ComfyUI-WD14模型

以下是关于秋叶 ComfyUI 安装包的相关信息： 秋叶整合包：通过网盘分享，链接为 https://pan.baidu.com/s/18hSRDLgxm5N0ZHtuRQLrAQ?pwd=6666 ，提取码: 6666 。 麦橘老师模型：通过网盘分享，链接为 https://pan.baidu.com/s/14Z6KohbJ1TxlI7bJ7wg?pwd=6666 ，提取码: 6666 ，模型存放路径为 ComfyUIakiv1.3\\models\\checkpoints 。 提示词在线地址：https://www.liblib.art/modelinfo/bced6d7ec1460ac7b923fc5bc95c4540?from=search 。 通往 AGI 之路天命人整合包：通过网盘分享，链接为 https://pan.baidu.com/s/14OD0Fcfmd58eOS7qZPVPQ?pwd=6666 ，提取码: 6666 。 二狗子老师黑猴子流原理：【ComfyUI 开源社区共学天命人黑猴子（黑神话悟空）工作流讲解】https://www.bilibili.com/video/BV1agWaefENA/?share_source=copy_web&vd_source=08f1807fea192b97f4e9389bd8eaa1eb 。 更多课程欢迎来 waitoagi 社区一起共学：https://waytoagi.feishu.cn/wiki/QxIBwmsWQiEbz3kHii1cFu6XnBc 。 ComfyUI 的本地部署： 下载 github 链接：https://github.com/comfyanonymous/ComfyUIinstalling ，也可以去作者的网盘里下载一键启动压缩包。 下载完后，将文件解压到一个没有中文的路径下。 安装过程中的代码操作： I:\\ComfyUIaki\\python\\python.exe m pip install huggingface_hub U 。 过程中若有爆红部分让更新对应包到指定版本或“>=”的版本，可通过 pip install 包名==x.x.x（版本号）操作。 例如：I:\\ComfyUIaki\\python\\python.exe m pip install gradio==3.23 。 依次安装更新这些包完成后，再次执行 I:\\ComfyUIaki\\python\\python.exe m pip install huggingface_hub U ，即可重启。

以下是关于 ComfyUI Flux 模特换衣服的新手教程： 工作流整体思路： 1. 生成适合服装的模特： 可以抽卡，抽到满意的模特。加入 Redux 模型，强度不用太高，让提示词生效，Reduxprompt 节点风格细节等级需注意（1=27×27 最强，14=1×1 最弱）。 2. 进行高精度的换装： 先进行预处理的工作，拼出来 mask。 重绘 mask 区域。 工作流解释： 1. 模特生成： 先生成与衣服匹配的模特，先不关注衣服的相似度，抽出满意的模特。 2. 服装高精度处理： mask 的处理：做两个工作，将模特身上的衣服分割出来，拼接出来对应模特与衣服合并后图片的遮罩。 提示词格式与 Redux 权重：使用 Flux 的 fill 模型，提示词书写格式为这是一组图片，左边是衣服，右边的模特穿着左边的衣服。Redux 这里，把权重的调整为最大。 【SD】商业换装教程： 1. 在扩展面板中使用网址安装 Segment Anything，guthub 地址：https://github.com/continuerevolution/sdwebuisegmentanything 。重启之后安装 SAM 模型。 2. 在 github 上有三个 SAM 模型，由大到小分别是 vit_h，可根据情况选择，大部分选 vit_l 。将下载好的 SAM 模型放在指定路径。 3. 测试 SAM 模型效果，左键点击要保留的部分打上黑点，右键点击不要的部分打上红点，双击不需要的点可移除。 4. 预览分离结果，选择合适的蒙版进行服装替换等操作。 点开“展开蒙版设置”，设定蒙版扩展量，建议 30，然后点击发送到“重绘蒙版”。 5. 换衣步骤：在图生图中，提示词输入“蓝色毛衣”，蒙版区域内容处理改为“填充”，尺寸改为和图像一致，重绘幅度为 1。 6. 若出现衔接问题，可通过降低重绘幅度或添加 openpose 控制人物身体姿势。还可使用 controlnet 的局部重绘功能，控制模式选择“更注重提示词”，自行试验选择效果好的。

