comfyui v8 mac能用吗
这是一个不限次数生成图片和视频的 ai 工具，它就是地表最强开源 ai 生产力工具， ctrl u i v 八破线版，或许你早就听说过它，但这个大版本的更新完美解决了康复 u i 安装困难和工作流报错问题，这种电影级的 ai 视频完全不在话下。 和那些花钱还要排队的网站不同，纯中文界面，完全不用懂英文，不用联网，更不用魔法上网，所有运行都在本地或限制 审查，最低支持一千零六十显卡。更惊喜的是，这次整合包直接内置了三百三十七个顶级工作流，全是大佬们认可的使用功能，使用也是超级简单的，三步就能搞定，一，拿到整合包，二，解压缩，三、双击打开 还没有试试的老规矩，验个牌。接下来开始教学，欢迎来到本期的康复 ui 教学，那么本节课呢，我们一起来学习一下纹身图以及它背后的生图逻辑。 那首先我们来到了 comui 的 界面，那么接下来呢，我们一起来看一下它究竟如何去完成这些直能的，那比方说这个 clip 文本编码，它是怎么做到把这个文字 最终通过 k 采集器转化成相应的一个图片？那首先呢，我们来先看到这一张，那这一张呢，就是 ai 生图最基本的框架了，我们从左边开始看起，分别有 promen， 那 是这个是什么意思呢？就 是说正向提示词以及反向提示词吗？那接着这两个东西就会传入到 ai models 里面，那经过计算呢，最终就能够生成我们 想要的图像了。那这个呢，确实是大体上正确的，非常笼统的概数，那我们今天 ai 生图的逻辑，那接下来呢，我们就从这个正反向提示词看起吧。我们回到刚才的 左流，我们可以看到向正反向提示词输入在哪里呢？我们可以看这里第一个有 clip 文本编码器， 而这个文本编码器的 clip 到底是什么意思？那为了弄清楚这一点，我们再来看一下这张图， 那在这一张图里，我们可以看到有一堆英文，也不用害怕，我们来看一下它代表的是什么意思。那首先我们来看一下左上角这些东西有稍微熟悉一点的，那有什么呢？我们可以看到有这一些， mountain， landscape， eastern running horse and gaddis gottis。 那 这些东西呢，其实就是我们的正向提示词，比方说第一个就是与山有关的一个景观，那第二个呢，其实就是宇航员骑着一匹马， 那顺着我们后面的一个箭头看到我们，他们被送往哪里呢？可以看到一个叫做 transformer 的 东西，而这个 transformer 呢，它出自于二零一七年的一篇论文，那这篇论文呢，也是 ai 史上最重要的一个里程碑过。我们这边呢先补 打开来讲，那我们回到刚才的这个图片，那我们继续来看一下这张图片，那具体它是干什么用呢？那在这个 transformer 在 弄懂这个之前，来看一下它后边输出了个什么。 那首先我们可以看到这里是输入了一些一点几几，还有大致的一些中括号，那我们可以看到像这些代表的就是叫做特征向量， 所以我们的这个 transformer 的 一个作用呢？也就是说我们输入的文本通过特定的方式给转变成了这个特征向量。那有的小伙伴可能会说啊，那这一步有什么意义吗？当然在我们的计算机处理文本的时候是比较费劲的，就好比我先让你去翻译一大段英文， 好比我现在跟你说，你长得真的很像姓刘名亦菲的人，或者说我说，哎，你长得真好看，那我问你哪一个更能清晰明了，能更容易让你一瞬间就懂呢？那肯定是第二句话嘛， 直接夸你好看。虽然说第一句话也是听起来比较好听，但是对于电脑也是这样子的，他是觉得让电脑去识别并处理一大段英文或者中文是更容易的， 还是让它去处理一段蕴涵着这些文本信息的数字容易？那毋须质疑，那肯定是处理数字对电脑来说更容易些。 那这个呢，就是我们的这个 transformer 在 其中扮演着类似于转换器一样的一个作用了，它识别文本，并且把它转化成这个特征向量，那这个就是它最重要的部分， 那在这一条流程当中，就是属于类谱模型所需要包含的一些内容啊。那我们接下来呢，回到现在的这个工作当中，还记得刚才我所介绍的流程吗？ 也就是说我们在这个文本编码器当中去输入文字后，由 transform 转化成什么呢？也就是特征向量对不对？ 而这个特征项链呢，它好像就是蕴涵着非常多信息的一个浓缩小盒子，那么它被传到哪里呢？也就是它会被传到这个 k 采氧器当中，最终呢，它会在这个 k 采氧器当中进行一个运算， 具体的流程呢，待会我们也会提到。那我们接着回到刚才的那一张图片里，那下半部分呢，其实就是我们的一个图像编码了，大家可以看到左下角这里是不是有一堆图片啊？