ComfyUI FLUX: คู่มือการตั้งค่า, เวิร์กโฟลว์เช่น FLUX-ControlNet, FLUX-LoRA และ FLUX-IPAdapter... และการเข้าถึงออนไลน์

สวัสดีครับ/ค่ะ นักพัฒนา AI ทุกท่าน! 👋 ยินดีต้อนรับสู่คู่มือแนะนำการใช้ FLUX ภายใน ComfyUI ของเรา FLUX เป็นโมเดลล้ำยุคที่พัฒนาโดย Black Forest Labs 🌟 ในบทเรียนนี้ เราจะเจาะลึกถึงพื้นฐานของ ComfyUI FLUX โดยแสดงให้เห็นว่าโมเดลที่ทรงพลังนี้สามารถเพิ่มประสิทธิภาพกระบวนการสร้างสรรค์ของคุณและช่วยให้คุณขยายขอบเขตของศิลปะที่สร้างโดย AI 🚀

เราจะครอบคลุม:

1. แนะนำ FLUX

2. เวอร์ชันต่างๆ ของ FLUX

3. ข้อกำหนดของฮาร์ดแวร์ FLUX

• 3.1. ข้อกำหนดของฮาร์ดแวร์ FLUX.1 [Pro]
• 3.2. ข้อกำหนดของฮาร์ดแวร์ FLUX.1 [Dev]
• 3.3. ข้อกำหนดของฮาร์ดแวร์ FLUX.1 [Schnell]

4. วิธีการติดตั้ง FLUX ใน ComfyUI

• 4.1. การติดตั้งหรืออัปเดต ComfyUI
• 4.2. การดาวน์โหลด ComfyUI FLUX Text Encoders และ CLIP Models
• 4.3. การดาวน์โหลด FLUX.1 VAE Model
• 4.4. การดาวน์โหลด FLUX.1 UNET Model

5. เวิร์กโฟลว์ ComfyUI FLUX | ดาวน์โหลด, การเข้าถึงออนไลน์ และคู่มือ

• 5.1. เวิร์กโฟลว์ ComfyUI: FLUX Txt2Img
• 5.2. เวิร์กโฟลว์ ComfyUI: FLUX Img2Img
• 5.3. เวิร์กโฟลว์ ComfyUI: FLUX LoRA
• 5.4. เวิร์กโฟลว์ ComfyUI: FLUX ControlNet
• 5.5. เวิร์กโฟลว์ ComfyUI: FLUX Inpainting
• 5.6. เวิร์กโฟลว์ ComfyUI: FLUX NF4 & Upscale
• 5.7. เวิร์กโฟลว์ ComfyUI: FLUX IPAdapter
• 5.8. เวิร์กโฟลว์ ComfyUI: Flux LoRA Trainer
• 5.9. เวิร์กโฟลว์ ComfyUI: Flux Latent Upscale

1. แนะนำ FLUX

FLUX.1 โมเดล AI ล้ำยุคจาก Black Forest Labs กำลังเปลี่ยนแปลงวิธีการสร้างภาพจากคำอธิบายข้อความ ด้วยความสามารถที่ไม่มีใครเทียบได้ในการสร้างภาพที่มีรายละเอียดและซับซ้อนที่ตรงกับคำอธิบายที่ป้อน FLUX.1 ตั้งตัวเองให้แตกต่างจากคู่แข่ง ความลับเบื้องหลังความสำเร็จของ FLUX.1 อยู่ที่สถาปัตยกรรมไฮบริดที่ไม่เหมือนใคร ซึ่งรวมบล็อกทรานส์ฟอร์มเมอร์หลายประเภทและขับเคลื่อนโดยพารามิเตอร์ที่น่าประทับใจถึง 12 พันล้านพารามิเตอร์ สิ่งนี้ทำให้ FLUX.1 สามารถสร้างภาพที่ดึงดูดสายตาและแทนคำอธิบายข้อความได้อย่างแม่นยำอย่างน่าทึ่ง

