Updated: 5/24/2024
Hai! 🌟 Hari ini kita akan menjelajahi seni mengganti dan memperbaiki wajah di gambar dan video dengan sesuatu yang sangat keren: Face Detailer ComfyUI. Ambil kuas digitalmu dan mari kita berkreasi!
Kita akan membahas:
Saya yakin kamu mungkin sudah familiar atau pernah mendengar tentang ekstensi After Detailer (ADetailer) untuk Automatic111, yang digunakan untuk memperbaiki wajah. Fungsi serupa dengan ekstensi ini, yang dikenal sebagai Face Detailer, ada di ComfyUI dan merupakan bagian dari Impact Pack Node. Oleh karena itu, jika kamu ingin menggunakan ADetailer di ComfyUI, kamu harus memilih Face Detailer dari Impact Pack di ComfyUI sebagai gantinya.
ComfyUI Impact Pack berfungsi sebagai kotak alat digitalmu untuk peningkatan gambar, mirip dengan pisau Swiss Army untuk gambarmu. Dilengkapi dengan berbagai modul seperti Detector, Detailer, Upscaler, Pipe, dan lainnya. Sorotannya adalah Face Detailer, yang dengan mudah memulihkan wajah di gambar, video, dan animasi.
Lihat video di atas, dibuat menggunakan Face Detailer ComfyUI Workflow. Sekarang, kamu bisa mengalami Face Detailer Workflow tanpa instalasi apapun. Semuanya sudah disiapkan untukmu di ComfyUI berbasis cloud, yang sudah dimuat dengan Impact Pack - Face Detailer node dan setiap model yang diperlukan untuk pengalaman yang mulus. Kamu bisa menjalankan Face Detailer Workflow ini sekarang atau melanjutkan membaca tutorial ini tentang cara menggunakannya dan kemudian mencobanya nanti.
Baiklah, mari kita mulai dengan Face Detailer ComfyUI. Node Face Detailer mungkin terlihat rumit pada pandangan pertama, tapi jangan khawatir, kita akan memecahnya bagian demi bagian. Dengan memahami setiap input, output, dan parameter, kamu akan menggunakan alat kuat ini seperti seorang profesional dalam waktu singkat.
Untuk menemukan Face Detailer di ComfyUI, cukup pergi ke Add Node → Impact Pack → Simple → Face Detailer / Face Detailer (pipe).
Mari kita mulai dengan "Face Detailer" dan kemudian menyelami "Face Detailer Pipe".
Dalam tutorial ini, kita akan menyelami cara memperbaiki wajah atau mengganti wajah dalam video. Video ini dihasilkan menggunakan AnimateDiff. Jika kamu ingin belajar lebih banyak tentang AnimateDiff, kami memiliki tutorial AnimateDiff khusus!
Jika kamu lebih nyaman bekerja dengan gambar, cukup tukar node yang terkait dengan video dengan yang terkait dengan gambar. Face Detailer cukup serbaguna untuk menangani baik video maupun gambar.
Mari kita mulai dengan input gambar (tombol kiri atas di Face Detailer), yang berarti memasukkan gambar atau video ke dalam Face Detailer ComfyUI. Di sinilah transformasi dimulai! Di sini kita memberi makan Face Detailer video yang dihasilkan oleh AnimateDiff.
Kamu mungkin sudah familiar dengan pengaturan ini. Kita akan melewatkan dasar-dasarnya dan hanya mencatat bahwa prompt - baik positif maupun negatif - memainkan peran penting di sini. Kita akan menggunakan prompt yang sama yang menghasilkan video. Namun, kamu memiliki fleksibilitas untuk menyesuaikan prompt ini, terutama untuk wajah yang ingin kamu ganti.
Berikut adalah bagian yang menarik: menggunakan prompt yang sama dengan generasi gambar mengarah pada pemulihan wajah. Di sisi lain, prompt yang berbeda berarti kamu memilih untuk mengganti wajah sepenuhnya. Semua terserah padamu!
Tip: Gunakan "To Basic Pipe" dan "From Basic Pipe"
Untuk menyederhanakan proses menghubungkan banyak node, gunakan sistem "Pipe". Mulailah dengan "To Basic Pipe," penggabung input, untuk mengumpulkan berbagai input. Kemudian, gunakan "From Basic Pipe" untuk membongkar input ini. Cukup hubungkan kedua pipa ini, dan kamu akan memiliki semua input yang diperlukan siap untuk integrasi cepat dan efisien.
Model BBox mengkhususkan diri dalam mengidentifikasi elemen menggunakan kotak pembatas, sedangkan model Segm/person menggunakan masker untuk deteksi.
Dalam kedua kasus, baik itu BBox Detector atau Segm Detector, kita menggunakan node "Ultral Litic Detector Provider". Namun, penting untuk dicatat bahwa untuk BBox Detector, kita secara khusus menggunakan model bbox/face_yolov8m dan bbox/hand_yolov8s. Sebaliknya, model segm/person_yolov8m-seg secara eksklusif digunakan untuk Segm Detector.
