挑战十四天,从零开始学习 ai 视频制作第一期,这是一个幼师级的 comui 视频制作保姆级教程,从打开电脑开始说起。警告本视频耗时一千两百小时,制作时长四十五分钟,内容包含 comui 工具部署、纹身图图 生视频、热门 ai 玩法、视频画面剪辑合成,包含实操教程。这套课程将手把手教你如何做出质感拉满的 ai 短剧大片。本套课程使用工具为最新版本的 comfyui, 因为开源免 f, 这次整合包内置了三百三十家工作流模板,没有整合包包的可以七七七抢抢咸蛋。欢迎来到我的 comfyui 零基础从入门到精通系列的第一课 comfyui 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 comfyui, 然后生成第一张图片。 ok, 我 们话不多说, 整合包我会整理好放在百度网盘里面,大家有需要的话可以自己去啊安装,那我们现在开始部署这个 qq ui, 那 我们从百度网盘下载好这个 好 qq ui 秋叶版本的这个整合包之后啊,我们来到文件夹下面,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 q p u i 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 么这就是会事启动器的面板,因为我已经呃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。好,那这就是 q p u i 启动后的界面啊,第一次启动的话,它会默认的。呃, 他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个工作流啊, 后续我们会围绕 zem 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,图腾图啊,纹身视频这样的工作流搭建。那么我提前也准备了一份以 zem 太婆啊为模型的一个工作流啊, 我们可以先看一下它的深部效果怎么样啊,这一些 top 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啊,可以看到效果确实也是很不错的啊。 好,那这个工作流怎么去使用啊?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啊,可以先选择一下尺寸 啊,这里的话,尺寸我选择速读,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,把放大看一下啊,这个质感,还有这个,呃,这人物确实都挺好看的。可以见到这个 zm turbo 啊,它是国产的模型,它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。 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,生成这个角色三式图是一种极具实战意义的使用方式啊, 三式图可以用于 ai 视频生存时,保持角色的一致性。好,那我们先来讲一下本节课要用到的模型的安装方法, 同样的,我们本节课用到的模型啊,我都已经放在百度网盘里面了,可以根据我们这节课用到的来选择啊, 我们找到第三节课的千万 et 图升图的这个文件夹,然后模型啊工作流也放在这里了。模型啊,把这里的整个文件夹都给下载下来。哇,我们可以看到是四个文件夹, 安装方式和上一期也是一样的,我们将啊我们打开会事启动器的启动页面,点击根目录, 然后我们在根目录下找到啊 models 文件夹,点开,然后选中啊,这四个文件夹就是下载下来的四个文件夹, 直接拖动到 models 啊,跟目录底下的 models 文件夹的空白处公开手,然后进行文件覆盖就可以了,就可以完成模型安装了。 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,显示值输入区,产量区,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。 好,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生图工具,那就是这个 k 采暖器 跟昨天的搭建思路是一样的呃, k 传感器有了之后,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 uni 的 加载器啊,我们选择, 我们选择 diffusion model loader 了这个这个加载器,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 lada 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 展器下面是正负面条键,我们需要拉出来给它一个文本编码器啊, 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,好,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,后面条件的文本编码框也需要连接加载 clip 好, 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独生图嘛。那既然是独生图的话啊,独生图的工作流本质上就是你提供一张图片给机器,然后机器他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好吧,然后通过这个节点将图像啊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 传感器之间啊,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,让我们给它连上。 呃,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彩样算法。 呃,这个彩样算法的话,我们上节课也是有说过的啊,彩样算法的作用就相当于是一定程度上左右这个 k 彩样器的绘画方式啊,然后再加上一个 cfg 皈依化。 那么 cfg 皈依化的作用是什么呢?就是,呃,当你的 cfg 值调得很高的时候啊,它会让你生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,然后还有彩样区块啊, 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 不入区,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 comrade 图像 s d 三去设置它的画布大小,然后出图嘛,我们需要用 v a e 编码,而 v a e 解码,好吧, v a e 连接过来,然后图像可以预览, 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,那么裁样区的话也到完了,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是千问 image edit 二五幺幺的,这个模型 ok。 呃,然后还有 laura, laura, 我 们这里选择千万编辑 lightning 四部的这个 all steps 这个。呃, laura 模型,那 clip 的 话,我们这里选择千万二点五的。呃,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 v a e v e 的 话,我们一样是选择千万一美集的 v a e。 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,它假说它有,假如它有二十亿的参数量,那如果不放 lora 的 话,那这二十亿的参数它会在运行的时候全部流入这个 k 传感器里面啊,无论是用的上的还是用不上的参数,它都会流进 k 传感器里面, 这样的话他跑图的话会花费很长时间,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,组合条件的,他就可以经过这个 laura 加载器, 可以输入到 k 裁剪器,不符合条件的它就会被保留下来,那么就相当于流入 k 裁剪器的参数量就没有那么大,从而达到一个提速的效果。然后这里的话,我们可以看这个 啊,这个 lower 加减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,那我们这里的啊, 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一点,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,好,我们来看一下这个工作流它可以怎么使用, 比如说我现在想让啊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,将图像一中的按着镜头 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,那我们现在再来运行一下,看看效果。哎,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, 我这里的插秧算法呢,应该是放这个 alphafloor 的, 这个我们放成 s d 三的插秧算法了啊,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。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。呃,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, 特别是完完全全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,它是一个竖幅,但是生成出来的图像它是一比一的这个宽高啊,原因是这里的空位的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。好,我们给它这个图像拉过来些,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,他的高就会被缩放成幺八零,因为这个尺寸是按照他的最长边来算的,这里的最长边显然是他的高嘛, 这图片的高是二幺三三,那么经过这个节点之后,他的高就变成一二八零,但是他的宽度也会按照比例进行啊缩短。好吧,最终他的这个进行缩放之后的图片跟高比也是一样不变的。然后我们再来一个节点 获取图像尺寸啊,就是这个这个节点的作用是什么呢?啊,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, 它我们将宽度啊和高度同步到这个 coleaton 这里。好吧,那我们之后就不需要手动地去调整这个 coleaton 的 大小了, 它跑出来的图片就跟我们的啊输入图片它的宽高比例是一样的 啊,我们运行一下看看效果啊。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 啊,这个宽高比也是十分相近的了啊。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, 如果你想让他生成角色三式图的话,那你也是只需要啊开启一个节点 啊,也可以跟其实上面直接输入啊,生成胡一中女生的角色三式图分别为正式图, 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呢,是很难塞的下三式图的啊,比例就会变得非常奇怪。 好,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,或者说这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。
粉丝3797获赞2.2万

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。

想用 comfy ui 创作 ai 漫剧被卡?电脑配置被八 g 独显,十六 g 内存的门槛劝退几千块换新机就算了,装 q 的 适配插件能把人搞疯,导入别人的工作流,直接显存一出,白忙活一场,新手直接被拦在门外,快来试试这个 ai 漫剧!智能体全云端算力撑着 千元老笔记本、轻薄本,甚至手机浏览器就能操作 gemini 三点五 flash, 搭配 g p t image 二和搜二二的王炸组合,成本省一半,生成效果还业内领先。嫌模型不够贴合自定义选,操作简单到离谱。 开启智能托管,把小说往里面一丢,大模型自动接管,全流程推理剧情生成脚本,分镜自动安排,不用抠脑可写提示词,不用研究复杂分镜指令 直接给你电影级连贯分镜。剧本人物三十图场景全套道具一键出角色,从片头到片尾长得一模一样不崩脸!想换画风,一键切换古风国风、三 d 日系动漫,你要的风格全都有!做完直接一键导出成片,全程云端跑, 电脑配置根本不用管,还能下载源码本地部署。想体验这款开挂神器?打工具直接免费体验!