หนึ่งในแง่มุมที่น่าตื่นเต้นที่สุดของ FLUX.1 คือความสามารถในการสร้างภาพในหลากหลายสไตล์ ตั้งแต่ภาพถ่ายจริงไปจนถึงศิลปะ FLUX.1 ยังมีความสามารถที่น่าทึ่งในการรวมข้อความเข้ากับภาพที่สร้างได้อย่างราบรื่น ซึ่งเป็นสิ่งที่โมเดลอื่นๆ หลายตัวพยายามที่จะทำได้ นอกจากนี้ FLUX.1 ยังมีชื่อเสียงในด้านการยึดตามคำอธิบายที่ยอดเยี่ยม ทั้งคำอธิบายที่เรียบง่ายและซับซ้อน FLUX.1 มักถูกเปรียบเทียบกับโมเดลอื่นๆ เช่น Stable Diffusion และ Midjourney โดยที่ FLUX.1 มักจะเป็นตัวเลือกที่ต้องการเนื่องจากใช้งานง่ายและให้ผลลัพธ์ที่ยอดเยี่ยม

ความสามารถที่น่าประทับใจของ FLUX.1 ทำให้มันเป็นเครื่องมือที่มีค่าสำหรับการใช้งานที่หลากหลาย ตั้งแต่การสร้างเนื้อหาภาพที่น่าทึ่งและการออกแบบที่สร้างสรรค์ไปจนถึงการแสดงภาพทางวิทยาศาสตร์ ความสามารถของ FLUX.1 ในการสร้างภาพที่มีรายละเอียดสูงและแม่นยำจากคำอธิบายข้อความเปิดโอกาสใหม่ๆ ให้กับมืออาชีพด้านการสร้างสรรค์ นักวิจัย และผู้ที่สนใจใน AI เช่นเดียวกับที่สนามของการสร้างภาพโดย AI ยังคงพัฒนา FLUX.1 ยืนอยู่แนวหน้าของการพัฒนา โดยตั้งมาตรฐานใหม่ในด้านคุณภาพ ความหลากหลาย และการใช้งานง่าย

Black Forest Labs บริษัท AI ที่เป็นผู้บุกเบิกเบื้องหลัง FLUX.1 ที่ก้าวล้ำ ก่อตั้งโดย Robin Rombach บุคคลที่มีชื่อเสียงในวงการ AI ซึ่งเคยเป็นสมาชิกหลักของ Stability AI หากคุณต้องการเรียนรู้เพิ่มเติมเกี่ยวกับ Black Forest Labs และงานปฏิวัติของพวกเขากับ FLUX.1 อย่าลืมเยี่ยมชมเว็บไซต์อย่างเป็นทางการของพวกเขาที่ https://blackforestlabs.ai/.

2. เวอร์ชันต่างๆ ของ FLUX

FLUX.1 มีสามเวอร์ชันที่แตกต่างกัน แต่ละเวอร์ชันออกแบบมาเพื่อตอบสนองความต้องการของผู้ใช้เฉพาะ:

1. FLUX.1 [pro]: นี่คือเวอร์ชันระดับสูงสุดที่ให้คุณภาพและประสิทธิภาพที่ดีที่สุด เหมาะสำหรับการใช้งานระดับมืออาชีพและโครงการระดับสูง
2. FLUX.1 [dev]: ปรับให้เหมาะสมสำหรับการใช้งานที่ไม่ใช่เชิงพาณิชย์ เวอร์ชันนี้ยังคงมีคุณภาพสูงในขณะที่มีประสิทธิภาพมากขึ้น ทำให้เหมาะสำหรับนักพัฒนาและผู้ที่สนใจ
3. FLUX.1 [schnell]: เวอร์ชันนี้เน้นเรื่องความเร็วและน้ำหนักเบา ทำให้เหมาะสำหรับการพัฒนาในเครื่องและโครงการส่วนบุคคล นอกจากนี้ยังเป็นโอเพนซอร์สและมีให้ภายใต้ใบอนุญาต Apache 2.0 ทำให้เข้าถึงได้กว้างขวาง

Name	HuggingFace repo	License	md5sum
FLUX.1 [pro]	Only available in our API.
FLUX.1 [dev]	https://huggingface.co/black-forest-labs/FLUX.1-dev	FLUX.1-dev Non-Commercial License	a6bd8c16dfc23db6aee2f63a2eba78c0
FLUX.1 [schnell]	https://huggingface.co/black-forest-labs/FLUX.1-schnell	apache-2.0	a9e1e277b9b16add186f38e3f5a34044

