整理来解压36关眼睛怎么拆

二月十五日 com ui 新版整合包重磅更新，妥妥的新手小白福音，全全中文界面，完全不需要懂英文。更惊喜的是，这次整合包直接内置了两百三十个 ai 模板，全是大佬们都认可的实用功能，还全都帮你整理成现成的 工作流了。安装也还是超简单的，三步就能搞定，一下载二解压三双击打开，一键升图，一键升视频，一键做音乐，一键建模，所有操作都是点一下就能实现，特别省心。模板数量太多，我就不挨个介绍，想要的小伙伴七七八直接带走去玩。接下来开始软件教学。 hello 各位小伙伴大家好，欢迎来到 kufui 系列教程的第二节课，那么在本节课中，我们将介绍 kufui 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， 推荐三十二 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 cf 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 cf ui 文件夹，在文件夹内找到 a 会式启动器，随后点击一键启动即可。首次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 cf ui 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 comfui 界面了。这个版本的 comfui 是 没有装任何非官网的插件的。 此外， comfui 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 模式下绘图速度较为缓慢。如果小伙伴们之前有使用过 webui 或其他类型的 stefusion ai 绘图应用，那 我们可以通过修改 comui 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 loa 等等，以此减少对硬盘内存的占用。那么接下来我将向大家演示一下 如何将我们的 comui 大 模型以及 loa 的 加载路径修改成 web ui 的。 如果小伙伴们没有玩过 web ui， 那 么这一段可以直接跳过。好的，那么我们打开 comui， 接着我们找到这个文件 extra model path y a m l 点 example， 接着我们用记事本打开。好的，那么打开之后我们找到这一项 base path， 我 们要做的是把 base path 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 ctrl u r 来确认一下。 好的，我们这边看一下区块朋友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，如果你觉得对你有帮助的话，那不妨给个三连加关注吧，我们下期再见，拜拜！ 欢迎来到 kufu y 系列教程的第三节，那么在本节课中，我们将一起了解 kufu y 的 主界面以及各种参数到底代表了什么。最后我们将学习 stability fusion 生成图片的根本原理。好的，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 comfyui 的 主界面。那么我们在面对 comfyui 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途。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 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 ve 以及 clip 模型，具体它们是什么我们带回讲。我们顺着 checkpoint 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 clip 模型呢？ clip 全称为 contrasted language image pre 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 采阳器上，这边我们可以看到 k 采阳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 checkpoint 加载器，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 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 i e 编码将其转化为 latent 数据 在最后输出时也需要通过 ve 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 太阳器的 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 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 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，每张图都有专属于他的种子值，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一共有四个选项，分别是固定、增加、减少、 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步数，采样步数越多，计算机的运算时间越长，在大多数的情况下，我们的采样步数保持二十到三十步即可。