以下是关于 ComfyUI tile 放大的相关内容： 文生图工作流搭建：先左键点住 CLIP 黄点向外拖，再拖出两个 CLIP 编码器，从条件处拉出采样器，连接正负提示词和模型，还需 VE 解码器和 VE 模型，若模型无 VAE 则需加载器。 浅空间图像放大：从第一个采样器向右拉，点击按系数缩放将 later 调成 2 倍，复制采样器、VE 解码器并连接处理过的 later。 Confii 图像放大操作：从第一个采样器开始，通过一系列操作如添加 Latin 节点、连接提示词和模型、连接 VE 解码器等，并设置重绘幅度、缩放系数等参数来实现图像放大。参数设置方面，重绘幅度（降噪）决定图像改变程度，数值越高与原始图像差别越大；缩放系数默认 1.5，可调整为 2。 在 SD 中，可使用 Ultimate SD upscale 插件放大，也可在图生图中进行放大，重绘幅度设置为 0.6。放大时打开 Tiled Diffusion，方案选择 MultiDiffusion，放大算法选择 RESRGAN 4x+Anime6B，放大 2 倍。同时启用 Tiled VAE 和 controlnet 插件的 tile 模型，给图片添加细节。

Win7 可以安装 ComfyUI，但需要满足一定的硬件要求和进行一系列的环境安装操作。 硬件要求： 1. 系统：Windows 7 以上。 2. 显卡要求：NVDIA 独立显卡且显存至少 4G 起步。 3. 硬盘留有足够的空间，最低 100G 起步（包括模型）。 环境安装操作： 1. 下载并更新 Nvidia 显卡驱动，下载地址：https://www.nvidia.cn/geforce/drivers/ 2. 依次下载并安装 Python（https://www.python.org/downloads/release/python3119/ ，安装时选中“将 Python 添加到系统变量”）、Git（https://gitscm.com/download/win ）、VSCode（https://code.visualstudio.com/Download ），安装过程中一直点击勾选对应选项，一直下一步。 3. 安装 CUDA：https://developer.nvidia.com/cuda1220downloadarchive?target_os=Windows&target_arch=x86_64&target_version=11&target_type=exe_network 。 此外，还可能涉及克隆 ComfyUI 仓库、创建 python 虚拟环境、安装 Pytorch 和依赖包等操作。关于部分安装操作，网上有较多教程可供参考。同时，模型权重和工作流的获取也有相应的途径。

ComfyUI 并非是使用 AI 时必学的。但如果您想在 AI 水平上有更高的提升，掌握 ComfyUI 的理论基础是很有帮助的。它在图像、视频等领域有诸多应用和发展，例如在差分算法、年龄渐变和特定内容替换、q 列模型、语言模型的迁移和发展、深度图检测和分层处理等方面具有优势。同时，了解其技术细节如 clip 的 skip 层、scheduler 和 sample 的区别、CFG 等能让您更灵活选择参数。ComfyUI 的生态发展稳定，节点和项目增多，相关大会也在多地举办。此外，其生态外的收费视频软件能用 API 节点接入所有体系，飞书大群方便交流，会同步课件及相关信息。