那这些图片我们也可以把它称之为训练级，大家可以想一下， 我们在康复来工作流当中，哪里会包含着训练级呢？那必然就是我们的一个大模型了，那 diffusion models 扩散模型，那比方说有大模型是二次元风格，那必然呢，它的训练级大部分的内容就是使用的二次元图片来进行训练的，那如果是大模型 是写实风格，那必然它的训练级肯定是包含着大量的真实系图片。那接下来呢，我们再顺着这个训练级往后看， 可以看到它这里一共是连接的两个箭头，对不对？那分别是什么呢？ v i t 和 resident， 那 这两个呢？并不是同时进行的，注意我们这边代表的意思啊，有的是这个克里普模型用的是 v i t 的 框架， 有些 clip 模型呢，用的是 restit 的 框架，那不管是说 clip 包含的是这两个其中的一个，那么它本质上的目的是只有一个啊，也就是说为了让我们的训练级干嘛呀？就是转化成特征向量。 那现在呢，是不是就觉得和刚才的文本编码器有点像了，那目的呢？其实都是为了去简化我们的一个信息，让信息更好的去处理以及。 那么接下来呢，问题又来了，为什么克利普模型要做两个部分呢？那上面处理完文本之后，那下面的这个图像该怎么去配合呢？ 那接下来呢，我们来讲一下这个文本编码和图像编码是怎么进行配合的。那比方说我现在呢画一个 s 轴和 y 轴，然后这个位置呢，我们就代表是猫相关的一个特征，那在后面的这个位置呢，我们就代表是人的位置。那此时啊， 如果我想要生成一张猫粮的图片，那这个猫粮的位置应该是在哪里呢？大家可以思考一下啊，那必然呢是我们这两者之间的一个范围，对不对？你可以想象一下，那我们的这个猫粮的范围区间呢？它是有这么大的， 那么我们的目标呢，其实是不是这个猫粮？那必然我们的这个猫粮的取值范围呢，就在它的这个区间里面，也就是说这两者之间的一个交集范围内。那我们刚才的这个位置呢，这个编码作用 其实就是锚定这个猫，还有人他们在特征向量当中的一个位置，从而让文本编码器编码之后，特征向量一个框架内。 我知道我这样子说，可能有很多小伙伴是比较懵的，那么我们再回到刚才的工作流里面，我们来看一下，首先呢是咱们的训练级，也就是大模型，那大模型呢，它包含的就是在这个 checkpoint 的 加载器里面， 它是会经过我们的一个克里普连线制定好一个框架。那制定好这个坐标轴之后呢，我们输入的文本就会经过这个克里普模型转变成特征向量， 那特制向量呢，就会套用在我们的这个 x o y 轴上面的一切套用的一个逻辑是在背后的这个 k 传感器当中内发生的。那我们刚才呢已经讲解完了这个理论知识了，我们再来看一下实际的操作吧。我们讲一个难度稍微低一点的， 我们目光呢先锁定在这个 k 采集器当中，可以看到它有非常非常多的一个参数，比如说像随机种子，还有像这些什么步数啊， c f 居址啊， 采集器名称啊，调度器，降噪啊等等，一共有七种参数。那首先呢我们先从随机种子开始讲起吧，这个呢就好像是我们的图片当中的一个身份证号，那比方说我现在呢先把这个随机种子随便输入一段数字， 比如说六六六六，接着我们直接点击一下运行操作。那我们每次升图之后呢，这个随机种子数固定了还是变化呢？是增加了还是减少呢？那我们呢只需要在底下这里设置成固定就可以了。那接下来我们再次点击一下运行， 可以看到啊，我们现在这张图像是长这个样子的，那如果说我们不在改变随机种子的情况以及呢任何参数的情况下，我们再次去点击一下执行的话， 会发现我们的工作流呢是完全不会动的，因为呢他生成的图像是完全一样的，以至于这个随机种子是如何做到这一点，就像是一个身份证一样， 图片进行绑定。那接下来呢，我们来看一下下面的这个步数，那这个步数呢，它也就是代表着多少个降噪的次数叠带一共分成了多少步啊？ 那我们想象一下这个 star diffusion， 它在生图的过程中，就好像是一块脏玻璃，用抹布进行 擦拭，当然你擦拭的越多，那么图片呢，也会越清晰，细节也会越多。我们现在呢，先把这个叠带步数设置成二十，也就是相当于我们给这个肮脏的玻璃擦了二十下。那如果我们把这个步数设置成 五下，我们再来看一下它到底会发生什么样的变化，有没有发现这张图片啊，是不是明显细节比刚才的那张少了很多？ 如果说我们设置的更低呢？比如设置在二，我们再次进行运行，可以看到啊，现在的图片是不是一片模糊，那反之同理。 如果呢，我们的步数设置在四十，再次点击运行，那此时呢，我们可以看到我们的这一块玻璃就被擦的非常的干净，像这些细节和纹理都多了非常多， 当然过高的步数不总是都是好的，那大家可以想象一下啊，一块玻璃你擦一百次和跟擦两百次有很大的区别吗？ 