接下来是 c f 居值，该值的意思是提示词引导系数， cf 居值越高，则代表着生成图像与提示词之间的联系越紧密。 cf 居值越低，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 居值都会给图片带来不好的影响， 所以我们一般保持适中的 cf 居值即可。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 加加二 a m 或者 d p n 加加二 a m 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 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 laten 以及 v i e。 至于 laten 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，主要用于无监督学习任务，特别是在生成模型领域。 ve 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 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 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康复以外的设置界面，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数字队列，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 浏览器里面最重要的节点，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 later to 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，他们是分开来的，至于该模块我们今后也会频繁的用到。好的，在介绍完 comf 以外的主界面以及各种参数后，我们来了解一下 stepifuion 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 click 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输到前空间内，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， 如果你觉得对你有帮助的话，那不妨给个三连加关注吧，我们下期再见，拜拜！ 哈喽，大家好，欢迎来到康复 u i 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 以及提示词的语法。在第三节课的结尾，我们一起学习了 step diffusion 康复 u i 的 基础工作原理，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 clip 模型会将我们的提示词转化为特征向量输送到 k 彩样器内。那么这边有个疑问，就是文本编码器的 clip 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 jpeg 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朋友加载器的输出有个 v a e， 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 传感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 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它的比例已经成功变成了竖屏的比例，并且它一次生成了两张图像？好，接下来我们一起学习题序词的相关语法。首先我们来聊聊书写规范， 不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 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序词的权重。 在这之前，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提数字的权重。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加上了零点九乘以零点九倍的权重。零点九乘以零点九是零点八一， 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，当我们给一个体式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题是此上时，打个比方说 garden 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，关于权重的话，图片就会过你和， 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。我相信不少小伙伴对我这么一个疑问， 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包含的意思。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，将光标放在某一体字词上， 然后按住 ctrl 加上或下就可以调整该体字词的权重。