3. ข้อกำหนดของฮาร์ดแวร์ FLUX

3.1. FLUX.1 [Pro] ข้อกำหนดของฮาร์ดแวร์

• GPU ที่แนะนำ: NVIDIA RTX 4090 หรือเทียบเท่าที่มี VRAM 24 GB ขึ้นไป โมเดลนี้ถูกปรับให้เหมาะสมสำหรับ GPU ระดับสูงเพื่อจัดการกับการดำเนินงานที่ซับซ้อน
• RAM: หน่วยความจำระบบ 32 GB ขึ้นไป
• พื้นที่ดิสก์: ประมาณ 30 GB
• ข้อกำหนดในการคำนวณ: ต้องการความแม่นยำสูง ใช้ FP16 (ครึ่งความแม่นยำ) เพื่อหลีกเลี่ยงข้อผิดพลาดของหน่วยความจำไม่พอ สำหรับผลลัพธ์ที่ดีที่สุด แนะนำให้ใช้ตัวแปร Clip รุ่น fp16 เพื่อคุณภาพสูงสุด
• ข้อกำหนดอื่นๆ: แนะนำให้ใช้ SSD ที่เร็วเพื่อเวลาโหลดที่เร็วขึ้นและประสิทธิภาพโดยรวม

3.2. FLUX.1 [Dev] ข้อกำหนดของฮาร์ดแวร์

• GPU ที่แนะนำ: NVIDIA RTX 3080/3090 หรือเทียบเท่าที่มี VRAM อย่างน้อย 16 GB เวอร์ชันนี้ยืดหยุ่นมากขึ้นเกี่ยวกับฮาร์ดแวร์เมื่อเทียบกับรุ่น Pro แต่ยังคงต้องการพลัง GPU อย่างมาก
• RAM: หน่วยความจำระบบ 16 GB ขึ้นไป
• พื้นที่ดิสก์: ประมาณ 25 GB
• ข้อกำหนดในการคำนวณ: คล้ายกับรุ่น Pro ใช้โมเดล FP16 แต่มีความทนทานต่อการคำนวณความแม่นยำต่ำเล็กน้อย สามารถใช้โมเดล Clip รุ่น fp16 หรือ fp8 ขึ้นอยู่กับความสามารถของ GPU
• ข้อกำหนดอื่นๆ: แนะนำให้ใช้ SSD ที่เร็วเพื่อประสิทธิภาพที่ดีที่สุด

3.3. FLUX.1 [Schnell] ข้อกำหนดของฮาร์ดแวร์

• GPU ที่แนะนำ: NVIDIA RTX 3060/4060 หรือเทียบเท่าที่มี VRAM 12 GB เวอร์ชันนี้ถูกปรับให้เหมาะสมสำหรับการอนุมานที่เร็วขึ้นและความต้องการฮาร์ดแวร์ที่ต่ำกว่า
• RAM: หน่วยความจำระบบ 8 GB ขึ้นไป
• พื้นที่ดิสก์: ประมาณ 15 GB
• ข้อกำหนดในการคำนวณ: เวอร์ชันนี้ต้องการน้อยกว่าและอนุญาตให้ใช้การคำนวณ fp8 หากหน่วยความจำหมด ถูกออกแบบให้เร็วและมีประสิทธิภาพโดยเน้นที่ความเร็วมากกว่าคุณภาพสูงสุด
• ข้อกำหนดอื่นๆ: SSD มีประโยชน์แต่ไม่สำคัญเท่ากับรุ่น Pro และ Dev

4. วิธีการติดตั้ง FLUX ใน ComfyUI

4.1. การติดตั้งหรืออัปเดต ComfyUI

เพื่อใช้ FLUX.1 อย่างมีประสิทธิภาพภายในสภาพแวดล้อมของ ComfyUI จำเป็นต้องตรวจสอบให้แน่ใจว่าคุณได้ติดตั้งเวอร์ชันล่าสุดของ ComfyUI แล้ว เวอร์ชันนี้รองรับฟีเจอร์และการรวมที่จำเป็นสำหรับโมเดล FLUX.1

4.2. การดาวน์โหลด ComfyUI FLUX Text Encoders และ CLIP Models

เพื่อประสิทธิภาพที่ดีที่สุดและการสร้างภาพจากข้อความที่แม่นยำโดยใช้ FLUX.1 คุณจะต้องดาวน์โหลดตัวเข้ารหัสข้อความและโมเดล CLIP ที่เฉพาะเจาะจง โมเดลต่อไปนี้เป็นสิ่งจำเป็น ขึ้นอยู่กับฮาร์ดแวร์ของระบบของคุณ:

Model File Name	Size	Note	Link
t5xxl_fp16.safetensors	9.79 GB	สำหรับผลลัพธ์ที่ดีกว่า หากคุณมี VRAM และ RAM สูง (มากกว่า 32GB RAM)	Download
t5xxl_fp8_e4m3fn.safetensors	4.89 GB	สำหรับการใช้งานหน่วยความจำต่ำ (8-12GB)	Download
clip_l.safetclip_l.safetensors	246 MB		Download

ขั้นตอนการดาวน์โหลดและติดตั้ง:

1. ดาวน์โหลดโมเดล clip_l.safetensors
2. ขึ้นอยู่กับ VRAM และ RAM ของระบบคุณ ดาวน์โหลด t5xxl_fp8_e4m3fn.safetensors (สำหรับ VRAM ต่ำ) หรือ t5xxl_fp16.safetensors (สำหรับ VRAM และ RAM สูง)
3. วางโมเดลที่ดาวน์โหลดมาในไดเรกทอรี ComfyUI/models/clip/ หมายเหตุ: หากคุณเคยใช้ SD 3 Medium มาก่อน คุณอาจมีโมเดลเหล่านี้อยู่แล้ว

4.3. การดาวน์โหลด FLUX.1 VAE Model

โมเดล Variational Autoencoder (VAE) มีความสำคัญในการปรับปรุงคุณภาพการสร้างภาพใน FLUX.1 โมเดล VAE ต่อไปนี้มีให้ดาวน์โหลด:

File Name	Size	Link
ae.safetensors	335 MB	Download(opens in a new tab)

ขั้นตอนการดาวน์โหลดและติดตั้ง:

1. ดาวน์โหลดไฟล์โมเดล ae.safetensors
2. วางไฟล์ที่ดาวน์โหลดมาในไดเรกทอรี ComfyUI/models/vae
3. เพื่อให้ง่ายต่อการระบุ แนะนำให้เปลี่ยนชื่อไฟล์เป็น flux_ae.safetensors

4.4. การดาวน์โหลด FLUX.1 UNET Model

โมเดล UNET เป็นกระดูกสันหลังสำหรับการสังเคราะห์ภาพใน FLUX.1 ขึ้นอยู่กับข้อกำหนดของระบบของคุณ คุณสามารถเลือกตัวแปรที่แตกต่างกันได้:

File Name	Size	Link	Note
flux1-dev.safetensors	23.8GB	Download	หากคุณมี VRAM และ RAM สูง
flux1-schnell.safetensors	23.8GB	Download	สำหรับการใช้งานหน่วยความจำต่ำ

ขั้นตอนการดาวน์โหลดและติดตั้ง:

1. ดาวน์โหลดโมเดล UNET ที่เหมาะสมตามการกำหนดค่าหน่วยความจำของระบบของคุณ
2. วางไฟล์โมเดลที่ดาวน์โหลดมาในไดเรกทอรี ComfyUI/models/unet/

5. เวิร์กโฟลว์ ComfyUI FLUX | ดาวน์โหลด, การเข้าถึงออนไลน์ และคู่มือ

เราจะอัปเดตเวิร์กโฟลว์ ComfyUI FLUX อย่างต่อเนื่องเพื่อให้คุณได้รับเวิร์กโฟลว์ที่ครอบคลุมและทันสมัยที่สุดสำหรับการสร้างภาพที่น่าทึ่งโดยใช้ ComfyUI FLUX

5.1. เวิร์กโฟลว์ ComfyUI: FLUX Txt2Img

5.1.1. ComfyUI FLUX Txt2Img : Download

5.1.2. ComfyUI FLUX Txt2Img Online Version: ComfyUI FLUX Txt2Img

ที่แพลตฟอร์ม RunComfy เวอร์ชันออนไลน์ของเราจะโหลดโหมดและโหนดที่จำเป็นทั้งหมดให้คุณ นอกจากนี้เรายังมีเครื่อง GPU ประสิทธิภาพสูง เพื่อให้คุณสามารถเพลิดเพลินกับประสบการณ์ ComfyUI FLUX Txt2Img ได้อย่างง่ายดาย

5.1.3. อธิบาย ComfyUI FLUX Txt2Img:

เวิร์กโฟลว์ ComfyUI FLUX Txt2Img เริ่มต้นด้วยการโหลดส่วนประกอบที่จำเป็น ได้แก่ FLUX UNET (UNETLoader), FLUX CLIP (DualCLIPLoader) และ FLUX VAE (VAELoader) สิ่งเหล่านี้เป็นพื้นฐานของกระบวนการสร้างภาพ ComfyUI FLUX