反而没有，那基本上我们所有的灰尘都被擦干净了，那我们的康复仪其实也是一样的，那我们的步数一般设置在四十步以上呢，就不会有过多的一个变化了。 那比方说我们现在呢，把这个步数再次设置成六十步，我们来看一下点击升图 怎么样？我们现在呢，是不是跟刚才几乎没有区别，但是呢，却增加了百分之五十的升图时间，对不对？因为呢，他增加了二十步，那原来我们四十步步数越多，生成的这个升图时间也会越久， 而我们在一般生图呢，就设置在二十到三十步之间即可，那这里呢，我就先设置成二十五步看一下，那底下的这个 c f g 值又是一个新东西了，那它的作用呢，主要就是为了去控制我们的最终图像与提示值的失配程度。 俗话说我们的 c f 居值越高，则代表着我们最终生成的图像与关键词也就越匹配，意思也就越相近。那如果说我们的 c f 居值过低的话，就会让 ai 有 更多的自由发挥空间，意思也就是与提示词匹配程度也会有所下降。 那接下来呢，我们把这个 c f g 值设成四，再次点击升图，我们来看一下，可以看到啊，有没有发现它们的整体色调它会变灰是不是？那这个其实就是 c f g 值过低带来的一个负面影响， 那由于我这边输入的元素不是很多，当我们比如说设置在二十到三十个的时候呢，那么 c f g 值的表现会更加的明显。那此时我们继续把 c f g 值的这个系数提 低一些，比如设置在一，我们来看一下会带来什么样不好的一个效果。可以看到啊，那现在呢，整体的这个图像变得更灰了对不对？并且图像多多少少都会有一些变形。但是呢，当我们的 cf 居室过高，也会有不好的影响，比方说我们设置成实物， 点击运行，可以看一下它的这个出图质量怎么样，很糟糕，是不是？为什么感觉它的一个清晰度远远比这个 cf 值为七为八的时候要低很多呢， 我们可以对比一下，此时我们将这个 cf 值设置在七的时候的一个效果，那么现在我们的这个紫色的星云屏又恢复了原有的一个清晰度，而我们在正常的升图过程中呢， cf 值一般设置在五到八步即可，大家可以稍微记一下。 那么接下来呢，我们再来看一下这个采暖器还有调度器到底是什么意思。那点开来看，像我们的这个采暖器呢，会有非常多的选择，比如说 d p m 加加呀，还有像一些传统的这些老的采暖器，那这两款采暖器呢， 一般来说大家就选择 l 采暖器，还有像这个 d p m 的 都是比较不错的，那这两款采暖器呢，都是大家测评下来比较好用的，大家直接无脑进行选择即可。那调度器呢，我们一般就会去选择这个叫做卡拉斯的一个采暖器， 这个彩样器呢是比较好用的，那至于下面的这个降噪呢，我们会放在下一节的一个图生图当中，会涉及到我们之后再讲。那么现在呢，我相信大家应该就会有些疑问了，那 彩样器和调度器他们到底是干什么的？那为什么这个随机种子可以像身份证号一样控制我们的图像呢？那为了解答这些问题，我们再来看一下这张图片，那么这一张是更为详细的 ai 生图流程， 我们先看一下左上角，那么这个就是我们去输入完这个 prom 的， 也就是关键词之后，会发送至我们的 cleveland 模型当中，之后呢再由这个 cleveland 模型把我们的文本转化成下面的这个 extend and bearing 的 一个文本，陷入到这个特征向量里面， 那么这组呢，更易于电脑处理的数字信息就会发送到这个 unit 当中，那这个又是一个新名词，对不对？其实都是属于我们 k 场气，明白了吗？ 那这一大块的内容啊，都是在 k 场气当中去完成的，那这个特制向量被发送至 unit 之后，会发生什么样的操作呢？会降噪吗？那但是问题来的，我们的噪声从哪里来呢？那大家都知道啊，我们的 stabilification 用的是扩散模型，而扩散模型的运行机制呢，就是为噪声图片段的一个降噪， 从而生成了咱们的一个目标图像，也就是现在较为清晰的一个图像。那么现在我们要考虑到这个噪声的添加了，以及我们的这个滑步大小。 我们可以看到上面呢有一个叫做 gustnor， 也就是高斯噪声，它具体的分布规律也就是随机种子来决定的，那 不同的水滴种子呢，会添加不同的这个高斯噪声，从而影响到我们最终生成的一个图像嘛。那么现在呢，咱们的这个噪声就添加完毕了，我们来看一下这个话布大小了，那我们上一节课是不是有提 到过这个 klenet 呢？我们可以看到，那这个高斯噪声发送到底下的这个 klenet， 那 这个 klenet 的 大小呢？我们是可以在 klenet 当中的设置当中去设置的， 比方说我这这个花波的一个大小，我就规定了它是一个正方形，那么噪声呢，它会在这个正方形内添加，那么之后呢，这个结合了高斯噪声之后的 latent 图像在 unit 当中有什么呀？ 