预览, 然后还可以保存一下,可以保存到本地啊。好,我们再把这个加载图像给它分好类,要做图像输入,那么裁样区的话也搭完了,我也给它分好类。 好,那我们还差就是,呃,选择正确的模型啊,我们这里的话大模型选择千问编辑的啊,是千问 image edit 二五幺幺的这个模型 ok 啊,然后还有 laura laura, 我 们这里选择千万编辑 lightning 四部的这个 four steps 这个啊 laura 模型,然后 clip 的 话,我们这里选择千万二点五的啊,千万三的,这个是用不了的,我们要选择千万二点五的。好吧, 然后还有 veve 的 话,我们一样是选择千万 image 的 ve。 我先展示一下,那我们现在来讲一下这个 laura 的 作用是什么啊?这个 laura 作用其实是提速的作用,那它为什么能实现提速的作用呢?其实,呃,比如说 这个大模型啊,他假说他有,假如他有二十亿的参数量,那如果不放 lora 的 话,那这二十亿的参数他会在运行的时候全部流入这个 k 传感器里面啊,无论是用的上还是用不上的参数,他都会流进 k 传感器里面, 这样的话他跑图的话会花费很长的时间,因为他参数量太大了,那么这个 laura 加载器的作用就相当于啊,给他设置了一个过滤条件,组合条件呢,他就可以经过这个 laura 加载器, 可以输入到 k 传感器,不符合条件的它就会被保留下来,那么就相当于流入 k 传感器的它参数量就没有那么大,从而达到一个提速的效果啊。然后这里的话,我们可以看这个 啊,这个 log 加载器上面的这个千万的模型名称啊,这里有一个四步啊, four steps 就是 四步的意思啊,那我们这里的 k 传感器也要调整对应的步数,调成四, 那么刚刚说过 c f g 值如果调太高的话,会出现那种啊,对比度非常高啊,或者说色彩溢出的那种炸图现象,所以说我们要给它调低点,调成 c f g 为一就可以了。 然后,哎,然后我还有还有点差点忘记调了啊,我们再加载 clip, 这里啊,这里的类型我们得给它调成千万 image。 好,那我们这个工作流搭建呢,也是完成了啊,我们来看一下这个工作流它可以怎么使用,比如说我现在想让图片中的这个女生啊,改变一下她的这个动作姿势,我只需要用到一张图,那么我就选中这两张图片啊,按住 ctrl 可以 多选, 我们使用 ctrl 加 b 的 快捷键将它们先关闭掉啊,我们只需要用这一张图片,那我们就来到啊正向提示词这里输入,将图像一中的占着镜头 微笑就可以了啊,就这样就可以了,那负面提示词的话可填可不填啊,因为千万编辑的它这个模型训练质量本身就挺高的,就算你不填负面提示词,它跑出来的质量也不会很差,除非你有明确的 啊,不想让图片中出现的内容的话,就可以往这上面填东西啊,那我们现在我没什么特别的要求,我就不填了,那我们现在来运行一下看看效果。我现在看到这个 k 传感器这里啊好像有些异常啊,然后我检查了一下,发现 这里的彩样算法我们放错节点了啊,我们修正一下啊,我这里的彩样算法呢,应该是放这个 aura flow 的, 这个我们放成 s d 三的彩样算法了啊,是这就会出现异常,那我们重新修改一下啊, 我们再把这个移位调成三, 我们再去运行一下。好,这次采暖器它是正常工作了啊。好的,那运行结果也是出来了,我们把原图拉过来看一下 好了,可以看到啊,比心了,眼睛也是看着镜头了,然后也对着微也对着镜头微笑了啊, 这边是完完全全的按照我们的提示词进行了一个图像编辑,但是呢,我们可以看到我们上传的图片比例啊,它是一个竖图,但是生成出来的图像它是一比一的这个宽高啊,原因是这里的空位腾,我们没有调整它的宽高,那么它默认就是一比一的, 那我们这里的话就可以引入一个新的节点,我们给他这个图像拉过来,先 我们引入一个图像缩放,按我看一下 按边, ok, 我 们可以用这个节点啊,这个节点的作用是什么呢?比方说我想让它缩放到一二八零, 当图像经过这个节点之后,它的高就会被缩放成一二八零,因为这个尺寸是按照它的最长边来算的,这里的最长边显然是它的高嘛, 这图片的高是二幺三三,那么经过这个节点之后,它的高就变成一二八零,但是它的宽度也会按照比例进行啊缩短。好吧,最终它的这个进行缩放之后的图片宽高比也是一样不变的。然后我们再来一个节点 获取图像尺寸,就这个这个节点的作用是什么呢? 顾名思义嘛,就是获取这个图像的经过这个节点处理之后的这个图像尺寸,我们将宽度和高度同步到这个 comlayton 这里。好吧,那我们之后就不需要手动的去调整这个 comlayton 的 大小了, 跑出来的图片就跟我们的啊输入的图片它的宽高比例是一样的,我们运行一下看看效果,好的这个图片结果也是跑出来了啊,我们再把图片原图拉过来看一下, 这个宽高笔也是十分相近的了哈。啊,那像是其他的玩法呢,我们来看一下这里已经跑出来的这个效果了,如果你想让它生成角色三式图的话,那你也是只需要啊开启一个节点, 你可以跟题中女生的角色三式图分别为正视图、 测试图和背式图就可以了,但是你要注意你要将他的这个图像尺寸啊调成啊,横图啊,十六比九的这种比例会比较好一点,不然的话他会, 不然图片是会崩的,他因为因为竖图的话他是很难塞的,下三式图的比例就会变得非常奇怪, 那如果你想实现图片转绘的话,那也是一样的,在文本编码器这里直接输入你想转绘的风格就可以了啊,只要这个千万编辑它有训练到的那种,呃,绘画风格的话应该是都可以转绘的, 然后的话就是像是啊换衣服啊,或者说两个女生拥抱在一起啊,也是一样的,你只需要把图片上传到这个家的图像,需要几张就上传几张图片,最多三张图片,然后把你的提示词要求说清楚就可以运行了。 好吧,那么这就是这节课的千万编辑的一个图深图工作流搭建 啊,我们这节课的话,这个工作流就到此为止。下节课的话我们会讲一下这个基于 joycaption 的 一个啊提示词反推的工作流进行喜图操作啊,这个喜图有什么用呢?我们下一期会做讲解啊。