那么如果说是一句话的话，你想调整某一体字词，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 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 stability fusion 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， 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，差异还是很明显的， 接下来我们来讲讲提述词的顺序。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示词污染。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。之后我们来聊一聊题序词融合，比如我们写 one girl， 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 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 forest 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结束画 forrest， 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 forrest， 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， 如果你喜欢本期视频，那不妨给个三连加关注吧，我们下期再见，拜拜！ 哈喽，大家好，欢迎来到 cf ui 系列教程的第五节课，那么本期视频我将分享几个非常实用的 a i g c 网站以及大模型的下载还有使用方式。那么在本期视频开始之前， 我们先了解一下大模型以及 lora 的 存放路径。首先是大模型，我们一般放在 cf ui 文件夹里的 models 文件夹内的 lora 内。 有些小伙伴可能不知道什么是 laura， 那 么我们可以简单的理解为 laura 就是 非常精简的小模型，它一般搭配着大模型使用，从而让我们的生成结果更具风格化或是质量提升。 首先是利布利布 ai， 利布利布目前是国内最有权威并且规模最大的 ai gc 网站之一，该网站包含了模型下载、作品灵感 在线生图，还有训练 laura 以及诸多功能。我们一起来看看模型广场，这里有诸多模块，动漫、游戏、插画、二次元幻想、手绘风、工艺风等等等等， 在这里都能找到你想要的相关模型。当你工作或生活中没有灵感的时候，我们可以来到这里看看大家上传的图片。如果有你喜欢的图片的右下角有生成信息，我们可以复制相关参数到 stable future 里面自行生成。第二个网站是 nova ai 点 dv， 该网站侧重于辅助功能，比如这个法术解析，我们可以把已下载好的 stable future 图片拖到这里来， 那么它就会进行相关分析，最后汇总成一个参数表格。当然我们可以复制这份参数表格到 stability fusion 里面，在这里有相关详细的使用介绍，我们看看侧边栏，这边有各式各样的标签供您挑选， 我们可以利用这些标签去组成我们想要的关键词，然后复制到 web ui 里面进行生成。此外，该网站还链接了 a i g c 的 社区，比如之前在 liblib 上看到的画作分享模块，这边也有，并且这边还对各种各样的图片进行了分类， 总体来说还是挺不错的。好的下一个网站是 poemlib， 在 这里我们可以很直观的看到每一个提示词所带来的效果。当然提示词标签也是多种多样， 我们可以看到人物的各种特征这边几乎都有包含，如果你想添加某个提示词，那么直接点击就行， 随后会在右侧的侧边来显示，有点像购物软件的购物车一样。等我们选择完所有信息的提示词后，直接点击复制便可粘贴到 web ui 里进行图片生成。除了人物外，我们还可以看到这边有诸多板块，服饰风格、各种构图、质感环境 以及一些质量参数等等。接下来是国外网站，首先是 civate ai， 在 这个网站内汇集了来自世界各地创作者所训练出的模型， 同样的也汇集了来自世界各地 ai g c 玩家所分享的图片。比如我们喜欢某一张图片，我们可以点进去看它的详细参数，比如它使用了什么模型，什么 laura 等等。当然还有关键词我们都是可以复制并直接进入到我们的 web ui 内进行粘贴复现的。 除了图片外，这边还有大家所分享的 ai 视频。总的来说， cvitai 是 一个非常非常全面并且有着海洋信息的网站，基本上市面上的所有模型以及 laura 在 这边都能找到。 接着我们来看看下一个网站 huginface， 想必这个网站许多人应该都听说过，许多最新的模型 laura 等都是在这边开源发布的， 比如我们搜索 stable fusion 三模型，这边我们可以看到网页包含了模型生成的视例图以及模型的原理，还有模型的代码等等信息，并且只要你登录了之后便可以下载该文件。最后要介绍的网站是 gitap， 这是目前全世界最大的开源代码网站，在这里我们可以找到海量的信息，其中就包括 aigc， 各个大模型或者是各种插件最新信息 以及下载方式。比如我们搜索 stable fusion， 在 这里我们可以看到有关于 stable fusion 开源的所有信息，无论是运作方式还是本地部署，亦或是它开源的代码，我们都可以从这里得知。最后是模型推荐，我们知道现在市面上已经有着成百上千各种各样的模型， 那么这边 up 主帮大家整理了一下，选出了几个我认为较为好用的大模型。