以下是 ComfyUI 的基础教程： KSampler（采样器）： seed（随机种子）：主要用于控制潜空间的初始噪声。若要重复生成相同图片，需使用此随机种子，且种子和 Prompt 都要相同。 control_after_generate（生成后控制）：每次生成完图片，seed 数字会变化，此配置项可设置变化规则，包括 randomize（随机）、increment（递增 1）、decrement（递减 1）、fixed（固定）。 step（采样步数）：一般步数越大效果越好，但与使用的模型和采样器有关。 cfg：值一般设置在 6 8 之间较好。 sampler_name（采样器名称）：可通过此设置采样器算法。 scheduler（调度器）：主要控制每个步骤中去噪的过程，可选择不同调度算法，有的每步减去相同数量噪声，有的每步尽可能多去噪。 denoise：表示要增加的初始噪声量，1 表示全部。一般文生图可默认设为 1。 此外，ComfyUI 共学快闪的学习内容还包括： 王蓉🍀🎈Wang Easy 的基础搭建和转绘。 唯有葵花向日晴的基础教程、工作流开发和实际应用场景。 热辣 Huolarr AI 系统课私聊图生视频。 咖菲猫咪的基础教程、工作流搭建思路、各版本模型使用的优缺点。 傅小瑶 Lucky 的如何制作多人转绘视频。 云尚的工作流节点搭建思路。 FǎFá 的热门节点功能和搭建。 森林小羊的基本报错解决方式及基础工作流逻辑分析。 苏小蕊的基础教程。 Sophy 的基础课程。 蜂老六装一百个最新常用插件后如何快速解决冲突问题。 阿苏的工作流框架设计。 aflyrt 的 comfyui 节点设计与开发。 老宋&SD 深度解释虚拟环境部署和缺失模型的安装。 Liguo 的模型训练。 啊乐福的基础课程。 塵的优秀案例。 风信的基础课程和平面设计应用场景。 北南的基础课程。 视频工作流框架设计。 Damon 的基础课程。 渔舟的基础课程和工作流搭建思路。 乔木船长的工作流。 ☘️的基础教程。 工作流设计和典型案例剖析。 麒白掌的工作流搭建。 OutSider 的风格迁移。 吴鹏的基础和工作流搭建。 拾光的工作流基础搭建从入门到精通。 茶浅浅的视频转绘和节点工作流介绍。 百废待.新（早睡版）的工作流从入门到进阶。 电商应用场景。

大模型在稳定输出方面具有以下特点和相关情况： 在翻译场景中： 突破传统翻译模型局限，大幅提升翻译质量，为广泛应用带来机遇。 能够通过深度上下文分析理解语言真正含义，适应不同语境，避免词不达意和语境脱节，精准捕捉并传达原文意图，尤其在处理隐喻、习语或文化特征文本时表现出色。 生成更流畅、自然且地道的翻译，接近母语水平，保持原文语言风格和情感色彩，更具亲和力和感染力。 具有强大适应性，能根据不同翻译场景灵活调整策略，在多场景翻译中更具灵活性和精准度。 能够深入理解文化内涵，避免因文化差异导致误解或偏差，在专业领域能提供更专业且符合行业标准的翻译结果。 在旅行青蛙智能体搭建过程中： 涉及多个意图分支，如定向旅行、投喂青蛙、在家休息等，每个分支包含多个大模型节点和相关操作。 关于大模型是否具有道德观念： 大型语言模型本身不具有真正的道德观念或意识，它们是通过大量数据训练来模拟语言统计规律的。 但可以被设计用来识别和生成包含道德观念内容的文本。 为确保其输出符合社会道德和伦理标准，采取了多种方法，如数据清洗、算法设计、制定准则、保持透明度、用户反馈、持续监控、人工干预以及教育和培训等。然而，确保 AI 模型的道德和伦理性仍是复杂且持续的挑战，相关标准也在不断演进。

Redux 模型是一个轻量级模型，具有以下特点和应用： 1. 可与 Flux.1配合使用，基于 1 个输入图像生成图像变体，无需提示，适合快速生成特定样式的图像。 2. 位置：将 Redux 模型下载到 comfyui/models/style_models，下载 sigclip_patch14384.safetensors 到 ComfyUI/models/clip_vision。 3. 重绘节点：ComfyUIInpaintEasy，相关链接：https://github.com/CYCHENYUE/ComfyUIInpaintEasy 。 4. 在工作流中的应用： 用于电商服饰行业的换装、虚拟试穿等场景，提升效果并简化工作流。 模特生成：加入 Redux 模型，强度不用太高，让提示词生效（Reduxprompt 节点风格细节等级 1=27×27 最强，14=1×1 最弱）。 服装高精度处理：使用 Flux 的 fill 模型，提示词书写格式为这是一组图片，左边是衣服，右边的模特穿着左边的衣服，Redux 权重调整为最大。 FLUX.1 Redux 还适用于所有 FLUX.1 基本模型，用于生成图像变化，给定输入图像能重现具有轻微变化的图像，自然集成到更复杂工作流程中，通过提示解锁图像重新设计。最新型号 FLUX1.1Ultra 支持该功能，允许组合输入图像和文本提示，创建具有灵活宽高比的高质量 4 兆像素输出。