也就是说与我们的这个特性向量进行组合，而 unit 的 一个作用就是在预测下一步的这个降噪之后的一个图像，以及呢，我们要去减少噪声，以及 我们可以看到啊， winet 降噪完成之后，被降噪的雷腾图像又发送至了上一步了，那这一步 其实就是我们所循环的这个次数，那也就是说我们在这个降噪的过程中不断地去进行循环，比方说有二十次一个循环，可以看到这有一个橙色的内容，那这个代表的其实就是我们的调度器和采暖器了，那其中呢，调度器的作用是为了控制降噪的方法， 而采暖器的作用呢，就是去控制降噪的一个程度，于是我们就这样子不断地降噪，降噪，降噪之后就经过了我们设置的这个迭代步 数了，比方说我们是设置了二十五步，也就是说我们这里是循环降噪了二十五次之后，我们才得出到这个最终的一个图像被发送至 v a e 当中，而 v a e 呢，它就好像是一个转接插头，它是可以把我们的 light 图像转化成一个像素 空间的一个图像的，也就是我们肉眼可见的一个图像了，那么最终呢，就被解码成大家所能看见出来的这个狗哥的图像。那么在我们的这一整套工作流里面呢，我们的 clip 模型，还有 unit 模型以及 v a e 模型， 一般情况下都是由我们的大模型，也就是 star diffusion 的 这个模型来提供的，那我们回到刚才的这个康复 ui 工作流里面，我们来看一下这里的这个加载器，它是不是一共有三个输出，分别是模型输出以及呢 clip 输出， 还有另外一个是不是 ve 输出？那么这个模型输出指的是什么呢？那其实指的也就是我们刚才图片当中的这个 unit， 那 我们刚才介绍的这个 unit 模型呢，会在我们的 k 测量器内配合我们的特征向量， 而咱们的这个 clip 文本编码器呢，输入进来的这个特征向量会进行降噪，之后再由这个 v a e 解码器这个转换接头输出成我们能看到的这个像素空间的图像。 那比方说我们现在呢先来一个二次元的一个大模型吧，接着我们书写一下提示词，那我在我们去书写提示词的时候呢，可以先写一下质量提示 词，在写主体，在写这个氛围词汇，那什么叫做质量提示词呢？如果我想要输入的是一个高质量啊，高清壁纸，杰作极致的细节，哎，类似于这种词语，那咱们的这个颗粒普文本啊，他就知道我们想要的就是这个范围内的一个词汇， 那比方说你现在呢想要的就是一个比较清晰并且具有非常细节的这个词汇就会在这个范围当中帮助你寻找符合条件的。所以这边呢我们一起来进行输入吧。那首先我们打开一下翻译器，然后我们就可以输入杰作高质量 极致的细节。那接下来呢，我们就输入我们想要的一个主体内容，比方说一个女孩，好双马尾，蓝色的头发，校服。 那输入完主体之后呢，我们再来输入这个氛围的词汇，比方说是环境词汇，比如教师背景，动漫风格。那我们最后呢再来翻译一下这个词语，粘贴到我们的文本编码器当中。 那刚才我们也提到了，为什么要先输入这个质量词汇，再输入这个氛围词汇呢？那因为啊，我们越靠前的词汇，它的权重比重也就越高，在整体的内容呈现上也会占比更大。那接下来呢，我们再来输入一些反向提示词， 比如说我们输入的是这个模糊不清晰，低质量，类似于这些词汇，我们把它复制下来，模 回到我们的编码器当中给它贴上，那传达的意思就是我们不想要模糊，不想要低质量的图片，不想要一些混乱的图片，对不对？那这边呢，有的玩家呢会把这个负面提示词整合成一个组 词包，我们只需要呢输入这个 e、 c、 n、 g、 t。 那 随后我们再来看一下有质量提示词和没有质量提示词添加的一个差别。直接点击运行， 可以看到我们现在呢生成的这个形象就变成了一个二次元的风格了。那造成这两个原因其实有两种，第一方面呢是因为我的提示词当中去输入了这个动漫风格了。 其二就是我们的这个大模型，那这个模型呢，它本身的训练级呢，就是拥有非常多的关于二次元的一个训练级所训练成的一个大模型。 所以它所预测之后的这个降噪图像呢，必然是跟我们的动漫还有二次元是有关系的，所以我们最后的生成图像呢，就会呈现出这种非常自然的一个动漫效果。而我们的这个 comelon 呢，它也就是说我们可以去限制我们 的 layton 图像的一个大小，比方说像这么大的正方形的一个尺寸图片，随后在我们的随机种子所对应的这个高噪声当中进行降噪， 当然在降噪的同时会结合我们的这个可立普文本编码器输出的特征向量，对吧？不然他也不知道就是你想降噪之后生成的图像到底是个什么啊？是一匹马呢？还是一个动漫的女生呢？这些都是由我们的关键词所决定的对不对？而 unit 它只是为了让我们将噪的 图片尽可能的往这个方向去靠拢。那今天我也知道本节课是非常的干，但是呢，我相信学会了这些之后，对于我们后续的节点理解还有模型的学习都有着直观重要的部分。 以上呢，就是我们本节课的所有内容了，那下一期我们再一起来看一下图生图以及它背后的运行逻辑吧，那我们下节课再见！拜拜。