需一张显卡,你就能免费生成这样的 ai 视频,这就是地表最强 ai 生产力工具 comui 微八解惑版。和那些花钱还要排队的网站不同,这个版本不用联网,更不用魔法上网,所有运行均在本地,无需审核压力,不用积分,不用排队,也没有暗此暗月的计费的套路, 支持幺零六零显卡,并且原声中文自带两百六十加款常用配件。生成图片点一下就好,生成视频也是点一下的事,安装也只需三步,一下载,两解压,三双击打开想试试的亲,老规矩,验个牌,现在开。现在 comfyui 连坐着的服装都能扒下来换到不同模特身上去了, 甚至还能改变服装角度和方向,而且除了换服装,还可以更换任何物品,只要你想,一切皆可换,这就是 flexradux。 接下来我们来看这个工作流怎么用。首先呢,我们来导入两张图片,第一张是衣服图,实拍或者是白底都行。第二张呢是模特图片,然后我们点击一下就行。在这里出现两组图片之后,我们就来进行一个遮罩的绘制,如果没有绘制的话,我们后面的这个工作流他是不会运行的。 上面的这一组图呢,我们来绘制右边的这个模特,把模特身上需要重新绘制的区域画一下。 下面的这组图,我们来绘制左边的服装区域,把要参考部分的服装画出来。完成之后我们就来点击运行,等待片刻之后,我们就得到了一个重绘的结果了, 我们来对比一下原图,这还原度完全达到了电商的要求了,我们再来换一张图片来试一试,让小姐姐变个身穿上未来机甲战衣。同样的上面的我们来绘制右边的绘制区域, 你看这真的不是他自己穿上的吗?接下来我们可以拓宽一下思路,为什么一定要选择衣服呢?其实其他物品也是可以的,答案是肯定的,我们完全可以将一种物品置换到另一个场景,万物皆可换。 稍微的给大家讲一讲这个工作流的原理,它利用的是黑森林实验室推出的 redux 和 fill 这两个模型,官方也给了一个之类的工作流, 但是效果并不是很好,衣服的款式呢还是会发生一定的变化,而我们刚刚使用的这个工作流就避免了这个问题,能够确保服装牵引后的材质和款式都得以完美保留,同时和模特的融合也非常自然。我已经将这个工作流和模型打包好了。

兄弟们, z m h 是 一款拥有六十亿参数的完全免费的高性能图像生成模型,升图速度快到飞起,而且支持无内容神查和 n s f w 内容,画质达到专业级,以中文提示词理解也是非常到位。 我们打开看一下它的升图速度和质量,可以看到仅仅在一千零二十四的分辨率,无论是速度、画面细节一次成 下水准都是相当不错的,覆盖人物、动物、汽车等多领域。生图我现在用的是 kufy 整合版本,即开即用,非常方便。我已经将工作流和学习文档都打包好了,想体验的小伙伴暗号抱走哦!

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!

还在纠结 ai 绘画出图慢、细节糊中文提示词、翻车、画面重复僵硬的问题?今天给大家带来目前综合实力最强的开源绘画模型 v 六,搭配 comfy 工作流,彻底解决日常 ai 绘画的所有痛点。这款全新升级的模型搭载 s 三 d t 主流架构,最大的亮点就是极速出图, 开启 turbo 模式后,仅需八步就能完成高清出图,只需搭载四零六零显卡,本地就能流畅运行,告别高配置门槛。同时模型升级 smart dual 优化机制,有效减少画面元素重复失帧问题,大幅提升画面层次感与真实度, 光影、纹理细节直接拉满。它最出圈的优势就是顶级的中文理解能力,完美适配中英混合提示词,精准读懂复杂创作指令,无论是写字、人像、场景、大片、创意插画,还是文字可式化设计,都能稳定出片,指令遵循度远超多数主流模型。 搭配 comfy 节点化工作流,全程可设画,操作参数可微调,工作流可附用,支持批量出图,新手也能轻松上手,老手可以精细化打磨作品。本套模型我都给大家准备好了, 话不多说,我们进入课程,那这个模型目前来说是一个比较重要的模型,并且呢在两三个月之前啊,给大家更新过那个 v 四版本, 那现在呢,就是有这个 v 六版本的推出。那这个克利普模型呢?它同时是可以搭载我们这个图片反推功能的, 就是它对于图像的一个生成能力来说,也是得到了大幅度的一个提升。我们来看一下它官方的一个效果图,来对比一下就知道了,你会发现在 v 六版本的基础上面呢,它生成出来的光影会更加细腻一些,那当然我也是用了这个模型去生成了一组 图像,我给大家看一下啊,这个工作流呢,就是使用到的是 v 六生成的图像,可以看到它的光影是非常非常细腻的, 如果说我们肉眼来看呢,它是很难分辨出这样子的一个真实性,光影做的都是非常好,比如说光它从这一块开始打下来的,然后这边是压暗的一个效果。 那上面这里呢,我给大家演示的就是我们的一个 v 六版本了,那底下这个是一个 v 四版本,我就不再给大家去跑这个效果了。我们先来看一下这个工作流, 那这个工作的整体来说非常简单,因为呢你不需要去书写复杂的一个文本,就比如说我的这个图片生成,我是直接书写了一个女人在房间里面, 然后呢我们连到这边的一个 v 六版本的一个反推提示词,它会自动的为我们的这个提示词做一个深层次的一个反推, 比如说中国美女沙漏型身材等等的呢,会去丰富我们的一个画面提示词。然后回到这一边的话呢,就是搭载的是我们的这个 g g u f 版本的一个 v 六版本的大模型,然后呢再来到这一边,用上我们的一个罗拉模型,来到 k 场一起,最终输出出来呢,就 是这样子的一个图像,它的真实性非常非常强。那这个是比较简单的纹身图工作流了,因为这个模型呢,整体的照片质感是非常好的,所以我们不光是说把这个模型当成一个颗粒 谱,也是呢可以把它当成一个非常好的一个提示词的扩写,那这个工作流呢,主要是做这个 不同模型之间的一个对比工作流啊,首先呢是我们原生的一个版本,那在旁边这里是那个 v 四版本的一个生成图像,然后这边呢是一个 v 六版本的, 大家可以仔细对比一下我们的一个区别啊,有没有发现在 v 四和 v 六之间呢,它的光影会更加的自然一些, 而且呢他的光会非常细致的打在他身上,就比如说他这一块前面的胸上,然后还有他的脸部打的光会比 这个 v 四版本要好一点点,而且在搭配雨衣上面呢,他细节刻画还有色彩层次上面会全面的进阶, 画面风格呢会更加的高级。那么他这个模型呢,最大的一个区别其实就是人物上面一些细致的一个刻画,那大家也可以自行对比一下我们每个模型之间的一个不同的区别啊。 那个人来说呢,我会觉得这个 v 六版本生成的质感我会更喜欢一些,光源的话打的也是更加的立体,像这种古风场景啊,或者呢我们一些动漫场景也是一样的, 就是对比于像 v 四和传统的 clip 模型,那 v 六的一个渲染程度会更加的通透,然后场景的氛围感会更加强烈一些。那么以上呢,其实就是我对 v 六版本生成的一个细致测试,以及呢给大家的一些小小的看法。