Yang berikutnya hanya berlaku untuk BBox Detector. Oleh karena itu, kamu akan melihat bahwa Pratinjau gambar yang dipotong dan ditingkatkan muncul sebagai kotak.
Selanjutnya, ketika kita menggabungkan kemampuan dari BBox Detector dan Segm Detector, serta mengintegrasikan model Sam, Pratinjau gambar yang dipotong dan ditingkatkan mengambil tampilan seperti masker.
Guide Size: Ukuran panduan untuk BBX memfokuskan detail wajah gambar pada area wajah bounding box (seperti yang ditunjukkan dalam pratinjau gambar yang dipotong dan ditingkatkan). Diatur secara default pada 256, ini berarti jika area wajah bounding box kurang dari 256 piksel, sistem secara otomatis memperbesar hingga minimal 256 piksel.
Max Size: Ukuran maksimum menetapkan batas atas seberapa besar area yang dipotong bisa (seperti yang ditunjukkan dalam pratinjau gambar yang dipotong dan diperbaiki). Batas ini untuk mencegah area menjadi terlalu besar, yang dapat menyebabkan masalah lain. Ukuran maksimum default adalah 768 piksel.
Mempertahankan Rentang Optimal: Dengan menetapkan parameter ini, kita menjaga ukuran gambar dalam rentang 256 hingga 768 piksel, ideal untuk SD 1.5 Checkpoint. Namun, jika kamu beralih ke model SDXL Checkpoint, yang dikenal dengan kinerja lebih baik dengan gambar yang lebih besar, mengatur ukuran panduan ke 512 dan ukuran maksimum ke 1024 mungkin menguntungkan. Penyesuaian ini layak dicoba.
Guide Size for: Di bawah ukuran panduan, ada opsi berlabel "guide size for bbox". Ini memungkinkan kamu untuk mengalihkan fokus ke area potongan, yang merupakan area yang lebih besar dari area wajah bounding box.
BBX Crop Factor: Faktor potong BBX saat ini diatur pada 3. Mengurangi faktor potong ke 1.0 berarti area potongan yang lebih kecil, sama dengan area wajah. Ketika diatur pada 3, ini menunjukkan bahwa area potongan 3 kali lebih besar dari area wajah.
Inti dari menyesuaikan faktor potong adalah menemukan keseimbangan antara memberikan fokus yang memadai untuk detailer wajah dan memberikan ruang yang cukup untuk pencampuran kontekstual. Mengatur pada 3 berarti area potongan mencakup sedikit lebih banyak dari konteks sekitarnya, yang umumnya menguntungkan. Namun, kamu juga harus mempertimbangkan ukuran wajah dalam gambar saat memutuskan pengaturan yang sesuai.
Pengaturan Feather menentukan sejauh mana tepi gambar atau area yang di-inpaint menyatu dengan sisa gambar. Saya biasanya mengaturnya pada lima, yang berfungsi dengan baik untuk sebagian besar kasus. Namun, jika kamu melihat bahwa inpainting di gambarmu memiliki tepi yang sangat kasar, kamu mungkin mempertimbangkan untuk meningkatkan nilai ini. Karena kita tidak mengamati tepi yang kasar dalam contoh ini, tidak ada kebutuhan langsung untuk menyesuaikannya.
Mengaktifkan Noise Mask secara efektif mengarahkan model untuk fokus pada operasi noise dan denoise secara eksklusif pada area yang dimasker. Ini mengubah kotak pembatas menjadi masker, yang dengan tepat menunjukkan area di mana noise diterapkan dan kemudian diperbaiki. Fungsi ini sangat penting saat bekerja dengan detektor Segm dan model Sam.
Force Inpaint berfungsi sebagai alat khusus untuk meningkatkan detail area tertentu dari gambar. Sering kali kita fokus pada wajah dalam gambar. Ada kalanya sistem otomatis mungkin tidak menambahkan detail yang cukup pada wajah-wajah ini, menganggap mereka sudah cukup rinci. Ini adalah skenario yang sempurna untuk menggunakan Force Inpaint.
Secara esensial, Force Inpaint ideal untuk menambahkan detail pada area tertentu dari gambarmu, terutama ketika pengaturan otomatis kurang memadai.
Sangat berguna dalam skenario penggantian wajah ganda, pengaturan drop size menginstruksikan model untuk mengabaikan masker yang lebih kecil dari ukuran tertentu, seperti 10 piksel. Fitur ini sangat berharga dalam adegan yang ramai di mana fokusnya adalah pada wajah yang lebih besar.
BBox Threshold: Ambang batas bbox sangat penting dalam menyempurnakan model deteksi wajah. Memilih angka yang lebih rendah berarti proses deteksi yang lebih toleran. Model mengevaluasi gambar, memberikan persentase keyakinan pada wajah potensial. Mengubah ambang batas memodifikasi tingkat keyakinan yang diperlukan bagi model untuk mengakui dan mengganti wajah.
