FLUX is een nieuw beeldgeneratiemodel ontwikkeld door , De FLUX-ControlNet-Depth en FLUX-ControlNet-Canny modellen zijn gemaakt door het XLabs AI team. Deze ComfyUI FLUX ControlNet workflow is ook gemaakt door het XLabs AI team. Voor meer details, bezoek . Alle eer gaat naar hun bijdrage.
De FLUX modellen zijn vooraf geladen op RunComfy, genaamd flux/flux-schnell
en flux/flux-dev
.
flux-schnell, fp8
en clip t5_xxl_fp8
om geheugenproblemen te voorkomen.flux-dev, default
en een hoge clip t5_xxl_fp16
.Voor meer details, bezoek:
🌟De volgende FLUX-ControlNet Workflow is specifiek ontworpen voor het model.🌟
We presenteren twee uitzonderlijke FLUX-ControlNet Workflows: FLUX-ControlNet-Depth en FLUX-ControlNet-Canny, elk met unieke mogelijkheden om uw creatieve proces te verbeteren.
Het FLUX-ControlNet Depth model wordt eerst geladen met behulp van de "LoadFluxControlNet" node. Selecteer het "flux-depth-controlnet.safetensors" model voor optimale dieptecontrole.
Verbind de output van deze node met de "ApplyFluxControlNet" node. Verbind ook uw dieptekaart afbeelding met de beeldinvoer van deze node. De dieptekaart moet een grijswaardenafbeelding zijn waarbij nabije objecten lichter zijn en verre objecten donkerder, waardoor FLUX-ControlNet diepte-informatie nauwkeurig kan interpreteren.
U kunt de dieptekaart genereren vanuit een invoerafbeelding met behulp van een diepte schattingsmodel. Hier wordt de "MiDaS-DepthMapPreprocessor" node gebruikt om de geladen afbeelding om te zetten in een dieptekaart die geschikt is voor FLUX-ControlNet. Belangrijke parameters:
In de "ApplyFluxControlNet" node bepaalt de Strength parameter hoeveel de gegenereerde afbeelding wordt beïnvloed door de FLUX-ControlNet diepteconditionering. Een hogere strength zorgt ervoor dat de output nauwkeuriger overeenkomt met de dieptestructuur.
Het proces is zeer vergelijkbaar met de FLUX-ControlNet-Depth workflow. Eerst wordt het FLUX-ControlNet Canny model geladen met behulp van "LoadFluxControlNet". Vervolgens wordt het verbonden met de "ApplyFluxControlNet" node.
De invoerafbeelding wordt omgezet in een Canny randkaart met behulp van de "CannyEdgePreprocessor" node, waardoor deze wordt geoptimaliseerd voor FLUX-ControlNet. Belangrijke parameters:
De resulterende Canny randkaart wordt verbonden met de "ApplyFluxControlNet" node. Gebruik opnieuw de Strength parameter om te bepalen hoeveel de randkaart de FLUX-ControlNet generatie beïnvloedt.
In beide FLUX-ControlNet workflows wordt de CLIP gecodeerde tekstprompt verbonden om de beeldinhoud aan te sturen, terwijl de FLUX-ControlNet conditionering de structuur en geometrie controleert op basis van de diepte- of randkaart.
Door verschillende FLUX-ControlNets, invoermodaliteiten zoals diepte en randen te combineren en hun sterkte af te stemmen, kunt u gedetailleerde controle bereiken over zowel de semantische inhoud als de structuur van de beelden die door FLUX-ControlNet worden gegenereerd.
Licentie: controlnet.safetensors valt onder de Niet-Commerciële Licentie
Bekijk licentiebestanden:
Het FLUX.1 [dev] Model is gelicentieerd door Black Forest Labs. Inc. onder de FLUX.1 [dev] Niet-Commerciële Licentie. Copyright Black Forest Labs. Inc.
IN GEEN GEVAL ZAL BLACK FOREST LABS, INC. AANSPRAKELIJK ZIJN VOOR ENIGE CLAIM, SCHADE OF ANDERE AANSPRAKELIJKHEID, HETZIJ IN EEN CONTRACTUELE ACTIE, ONRECHTMATIGE DAAD OF ANDERSZINS, DIE VOORTVLOEIT UIT OF IN VERBAND STAAT MET HET GEBRUIK VAN DIT MODEL.
© Copyright 2024 RunComfy. Alle Rechten Voorbehouden.