这是一款可以免费生成视频的 ai 工具,无需积分,无需排队,它就是秋叶 comfyui 中文版,它完美解决了大部分新手 comfyui 安装困难和报错的问题,而且支持中文提示词输入一段中文就可以生成这样的 ai 视频,而且没有次数要求,你想到的画面都能生成。 唯一缺点就是需要独立显卡,显卡越好,生成速度越快,只要是英伟达显卡即可运行。显卡不行,那我还会教你云端部署的技巧,让你十年前的电脑也能玩起。 最最重要的是,这款秋叶整合包内置了三百一十八款风格模型,搭配工作流即可实现批量生成。电脑一般的选择 base 基础版,电脑配置好选 large 大 型版。我会从软件的下载安装开始,到简单的图片生成,而到一阶的各种 ai 视频生成方法一步步带你精通,感兴趣的废话少说,我们开始教程。 哈喽,朋友们大家好啊,欢迎来到康普 ui 全系列课程的第二节课,那么在这一节课呢,我将带领大家一起去深入了解康普 ui 纹身图以及背后的深图逻辑。好,那么我们现在就开始我们第二节的一个课程了啊!首先大家看到我们的一个 把工作流老是打开的这一个界面啊,那么这个工作流的话呢,是我们用上了一个 laura 啊的一个组合生成出来的一个效果,大家觉得还不错对不对?好, 那么我们先不管这一个界面啊,我们先加载一个新的界面啊,然后加载一个默认的工作流出来啊,加载一个默认的工作流 啊,这个默认的工作流呢,其实就是我们要讲的这一个,嗯,最基础的这个纹身图的 啊,工作流了。好,那我们先来去理解一下每个节点的一个含义吧。啊?每个节点的一个含义,首先呢我们左边的这一个节点啊,左边这个节点呢,它就是 checkpoint 加载器,那么这个加载器呢,它其实就相当于我们 选择大模型的一个节点啊,那么在汉服 ui 中呢,我们基本上每一个参数啊,比如说大模型的选择, laura 的 选择, v a e 的 一个选择,都是通过一个节点来去选择的啊,等下我们可以去了解到,那么在这里的话呢,大家就可以选择我们需要用到的一个模型,比如说我们用一个白领啊,白人的这一个模型,叉 l 的 一个模型,对不对?好,那么这个的话呢,就相当于是大模型的选择,对不对? 那么除了大模型的选择,我们还需要什么呢?还需要提示词的一个书写,对不对啊?那么这两个节点啊,那么我们都叫它节点啊,那这两个节点呢,它分别是我们的 正向提示词的一个输入,以及负面提示词的一个输入,那么在上面的这一个输入呢,就是正面提示词, 那么怎么样分辨他们两个哪个是正面呢?其实就取决于他们后面的这一个线条啊,或者说叫这个参数的这个条啊,他是连到哪个的啊?连到这个 k 传感器,他是连到正面条件,他这个宽里面的就是正面条件, 如果我们把他给反过来,那么这个宽的话呢,他就会变成负面条件,明白吧?不管你这里面填的是什么啊,不管你里面填的是什么 啊,然后这个就会变成正面啊,他就这样反过来,所以说大家一定要在前期的时候呢,注意好我们的这一个参数信息的这个连接啊,正面条件记得连哪里啊?负面条件是连哪里,不要连错了。好, 那么我们这两个是文本的输入框,对不对啊?它叫 clip 文本编辑器啊,等一下我就会给大家去解释,为什么它叫 clip 文本编辑器。 好,那么这个 call late 这个节点呢,就相当于是我们图片的尺寸调节,以及我们 p 四大小啊, p 四大小的意思呢?其实就是我们生成图片的张数,你想生成一张,那就是 选一,那么如果你想生成两张呢?选二啊,这样的话呢,我们就可以生成两张图的意思啊。好,那么这个 k 传感器呢,其实就相当于把我们前面所有的一些信息集合出,集合到它的这个节点里面, 然后在这里呢进行我们的一个图片生成啊,大家可以理解成这个意思啊,然后里面有一些参数,我们等下会讲解, 那么这个 ve 解码呢啊,等一下我们会专门去讲一下这个 ve 解码它的一个作用,然后最后的话呢,我们就保存一下图片,那么我们这几个节点其实都已经出来了啊,他们每个节点的个用法 啊,然后的话呢,我要去讲解一下,就是我们的这个线条的一个连接啊,大家可以看到我们大模型这里有个模型对不对?模型它代表的一个啊,参数的颜色就是紫色的对不对?所以说它一定要连到 跟紫色有关的一个节点上啊,大家看到没有,你这一个模型啊,如果你不连这个模型,你连正面条件是连不上的啊,同学们一定要注意啊,连不上的,所以说我们一定要注意这个, 嗯,对应差错的一个连接,就说信息不能错啊,黄色的就一定是啊,跟提示词有关的啊,你看这个红色的就是 v e 啊,你红色的是连不到黄色的上面的啊,就是这个意思。好,那么 我们了解了这一个每个节点他大概是什么样的一个作用之后呢,我们就来拆解一下他的一个真图原理啊,那么在这里的话呢,我们先升一张图啊,比如说一个弯钩儿啊,我们先升成一张图,对不对?我们其实选好大模型之后,我们只需要来一个提示词啊,点击一下生成, 他就给我们去升一张图啊,然后这里我们尺寸的话呢,应该是调错了啊,我们这里填一,然后一零二四等于一零二四 啊,我们在这里去点一下生图,对不对?他这样的话呢,就会给我们生成一张啊,女生的一个图片,对吧?啊,很好看的一个女生图片,那么他是怎么样做到这一步的呢?那我们就来到了怎么样去 拆解这一个纹身图,他的一个厚涂的原理了啊,好,那我们就来到我们的这个 ppt, 我 们首先的话呢,呃,我们刚刚的那个步骤,其实就是这一个 ppt 的 一个作用啊,就是我们输入一个 wiger 就 能得到一个女孩,对吧?啊,那么他的一个后台到底是怎么样运行的呢?首先我们要讲一下大模型, 就说大模型它里面是什么东西啊?它里面有什么?