粉丝3403获赞6348
相关视频
00:51查看AI文稿AI文稿本地一键部署，全程无休审核， win mike 双端完美适配解压就能直接用！一款无限次免费出图出视频的超强 ai 工具来了！它就是公认地表最强开源 ai 生产力神器！ comfy 八不限版，想必很多人早就听过它的大名，新版重磅大更新，彻底根治老版本安装繁琐功、 工作流、频繁报错的各种难题！电影级质感 ai 视频、高清创意绘画，全都轻松拿捏，吊打各类收费限流、排队卡顿的网页。 ai 平台，全中文操作界面，零基础小白也能直接上手，完全不认懂英文，断网也能用，无需模仿， 本地离线运行，无内容限制，无审核封锁，自由创作不被约束。显卡门槛超低，一零六零低配显卡就能流畅运行！整合包内置三百三十七款大神精选顶级工作流，全是圈内公认硬核实用功能，直接闭眼用，还没体验过的抓紧码住！
17屿光学AI
00:35查看AI文稿AI文稿四月十六日， coffee ui 官方新版整合包震撼更新，妥妥的新手小白福音！全部中文界面，完全不需要懂英文！更惊喜的是，这次整合包直接内置了三百三十七个顶级工作流，全是大佬们都认可的实用功能， 傻瓜式一键安装，只需三步就能搞定！一，拿到我的整合包，二解压缩三，双击打开升图升视频做音乐，哪怕是三 d 建模，统统一键就能搞定，特别省心！模板数量太多，我就不一一介绍了，想试试的七七八验牌，我要烟牌！
24秋叶aaaki
00:31查看AI文稿AI文稿五月十一日 comfy u i v 八中文版整合包震撼更新，妥妥的小白辅音，全中文界面，而且支持中文提示，根本不需要懂英文！更重要的是，这次整合包直接内置了三百一十一个风格模型，全是主流模型，还帮你预设成工作流了，点开输入提示词就能用。安装也还是超简单， 三步就能搞定一下。二解三，找到启动器，双击即可打开运行。支持苹果和 win 十十一系统，一键升图，一键升视频，还能建模和做音乐，所有操作都是点一下就能实现，特别省心。模型数量太多了，我就不挨个介绍了，想要的小伙伴幺五三直接带走去玩！
538菜菜子AIGC（看简介）
02:03查看AI文稿AI文稿五月一日， comfy u i 中文版整合包震撼更新，妥妥的小白福音全中文界面，而且支持中文提示词，根本不需要懂英文。更重要的是，这次整合包直接内置了两百六十七个风格模型，全是主流模型，还帮你预设成工作流了， 点开输入提示词就能用，安装也还是超简单，三步就能搞定，一、下载。二，找到启动器三，双击即可打开运行。支持苹果和 win 一 零杠一一系统一键升图， 一，健身视频，还能建模和做音乐，所有操作都是点一下就能实现，特别省心。模型数量太多，我就不挨个介绍了，感兴趣的帖子六七七尝尝。那接下来我会详细讲解新手如何安装与部署最新版的 comfy v 八整合包， 带你从零基础入门，最新最好用的康复员自用整个包 vr 版本正式上线了，来看看我们怎么使用吧！我们下载好我们的压缩包，这里分有基础版和进阶版，那对于小白同学来说呢，我们下载这个基础版本就可以了。 解压完成之我们找到这个图标双击打开，然后呢会弹出一个黑色的窗口，我们稍微等待加载一会，它就会自动的在浏览器当中打开， 那么你就会看到是这样子的一个界面。那这里呢，我还给大家准备了非常多的模型可供大家选择，像一些常见的 plus 模型，还有千问模型等等，像这一面举等等我都会放在我们的整合包里面，以及有非常多的模板可供大家进行选择， 这里呢，都可以找到对应的工作流，大概会有两百多款，是完完全全能够满足大家的一个生成需求的，那文件呢，都已经放好了，想生成的效果大家也可以看一下，直接点击运行就能够生成这些系列的图片了，全程非常的高清， 而且人物的真实感都是非常强的，你也可以放大看一下。那么大家拿到手之后呢，就可以自己去动手试一试，看看生成的效果怎么样。那个人认为呢，这样的生成效果还是比较不错的，比市面上大多需要收费的软件效果是比较好的，毕竟呢，这个软件是完完全全免费的。
00:31查看AI文稿AI文稿月一日 cover ui v 八中文版整合包震撼更新，妥妥的小拜福音全中文界面，而且支持中文提示词，根本不需要懂英文！更重要的是，这次整合包直接内置了三百一十一个风格模型，全是主流模型，还帮你预设成功作留了，点开输入提示词就能用。安装也还是超简单的，三步就能搞定 下二解三，找到启动器，双击即可打开运行。支持苹果和 win 十十一系统，一键升图，一键升视频，还能建模和做音乐，所有操作都是点一下就能实现，特别省心。模型数量太多，我就不挨个介绍，感兴趣的铁子七七八带走尝尝。