腾讯 q e v 八秋叶整合包震撼登场,无需担心环境配置报错,无需担心满屏的英文看不懂,免安装,全中文解压,即玩三零四零五零系显卡全适配,本地生成,无审核无付费套路,小白直接上手, 使用的方式呢也非常的简单,我们下载好我们的压缩包,然后解压之后呢,我们找到这个启动器的图标, 然后双击打开,然后呢就会弹出一个黑色的窗口,我们稍微等它加载一会儿,它就会在我们的默认浏览器打开,那么你可能看到的是这样的一个纹身图的界面,那么我还为大家准备了很多东西,像这里面左边的模型里面有常见的 flex 模型,千万模型一, 以及一些大模型经常使用到的 lower 等等,再比如说工作流部分,大概有两百多款,可以足够的满足大家的要求,那么这些文件呢都放好了,然后像这里面我们得到了这样的一个工作流之后呢,点击一下运行, 我们可以看到这个彩样器正在彩样进行生成,最后呢就生成了一张图像,那么这里面我们采用的是动漫的模型,所以它就会生成动漫图像,那么大家也可以尽情的使用 其他的一些模型,比如说人物模型等等。那么同时像这种模型呢,可以生成大家任何想要的图像,那么都给大家准备好了, 大家拿到手之后呢,就可以自己动手去试一试,看看生成的效果怎么样。个人认为这样的生成效果还是很不错的,比市面上的很多需要收费的软件是效果要好的。漫剧行业狂喜 l t x 二点三史诗级加强 prompt relay 这个节点的作用是什么呢?我们先来看看这段提示词,总共分两大部分,一是局提示词,二是局部提示词。概括来说就是皮克斯风格的胖兔子,先是震惊,右眼狂跳,因为自己的工程文件被同事弄坏了,然后拍桌子转头大喊, 再回头狂敲键盘,试图挽救文件,最后瘫倒摆烂。我们先看看传统文本编码器输入提示词的工作流产出的视频效果。 wait what the heck you touched it, i'll fix it forget it。 我 们可以看到兔子在这一段在猛敲屏幕, 但我的提示词输入的是猛敲键盘,原因是敲和屏幕在提示词中出现过,但 ai 没有时间观念,弄混了动作的先后顺序,注意力机制串台发生了语义纠缠的毛病, 而 prompt relay 节点能有效地解决这个问题。 ok, 我 们来认识一下这个节点的面板。第一层,我们看最上面的全局提示词区。 这块区域的任务只有一个,定基调所环境,你要把角色长什么样,穿什么衣服,背景是在哪里,甚至是用什么灯光和画质风格全部写在这里。第二层,就是下面这排五颜六色的小方块局部提示词曲。 我们把要做的动作切成一段一段的,分别写进这些方块里。比如第一段方块写震惊地盯着屏幕, 第二段方块写愤怒地猛拍桌子。第四段方块写疯狂砸键盘。填写完局部的提示词后,可以根据需求拖动这些方块的长短,方块的长度决定局部内容执行的时间,非常方便。我们可以在左下角的 list 里面直接填我们需要给局部设定的帧数, 如果你懒得手动算帧数的话,也可以直接点击这里,切换成秒解放大脑,更加直观。如果你需要更多的局部分块,那就点击右下角的 id 按钮, 想要删除分块就点地力一扩展会平均分配分块的长度,那么这就是这个节点的所有功能了。我们再来看看这一整个工作流, 这是简单的 ltx 二点三的单图声视频的工作流,使用的时候只需要设置好这块的时长、帧率宽高就可以了,横屏竖屏都可以。另外提示词最好用英文,因为 ltx 二点三这个模型对英文的理解比较到位, 台词也可以讲中文,但是讲中文出现字幕的可能性会比较大。然后我们来演示一下如何快捷生成提示词。豆包、 gemini、 gpt 都能用,我这里用 gemini 做示范。先将 prometheus 类持续控制专家的系统提示词和图片提交给 gemini, 然后输入时间和局部段数,要求 等待一会儿。持续控制专家的系统提示词会让 gmail 生成指定描述的局。提示词和局部提示词有中文版本,方便阅读和修改。如果觉得没什么大问题,就可以使用英文版本。回到工作流进行提示词填写的步骤。 局部提示词的时长可以参考 gmail 给的时间来拖动滑块进行调整。放入图片,根据需求调整时长和宽高, 点击运行,耐心等待出视频即可。我们来看看生成的视频效果如何, 可以看到跑出来的视频是比较精准的,按照提示词来进行生成的。

你还在苦苦哀求别人给你搭建好的工作流吗?就算给你了,你也是一直在解决插件与报错的问题,因为你根本就不知道工作流搭建的原理。今天教大家如何从零开始搭建工作流,小白也能轻松明白原理。如果你还没有安装 comvi 和这三百三十七个 ai 工作流模板,老规矩,验个牌试试,马上 把这事给我办。我们打开了秋月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 comfy ui 的 主界面。那么我们在面对 comfy ui 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,生成图片的快捷键是 ctrl 加 enter, 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 checkpoint 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。我们顺着去控制加载器的节点连线,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, 而它们的输出都是条件。那么究竟什么是 clip 模型呢? clip 全称为 contrasted language image training, 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,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 采集器上。