它能这样子生成图片对不对?大模型它其实就是把我们在训练的过程中啊,把我们很多真实的图片,就比如说它训练了很多女生,他把很多女生的一个图片,以及 女生图片对应的一些提示词,比如说这个女生可能是个黑色头发啊,然后呢棕色的眼睛对不对?白白的皮肤,他把这些提示词呢,变成每一个图片都有的一个标识啊,大家看大家看到没有这张图 你就能看到啊,在这一个空间里面,这一个我们每一张女生的图,他都会变成这样的招生图啊,就像这种马赛克的啊,像那个电视没有信号的那种图片,对不对?那么在底下呢,有一些小字啊,但其实这些小字呢,其实就是 就是图片所对应的那些词转化成的一些参数啊,大家可以这么理解。然后呢每一张图都有他对应的一些啊提示词的参数,所以说他这样子啊,素材多了,然后在这个浅空间里面,他就能当做是一个大模型 啊,大模型里面就是有这么多参数啊,有很多张图片,以及有每一张图片对应的一些参数的一个提示词,好,那么这个就是大模型的作用啊,他储存了很多参数对不对?好, 那么 clip 是 什么意思呢啊?大家可以看到,在我们大模型里面啊,大模型的一个输出里面,除了有模型对不对?那么这个紫色的模型其实大家就能理解了,这里面就是纯属了一些图片的数据。好,那么这个 clip 呢?是什么意思呢? clip 呢?其实就相当于把我们输入 出,输入进去的英文翻译成 ai, 它能听得懂的 talk 啊,那么大家可以理解成向量啊,那么 因为 ai 它是听不懂,比如说我们一个 one girl 啊,或者说一个蓝色头发啊,棕色眼睛这样的一个提示词的,对不对? ai 它是听不懂的,它只能听得懂它属于它的语言啊,所以说 clip 这个东西就是帮助我们去翻译给 ai 听的啊,让 ai 能知道我们真正想要去出什么图啊,然后呢,去大模型里面找对应的一些造声图啊, 明白吧?这个 clip 就是 这样的一个作用。好,那么 ve 是 什么用呃的一个用法呢? ve 它的一个用法就相当于把我们的图片可以变成造声图, 因为我们的 ai 或者说这个 stable distribution 在 浅空间里面只能理解这个造声图这种形式,所以说我们的 ve 它的一个作用就是把我们的图片变成 这个造声图,或者说把它生成出来的造声图解码成我们的一个真实图片啊,那么 ve 它的一个作用就相当于图片的一个翻译官 啊, clip 就 相当于我们文本的一个翻译官,那么它翻译进去的都是属于在浅空间里面进行计算。好,那么这个 k, 那 么这个浅空间里面到底是在干什么呢?其实我们的渗透流程就是通过我们的一个浅空间在浅空间里面进行计算的。好,那么它具体的一个步骤是什么呢?就是 我们输入一个提示词啊, one two, 那 么这个提示词啊, clip 就 会把它翻译成 一个项链啊,那么 ai 他 能听得懂,那么他能听得懂之后呢,就会在我们的大模型里面找到对应的啊,跟弯歌对应的那一个,造成图里面的照点 啊,然后这个时候呢空 later 就 会确定一个招生图的尺寸啊,因为我们是随机生成一张招生图吗?那么那个招生图里面呢,就会带有这个弯个的一个属性啊,那么好了,那么得到了这个招生图之后呢,我们就会这个招生图就会经过我们这一个 k 产气 啊,来到这个 k 传感器里面,那么 k 传感器呢,就会把那个噪声图不断的把那个噪点给去除,那么具体去除多少步啊?以及去除的效果怎么样?那就是取决于我们里面的参数了 啊,我们里面的一个参数的话呢,就是通过调节我们的一个步数,或者说 c f g 值啊,以及我们的采暖器和调度器,那么采暖器和调度器呢?它其实就相当于我们怎么样把那个噪点去除啊?它的一个方法是什么样啊?那么其实 去除的差不多了,那个照点去除的差不多了,那么我们图片就会变成这样子,对吧?啊?但是呢还不能够达到我们这种画面的效果,对不对?这种画面就像真实的图片一样,那么我们就要通过 v e 烂吧烂塌这一个 接近我们真实真实的图片的一个带照点的一个图转成,或者说解码成我们这个图片,那么其实我们的这个工作流程大家就能明白了啊,对不对啊?那么我再给大家去讲一遍, 大模型提供所有图片啊,造成图的一个数据集, click 文本,帮助我们去翻译我们的题字词啊, ai 他 就能知读的懂,我们想要什么画面,他就可以在大模型里面去找 啊,好,那么这个空内存呢,就负责是我们那张图片的一个大小和尺寸啊,以及我们的一下生成几张,那么所有的参数收集完成之后呢,就会在空内存 啊,就会在 k 产生器里面呢进行把我们那个噪声图呢啊,对应那张图像去降噪啊,最后的话呢,通过 ve 的 一个解码,就能把我们这张图片给它真正的生成出来了, 那么这个图片的这一个流程的话呢,就是属于我们真正的一个生图的流程了啊,这样大家应该都能明白了,所以说大模型他的一个非常关键的啊,如果没有他的这些数据啊,你是不可能能生成出一个 很好看的一个效果的啊。然后再举个例子呢,就是如果我们的大模型他只训练了动漫的一个画面,对不对?他这里面所有的一个参数啊,都是属于动漫,那么你想让他去生成真实的一个图片就是不可能的,对不对?因为他根本就没有这个对应的数据级啊,那么你再给他写详细的提示词, 他都不能够给你去生成很好的画面。好,那么我们讲完这个生图原理之后呢,大家就能明白了,我们这个嗯背后的原理到底是什么样的啊?那么我们再来去讲一下这个纹身图怎么样去加 lol 啊,我给大家进阶一下, 那么纹身图想要添加 lara, 那 么我们首先要理解 lara 它到底是个什么东西? lara 其实就相当于大模型的微调模型,因为有些大模型啊,他不能够,虽然说他训练了很多图片对不对?但是呢他不能针对某一种风格或者说某一种角色去深沉 比较精准的啊,不知道大家能不能明白,就比如说我要生成一个路飞的形象,虽然说这个大模型可能训练了一张或者说两张路飞,但是呢不够多啊,所以说他可能去生成路飞,他就不够像啊,那么这个时候呢,我们就要需要去专门用一个 啊,很精准的一个路飞的 lara, 因为路飞的 lara 它就相当于你可能有二十三、五十三专门训练路飞的一个图片啊,那么训练出来的这个小模型就叫 lara 模型啊,那么我们就可以很精准的生成路飞了。