Joy_caption_two_load 模型相关信息如下： 下载地址： 模型可从 https://huggingface.co/unsloth/MetaLlama3.18Bbnb4bit 下载，存放文件夹为 Models/LLM/MetaLlama3.18Bbnb4bit 。 网盘链接：https://huggingface.co/spaces/fancyfeast/joycaptionprealpha/tree/main/wpkklhc6 ，存放文件夹为 models/Joy_caption 。 此外，还有 MiniCPMv2_6提示生成器+CogFlorence 可从 https://huggingface.co/pzc163/MiniCPMv2_6promptgenerator 和 https://huggingface.co/thwri/CogFlorence2.2Large 下载。 节点安装地址：D:\\ComfyUI\\ComfyUI_windows_portable\\ComfyUI\\custom_nodes 。 安装步骤： （Comfyui evn python.exe）python m pip install rrequirements.txt 或点击 install_req.bat ，注意 transformers 版本不能太低。 下载模型或者运行 comfyui 自动下载模型到合适文件夹。 模型安装： Joy_caption ，运行自动下载模型（推荐手动下载）。 三个模型（页面显示和实际大小有一定差异）： 3.5G，放到：你的\\ComfyUI\\models\\clip\\siglipso400mpatch14384 。 5.7G，放到：你的\\ComfyUI\\models\\LLM\\MetaLlama3.18Bbnb4bit 。 86MB，放到：你的\\ComfyUI\\models\\Joy_caption 。 相关模型介绍： Joy Caption 模型在 SigLIP 和 Llama3.1 的基础之上，使用 Adapter 模式，训练出更好的描述图像的模型，需要与 SigLIP 和 Llama3.1 混合使用，输入图像，输出一段语义丰富的图像描述。 Google 的 SigLIP 是一种改进的多模态模型，类似于 CLIP，但是采用了更优的损失函数。 MetaLlama3.18Bbnb4bit 是优化的多语言大语言模型，基于 Meta 的 Llama 3.1 架构，使用 BitsAndBytes 库进行 4bit 量化，大幅减少内存使用，同时保持模型性能。 模型工作流程： siglipso400mpatch14384（视觉模型）： 接收输入图像。 分析图像的视觉内容（如物体、场景、颜色、纹理等）。 将这些视觉信息编码成一组特征向量。 image_adapter.pt（适配器）： 接收来自视觉模型的特征向量。 转换和调整这些特征，使其适合语言模型处理。 一些特定任务的优化或微调（如图片到文字）。 MetaLlama3.18Bbnb4bit（语言模型）： 接收经过适配器处理的特征。 基于这些特征生成相应的文本描述。 应用语言知识来确保描述的连贯性和准确性。

