comfyUI-工作流入门
lz本地使用的秋葉的整合包
【AI绘画】ComfyUI整合包发布！解压即用 一键启动 工作流版界面 超多节点 ☆更新 ☆汉化 秋叶整合包_哔哩哔哩_bilibili
目录
1.基础工作流-最开始入门接触的工作流
1.1Checkpoint（模型、CLIP、VAE）
1.2CLIP（positive、negtive）
1.3K采样器
1.4空latent
1.4VAE解码器
1.5预览图像
2.外置VAE工作流
3.一次生成多张图
4.前置节点数据
5.加载loRA
入门介绍
ComfyUI&WebUI∈StableDiffuision
WebUI是基于Gradio库开发的浏览器界面，comfyUI是使用图形、节点、流程式设计的用户界面
| comfyUI | WebUI | |
| 优 | 配置要求低 自由 未来将与WebUI在应用层面拉开差距 | 简单易学 |
| 缺 | 初期不好上手 | 不易于长期管理 复杂操作流程费时 插件较多时过于臃肿 |
大模型简单分类：全能、真实、动漫。
基本介绍
界面分块
侧边栏
其他设置
更改界面语言
设置节点之间连线的方式
外观的个性化设置
节点不透明度更改
通过适当修改节点的不透明度，防止节点相互遮挡导致节点不可见。（较为重要）
运行显示
保存工作流
工作流运行以及节点管理
可以通过管理器面板安装节点、模型等。
工作流运行，点击运行按钮/Ctrl+Enter。
基础操作
滚轮滑动放大缩小操作届满，按住滚轮拖动界面内容，
节点添加方式，（推荐第一种，当然不止以下几种）
1.左键双击界面空白处即可调出节点查找，为工作流添加节点
2.右击界面空白处调出选择窗口，选择新建节点，按照层级查找想要的节点。
3.通过已有节点拖曳出新节点
1.基础工作流
SD各个版本的说明
基础工作流主要由6个节点组成
1.1 Checkpoint（模型、CLIP、VAE）
Checkpoint允许我们在训练过程中保存模型的状态，是一个集合模型。是在底膜（上图中提到的模型）的基础上对模型进行的训练，使得模型能更好地表现出某种风格。
Load Checkpoint节点允许我们加载&处理深度学习模型，这个节点是图像生成的核心，决定了生成图像的风格&质量。
选择模型的时候，右上角会显示其底模。
1.2 CLIP（positive、negtive）
CLIP文本编码器可以细分为2种类型，一种是正面，一种是负面。
*负面提示词做得更多的是降低我们不想在画面中出现的东西的比例，并不是完全消除。
1.3 K采样器
节点内参数详细说明：
control_after_generae：一次生成之后随机种子如何变换种子。不同的种子=不同的图像→噪声。
在comdyUI中随机数的生成与其他UI不同，这使得很难在A111上重新创建同一图像。
steps：去噪使用多少步or到达图像的步骤数。
CFG：classifier-free guidance/Classifier-free无分类器，使用多大权重来偏向我们的positive prompt，数字低，迭代少，越接近模型训练的方向，数字高，更有助于构图，通常4-9就能够涵盖所有用例，但取决于许多因素。图像过饱和or对比度过大，可尝试降低CFG。
采样器&调度：这个两个参数被归为一组，负责在潜空间对噪声进行处理，通常来说没有一个“最佳的”采样器，上图给出的和下图所示的是两个较好的组合。
sampler_name：使用什么采样器
scheduler：去噪的调度器
denoise：去掉多少噪声，1代表100%。
1.4 空latent
Empty Latent Image节点规定了画布的大小，通常来说建议使用模型训练时提供的图片的大小。
批次大小的数值如果设置得过高可能会出现爆显存的现象，如果是本地运行，可以重启comfyUI进行解决。
1.4 VAE解码器
将图像从像素空间编码到潜空间，再从潜空间解码回像素空间，通过编码器&解码器协同工作实现。
编码器：将图像压缩为低维的潜在表示。
解码器：从潜在表示中重建图像。他能够帮助模型学习图像的本质特征，提高图像质量，保持风格一致性，降低计算复杂度。能够让画面拥有不一样的色彩效果。
AI绘画毕竟和人类绘画不一样，可以理解为AI在潜空间作画，其作画结果和人类期望的作画也不太一样，而VAE则充当2者的“翻译官”。
1.5 预览图像
Preview Image节点顾名思义
2.外置VAE
并没有使用本身Checkpoint自带的VAE
利用VAE加载器增加一个外置的VAE模型。可以理解为AI原本带的翻译官不太好，我们通过训练再找一个翻译质量更好的翻译官。
3.一次生成多张图
生成图片序号为左到右，上到下，1~4。
修改空Latent节点的数量生成图片
增加从批次获取Latent节点筛出最想要的图
4.前置节点数据
将节点对应的数据拉出独立成一个数据节点。
该节点能够实现变量声明，同时赋值，便利了变量的修改。
5.加载loRA
LoRA（Low-Rank Adaptation）轻量对大模型微调的技术，不改变模型基础参数的情况下增强生成模型的特定功能或风格。将预训练好的LoRA模型应用到潜在空间图像生成过程中，从而定制模型的行为。
调节strength_model（模型参数强度）和strength_clip（提示词参数强度）参数，可以获得不同的效果。
一个广泛的参数可视化图表
可以把LoRA理解为滤镜，它的训练时间较短，只要几个小时，而且要的训练素材也很少。相较于Checkpoint，LoRA更“亲民”。
*在Checkpoint和正面提示词之间加载LoRA加载器。
以上end