那么 在这个这里的话呢,我们去讲解一下这个怎么样去添加我们的 lara, 那 么 lara 大家都知道喽,刚跟大家说了, 我们这个 lua 相当于一个小的模型,那么模型是在所有的一个参数的一个输出啊,它是作为所有参数的一个输出的,所以说它一定是要连到前面的,不然的话呢,你前面 你后面的这些节点它都是接收不到数据,它就没有办法进行一个生成啊。我们这个时候呢,找一下啊,双击这一个空白的区域,我们找出 lua 加载器这一个名称啊, 啊,找出这个节点,然后呢怎么连接呢?大家看到没有,有一个很好的连接方式,就是说看它的左右的一个输入和输出的信息, 好,我们在这里看到呢,它左边的一个输入啊,那么必须是有一个模型和 clip, 对 不对?那么大家看一下,哪一个节点呢?是可以直接给到它 这两个参数的呢?只有这一个节点,对不对?那么我们就进行一个连接好,那么连接好之后呢,怎么样再连出去呢?其实大家就能一看就能明白了,那肯定是经过这个节点之后呢,再连给我们后面的一些节点的,对不对?那么 klipp 也是进行一个连接,其实这个东西就像一个串联一样, 对不对啊?就像一个串联一样。好,那么在这里的话呢,我们选用一个其他的一个 lala 啊,那么在这里的话呢,我们用一个魔法阵的一个 lala 啊,魔法阵的一个 lala 啊,我们去申图。好,那么在这里的话呢,老师给到大家推荐的一个提示词啊,那么包括我们推荐的一个啊,大模型啊, lala 啊,我们都是给了参数的啊,所以说大家可以去参考一下我们的这一个,嗯, 提示词啊,提示好,我们这个时候呢,点击一下生成,大家就可以看到我们生成的一个效果喽, 对不对?有了 loa 之后呢,我需要得到的一些画面效果,它就可以很精准的给我表现出来啊,如果我们没有用这个 loa, 那 么它的一个魔法阵的效果肯定就是不太好的啊,效果不太强烈的, 我们这一个大模型,包括我们的一个 lua, 以及我们这节课会用到的工作流呢,都会放在我们的一个评论区,好,那么我们这一个工作流就是搭完了,然后我们再来讲一下啊,这里面有没有什么需要注意的地方啊,其实就是这个 k 传感器喽 啊, k 传感器这里呢有啊,步数的意思就相当于是他降噪了多少步啊,我们这里默认填二十到三十步就可以,三步距值呢,就相当于我们的提示词的听话程度, 如果你想让他听话一点,那你就调高,如果想让他没那么听话啊,你就调低一点,但是呢太高的话呢,会导致我们的一个画面的一个质量降低啊,这个大家一定要注意,然后呢踩样器和调度器我们就选摸人就好了, 降噪值在纹身图的一个过程中一定是要填一的。好,那么我们今天的一个纹身图的啊讲解包括我们那个纹身图加拉拉啊,以及我们深图原理的一个课程的话呢,我们就讲到这里了啊,视频用到的工作流插件模型 啊,也可以在评论区留言啊,老师都会一一分享给同学们的啊,好了,大家一定要关注我啊,老师下一期会带大家继续的去深入了解 comu 图深图的各种参数节点的含义,以及背后的一个原理啊,还有使用方法。

只需一张显卡,你就能生成这样的 ai 视频,它就是秋叶最新 comfyyv 九点五破线版。和那些需要魔法和排队的网站不同,这个版本只需本地一键运行,完全免付,不用魔法上网不用积分。全中文界面最低支持三十系以上显卡自带首尾帧、过渡 人物换装换脸、室内渲染设计、虚拟电子人物等三百家 ai 工作流模板,打开就能使用。想试试的老规矩,验个牌试试。那么我们就一起跟随着时代的脚步,一起去探寻 steve foley 的 康复意外到底该如何使用吧。 大家所熟知的 webui 和 comfui 其实都是属于 separate fusion, 而 webui 主要是基于管理库开发的浏览器界面, comui 则是使用图形节点流程式设计而用于稳定扩散的用户界面。这边我们将 webui 和 comfui 的 优缺点列出来,方便大家做个对比。 首先我们来看一下 webui 这一块,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。那么是什么意思呢? 当你在深度学习完 ui 的 高级内容后,你会意识到啊,如果使用的是康复以外,那么节省了时间为两到三倍甚至更多。其次,在插件过多时, ui 会显得非常臃肿以及操作费时。那么接下来我们来看一下康复以外。这边我们可以看到,康复以外对配置的要求比较低, 同时也一味地降低了 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优于管理又较强的自主性,我们可以根据个人的需求来组装属于自己的工作流,并且在未来, comf u i 将逐渐与 web u i 在 应用层面上拉开距离。比如前段时间的 s d 三点五获得国产最新的可灵大模型, 都是第一时间可以在 cf ui 里搭建工作流并且使用的。而对于 web ui, 这些最新的模型与插件往往得过一阵子才能时装,甚至之间不时装。那么使用 cf ui 也意味着能够更早的去接触到最新的模型与插件,而 cf ui 的 缺点是初期不好上手,但是我相信呢,你在学习完本套课程之后,一定能够完全掌握 cf ui 的 基础操作。除此之外,我们知道,哎,你在学习完本套课程之后,一定能够完全掌握节点式工作流, 因为他们有极强的自主性与可模块化取得头部公司的顶级团队使用的都是节点式软件。 那么康复以外,除了上述优点之外,我们在使用时还可以非常方便的去套用其他人分享的工作流,即刻便可实现相同的效果,还节省了非常多的节点部署时间以及思考时间。好的,那么接下来我们来介绍一下课程概览。那本套课程啊,共分为两个部分, 一到五节呢,为基础部分,其中包含了康府以外最基础的生图操作以及纹身图,还有图生图工作流 程搭建,加上它们背后的运行逻辑。那之后我们还会一起去了解一下咱们 ai g c ai 绘画有关的网站以及模型具体下载方式。那么咱们将在六到十节课中一起来学习如何进行高清放大以及 controller 的 具体使用方法 之后,我们还会利用 ipad adapter 来完成 ai 换脸。最后面第十节课,我们将结合前面所需知识,一起搭建一个老照片修复工作流。 ok, 那 么咱们也废话不多说,赶紧点开下一节课,开始学习之旅吧!