• UNETLoader: โหลดโมเดล UNET สำหรับการสร้างภาพ
  • Checkpoint: flux/flux1-schnell.sft; flux/flux1-dev.sft
• DualCLIPLoader: โหลดโมเดล CLIP สำหรับการเข้ารหัสข้อความ
  • Embedding Model 1: sd3m/t5xxl_fp8_e4m3fn.safetensors; sd3m/t5xxl_fp16.safetensors
  • Embedding Model 2: sd3m/clip_g.safetensors; sd3m/clip_l.safetensors
  • Grouping: กลยุทธ์การจัดกลุ่มสำหรับโมเดล CLIP คือ flux
• VAELoader: โหลดโมเดล Variational Autoencoder (VAE) สำหรับการถอดรหัสการแทนค่าละติ
  • VAE model: flux/ae.sft

การเข้ารหัสข้อความซึ่งอธิบายผลลัพธ์ที่ต้องการถูกเข้ารหัสโดยใช้ CLIPTextEncode โหนดนี้รับข้อความเป็นอินพุตและส่งผลลัพธ์เป็นการเข้ารหัสข้อความที่ใช้ในการแนะนำ ComfyUI FLUX ระหว่างการสร้าง

ในการเริ่มกระบวนการสร้าง ComfyUI FLUX การแทนค่าละติว่างถูกสร้างโดยใช้ EmptyLatentImage สิ่งนี้ทำหน้าที่เป็นจุดเริ่มต้นสำหรับ ComfyUI FLUX ในการสร้างขึ้น

BasicGuider มีบทบาทสำคัญในการแนะนำกระบวนการสร้าง ComfyUI FLUX มันรับการเข้ารหัสข้อความที่เข้ารหัสและ FLUX UNET ที่โหลดเป็นอินพุต เพื่อให้แน่ใจว่าผลลัพธ์ที่สร้างตรงกับคำอธิบายข้อความที่ให้ไว้

KSamplerSelect ช่วยให้คุณเลือกวิธีการสุ่มตัวอย่างสำหรับการสร้าง ComfyUI FLUX ในขณะที่ RandomNoise สร้างสัญญาณรบกวนแบบสุ่มเป็นอินพุตสำหรับ ComfyUI FLUX BasicScheduler กำหนดระดับสัญญาณรบกวน (sigma) สำหรับแต่ละขั้นตอนในกระบวนการสร้าง ควบคุมระดับของรายละเอียดและความชัดเจนในผลลัพธ์สุดท้าย

SamplerCustomAdvanced รวบรวมส่วนประกอบทั้งหมดของเวิร์กโฟลว์ ComfyUI FLUX Txt2Img มันรับสัญญาณรบกวนแบบสุ่ม, guider, sampler ที่เลือก, sigma ที่กำหนดและการแทนค่าละติว่างเป็นอินพุต ผ่านกระบวนการสุ่มตัวอย่างขั้นสูง มันสร้างการแทนค่าละติที่แทนคำอธิบายข้อความ

สุดท้าย VAEDecode ถอดรหัสการแทนค่าละติที่สร้างเป็นผลลัพธ์สุดท้ายโดยใช้ FLUX VAE ที่โหลด SaveImage ช่วยให้คุณบันทึกผลลัพธ์ที่สร้างไว้ในตำแหน่งที่ระบุ เก็บรักษาการสร้างที่น่าทึ่งที่ทำได้โดยเวิร์กโฟลว์ ComfyUI FLUX Txt2Img

5.2. เวิร์กโฟลว์ ComfyUI: FLUX Img2Img

5.2.1. ComfyUI FLUX Img2Img: Download

5.2.2. ComfyUI FLUX Img2Img Online Version: ComfyUI FLUX Img2Img

ที่แพลตฟอร์ม RunComfy เวอร์ชันออนไลน์ของเราจะโหลดโหมดและโหนดที่จำเป็นทั้งหมดให้คุณ นอกจากนี้เรายังมีเครื่อง GPU ประสิทธิภาพสูง เพื่อให้คุณสามารถเพลิดเพลินกับประสบการณ์ ComfyUI FLUX Img2Img ได้อย่างง่ายดาย

5.2.3. อธิบาย ComfyUI FLUX Img2Img:

เวิร์กโฟลว์ ComfyUI FLUX Img2Img สร้างขึ้นโดยใช้พลังของ ComfyUI FLUX เพื่อสร้างผลลัพธ์ตามคำอธิบายข้อความและการแทนค่าละติที่ป้อน มันเริ่มต้นด้วยการโหลดส่วนประกอบที่จำเป็น ได้แก่ โมเดล CLIP (DualCLIPLoader), โมเดล UNET (UNETLoader) และโมเดล VAE (VAELoader)