首先是 dreamriver 以及麦吉系列，它们的共同点就是生图质量较高，并且生图的类型范围非常广泛。 最后是 pignix， 这是一个二次元大模型，在有关动漫的图像生成上，它的表现非常卓越。 然后是建筑类的大模型， architecture realmix， 这个模型包含了建筑相关的一切领域，包括楼体创意，现搞转会、室内设计等等等等，它都能胜任。 好，我们回到康复以外，现在我们将用同一组提示词以及其他参数仅仅变化我们的大模型，来看一下生成的结果有什么差异。首先我们选择的是真实感的大模型。好，我们可以看到生成出来的图片非常的写实。接着我们换一个二次元系的大模型。 好，我们可以看到现在图片完全变成了动漫风格，那么这就是大模型的威力。接下来我介绍一下 lora 的 使用方式， 我们鼠标左键按住模型输出，拖出来之后，我们可以看到这边有一个 lora 加载器。好的，选择了之后，我们可以看到 lora 加载器分别有模型以及 clip 的 输入与输出，那么这边我们先将它的 clip 给连上， 接着我们再将 lora 加载器的模型输出连接到 k 太阳器这里，然后再将这个 clip 连接到文本编码器。那么我们稍微整理一下工作流， 那么现在我们先设置一个 lora， 我 们其他参数同样保持不变。比如说我们来一个这个梦中花境吧，我们提示词也是没有任何变化，随后我们开始生成， 我们可以看到明明我们的提示词没有任何关于花的词汇，但是我们的结果图却出现了非常多的花， 那么这也正是因为我们的 lora 起到了作用。不同的 lora 有 不同的效果，小伙伴们可以自己去尝试。好，那么本期的视频到此结束，如果你觉得对你有帮助的话，那不妨给个三连加关注吧，我们下期再见，拜拜！ hello， 大家好，欢迎来到 comfui 系列教程的第六节课，那么本期课程我们将一起学习图生图的相关知识以及高清修复。那么在介绍图生图的工作流之前，我们先来讲讲什么是图生图。在我们使用图生图功能时， 我们一般使用一张图片与一组关键词共同作为输入生成的图像将收到这两个输入的共同调节作用，比如使用下面这张初级草图以及一段指令作为输入图中图功能会将其转化成一张完成度较高的图片。首先第一步， 我们输入的图片会由 ve 编码器编码从前空间图片并传入到前空间内。第二步，采暖器会向其添加噪音，通过设置降噪幅度可以控制究竟要添加多少噪音到原始输入的图像中，如果降噪幅度为零，则不会有任何噪音添加进我们的前空间图像。如果降噪幅度为一， 那么我们输入的图像会因为噪声过大而起不到任何参考作用。第三步，采暖器内的噪声预设器将 将上一步处理后的前空间图像与文字指令作为输入传回到 unit 网络，并预测出应减去的前空间噪声张亮。接下来前空间噪声张亮将会从前空间出属图像中减去，并得到前空间新的图像。并且第三步的全流程会重复特定的次数，而这个特定的次数就是采样步数， 比如说二十次，而这整个过程都是在采阳期内完成的。接下来到了第四步， ve 解码器会将降噪完成后的减空间图像解码成像素空间的图像，那么也就是图升图的最终图像。接下来我们回到 comfui 中，我们先加载一个默认工作流，随后将 comlinit 给删去。 接着我们点击 later 拖出来，选择 ve 编码，那么我们就成功加载了 ve 编码器。接着我们将 ve 编码器的 ve 输入连接到 checkpoint 加载器的 ve 输出上。随后我们将图像节点给拖出来，选择加载图像 load image。 那么这边我们上传我们需要的参考图像。这边我上传的是一个金发小萝莉，那么接下来我们要边写一下提示词。这边我们可以输入 one girl golden here， 然后再输入一个 lake， 也就是湖水作为背景。我们看一下啊，她穿的衣服是蓝色的，那我们可以说 blue dress， 接着我们可以看到他的衣服有一点点湿，那么我们可以加入 drench， 湿透的意思。还有白丝袜副象题诗词，这里我们一般输入的是模糊，也就是 blur 以及低质量 low quality， 还有文字，也就是我们不希望他出现文字。现在我们回到采暖器这里， 我们可以看到这边有个降噪，我们将该值修改成零点七，而对于降噪值，零点三到零点五之间属于安全的重绘幅度区间，而零点五到零点七则赋予了 ai 更多的想象与发挥的空间，那么低于零点三或者高于零点七， 图像都有可能会发生扭曲变形。好，那么这边我们先将该值设置成零点七，生成张图片试一下。 这边我们可以看到这两张图片的背景以及这个墓栈道还有人物的部分特征都是比较相似的，但是我们可以看到他们的年龄确实不太符合。那么接下来在关键词的前方加入一些质量提示词， 在我们优化完关键词之后，我们再次生成，看下效果如何。这边图片已经生成出来了，但是感觉还是不太相像，我们要做的就是将降噪幅度改成零点四五，之后我们重新生成一次，看一下效果如何。 效果是不是好了非常多呢？如果你觉得图片不太满意，那么我们可以多生成几张，直到得到你满意的图片为止。 那么接下来我们讲一下什么是高清修复，比如说我们现在生成的这张图片我们非常满意，那么我们怎么增加它的分辨率以及图片的细节呢？好，那么我们这边回到 k 采集器，我们先将种子值选择的是固定模式，随后稍微整理一下工作流 双击界面的空白处，输入 upscale， 然后我们选择 later 按系数缩放，我们将该节点的 later 输入连接到 k 渲染器的 later 输出上。 好，随后我们按住 alt 键，点击 k 渲染器拖出来，那么我们就复制了一份相同的 k 渲染器， 那么我们将这个 later 按系数缩放的 later 输出节点连接到我们新建的 k 渲染器的 later 输入中。 最后我们将文本编码器的条件输出分别连到 k 采集器的正面条件以及负面条件上，模型也是一样，我们回到 jpeg 加载器，将模型连接到我们新建的 k 采集器上。 