Pertimbangkan gambar yang menampilkan masker di latar belakang dengan seseorang di latar depan. Model mungkin mengacaukan masker sebagai wajah. Dalam kasus seperti itu, kamu mungkin meningkatkan ambang batas untuk memastikan model mengenali dan fokus pada wajah yang jelas terlihat, daripada masker. Sebaliknya, untuk mengganti beberapa wajah dalam kerumunan, di mana wajah kurang jelas, menurunkan ambang batas bbox dapat membantu mengidentifikasi wajah-wajah yang kurang jelas ini.
BBox Dilation: Pengaturan dilasi bbox memungkinkan perluasan di luar area pemotongan awal, yang biasanya terbatas pada wajah. Ketika kamu meningkatkan dilasi, lebih banyak area di sekitar wajah yang termasuk dalam proses penggantian. Namun, perubahan ini sering kali halus dan mungkin memerlukan penyesuaian faktor potong untuk hasil yang lebih terlihat.
BBX Crop Factor: Sudah disebutkan di 4.1
Segm/Sam menyempurnakan kotak pembatas konvensional menjadi masker yang lebih tepat, meningkatkan akurasi penggantian wajah. Ketepatan ini sangat berguna dalam skenario di mana kotak pembatas tumpang tindih dengan rambut, dan kamu lebih suka tidak mengubah rambut. Dengan menggunakan model Sam, kamu dapat memusatkan penggantian hanya pada wajah.
Sam Detection Hint: Petunjuk deteksi Sam adalah pengaturan kritis. Ini memandu model tentang di mana harus fokus saat mengidentifikasi wajah. Kamu memiliki beberapa opsi, termasuk Center, Horizontal (satu atau dua wajah), Vertikal (dua wajah), dan pengaturan untuk empat wajah dalam formasi persegi panjang atau berlian.
Sam Dilation: Mirip dengan dilasi kotak pembatas, pengaturan dilasi Sam menyesuaikan area di luar masker atau titik fokus yang akan diganti oleh model. Meningkatkan dilasi ini memperluas area masker kembali ke bentuk kotak.
Sam Threshold: Diatur pada 93% yang tinggi, ambang batas Sam berfungsi seperti mitra kotak pembatasnya tetapi menuntut tingkat keyakinan yang lebih tinggi karena ketepatan model.
Sam Box Expansion: Pengaturan ini menyempurnakan kotak pembatas awal, lebih mendefinisikan area wajah. Meningkatkan perluasan kotak bermanfaat ketika kotak pembatas awal terlalu ketat, memungkinkan model menangkap lebih banyak wajah.
Sam Mask Hint Threshold: Bekerja bersama dengan petunjuk deteksi Sam, pengaturan ini menentukan agresivitas model dalam merespons petunjuk tersebut. Pengaturan default adalah 0.7.
Dengan informasi ini, kamu seharusnya memiliki pemahaman yang jauh lebih dalam tentang cara kerja face detailer.
Mengintegrasikan dua FaceDetailers untuk pengaturan dual-pass dapat dilakukan; cukup pindahkan Face Detailer ke FaceDetailerPipe.
Dalam konfigurasi single-pass (1pass), fokus utamanya adalah pada pemulihan kerangka dasar. Ini memerlukan penggunaan resolusi sedang dengan opsi minimal. Namun, memperluas dilasi di sini bisa menguntungkan, karena tidak hanya mencakup fitur wajah tetapi juga meluas ke area sekitarnya. Teknik ini sangat bermanfaat ketika perbaikan meluas di luar bagian wajah saja. Kamu bisa bereksperimen sesuai kebutuhan.
Untuk mencapai hasil yang lebih baik, kita dapat menggunakan node ultra tajam untuk upscaling. Dengan mengubah ukuran gambar dan memilih upscaler yang sesuai, kamu dapat meningkatkan kualitas gambar secara signifikan.
Ini dia! Dengan Face Detailer ComfyUI Workflow, kamu sekarang bisa memperbaiki wajah di video dan animasi apa pun!
Ingin mencoba Face Detailer ComfyUI Workflow yang telah kita bahas? Pertimbangkan untuk menggunakan RunComfy, lingkungan cloud yang dilengkapi dengan GPU yang kuat. Ini sepenuhnya disiapkan dan mencakup semua yang terkait dengan ComfyUI Impact Pack - Face Detailer, mulai dari model hingga node khusus. Tidak diperlukan pengaturan manual! Ini adalah tempat bermainmu untuk melepaskan kreativitas itu.
Penulis: Editor RunComfy
Tim editor kami telah bekerja dengan AI selama lebih dari 15 tahun, dimulai dengan NLP/Vision di era RNN/CNN. Kami telah mengumpulkan banyak pengalaman pada AI Chatbot/Art/Animation, seperti BERT/GAN/Transformer, dll. Hubungi kami jika kamu memerlukan bantuan pada seni AI, animasi, dan video.
© Hak Cipta 2024 RunComfy. Seluruh Hak Cipta Dilindungi.