• UNETLoader: โหลดโมเดล UNET สำหรับการสร้างภาพ
  • Checkpoint: flux/flux1-schnell.sft; flux/flux1-dev.sft
• DualCLIPLoader: โหลดโมเดล CLIP สำหรับการเข้ารหัสข้อความ
  • Embedding Model 1: sd3m/t5xxl_fp8_e4m3fn.safetensors; sd3m/t5xxl_fp16.safetensors
  • Embedding Model 2: sd3m/clip_g.safetensors; sd3m/clip_l.safetensors
  • Grouping: กลยุทธ์การจัดกลุ่มสำหรับโมเดล CLIP คือ flux
• VAELoader: โหลดโมเดล Variational Autoencoder (VAE) สำหรับการถอดรหัสการแทนค่าละติ
  • VAE model: flux/ae.sft

การแทนค่าละติที่ป้อนซึ่งทำหน้าที่เป็นจุดเริ่มต้นสำหรับกระบวนการ ComfyUI FLUX Img2Img ถูกโหลดโดยใช้ LoadImage ImageScale ขยายการแทนค่าละติที่ป้อนให้มีขนาดที่ต้องการ เพื่อให้เข้ากันได้กับ ComfyUI FLUX

การแทนค่าละติที่ขยายถูกเข้ารหัสโดยใช้ VAEEncode เปลี่ยนมันเป็นการแทนค่าละติซึ่งจับคุณสมบัติและรายละเอียดที่สำคัญของการป้อน ให้เป็นพื้นฐานสำหรับ ComfyUI FLUX ในการทำงาน

คำอธิบายข้อความซึ่งอธิบายการปรับปรุงหรือการเพิ่มที่ต้องการในป้อน ถูกเข้ารหัสโดยใช้ CLIPTextEncode FluxGuidance นำการแนะนำไปใช้กับการเข้ารหัสข้อความตามขนาดการแนะนำที่ระบุ เพื่อให้มีอิทธิพลต่อความแข็งแกร่งของการมีอิทธิพลของคำอธิบายข้อความในผลลัพธ์สุดท้าย

ModelSamplingFlux กำหนดพารามิเตอร์การสุ่มตัวอย่างสำหรับ ComfyUI FLUX รวมถึงการปรับแต่งเวลา การปรับอัตราส่วน และขนาดการส่งออก พารามิเตอร์เหล่านี้ควบคุมระดับความละเอียดและความชัดเจนของผลลัพธ์ที่สร้าง

KSamplerSelect ช่วยให้คุณเลือกวิธีการสุ่มตัวอย่างสำหรับการสร้าง ComfyUI FLUX ในขณะที่ BasicGuider แนะนำกระบวนการสร้างตามการเข้ารหัสข้อความและ FLUX UNET ที่โหลด

สัญญาณรบกวนแบบสุ่มถูกสร้างโดยใช้ RandomNoise และ BasicScheduler กำหนดระดับสัญญาณรบกวน (sigma) สำหรับแต่ละขั้นตอนในกระบวนการสร้าง ส่วนประกอบเหล่านี้แนะนำการเปลี่ยนแปลงที่ควบคุมได้และปรับแต่งรายละเอียดในผลลัพธ์สุดท้าย

SamplerCustomAdvanced รวบรวมสัญญาณรบกวนแบบสุ่ม, guider, sampler ที่เลือก, sigma ที่กำหนดและการแทนค่าละติของการป้อน ผ่านกระบวนการสุ่มตัวอย่างขั้นสูง มันสร้างการแทนค่าละติที่รวมการปรับปรุงที่ระบุโดยคำอธิบายข้อความในขณะที่รักษาคุณสมบัติที่สำคัญของการป้อน

สุดท้าย VAEDecode ถอดรหัสการแทนค่าละติที่ลดสัญญาณรบกวนเป็นผลลัพธ์สุดท้ายโดยใช้ FLUX VAE ที่โหลด PreviewImage แสดงภาพตัวอย่างของผลลัพธ์ที่สร้าง แสดงผลลัพธ์ที่น่าทึ่งที่ทำได้โดยเวิร์กโฟลว์ ComfyUI FLUX Img2Img