00:38查看AI文稿AI文稿这是一款不限次数生成图片和视频的全能 ai 工具，它就是地表最强开源 ai 生产工具 comfui v。 八、无限制整合包，全中文界面，而且完全支持中文提示词，根本不需要懂英文。更重要的是，这次整合包直接内置了三百一十一个风格模型，全是主流模型， 帮你预设了工作流，点开输入提示词就能用。安装也还超简单，三步就能搞定，一、下载二、解压三、找到启动器，双击即可打开运行。支持苹果和 win 十十一系统，一键升图和升视频，还能建模合作音乐，所有操作都是点一下就能实现，特别省心。物品数量太多，我就不挨个介绍了，感兴趣的小伙伴快来试试！
29秋葉aaakii
13:16查看AI文稿AI文稿如何用 coffee ui 等开源软件完成一部 ai 短剧的制作？大家好，我是程序，欢迎来到第九期。今天我们详细讲解一下 ltx 二点三的工作流，包括纹身视频、头身视频、音乐声视频和手尾帧等， 同时讲解它对电脑配置的要求，必要插件和工作流优化等内容。内容比较长，请大家先点赞、收藏加关注。好，现在我们来到 coffee ui 的 界面， 还是一样，我们依然是选择官方的工作流。首先我们点击左边的模板，然后点进来以后找到视频。好，第一排最右边这个是他的图声视频，这个是他的音乐声视频，再往下拉，这是纹身视频， 这边这个是首尾针。那么今天我们主要以这个音乐声视频来详细讲解一下，我们点击它的工作流，大家看到左边这里是它的模型文件，包括 check point， 其实这个是颗粒布，这个是他的一个放大模型，他的工作流是采用双彩样，下面这是他的模型文件存放地址。好，我们现在看到这个工作流，他把 所有的工作流全部隐藏了，那么我们只需要把它进行解压出来，先把它拖到边上去，然后在这里右键选择解包工作流，这个时候才是他的整个工作流的真面目。好，我们现在看一下，这是他的一个图像加载区域，这个是他的音频加载区域， 这里整个是他的模型文件加载区域，毕竟他是有音频的，所以说他要比我们平常的工作流要复杂一些。这里可以输入我们的提示词， 这里设置我们的尺寸，包括这是这里是帧数，这里是时长，但是呢他这个工作流啊还是需要改造一下才能用，那么我就不展示我们的改造过程，我们直接展示我们改造结果。好，这就是我们改造的结果。 大家可以看到这个红色的节点要么是替换的，要么是增加的，比如说第一个，第一个这个是我们的音频裁剪，比如说我们输入一整段的音乐，他长达四分钟，实际上我们的视频也只能出二十秒或者三十秒，那么这个裁切工具就特别有意思，比如说我这一段视频结束时间是五十三秒， 那么下一段视频我们可以从五十二秒开始，然后再跑二十秒，然后以此类推，直到把我们这个四分钟的音频全部给他跑完。然后这个节点是预览，是用来展示我们当前所裁切的这个部分，然后这个节点就是图像压缩的节点，它这个节点还是比较好用的。 再来到上面是两个 lra， 第一个 lra 是 vbvr， 它是一个奖励， lra 对 我们视频生成这个动作是有很好的引导作用。然后后面这个 lra 是 一位大佬所开发的，它是专门解决我们 ltx 二点三 在生成视频，当在讲中文的时候，他有可能出现字幕，而且字幕还是乱码，那么这个解决方案有三个。第一个方案就是我们所有的提示词可以用英文来写，再加上我们叫仙侠的这个 lo ra， 然后再加上 k j 的 这个强制负面提示词， 因为我们这个工作流它的 c f g 值是一，所以在当 c f g 为一的时候，它的负面提示词是不生效的，我们加这个节点是强制它负面提示词生效。所以说我们一共用三种方案去解决它带字幕的问题，这里是模型加载区域，然后这里是 参数区域。这两天我在测试过程中，我发现我们尽量用幺二八零乘七二零的这个尺寸去生成我们的视频，这样的话能够保证我们的视频画面不会崩，当它的尺寸越高，它的效果越好。 然后这里是我们的彩样器，我是选择这个 c f g 的， 好像效果还是比较好的。现在我们来看一下之前我测试的时候生成的一段 mv， 就是 这个视频，它是直出七二零 p 的， 我没有进行任何的再次放大，大家先看一下它的效果， 这是一个二十秒的视频，效果还是很不错的。这个二十秒的视频用时是十分钟，过一点六百三十四秒，那么上一段生成他的结束时间是五十三秒，那么我们再生成下一段二十秒的视频，我们可以在这里把它写成五十二， 这里设成一分十二秒，刚好二十秒。