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。

如果想玩康复 u i 本地部署的家人们要注意了啊。如果说你真的你现在还没有配电脑的情况下的话, cpu 的 话,我建议一定要上 amd 的 叉三 d 啊, 一定要选叉三 d, 它的 l 三缓存非常的重要,大缓存很重要,其次的话你的内存条的话,起码来说要有个三十二 g 啊, 我的十六局完全不够用啊,要两根啊。然后的话硬盘就是你要打开你的虚拟内存,他就会使用你硬盘的一个内存,但如果说打开虚拟内存使用的话,他对你硬盘的那一个颗粒的话是有损害的,如果到时候的话你的内存就会越来越少就储存啊。 然后的话还有一个网络的话,其实倒没有特别重要,因为都跑本地了。然后的话还有另外一个就是你的显卡的话,必须内存不能低于十二 g 啊,因为现在跑的这个还没跑到那个十幺 需要使用显卡的,然后一开始的话跑了一个两秒的都要耗时三百零一秒。然后我用的是某站隔壁站的机智罗的 整合包啊,他的话是完全适配了 md 的。 如果说你的显卡也是 md 的 话,你可以 你也可以去玩一下啊,可以先来玩一下,就如果说 md 显卡的话,如果说你低于的话七七零零 x t 比这个还要低的话,建议就 就当个乐子啊,因为我这个跑视频也要跑好久啊。没错啊,现在才跑到一半啊,这个条你不要看它到这里了,后面还有一个,这个彩样器是跑的最久的。 嗯,就这样吧。如果说你们想配电脑不知道怎么配的,有什么疑问的可以问一下我。

火爆 ai 设计圈的 comfy ui 迎来 v 九点五重磅更新,全面优化图片与 ai 短视频,生成质感,大刀阔斧精简荣誉参数配置,进一步降低新手入门门槛。零基础创作者稍加摸索就能熟练上手,轻松产出高品质视觉内容。 众多设计爱好者与自媒体博主争相选用这款工具。产品核心优势突出,软件开源免费、全功能开放,没有隐藏收费和功能限制,支持电脑本地离线运行,创作素材全部储存在本地设备,切实保护原创资料与个人隐私。 独有模块化节点创作模式,跳出死板、固定模板限制,操作逻辑清晰易懂,参数调整便捷高效。还全程你只需做个悠闲的旁观者,仅仅三个步骤,下载、解压,双击打开,如同开启宝藏大门般轻松。 无需安装繁杂的插件,也不必为配置环境而焦头烂额,就连模型都已经为你准备好,真正实现零门槛,拿到就能用。哪怕你对 ai 一 无所知,在康复 ui 面前也能瞬间化身 ai 达人。 不管你是渴望汇聚出惊世骇俗的艺术画作,打造火爆全网的创意视频,还是构建令人惊叹的三 d 模型,在康复 ui 的 世界里,统统只需一个简单的点击动作。 而 comfyui 作为全球 ai 爱好者顶礼膜拜的存在,以最全面的功能、最丰富的生态和最贴近生产力的设计,成为免费开源 ai 软件中的王者。借助 comfyui, 国内那些如星辰般闪耀的最新最前沿 ai 功能都能被你收入囊中,尽情体验。 或许你之前就听闻过 comui, 但就在五月份,它以全新版本震撼登场,带来的改变犹如天翻地覆,对用户友好到了极致。 其中有三点对咱们中国用户而言,堪称量身定制的贴心福利。首先便是全中文官方界面,这可不是依靠第三方翻译插件实现的表面功夫,而是官方正版原声就具备的强大功能。 相较于第三方插件,他的权威性毋庸置疑,性能稳如磐石,可能性绝对是出类拔萃,就连翻译插件领域的大神们都不禁感叹,终于有救了! 对于英文不太好的朋友来说,曾经如天堑般的入门难题被 comfy 官方轻松化解,省心程度简直超乎想象。 其次,新版 cosui 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,在浩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人员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 清理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,那么该如何使用呢?首先将我们的 v 九点五整合包下载到电脑上, 下载好之后,用鼠标右键点击这个压缩包,在弹出的菜单里选择解压软件进行解压。这里有一个非常重要的点,请一定要将文件解压到一个没有中文的目录下,也就是你的硬盘路径里不能出现中文字体,以免后续运行出现报错, 静静等待解压完成就好。解压完成后,咱们就可以准备打开了,在解压出的主目录里 找到并双击那个粉色头像的会式启动器图标。双击打开后,电脑会首先为你弹出一个图形化的秋叶启动器控制台。在这个界面里,我强烈建议大家先点开左侧的高级设置看一眼,确保系统已经准确识别,并且选中英伟达独立显卡。 确认无误后,点击右下角的一键启动按钮。点击之后,后台会弹出一个黑色的代码窗口,开始狂飙数据。 这期间,系统正在为你自动唤醒底层环境,并加载内置的五十多个精选插件,大家只需要耐心等待几秒到几十秒,他就会自动唤醒你的电脑默认浏览器,直接把你带入康复 ui 节点操作区。 当浏览器成功弹出带有网格和各种连线的深色界面时,恭喜大家,你已经正式推开了 ai 创作的大门。咱们这个 v 九点五整合包最大的魅力就在于把复杂留给底层,把简单交给你, 你完全不需要从零开始去学习怎么连线,直接在界面里点击加载预设好的最基础纹身图工作流,咱们来简单跑个测试看看效果。 你只需要找到一个在上方的文本框,输入你想描述的画面,比如简单敲上一句一个女孩毛衣白色背景,然后在下方文本框里填上如模糊、低质量机型之类的排雷词汇。接着点击界面上的运行按钮, 这时候你会看到屏幕上的节点开始依次亮起绿色的光效。得益于咱们非九点五底层强大的环境优化,仅仅几秒钟的功夫,一张光影细腻、质感拉满的美女照片就会在最终的图像节点里生成出来,整个过程丝滑流畅,完全不需要你懂任何深奥的代码原理。 当然,这种基础的纹身图仅仅是个热身,咱们这个 v 九点五整合包真正的核心资产是里面为大家精心预制的两百多个大师级精品工作流。这些工作流的特点可以用四个字来概括,那就是开箱即用。 以前大家在网上找工作流,最怕的就是导入进去后满屏飘红,告诉你缺这个节点,少那个插件,折腾半天都跑不通。而在咱们的整合包里,几十个核心插件早就为你配置的明明白白。 不管你是想做高清的图生图局部重绘,还是想玩点高级的 ai 换脸、数字人、对口型,甚至是去挑战目前最前沿的视频生成模型,这里面都有现成的模板供你直接调用。那么你赶紧去自己动手试试吧!