好，随后我们回到新建的 get 检测器中，我们将步数设置成二十五， c f 居值我们设置成七。好，接下来我们点击这里选择这个 d p n p p 二 m 调度器，这里我们选择的是 carras。 接下来我们新建一个 ve 解码器， 随后我们将 ve 解码器的 ve 输入连接到 shift pro 的 ve 输出上。接着我们新建一个预览图像节点，随后开始生成。 我们可以看到这张图其实非常的不自然，那么我们该怎么去解决呢？我们回到我们新建的 k 采暖器这边，我们将运行后的操作改成随机，并且将降噪幅度改成零点五五，随后再次生成。 好，我们对比一下前后两张图片，我们可以看到脸还是变化比较大的，那么我们可以适当的降低降噪幅度，比如说我们改成零点五一再生成一次看看。 好，现在我们可以看到生成的结果，五官是和原图非常相近的，我们再来对比一下图片的细节，放大之后我们可以看到右边，也就是我们新生成的经过高清处理后的图片细节要比原图多很多，比如说水面上的气泡以及这些发丝都是非常的清晰的， 我们这边可以对比一下原图头发这一块一放大就变成一块马赛克了，而我们新生成的图片还是比较清晰的好，那么有的小伙伴可能会说，哎，这还不够清晰，那怎么办？别着急，我们还有高清修复的方法，那么接下来我们将进行第二重高清修复， 我们搜索 s d upscale， 也就是这个 s d 放大，那么接下来我们将这些节点一个一个的连上。首先是图像，我们连接的是这个 ve 解码之后的图像输出，接着模型我们还是老样子， 连接的是这个 point 的 模型输出，那么这边我推荐一个小技巧，我们将模型拖出来之后选择转接点，我们可以看到这边有一个小小的节点，那么这个节点的意思也就是代替了这个模型的输出，我们将 sd 放大的模型输入跟这个模型输出相连。 好，现在我们可以看到它其实也相当于跟我们的 point 连接在了一起。接下来是正负相条件，我们也用同样的方法拖出来选择转接点。 好，接下来我们连接 ve 模型，我们也是用同样的方法选择转接点，拖出来 连接 ve， 这边我们选择放大模型加载器节点，接下来点击这里，我们选择该选项，这个放大模型是我试用下来效果最好的。随后我们加载一个预览图像节点，接着稍微整理一下工作流， 好的，整理完工作流之后变得整洁了一些，我们开始生成图片，已经生成出来了，我们可以放在一起对比一下效果。 这张图的分辨率已经达到了二 k， 非常的清晰，我们可以看到细节都还是不错的。然后我们再来看一下第一次放大的图片，放大之后还是有点糊啊，对吧， 不过清晰度也还是可以得到保障。再来对比一下这个哦，确实特别的清晰。 随后我们再来看一下第一张图片的清晰度，这个放大之后就是一团马赛克了，对吧，差异还是非常大的 好，那么有的小伙伴可能会说觉得这张图清晰度还不够，哎，那怎么办？别着急，我们还有最后一重放大，那么加上了这最后一重放大之后，也就构成了所谓的三重放大。这边我们搜索 upscale， 接着选择这个图像，通过模型放大， 这个节点非常简单，只有两个输入以及一个输出，然后图像的话就连接到 sd， 放大之后放到模型这边，我们同样选择的是该模型， 随后我们将图像拖出来，选择预览图像。好，我们可以看到最终生成图像已经出炉了，我们来欣赏一下它的效果到底有多么的炸裂。 这是一张四 k 的 图像，清晰度非常的夸张，发丝都看得见，完全没有那种模糊马赛克的感觉，湖水也是很真实， 我们再来看一下对比第一张，那放大了之后全身马赛克对吧？ 没法比啊，这个确实没法比，那么这就是本节课所介绍的图生图以及三重放大的效果。首先这是我们的原图，然后这是我们图生图之后转换成真人的图片，接着这是第一重放大， 第二重放大，最后这是第三重放大。好，那么本期的视频到此结束，如果你觉得对你有帮助的话，那不妨给个三连加关注吧，我们下期再见，拜拜！ 这些这些，这些都是 ai 生成的，距离 flex 模型发布以来呢，它的相关生态已经逐步完善，那么我们今天就来看一下如何用 flex 生成像这样具有抄写式风格的 ai 图片。首先我们来到 kufui 界面，那么映入眼帘的是我们今天的 flex 生图 高清放大工作流，那么该工作流分为了两个部分，首先是黄色部分，黄色部分代表着 plus 基础生图部分，而蓝色部分呢，则代表着是高清放大部分。这个高清放大一共也是分了三部，那么我们的话，首先关于生图，我们就先把高清放大模块给进行一个忽略。 好的，接着我们回到我们的生图部分，来看一下其中有哪一些组建。首先我们来看一下这个生图工作流的核心节点叫做 essential， 这个节点呢，它是一位印度工程师写的节点，那么那一位印度工程师，他也是 ipad 的 作者。 ok， 这也是题外化， 那么这个节点他可以省去非常多的 flex 基础节点搭建。 ok， 我 们可以看到啊，我们整一个关于 flex 的 生图部分， 也就只有这些节点而已，那么我们首先的话来看一下这些，哎，关于必备的一些节点。首先是双 clip 加载器，在这里呢一共是搭载了两个 clip 模型，那么这也是 flax 模型跟其他大模型不一样的地方。我们可以看到 这个双 click 加载器连接的是一个专属于 flux 的 文本编码器，我们仔细看可以发现这个文本框它并没有分正负向提示词，而我们的一个核心组件呢，也是只有一个条件输入， 并没有分正负向提示词，那么它的意思是说在 flux 生成工作流中，我们已经不需要负面提示词的输入了。我们可以看到这个文本编码器，它一共也是分了两个部分，上半部分是使用 传统的提示词语法，也就是一个一个词组这样去编写。而下面这个部分呢，我们可以使用自然语言编写，也就是说使用 连贯的语句来进行文本的编写，而关于这个部分，我们最好是可以两个都编写上，这样子可能得到的结果会更加准确，那么这边的话，我们只填写一个文本框也是完全没有问题的。