这边我们可以看到 k 采集器一共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 case 函数内, 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,分别是模型以及模型。那么模型则是连接着刚才的这个控制加载器,也就是我们的大模型。那么这个 later 究竟是什么意思呢? later 通常是指前空间,可以理解为 static 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 later。 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 k 太阳系的 later 连接着一个叫做空 later 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。 随后我们按 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 四树目的图像。接下来我们继续看 k 太阳器的其他参数。 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拥有四个选项,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, 窗边里进行其他的调整与操作。那么接下来就是裁量步数,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 cf 居址,该址的意思是提示词引导系数。 cf 居址越高,则代表着生成图像与提示词之间的联系越紧密。 cf 居址越低,则代表着提示词对生成结果的影响越小, 过高或过低的 c f 锯齿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, 我们可以理解他们为图像的生成方式,如果我们将其他参数比作是食材,那么他们则是烹饪方式,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 片加加二 m 或者 d 片加加二 m s d e 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 carrots。 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 i e。 解码的东西,那么我们可以看到这边有两个输入,分别是 latent 以及 v i e so later。 刚才我们已经解释过了,也就是前空间图像,那么 v i e 究竟是什么呢? v i e 全称变分字编码器 variation auto encode 的 缩写,它是一种深度学习模型,主要用于无间度学习任务,特别是在生成模型领域。 一结合了神经网络和概率图模型的特点,而他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,最后就可以搜索节点,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 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 之间的空格之后,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联,这个是生成的意思。 接下来我们可以看到有个保存的选项,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 com 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 eight and two rgb, 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 animate develop 节点组的。接着我们回到管理器,这六个 custom node manager 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 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,它们是分开来的。至于该模块,我们今后也会频繁的用到。好的,在介绍完康复以外的主界面以及各种参数后,我们来了解一下 stupefaction 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。 在我们输入完体式词之后,文本编码器的格式模型会将体式词转化为特征向量,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。那么现在我将结合默认的纹身图工作流来讲解其中的工作流程。 首先第一步,在我们输入完正负相的提示词后,文本编码器内的克里普模型会将我们的提示词转化为特征向量输送到 k 太阳器内。那么这边有个疑问,就是文本编码器的克里普模型从哪来呢?我们顺着这个节点往下看,可以看到它来自于 command 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里普模型是属于各个大模型的内置克里普模型,而不同的大模型之间克里普模型也可能会有所差异,那么接着我们可以看到这个朋友加载器的输出有个 ve, 那么也就是说它提供了 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 采集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,先将种子值固定,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,注意这个数值一定是八的倍数,宽度也一样。