六月最新 comfui 九点五整合包来袭,今天我就把这台完全免费的视觉超级印钞机 comfui v 九点五整合包亲手喂到你嘴里,拒绝虚假套路,主打就是一个纯公益的永久白嫖。 这次的更新简直是零基础,小白的纠集口音,速度提升,稳定性拉满,原本需要几天折腾的部署工作,现在只要三十秒。 我们要做的就是打破技术壁垒,让你的创意零延迟落地。做电商的看过来,随便拍一张衣服的平铺图扔进工作流,立马穿在真人模特身上, 连摄影棚和外模都省了。做流量的看过来,一键让照片里的人物动起来,生成专业级的运镜视频制作, ai 慢剧分分钟爆火,别再被复杂的拍放环境和红一天的暴躁折磨了。 v 二版本彻底重构,内核全面升级,不管你是配置新手还是技术大牛,解压即用,拒绝任何报错,给我两分钟,带你把这款整合包装进电脑, comui 立刻启动。 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。 解压后的文件夹理解压完,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 confui 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。上限阶段,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, comfyui 会自动在浏览器里打开运行界面。其次,新版 comfyui 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,不用经历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 copyui 这款强大软件,让大家从零基础的小白鸟变大神!

你敢动他?这是我用 comfyui 生成的视频。 先说生成配置,最低八 g, 显存越多,生成越快,没有那么多人去买五 g 的。 一个人不会写提示词, 是怎么做出这种又酷炫又震撼的 ai 大 片的?明明啊,模型一样,提示词一样,别人做出来呢?像电影,而你做出来像随机动画,关键在于流程,再是提示词, 今个分享我的视频制作流程,放在文档里,二零二六年某科,这两个工具过年也能开路虎。第一个是很重要,避免单独抽卡。就是呢,随便生成一张图,然后随便写一句电影感运境高级光影人物走路, 那么简单的提示词,画面怎么可能很带感?第二,跟豆包唠嗑,把脑子创作想法跟他细说,他就能生成相应的剧本给你。尤其呢,现在到了 comfy 八这个阶段, 真正拉开距离的已经不会是会不会生成了,而是你会不会控制生成。所以第三步关键在于文档的东方美学工作流,文生图,随便输入普通提示词指出都是影视级图片。第四步就是深层人物多视角图, 能解决你的人物场景不一致的方法。第五步就是生成关键用文档的分段式工作流,他八 g 就 能跑,就有点慢,总比报现存好。用高配电脑直接把参数拉高,快速出视频,一点点去测试。最后一步就是在剪映里面,按照你所想的去进行拼接导出即可。恭喜你掌握了一个香饽饽的核心技能,不管生成真人还是动漫视频,这套流程助你快速创作,快人一步。

家人们,核弹级更新来了!秋叶大佬全新 comfy 懒人整合包来了,简直是小白神器!不用折腾 python 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键生成,无套路全打包 创作的验验牌开始教学。 hello, 小 伙伴们大家好!我们将深入探索纹身图的奥秘以及提示词的语法规则,让你在使用 ctrl u i 时能够更加得心应手地创作出 理想的图像。那么我们正式开始吧!工作流程解析,首先,当我们输入正向和负向提示词后轮本编码器中的 clip 模型会将提示词转化为特征向量传递给 k 参照器。 这时候有个疑问,文本编码器 clip 模型是从哪里来的呢?我们可以看到它来自于 checkpoint 加载器,主要用于加载各种大模型。不同的大模型有不同的内置 clip 模型,而不同的大模型之间 clip 模型也可能会 有所差异。接下来, checkpoint 加载器输出会经过 ve 模型, ve 解码的作用是将经过降噪后的图像从浅空间解码为我们肉眼可见的像素空间图像。 让我们做个实验,如果我们断开 v a e 模型的连接,试图生成图像会出现错误提示,显示缺少 v a e 输入,只有重新连接 v a e 模型,图像才能 成功生成。另外,记住生成图像的快捷键 ctrl 加 enter, 这个快捷键非常实用。此外,生成图像的宽度和高度尺寸可以通过空 latin 节点来调 调整控制。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,我们按 control 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,并且它依次生成了两张图像?接下来让我们一同学习提示词的相关语法。首先是书写规范,无论是正向提 诗词还是副象提示词,都必须使用英文以及英文标点符号,否则系统可能会出现识别错误。比如我们输入 one girl, garden 和 yellow dress 黄色的裙子,使用快捷键 ctrl 加 enter 生成,就能得到一个穿着黄色裙子在花园中漫步的女孩图 片。但如果我们使用中文输入一个女孩花园以及黄色的裙子生成的图片,虽然都有女孩,但黄色裙子和花园却未能很好的呈现出来。那么接下来是 提示词权重。什么是提示词权重呢?简单来说,权重就是某个提示词在生成图像中的影响力,权重越高,该提示词在画面中的占比越大。例如输入 one girl 权重一点二,而 garden 权重零点八十,生成的图像会更加突出 one girl 的 部分。那我们有什么技巧调整权重呢?比如中 括号代表零点九倍权重,降低该提示词的重要性。小括号代表一点一倍权重,增加该提示词的比重。大括号代表一点零五倍权重。用于微调权重,还可以通过快捷键调整权重。将光标移到某个提示 词上,按住 ctrl 加上箭头增加权重, ctrl 加下箭头减少权重,不过权重不能过高,否则图片会过敏, 进行失真。接下来是短句与长句,提示词长度与起手势。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?虽然两者都可以,但短句更能准确表达生成意图, 且便于调整权重。使用短句时可以通过按顺序调整关键词的权重,从而优化生成效果。提示词的数量也非常重要,过长的提示词可能会影响图像生成的准确性, 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。在 stable diffusion 各个大模型训练的过程中,会加入许多的比如四 k、 八 k 或者 masterpiece 各种各样高质量的图形去训练。当我们输入提示词的时候,比如输入四 k masterpiece 就 可以使我们生成的图像更加的精美。