对于小公司想要部署一个能对运维、运营、客服、美术、策划、程序都有帮助的本地 AI 系统，以下是一些相关信息： 线上和线下本地部署的 AI 特点： 线上部署的优势在于出图速度快，不依赖本地显卡配置，无需下载大型模型，还能参考其他创作者的作品，但出图尺寸受限。线下部署的优势是可添加插件，出图质量高，但使用时电脑可能宕机，配置不高可能爆显存导致出图失败。建议线上用于找参考、测试模型，线下作为主要出图工具。 Ollama： 支持多种大型语言模型，包括通义千问、Llama 2、Mistral 和 Gemma 等，适用于不同场景。 易于使用，适用于 macOS、Windows 和 Linux 系统，支持 CPU 和 GPU。 提供模型库，用户可从中下载不同模型，满足不同需求和硬件条件。 支持自定义模型，可调整参数。 提供 REST API 用于运行和管理模型，以及与其他应用集成。 社区贡献丰富，有多种集成插件和界面。 Google Gemma： 是 Google 发布的家用版小模型，有 2b（20 亿参数）和 7b（70 亿参数）版本。小模型可能不适合复杂任务，但适合提升基础操作效率。部署环境友好，可通过 ollama 方便部署，支持热加载模型文件。2b 反应速度快但互动话题有限，7b 输出质量高但可能卡顿，对非英文语种反馈不稳定。 综合考虑，如果您的公司对出图质量要求较高，且有较好的硬件配置，可以选择线下部署结合线上测试的方式。在语言模型方面，Ollama 具有较多优势，可根据具体需求选择合适的模型进行部署。

对于小游戏公司部署本地 AI 系统以帮助运维、运营、客服、策划和程序等方面，以下是一些建议和相关信息： 目前市面上的 AI 模型各有特点。线上 AI 具有出图速度快、不依赖本地显卡配置、无需下载大型模型以及能参考其他创作者作品等优势，但出图尺寸受限。线下部署的 AI 可以添加插件、出图质量高，但可能导致电脑宕机且对配置要求高。 在游戏领域，AI 大模型带来了诸多变化，如游戏内容辅助生成（包括文、图、3D 和音乐），可应用于游戏策划人和美术设计师。文生图和图生图能提高创作效率，动画辅助渲染可改变角色风格，游戏智能运营涵盖智能 NPC 互动、客服、攻略问答和代码脚本生成等，适用于产品经理、运营经理和社区运营经理。 Google 刚刚发布的家用版小模型 Gemma 有 2b（20 亿参数）和 7b（70 亿参数）版本。相对千亿参数的大模型，这类小模型可能不太适合处理复杂任务，但代表了模型本地化提升基础操作效率的趋势。Ollama 是一个开源的大型语言模型服务，方便部署最新版本的 GPT 模型并通过接口使用，支持热加载模型文件，且像小型的 llama 也支持本地部署。部署时，需进入 ollama.com 下载程序并安装，通过命令提示符进行操作和切换模型。2b 反应速度快但互动话题有限，7b 输出质量高但可能卡顿，且对非英文语种反馈不太稳定。 综合考虑，小游戏公司可以根据自身需求和硬件配置选择合适的 AI 模型。如果对出图质量要求高且有较好的硬件配置，可尝试线下部署；若更注重效率和便捷性，线上模型可能更适合。同时，也可以考虑像 Gemma 这样的小模型进行本地化部署以提升基础操作效率。

对于小游戏公司部署本地 AI 系统以帮助运维、运营、客服、美术、策划、程序等方面，以下是一些建议和目前市面上合适的 AI 模型分析： 线上 AI 平台的优势在于出图速度快，对本地显卡配置要求低，无需下载大型模型，还能参考其他创作者的作品，但出图分辨率有限制。 线下部署的优势是可以添加插件，出图质量高，但使用时电脑可能宕机，配置不高还可能爆显存导致出图失败。 综合考虑，建议充分发挥线上和线下平台的优势。线上可用于找参考、测试模型，线下作为主要出图工具。 在图像生成方面，2022 年主流生成式图像应用如 DALLE 2.0、Stable Diffusion 和 Midjourney 使图像生成精细化程度提升，提示对图像生成结果的控制能力增强。 在 3D 模型生成中，AI 能完成 3D 模型生成流程的“一步到位”，大大提升效率。 在游戏开发中，AI 可用于游戏内容辅助生成（如文、图、3D、音乐）、动画辅助渲染、游戏智能运营（包括智能 NPC 互动、客服、攻略问答、代码和脚本生成）等。 对于小游戏公司，Stable Diffusion 可能是一个较为合适的选择，它在 2D 美术素材辅助生成方面能够提高创作效率、降低成本，并且有多种应用场景，如文生图、图生图等。同时，也可以考虑结合线上平台进行参考和测试。