好，我们再来看一下其他的， 那么这边有一个叫做 eonet 加载器，这个 eonet 加载器呢，我们也可以理解为以前的 jumper 加载器，也是加载我们大模型的地方，我们可以看到，哎，咱们的 flex 模型就是在这边进行加载的。 那么首先呢， plus 模型啊，它一共有两个，分别是 f p 八以及 f p 十六，那我们这个叫做 f p 八的，它是一个十一 g 的 大模型，而 f p 十六呢，它是二十二 g 大 模型，有些电脑可能 hold 不 住，那么我这边的话，为了咱们的一个生存稳定性，我也是用的是 f p 八，好， 我们再往后看，那下面这个空位腾也就不用介绍了，和以前一样，也是控制宽高的地方，那么要注意的是这个 lo 胶带系，哎，我们这边 也是用的是 flux 的 专用 laura， 大家待会就可以看到咱们今天这个 laura 的 强大之处。好，我们再来看一下咱们这个主要的模块里面有什么参数。首先是种子值，这个咱们就不过多介绍了，还有就是采阳器，采阳器以及调度器呢，我们这边用的是 euler 以及 simple， 这个是针对于 flex 大 模型的一个彩样组合，如果说你切换的话，图片效果会变得很糟糕。接着我们可以看到彩样步数，哎，我们发现没有，不是特别高，对吧？十七不高，因为据实验统计， flex 大 模型啊，在生图的第十五步之后，其实就已经变化不大了，那我这边时期呢，也是为了增加多一些细节吧。那后面的话有个叫做 guidance， 也就是引导系数，我们设置成三点五就可以。接着我们来看 vae 加载器，那么我们的 flex 也是有专门独属于它的 vae， 叫做 flex vae， 哎，这一个我们可以留意一下，那么关于我们的 vae 也好，咱们的 flex 专属 lora 以及专属的 clip 模型， 我们都可以在评论区进行一个资源获取。那么接下来的话，我们就直接来进行生成，来看一下 plus 大 模型啊，它到底有什么强大之处？ 哎，我们可以看到这张图是不是非常的真实，对吧？啊，真实度非常的高，它仿佛就好像是用手机拍出来的感觉，那么这也是要归功于我们的洛尔，这个洛尔的效果呢，叫做 plus 小 红书， 那么它的效果也是为了能够更贴近咱们真实用手机拍出来的图片质感。接下来的话，我们把种子纸给换一下，接着我们再稍微改一下提示词， ok， 我 们再点击执行队列来进行一次生成。好的，我们可以看到啊，那么一张小姐姐的图片就这么生成出来了。如果说大家不是看到咱们这个 ai 工作流， 咱们是在比如说自媒体上看到这样的图片，那真的是真假难辨，毕竟它还原度非常的高，它和咱们现实世界用手机拍出来的质感，或者说用相机摄影和 ps 过的质感是非常相近的。 那么除此之外呢，我们也可以进行进一步的高清修复，比如说我们想让他画面更多细节的话，那么咱们就把高清修复模块给打开，接着我们直接点击执行队列就 ok 了。 好的，经过了漫长等待后，最终图像也是生成了，你觉得效果怎么样呢？如果你觉得本期视频对你有帮助的话，相关工作流以及资源包都可以在评论区进行获取，我们后会有期，拜拜观众朋友们。大家好啊，今天讲一个小技巧，可以让我们 fux 的 图脱离 ai 感， 然后这个就是 fux 直接出的，我们这次使用到的技术叫噪声添加或者叫噪声注入，你会发现这张图就会少一点 ai 感，对吧？ 然后包括他衣服上的一些细节，他都会比呃直接出的会多出来很多。接着我们看一下其他图片，脸部的纹理、头发， 然后这个也是会发现噪声加入之后的图片会更加的真实，会少了那么多 ai 的 感觉。还有其他的应用，就比方说像出这种产品的图片，他会读出来更多的细节， 从细节上来看也是很 ok。 简单说一下这个原理，当然视频用到的工作流和模型我都打包好了，如果有需要的小伙伴可以在评论区留言，我会一一回复发送给大家。 这个原理很简单，就是正常采样是直接采完的，对吧？比方说四十步采样，然后通过四十步的去造后，到结束出一张图片，然后这边的技术就是说你四十步采样之后，先得出来一张图片，再重新把这个采样再逆过去，逆回去的过程， 到二十步的时候我再给你添加一些噪声，然后你再重新跑，然后这样就会多出来非常多的细节。具体我们到工作流里面去看一下，这是我刚刚跑的一张图，我们可以看一下它的区别，你会发现通过噪波添加之后，它的图片会多出来非常多的细节，并且少了很多的 ai 位。 简单说一下这工作流，这工作流我参考了国外两个在潜空间里添加细节的工作流，我这边用的是 f t 八的模型，然后这边我用了一个八步加速的 lora， 然后再加上了亚洲人脸 lora 这个加速度， lora 会把我们整个流程提速很多， 在第一次裁样完之后，他会到这里，这里会进行一个相当于一个逆裁样，就是他会回速到十五步，回速到十五步之后，他会来到这里添加一些噪波，添加完噪波之后，他会继续裁样的过程，然后最终得到我们这样一张没有 ai 位的图片。 我这边还用了一个锐化的节点，你们也可以关掉，如果觉得图像太锐的话，可以调整这个数值，然后这边有几个关键的参数， 我跟你们讲一下，如果说最终出来的图有很多噪声，噪点没有消除干净的话，你们可以在这边去提高它的强度，或者降低它的强度，提高它的强度之后，它会图片会添加更多的细节， 但是他有一个预值，大概我这边测试应该是在零点四吧，如果说你高于零点四的话，他可能会有些噪声，踩不完全就会可能出现一些脏脏的画面，脏脏的感觉。我这边建议的值是零点二到零点三，这边你们如果不太了解的话，就不要调了。 还有一个就是这个 latent 缩放系数调整，这个值可以保证你们最终出的图的清晰度会更高一点。如果说你们这里设置一的话，最终出的图可能会有一些模糊，但也影响不大， 这个最终就看你们怎么使用，我们这边可以跑一下看一下， ok， 我 们这个图跑完了，你会发现这个图片的细节多了非常多，对吧？ 