反向提示词的话就相反,比如我们输入模糊,就 我们不想要模糊,那么相当于也是会让图片变得更加的清晰。在输入提示词时,顺序也会影响生成的效果。在一组提示词中,越靠前的提示词权重会有所增加。所以我们在书写提示词时尽量按照以下格式。首先是提升画质的词汇,例如 masterpiece, high quality, high detail。 接着是描述主体,例如 one girl。 然后描述环境或背景,例如 garden, snow。 最后可以加入 laura 的 触发词或其他模型的提示词。为了避免多个提示词相互干扰,可以使用 break 命令来隔开它们,尤其是避免颜色污染。若要融合多个提示词,可以使用大写的 end 或 符号,也可以使用书写风格不同的关键词,从而创造出新的组合效果。比如我们写 one girl, cat 这边我们可以看到生成了一张女孩和猫的图片。好的,现在我们在 one girl 和 cat 之间添加上 and 注意这里的 any 必须 是大写。这边我们可以看到生成了一张猫娘的图片。这个 any 作用就是将两个提示词融合在一起。我们还可以通过调整迭代步数,精确控制生成过程中的每个阶段。格式为 提示词一,提示词二权重数值。权重是指提示词一的权重。当权重数值大于一时,单位为采用迭代步数。当权重数值小于一时,单位为采用迭代步数。百分 比。例如,想要前百分之三十生成 forest, 倾向后百分之七十生成 one girl, 只需要输入 forest, one girl 零点三, 其中零点三代表百分之三十的比例。当采用迭代步数为三十时,表示前九步用于生成与 forest 相关的内容,后面二十一步用于生成与 one girl 相关的内容。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,这样受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,升图功能会将其转化成一张完成度较高的图 片。图。升图基于 stable diffusion 模型,将输入的原始图片转化为模型能够理解的潜在空间表示,再结合用户输入的提示词在潜在空间中进行有针对性的修改和优化。最后将修改后的潜在表示转换回图像空间,生成新的图片。 同时选择合适的模型很重要,不同模型对不同类型的图片生成效果各异。接下来我们回到 confui 中,我们先加载一个默认工作流,随后将 call latent 给删去。接着我们点击 latent 拖出来,选择 v a e 编码,那么我们就成功加载了 v a e 编码器。接着我们将 v a e 编码器的 v a e 输入连接到 checkpoint 加载器的 v a e 输出上。随后我们将图像节点给拖出来,选择加载图像 load image。 这边我们上传我们需要的参考图像,这边我上传的是一个戴着蓝色帽子的小姐姐。接下来我们要编辑一下提示词,这边我们可以接一个 w 一 四反推提示词节点,方便我们获取图片精确的描述提示词,然后将我们的正向颗粒文本编码器转换成输入。接着把 w 一 四反推提示词 的自辅串端接到输入端的文本处,副向提示词一般输入模糊、最差质量、低质量、低分辨率水印等。现在我们来到到采暖器这里,可以看到这边有个降噪,我们将该值修改成零点六,对于降噪值,零点三到零点五之间属于安全的重回幅度区 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。那么这边我们取个中间值,将数值设置成零点六,生成一张图片试一下。这边我们可以看到生成的真实人像跟目前给到的图像, 无论是帽子还是服饰都是很相似的。那么我们把数值调成零点四五,再生成一张,来看一下效果是不是又更好一些。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。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?我们回到 k 彩样器,我们先将种子值选择固定模式,双击界面的空白处输入 upscale, 然后我们选择 latent 按系数缩放,我们将该节点的 latent 输入 连接到 k 彩样器的 later 输出上。随后我们按住 alt 键,点击 k 彩样器拖出来,那么我们就复制了一份相同的 k 彩样器。我们将这个 latent 按系数缩放的 latent 输出节点 连接到我们新建的 k 彩样器的编辑输入中。最后我们将文本编码器的条件输出分别连到 k 彩样器的正面条件以及负面条件上。模型也是一样,我们回到 checkpoint 加载器,将模型连接到我们新建的 k 彩样器上。随后我们回到新建的 k 彩样器中,我们将步数设置成二十五步, f g 值五就可以,彩样器和调度器默认就可以。接下来我们新建一个 ve 解码器,随后我们将 ve 解码器的 ve 输入端连接到 checkpoint 加载器的 ve 输出上,接着我们新建一个预览图像节点,最后开始生成。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,也就是我们新生经过高清处理后的图片细节要比原图多很多,图片还是比较清晰的好。这时有的小伙伴可能会说,这还不够清晰,那怎么办?别着急,我们还有高清修复的方法,接下来我们将进行第二重高清修复,我们搜索 s d upscale, 就是 这 sd 放大,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 v a e 解码之后的图像输出,接着模型我们还是老样子,连接的是 checkpoint 加载器的模型输出,接下来是正负相条件好,我们连接 v a e 模型,接下来点击这里 选择我们的放大模型。四 x ultra, 这个放大模型是我试用下来效果最好的。最后我们加载一个预览图像节点,我们点击开始生成,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 的 清晰度,我们可以看到细节都还是不错的。然后我们再来和第一次放大的图 片来进行对比一下,差异还是非常大的,这时有的小伙伴可能会说,觉得这张图清晰度还不够,那怎么办?别着急,我们还有最后一重放大之后, 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。图像的话,我们连接到 s d 放大之后的图 放大模型,这边我们同样选择的是该模型,随后我们加载一个预览图像节点,好,我们可以看到最终生成图像已经出炉,我们来欣赏一下它的效果到底怎样?这是一张达到四 k 的 图像了,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。我们再来对比第一张,小伙伴们觉得怎么样呢?图升图 以及三重放大的效果,这是我们的原图,然后这是我们图升图之后,这是第三重放大。