那么当我们把整个视频伸出来，我们剪辑的时候，实际上我们要把它的原声关闭，用我们自己加载的原声，这样的话我们能够保证我们的音效不被污染，但是我们可以听一下我们这个原声效果怎么样。好，我们把它拉到三十三秒，然后我们听一下原声的效果是怎么样的， 非常不错，我们原声效果要比他刚才输出的效果是怎么样的，我们再对比下他刚才输出的效果， 音质确实有污染。现在我们在生成下一段的时候，我们再添加一个加速节点，双击，然后这里输入 set 好， 我们添加这个节点，这就是我们之前安装的 set 的 touch 二点二，他对我们的视频加速也是有效果的，但是我之前为什么不用呢？因为我的配置还是够的，所以说任何加速他都有可能对本身的画质有所影响。所以说我之前是没有添加，但是现在为了提速，我们可以尝试用它一下， 然后我们可以选择 cedar tension f p 十六库达的这个，然后我们把线给它连上，它就连到这里， 就连到这里，这样的话我们的连接生效。对了，我们这里还有一个非常重要的节点，就是这个东西，它这个节点就非常厉害了，尤其在这个工作流程链路生成过程中， 当工作里有完成某一段工作的时候，把它的这个模型文件和它所占用的内存显存全部给它卸载掉，然后再进入下一阶段的一个工作，这样的话减少我们的电脑负荷，甚至如果没有它可能到下一段，比如说这个 ve 在 解码分块的时候 有可能就爆掉显存或者爆掉内存。好，现在我们开始运行，看我们加了这个散热器以后，它的运行是多长。在它生成过程中，我来给大家介绍一下我们的内存和显存占用情况。大家可以看到这个内存已经爆到五十三 g， 而它的显存也只是二十二 g， 如果大家内存和显存不够高的情况下，可以适当降低它的分辨率，比如说这里可以设置九六零乘五四四，整个生成完成以后再进行一次高清放大，实际上目前我们直出的七二零 p 也是需要再一次进行放大，发达到幺零八零 p， 然后我们才可以用 好。在它的生成过程中，我们介绍一下它对我们的电脑配置的要求。它这个 f p 八的模型文件接近二十七个 g， 如果选存 小于二十四 g， 基本上是没有办法跑的，但它专门有一个针对五零系显卡的，只有二十个 g， 那 么那个模型文件我们的 十六 g 显存也是能跑的。其实内存我感觉至少要有个六十四 g， 要不然这么多模型文件根本加载不下。那么当我们显存比较低，比如说十六 g 或者十二 g 的 时候，那我们可以选择它的这个 g g u f 量化模型， 只需要在对应的位置输入它的 g g f 模型文件，然后把它的线给它连上，把这个加载器和替换掉就可以了。 包括下面这个克里普加载器也一样，我们可以选择 g g f， 但是无论显存多大，我觉得内存都应该超过三十二 g， 这样的话跑它应该没有什么压力，包括我目前跑这个工作流，我的六十四 g 内存也是勉强够用，如果我去跑三十秒的视频，可能也会包内存 好。生成完毕，我们看到是五百七十六秒，看来加了这个三者胎神，他只是提升了一分钟，比原来六百三十四秒提升了不到六十秒。我们现在看一下它的效果，这是紧接着前面一段音频的，后续的二十秒我们听一下， 大家可以看到我们这个是没有字幕和乱码的，看来我们的策略是行之有效的。好，接下来我们讲一下我们的核心的插件，要想运行这个 ltx 二点三，有几个插件是必须要安装的，我们点开 manager。 好， 现在看一下我们所有安装过的， 这里输入一下 l t x。 好， 这两个插件是必须要安装的， l t x video， 再加上它的这个插件，然后再看一下，我们还会遇到像电脑显存较低的情况下，要用到 g g u f， 这个必须要安装，还有这个 layer style 也是需要安装，包括 k g n l 子。 好，基本上就这些，那么现在这个音乐生成视频我们基本上都讲完了。 ok， 接着我们去看纹身视频，还是一样点模板视频。这里，好，这是我们的纹身视频，我们先把它的这个工作流解压出来，我们直接按照他的默认提示词。好，我们点击运行。好，生成结束，我们看一下效果，用时一百七十秒，不到三分钟， 挺不错，那么我们这样找豆包给我们一段提示词，把时间设置成十秒，它的时间在这里。十，好，我们现在得到了一组提示词，直接给它粘贴进来， 但是生成之前我们这还要加个东西，就是这个东西是防止它报现存给它连接上，然后我们开始运行。 这个工作里，我目前除了他没有进行任何改造，实际上我只是演示给大家看一下效果，这里面要改造无非就是给他夹老软，再就是限制他在输出的时候有这个中文的乱码字幕。