好，这就是我今天分享的工作流，如果有需要的小伙伴可以在评论区留言，我会一一回复发送给大家，然后喜欢的可以三连支持一下，感谢大家！ 一直以来总有小伙伴问我有关 comfy 电商产品摄影图的问题，尤其能否利用最近大火的 flux 生成更真实更落地的产品图， 当然是可以的。今天我不仅会分享搭好的工作流，同时还会跟大家一起分析各部分的原理与功能，让你也能从零开始组合出自己的电商产品摄影工作流。电商图工作流程可以拆分成如下步骤，设计成品图片大小、物品大小、物品位置、背景等。 提供商品图片，从中获取主体和蒙版。将商品主体融合到生成的或者提供的背景中，添加光影效果，精细化成图，扩图、重绘等，还原商品细节，颜色校正，生成视频。 其中第三步是整个工作流程的关键，要求不高的小伙伴在完成这一步后就可以收工了。后续的五个步骤则是帮你实现更协调、绚丽、真实、精细的效果。 随着技术的发展，还能换成未来更新更好用的模型和插件。好话不多说，我们直接来工作流看一下。 首先我们使用 segment anything ultra v 二节点，提取沐浴露主体和蒙版，添加 image bind advance 节点，将主体放置在特定位置，添加 flux 纹生图流程节点生成符合要求的背景。接着接入 ic light 节点，为全图重新打光， 基于 s d 一 点五实现的 i c light 模型打光，图片质感稍微会差些。然后使用 flux 图升图，增加一些细节，调整彩样器里的参数，重绘幅度设置为零点三五，提升了画质。 由于彩样重绘，商品上的字体被重绘了，我们需要重连图恢复细节。目前主流的有两种方案，大家只需使用一种即可。 首先添加一个开宅实线的 i c light 插件里的 detail transfer 节点，恢复屏子上的字。或者使用 layer style 里的 frequency detail restore 节点，同样可以回复文字细节。 有些时候我们需要调整一下成图的颜色，针对不同情况，如果需要参考另一张图来调整成图的颜色，可以使用 colormatch 节点及图像调色。比如我喜欢刚刚 flex 重绘之后的那一张，就拿它作为参考来修正恢复细节后的成图参数，保持默认就可以。 还有一种情况比较常见，就是主题的颜色跟背景的颜色不太搭时，可以使用 auto adjust 节点，它能为程图遮罩里的内容进行自动调色。连接好程图与蒙版，添加一个图像预览节点。接着权重参数调整为三十 mode， 改成 lamb 加 set， 然后直接运行。 小伙伴们在使用时可能需要根据具体输入的物品来微调参数，现在我们来看一下经过各个步骤后的程图。好 flexing paint 方法就讲到这里， 视频中用到的模型和工作流我都打包好了，有需要的小伙伴可以在评论区给我留言，我会一一回复发送给你， 谢谢大家。哈喽，小伙伴们大家好，今天跟大家一起讨论一下 vlog 万物迁移在电商次世代的商业落地应用这一块的内容。 近年来， ai 技术在视觉领域的应用快速发展，尤其是在商业化落地场景中展现了巨大的潜力。 从传统的背景替换、局部重绘，到如今模型驱动的深度场景适配，这领域的技术和思路逐步走向成熟。以产品植入场景为例， 过去我们通过传统的工作流程实现效果，比如将项链带到模特身上，或者将沙发摆入不同角度的环境中，甚至在鞋子的展示上实现类似的穿着效果。这些方法虽然有效，但往往需要复杂的技术流程，如遮罩处理、边缘优化以及节点构建等。 而这些传统方式的局限性也逐渐显现，尤其在复杂透视关系或材质表现上容易出现问题。目前以 stable diffusion 为代表的生态系统中， flux 官方更新了一套生态，里面有深度轮廓。 redux 和 impaint 提供了更加精准的控制能力。例如通过 redux 的 参考功能和 feel 模型的配合，我们能够实现极高的一致性和还原度，甚至无需提示词便可生成贴近原图的效果。借助特定模型记忆物体外观，再将其复现到新环境中，不仅在视觉上更为自然， 光影适配与角度调整也更加流畅。视频用到的工作流和模型我会打包好放到网盘上，需要的小伙伴可以在评论区留言，我会一一回复发送给你。那么这个工作流具体是怎么去使用的呢？ 我打开这个工作流给大家去说一下啊，这个就是在 com 与 i 里面去使用的，你拿到这个工作流把它拖进来就行了，这就是我们的 plus 电商万物迁移工作流第一步，在上方的加载图片，这里上传一张你的这个产品的图， 我已经跑了一次，这个是做的一个家具的下边边就是你的一个意向图，你可以从网上去搜，你可以用 ai 生成一张，一定要记得在这个地方右键遮照编辑器当中打开 他默认的话，这个图他是这样子的。那我希望把我的这个家具这个白底图把它放到哪个位置去，我们需要对应的去涂抹出来，把这个场景里面我们需要替换的部分把它涂抹出来， 涂抹出来的地方等会 ai 他 就去重绘我们涂抹的地方，这样子稍微的抹一下大概的位置就行了， 不用去涂抹的非常的精准，不用像我们有一些抠图技术，抠图非常的精准的这种边缘才能做它，这个不需要就简单的抹一下就行了， 点击这个 save， 剩下的就没有了，就这两步他已经开始给你去跑图了，最终他就会在这个地方去生成一个最终的结果。 看到这个图的这个场景，它的光影关系，包括它的角度跟这个都是不一样的，它都可以非常完美的融入进去，我并没有去做任何的什么 control net 控制啊这些，那它这里面的核心是什么呢？ 它就是利用 flux 之前发行的几个大模型，除了我们刚刚说的这两步，打开这个工作流需要自己去操作的，那么这个是模型加载区， 可能你用的模型的路径可能跟我稍微有一些区别，那么你也可能要去加载不同的这个路径，你稍微的去检查一下这个模型加载区其实就是我们整个工作上的核心。 