ComfyUI  >  Arbetsflöden  >  FLUX ControlNet Depth-V3 & Canny-V3

FLUX ControlNet Depth-V3 & Canny-V3

Transformera din kreativa process med FLUX-ControlNet Depth och Canny-modeller, designade för FLUX.1 [dev] av XLabs AI. Denna ComfyUI-arbetsflöde guidar dig genom att ladda modeller, ställa in parametrar och kombinera FLUX-ControlNets för oöverträffad kontroll över bildinnehåll och struktur. Oavsett om du använder djupkartor eller kantdetektering, ger FLUX-ControlNet dig möjlighet att skapa fantastiska AI-konstverk.

ComfyUI FLUX-ControlNet Arbetsflöde

ComfyUI FLUX ControlNet Depth and Canny Workflow
Vill du köra detta arbetsflöde?
  • Fullt operativa arbetsflöden
  • Inga saknade noder eller modeller
  • Inga manuella inställningar krävs
  • Innehåller fantastiska visuella

ComfyUI FLUX-ControlNet Exempel

ComfyUI FLUX-ControlNet Beskrivning

FLUX är en ny bildgenereringsmodell utvecklad av , FLUX-ControlNet-Depth och FLUX-ControlNet-Canny-modellerna skapades av XLabs AI-teamet. Detta ComfyUI FLUX ControlNet-arbetsflöde skapades också av XLabs AI-teamet. För mer detaljer, vänligen besök . All kredit går till deras bidrag.

Om FLUX

FLUX-modellerna är förladdade på RunComfy, namngivna flux/flux-schnell och flux/flux-dev.

  • När du startar en RunComfy Medium-Sized Machine: Välj checkpoint flux-schnell, fp8 och clip t5_xxl_fp8 för att undvika minnesproblem.
  • När du startar en RunComfy Large-Sized eller Above Machine: Välj en stor checkpoint flux-dev, default och en hög clip t5_xxl_fp16.

För mer detaljer, besök: 

🌟Följande FLUX-ControlNet-arbetsflöde är specifikt designat för  modellen.🌟

Om FLUX-ControlNet-arbetsflöde (FLUX-ControlNet-Depth-V3 och FLUX-ControlNet-Canny-V3)

Vi presenterar två exceptionella FLUX-ControlNet-arbetsflöden: FLUX-ControlNet-Depth och FLUX-ControlNet-Canny, som var och en erbjuder unika möjligheter att förbättra din kreativa process.

1. Hur man använder ComfyUI FLUX-ControlNet-Depth-V3 arbetsflöde

FLUX-ControlNet Depth-modellen laddas först med hjälp av "LoadFluxControlNet"-noden. Välj modellen "flux-depth-controlnet.safetensors" för optimal djupkontroll.

  • flux-depth-controlnet
  • flux-depth-controlnet-v2
  • flux-depth-controlnet-v3: ControlNet är tränad på 1024x1024 upplösning och fungerar för 1024x1024 upplösning, med bättre och realistisk version

Anslut utgången från denna nod till "ApplyFluxControlNet"-noden. Anslut även din djupkarta till bildingången på denna nod. Djupkartan bör vara en gråskalebild där närmare objekt är ljusare och avlägsna objekt är mörkare, vilket gör att FLUX-ControlNet kan tolka djupinformationen korrekt.

Du kan generera djupkartan från en inmatningsbild med hjälp av en djupestimeringsmodell. Här används "MiDaS-DepthMapPreprocessor"-noden för att konvertera den laddade bilden till en djupkarta som är lämplig för FLUX-ControlNet. Nyckelparametrar:

  • Tröskelvärde = 6.28 (påverkar känsligheten för kanter)
  • Djupskala = 0.1 (mängden djupkartan värden skalas med)
  • Utgångsstorlek = 768 (upplösning av djupkarta)

I "ApplyFluxControlNet"-noden bestämmer styrkeparametern hur mycket den genererade bilden påverkas av FLUX-ControlNet djupkonditionering. Högre styrka gör att utgången följer djupstrukturen mer noggrant.

2. Hur man använder ComfyUI FLUX-ControlNet-Canny-V3 arbetsflöde

Processen är mycket lik FLUX-ControlNet-Depth arbetsflöde. Först laddas FLUX-ControlNet Canny-modellen med "LoadFluxControlNet". Sedan ansluts den till "ApplyFluxControlNet"-noden.

  • flux-canny-controlnet
  • flux-canny-controlnet-v2
  • flux-canny-controlnet-v3: ControlNet är tränad på 1024x1024 upplösning och fungerar för 1024x1024 upplösning, med bättre och realistisk version

Inmatningsbilden konverteras till en Canny kantkarta med hjälp av "CannyEdgePreprocessor"-noden, optimerad för FLUX-ControlNet. Nyckelparametrar:

  • Låg tröskelvärde = 100 (kantintensitetströskel)
  • Hög tröskelvärde = 200 (hysteres tröskel för kanter)
  • Storlek = 832 (kantkarta upplösning)

Den resulterande Canny kantkartan ansluts till "ApplyFluxControlNet"-noden. Återigen, använd styrkeparametern för att kontrollera hur mycket kantkartan påverkar FLUX-ControlNet-genereringen.

3. Både för ComfyUI FLUX-ControlNet-Depth-V3 och ComfyUI FLUX-ControlNet-Canny-V3

I båda FLUX-ControlNet-arbetsflödena ansluts den CLIP-kodade textprompten för att driva bildinnehållet, medan FLUX-ControlNet-konditioneringen kontrollerar strukturen och geometrin baserat på djup- eller kantkartan.

Genom att kombinera olika FLUX-ControlNets, inmatningsmodaliteter som djup och kanter, och justera deras styrka, kan du uppnå finjusterad kontroll över både det semantiska innehållet och strukturen i de bilder som genereras av FLUX-ControlNet.

Licens: controlnet.safetensors faller under  icke-kommersiell licens

Licens

Visa licensfiler:

FLUX.1 [dev] modellen är licensierad av Black Forest Labs. Inc. under FLUX.1 [dev] icke-kommersiell licens. Upphovsrätt Black Forest Labs. Inc.

UNDER INGA OMSTÄNDIGHETER SKALL BLACK FOREST LABS, INC. VARA ANSVARIGA FÖR NÅGOT ANSPRÅK, SKADOR ELLER ANDRA ANSVAR, VARE SIG I KONTRAKT, TORT ELLER ANNAT, SOM UPPSTÅR FRÅN, UR ELLER I SAMBAND MED ANVÄNDNINGEN AV DENNA MODELL.

Fler ComfyUI-handledningar

Vill du ha fler ComfyUI arbetsflöden?

RunComfy

© Copyright 2024 RunComfy. Alla Rättigheter Förbehållna.

RunComfy är den främsta ComfyUI plattform, som erbjuder ComfyUI online miljö och tjänster, tillsammans med ComfyUI arbetsflöden med fantastiska visuella.