5.3. เวิร์กโฟลว์ ComfyUI: FLUX LoRA

5.3.1. ComfyUI FLUX LoRA: Download

5.3.2. ComfyUI FLUX LoRA Online Version: ComfyUI FLUX LoRA

ที่แพลตฟอร์ม RunComfy เวอร์ชันออนไลน์ของเราจะโหลดโหมดและโหนดที่จำเป็นทั้งหมดให้คุณ นอกจากนี้เรายังมีเครื่อง GPU ประสิทธิภาพสูง เพื่อให้คุณสามารถเพลิดเพลินกับประสบการณ์ ComfyUI FLUX LoRA ได้อย่างง่ายดาย

5.3.3. อธิบาย ComfyUI FLUX LoRA:

เวิร์กโฟลว์ ComfyUI FLUX LoRA ใช้พลังของ Low-Rank Adaptation (LoRA) เพื่อเพิ่มประสิทธิภาพของ ComfyUI FLUX มันเริ่มต้นด้วยการโหลดส่วนประกอบที่จำเป็น ได้แก่ โมเดล UNET (UNETLoader), โมเดล CLIP (DualCLIPLoader), โมเดล VAE (VAELoader) และโมเดล LoRA (LoraLoaderModelOnly)

• UNETLoader: โหลดโมเดล UNET สำหรับการสร้างภาพ
  • Checkpoint: flux/flux1-dev.sft
• DualCLIPLoader: โหลดโมเดล CLIP สำหรับการเข้ารหัสข้อความ
  • Embedding Model 1: sd3m/t5xxl_fp8_e4m3fn.safetensors; sd3m/t5xxl_fp16.safetensors
  • Embedding Model 2: sd3m/clip_g.safetensors; sd3m/clip_l.safetensors
  • Grouping: กลยุทธ์การจัดกลุ่มสำหรับโมเดล CLIP คือ flux
• VAELoader: โหลดโมเดล Variational Autoencoder (VAE) สำหรับการถอดรหัสการแทนค่าละติ
  • VAE model: flux/ae.sft
• LoraLoaderModelOnly: โหลดโมเดล LoRA (Low-Rank Adaptation) สำหรับการเพิ่มประสิทธิภาพโมเดล UNET
  • LoaderModel: flux/realism_lora.safetensors

คำอธิบายข้อความที่อธิบายผลลัพธ์ที่ต้องการถูกระบุโดยใช้ String Literal จากนั้น CLIPTextEncode จะเข้ารหัสคำอธิบายข้อความ สร้างการเข้ารหัสข้อความที่ใช้ในการแนะนำกระบวนการสร้าง ComfyUI FLUX

FluxGuidance นำการแนะนำไปใช้กับการเข้ารหัสข้อความที่เข้ารหัส มีอิทธิพลต่อความแข็งแกร่งและทิศทางของการยึดตามข้อความของ ComfyUI FLUX

การแทนค่าละติว่างที่ทำหน้าที่เป็นจุดเริ่มต้นสำหรับการสร้าง ถูกสร้างโดยใช้ EmptyLatentImage ความกว้างและความสูงของผลลัพธ์ที่สร้างถูกระบุโดยใช้ Int Literal เพื่อให้แน่ใจว่ามีขนาดที่ต้องการของผลลัพธ์สุดท้าย

ModelSamplingFlux กำหนดพารามิเตอร์การสุ่มตัวอย่างสำหรับ ComfyUI FLUX รวมถึงอัตราส่วนการปรับแต่งและการปรับแต่งเวลา พารามิเตอร์เหล่านี้ควบคุมความละเอียดและความชัดเจนของผลลัพธ์ที่สร้าง

KSamplerSelect ช่วยให้คุณเลือกวิธีการสุ่มตัวอย่างสำหรับการสร้าง ComfyUI FLUX ในขณะที่ BasicGuider แนะนำกระบวนการสร้างตามการเข้ารหัสข้อความที่เข้ารหัสและ FLUX UNET ที่โหลดพร้อมกับการเพิ่มประสิทธิภาพ FLUX LoRA

สัญญาณรบกวนแบบสุ่มถูกสร้างโดยใช้ RandomNoise และ BasicScheduler กำหนดระดับสัญญาณรบกวน (sigma) สำหรับแต่ละขั้นตอนในกระบวนการสร้าง ส่วนประกอบเหล่านี้แนะนำการเปลี่ยนแปลงที่ควบคุมได้และปรับแต่งรายละเอียดในผลลัพธ์สุดท้าย