第一个就是我们用到了 flux 一 fill 这个模型，这个是 flux 的 重绘模型，它这个重绘技术非常的好， 那么我们在这个地方去重绘的时候，它就可以保证我们重绘的这个图跟原图它是非常协调，非常统一的。 包括我们这些家具的话，它这种光影关系，它会自动地去做这个光影的这种协调，这个 fill 模型非常重要，这个地方你要去自己去选一下你自己的路径。 clip 这个地方没什么好说的，一个 clip 八 a， 一个是 t 五 x x l f p 八，对吧？ v a e 这边也是常规的，这下面这两个是做什么的？这个就是 flag 新出的一个 redux 的 模型，我们之前在评测 redux， 我 跟大家说过 redux 它把它这个风格迁移的非常的死， 我们当时一个比较保守的评价，它有可能很有用，有可能没有什么太多用，目前来看它就非常的有用，因为它控制的非常死，它就可以把这个图非常完美的迁移到这个图里面去。 风格模型加载器这个地方选择 flux 一 redux style 这个模型，下面这个是 clip 的 视觉加载器， 这个是我们使用 redux 模型必须要去加载的，选 c clip vision patch。 十四、这个模型后面就是它常规的接法，我们把这个风格模型接在我们的条件后面去这个 clip 文本里，不用去写任何的提示词，我们以前还去做一些什么图像提示词的反推，对吧？ 现在这个地方提示词直接不用写，就空在这就行了，记住哈，你用这个 fill 这个模型的话， flex 的 引导这边选择三十差不多就可以了，其他的就是一个很常规的流程。那么这个 k 采阳器你们看到这里它实际上是两张图拼起来的， 那么它实际上是进一步的去强化最终生成的图片与原图的一致性。实际上这个也是受到一个叫 icloam 的 技术的影响，它的这个技术的思路其实就是我们在重绘的时候，我把这个图把它放在旁边，它去重绘的话，它会去严格的参照这张图来进行升图。 不过有个地方要注意的是，因为这个图我上传的时候就是两张图就拼起来的，那么我在拼之前得去记录一下每个图这个尺寸， 我们这边先去做了一个缩放，整体做了一个缩放，万一你这个图太大了，我们整体缩放到一零二四，你可能在七百六十八到一千五百三十六之间，这个整数应该都是可以的。 但是这个图片不要太大了，因为他还要去两张图拼在一起，如果你一张图一千零二十四，两张图拼起来，他差不多就是两千多了，这个图如果太大的话，可能会对你的显存消耗会比较大。另外一个就是把这个蒙版去做一个拼接， 因为我这个地方这个图就做了一个蒙版，那么他的蒙版要和他对应起来，那么我只是去重绘这块去就整个图，其实我现在把这个图给你扩大了， 我最后只重绘了这一块区域，他这种一致性就会更好，我们最后生成出来这个图之后，最终再把它切开，只留下这张图就行了。整个思路其实非常的简单，这个就是一个完整的工作流程， 大家把这个地方这几个模型你看懂了，实际上你自己去搭建起来，其实非常的容易，我们再来看一下，效果 好就分享到这里，如果需要工作流和模型的小伙伴在视频下面评论区给我留言，我会一一回复发送给你，赶紧玩起来吧， 谢谢大家！这个电商工作流利用了 flax 的 最新配套模型 redux 和 fill 模型，可以将模特迁移到指定的画面位置，可以用到比如家具类、机车类等所有需要模特展示的电商场景中。这里做个简要的使用说明。工作流需要上传两个图片， 第一个是主要上传需要参考的模特图，最好这个模特图也是在类似的场景中站立的，也是可以的。第二个图是需要添加模特的商品场景图，比如沙发或者椅子。 下一步还需要给添加模特的地方做一个遮罩编辑，在图片鼠标右键选择遮罩编辑器打开，在你希望模特出现的区域做一个大致的涂抹，可以适当大一些，这样 ai 发挥的空间更好。 绘制完成之后，点击直行等待一会，椅子上的模特就绘制出来了，可以看出生成的这个模特跟这个图片融合的非常好，包括和椅子的比例关系，光影色彩度都非常自然，但是这个指出的画质不是很高，还需要后期加高清修复缓解， 这都是很容易实现的，比如利用 siri 超级高清放大修复。感兴趣的小伙伴欢迎评论区交流讨论。视频用到的所有资料和工作流，我也会打包好放到网牌上，有需要的小伙伴可以在评论区回复，我会一一回复发送给你。好的小伙伴们，这期视频就分享到这里，谢谢大家！ 紧急尬消息，某书平台惊现 ai 神作， 一位神秘大佬利用矩阵软件注册了上千个账号，疯狂发布超逼真照片，竟然成功骗过了平台的 ai 识别系统，点击量更是高的惊人。消息一出，群里瞬间炸锅。这位大佬透露，他使用的是 flex 大 模型的工作流， 生成的画面毫无 ai 痕迹，就连影楼专业的摄影师都直呼，你不跟我说是 ai 生成的，我真的以为这是相机拍出来的照片。 如果你还是 ai 新手小白，那么你一定要看完这个视频，学习如何使用 flax 工作流生成某书同款超逼真画面，轻松打造爆款内容！ 首先下载我分享的安装包及工作流，再配合我之前的安装 comfyui 的 教程，然后打开这个 flax 某书写真工作流，接下来去利步利步下载这个写实逼真大模型。 好，我们点击进入。这里有模型使用说明，大家可以看一下。好，我们点击下载。将这个模型放置到 models 的 unit 文件夹，然后在 unit 下载器里加载这个超逼真大模型。下面 clip 下载器要指定 t 五语言大模型，然后指定一下 clip hi， 这是提示词大模型，最后再指定一下 ve， 这里的提示词可以根据自己的需要进行修改。好，我们点击生成一下，是不是就生成出这种照片级的画面了？ 要是你的配置不够，你可以使用在线工作流，我们点击进入这里的模型，也同样的需要指定一下，然后根据自己的需要填写提示词。好，我们点击生成一下。哇塞，这么漂亮的女孩就生成了，是不是难以置信啊！ 兄弟们，课间和相关资料已经上传到网盘了，需要的小伙伴请到评论区留言，谢谢大家！