至于 p 四的话,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述词的相关语法。首先我们来聊聊书写规范, 不论是正向提述词或者是副向提述词,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 girl garden, 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题,数字的权重。 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,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 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 述词的权重。首先是中括号,中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。当我们给某个提示词添加两个中括号时,那么就相当于为这个提示词添加两个中括号时,那么就相当于为这个提示词添加两个中括号时,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,相当于我们给这个体式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一体式尺上时,打个比方说 garden 摁住 ctrl 加上键,那么就是给它加权重,我们可以看到它的权重在不断的增加, 那么 ctrl 加下键,那么就是减少它的权重,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 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,为什么我写提示词的时候,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,但是就目前而言, 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所含的意思。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词词上,然后按住 ctrl 加上或下就可以调整该提词词的权重。那么如果说是一句话的话,你想调整某一提词词,那 那么可能就得手动去输括号进行相关的权重调整。当然现在全世界的 a i g c 从业者也在不断地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 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 future 各个大模型训练的过程中,会加入许多的 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。或者说我们在反向的提示词内输入文字 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示词的顺序。或许有小伙伴会有疑问,一个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,越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一些词汇,比如 masterpiece, high quality, high detail, 类似这些词汇。第二步是描述我们画面的主体,比如我们可以说 one girl, blue dress, 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 soft light, 柔和的灯光,类似于这些。那么最后我们可以在正向题词的结尾填上我们想要加的 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题序词污染。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 brick 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 girl cat 这部分,我们可以看到生成了一张冒在女孩身上的图片。好的,现在我们在 one girl 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,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,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,比方说现在的叠带步数是二十步, 这过程中我想上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, forest, 再接上冒号 one girl, 再接上冒号零点三,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结束画 forest, 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 forest, 后面百分之三十画 one girl。