这里还有一个细节啊， 当我们直接托官方的，无论是图声视频还是纹身视频，或者是这个音乐转视频的工作流，他不能够直接使用，我们要用的时候，我们要在这里把这个帧率的这根线给他连到这个 b 点上，然后我们的工作流就正常了。 好，出来了一个十秒的视频，我们现在看一下它的效果。 还可以，因为没有加这个 v b v r 这个奖励老软，所以说它的效果好像不是很好。 好，接下来我们看一下我们的图示视频，还是在模板里面找，这是图示视频，我们点进去一样给他工作流程解压出来时间，我们设十秒吧， 加载一张图片，随便输入一段提示词，一个男人在说话，这是他要说的话，然后我们点击生成。好，生成结束，用时是二百八十五秒，我们再看一下它的效果。大家好，我是陈旭，我们是博主的 ai 扎势产， 因为是十秒的视频，我给的话术太短了，然后导致他的语言混乱。好，我们又重新给他写了一些话术，再次运行一下。好，这就结束，我们再听一下它的效果。大家好，我是陈旭，一个 ai 形象，我还有一个搭档，他叫希然， 他这次是动作夸张，还有字幕，不过整体效果还不错，因为他脸一直没有崩，环境也没有崩。好，现在还有一个工作流没有讲，就是我们的首尾针，工作流好，点进来。好，我随便加载了两张图片提示词，我们改一下，他端着咖啡走到窗前， 一样工作流我们就不去更改了，直接用他试乘，这里有做一个十秒吧，五秒太短了。好，试乘完毕，我们看下效果， 这是在没有加任何奖励 lara 情况下跑成这样的一个状态，我觉得也还能接受，而且我们的提示词特别简单，什么都没有，那么真正要跑出好的视频还是需要在提示词下功夫 好。我们今天一共介绍了 ltx 二点三的四套工作流，第一个是纹身视频，第二个是图腾视频，第三个是音乐声震视频，第四个是首尾针视频， 而且他的能力是可以做到三十秒左右的一个视频主要是看我们的电脑配置，其实如果内存够大，我估计跑个一分钟视频应该也是问题不大。然后接下来就是我们的小浅层，用户可以选择把它两个替换成 g g f， 然后再就是我们的生成字幕的一个限制，再加上我们的一些奖励 l r， 让他动作更加连贯 和更加符合逻辑。然后再就是一些细节上的调整，比如加上一些我们清华村的一个节点，还有包括可以裁剪音频的一些小的节点，这些东西都很有用的。我们整个 coffee ui 的 全流程到这里也基本上讲完了。 接下来每一期我会给大家做一些具体的，包括视频呀，包括音频呀，包括图片的一些效果，然后给大家展示，那么今天的演示就到这里感谢大家观看，我们下期见。
5133晨序AI工坊
00:22查看AI文稿AI文稿王炸更新，康飞 u i v 八官方新版整合包，新手小白直接福音，全程中文界面全面支持三零四零五零系显卡， win mac 都能用，解压即开。内置上百套现成工作流，电商图 ppt， 角色统一， ai 短剧全都能做，不用配环境，自带模型插件，小白也能直接上手想要的艳艳牌。
37梵高学园
00:27查看AI文稿AI文稿五月五日 comfy 八中文版整合包震撼更新，妥妥的小白福音全中文界面，而且支持中文提示词，根本不需要懂英文！更重要的是，这次整合包直接内置了三百一十一个风格模型，全是主流模型，还帮你预设成工作流了，点开输入提示词就能用。安装也还是超简单的，三步就能搞定一下。二解三，找到启动器，双击即可打开运行。支持苹果和问系统，一键 升图，一键升视频，还能建模和做音乐，所有操作都是点一下就能实现，特别省心。模型数量太多，我就不来个介绍，感兴趣的铁子七七八带你尝尝。
44-AIGC教程
00:30查看AI文稿AI文稿氪金没必要白嫖，我教你。主播今天教大家安装 comfy uiv 八中文版，一键生成超流畅视频和电影级画质开源软件，无需氪金，长期免费更新。安装方法很简单，首先点视频右下角分享箭头， 然后在附近链接，再打开这个蓝色工具，没有的去安装一个，打开后会自动弹出一个文件夹，如果没有弹，在首页搜百宝合集保存安装就可以了。
1018阿杰教学
00:28查看AI文稿AI文稿震撼来袭！ coffee ui 官方新版整合包，妥妥的新手小白福音！全部中文界面，完全不需要懂英文！更惊喜的是，这次整合包直接内置了三百三十七个顶级工作流，全是大佬们都认可的实用功能，傻瓜式一键安装， 只需三步就能搞定！一拿到这个整合包，两解压缩三双机，打开升图、升视频、做音乐，哪怕是三 d 建模，全部都能一键搞定，特别省心！模板数量太多，我就不一一介绍了，想试试的幺二三验牌，我要烟牌！
553-AIGC教程
48:42查看AI文稿AI文稿五月最新的秋叶 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！
3893秋叶AIGC