SamplerCustomAdvanced รวบรวมสัญญาณรบกวนแบบสุ่ม, guider, sampler ที่เลือก, sigma ที่กำหนดและการแทนค่าละติว่าง ผ่านกระบวนการสุ่มตัวอย่างขั้นสูง มันสร้างการแทนค่าละติที่แทนคำอธิบายข้อความ ใช้พลังของ FLUX และการเพิ่มประสิทธิภาพ FLUX LoRA

สุดท้าย VAEDecode ถอดรหัสการแทนค่าละติที่สร้างเป็นผลลัพธ์สุดท้ายโดยใช้ FLUX VAE ที่โหลด SaveImage ช่วยให้คุณบันทึกผลลัพธ์ที่สร้างไว้ในตำแหน่งที่ระบุ เก็บรักษาการสร้างที่น่าทึ่งที่ทำได้โดยเวิร์กโฟลว์ ComfyUI FLUX LoRA

5.4. เวิร์กโฟลว์ ComfyUI: FLUX ControlNet

5.4.1. ComfyUI FLUX ControlNet: Download

5.4.2. ComfyUI FLUX ControlNet Online Version: ComfyUI FLUX ControlNet

ที่แพลตฟอร์ม RunComfy เวอร์ชันออนไลน์ของเราจะโหลดโหมดและโหนดที่จำเป็นทั้งหมดให้คุณ นอกจากนี้เรายังมีเครื่อง GPU ประสิทธิภาพสูง เพื่อให้คุณสามารถเพลิดเพลินกับประสบการณ์ ComfyUI FLUX ControlNet ได้อย่างง่ายดาย

5.4.3. อธิบาย ComfyUI FLUX ControlNet:

เวิร์กโฟลว์ ComfyUI FLUX ControlNet แสดงการรวม ControlNet กับ ComfyUI FLUX เพื่อเพิ่มการสร้างผลลัพธ์ เวิร์กโฟลว์แสดงตัวอย่างสองตัวอย่าง: การปรับสภาพตามความลึกและการปรับสภาพตามขอบ Canny

• UNETLoader: โหลดโมเดล UNET สำหรับการสร้างภาพ
  • Checkpoint: flux/flux1-dev.sft
• DualCLIPLoader: โหลดโมเดล CLIP สำหรับการเข้ารหัสข้อความ
  • Embedding Model 1: sd3m/t5xxl_fp8_e4m3fn.safetensors; sd3m/t5xxl_fp16.safetensors
  • Embedding Model 2: sd3m/clip_g.safetensors; sd3m/clip_l.safetensors
  • Grouping: กลยุทธ์การจัดกลุ่มสำหรับโมเดล CLIP คือ flux
• VAELoader: โหลดโมเดล Variational Autoencoder (VAE) สำหรับการถอดรหัสการแทนค่าละติ
  • VAE model: flux/ae.sft

ในเวิร์กโฟลว์ตามความลึก การแทนค่าละติที่ป้อนถูกประมวลผลล่วงหน้าโดยใช้ MiDaS-DepthMapPreprocessor สร้างแผนที่ความลึก แผนที่ความลึกถูกส่งผ่าน ApplyFluxControlNet (Depth) พร้อมกับ FLUX ControlNet ที่โหลดสำหรับการปรับสภาพตามความลึก สภาวะ FLUX ControlNet ที่ได้ทำหน้าที่เป็นอินพุตให้กับ XlabsSampler (Depth) พร้อมกับ FLUX UNET ที่โหลด, การเข้ารหัสข้อความ, การเข้ารหัสข้อความเชิงลบ และการแทนค่าละติว่าง XlabsSampler สร้างการแทนค่าละติตามอินพุตเหล่านี้ ซึ่งถูกถอดรหัสเป็นผลลัพธ์สุดท้ายโดยใช้ VAEDecode

• MiDaS-DepthMapPreprocessor (Depth): ประมวลผลล่วงหน้าภาพป้อนเพื่อการประเมินความลึกโดยใช้ MiDaS
• LoadFluxControlNet: โหลดโมเดล ControlNet
  • Path: flux-depth-controlnet.safetensors

ในทำนองเดียวกันในเวิร์กโฟลว์ตามขอบ Canny การแทนค่าละติที่ป้อนถูกประมวลผลล่วงหน้าโดยใช้ CannyEdgePreprocessor เพื่อสร้างขอบ Canny การแทนค่าขอบ Canny ถูกส่งผ่าน ApplyFluxControlNet (Canny) พร้อมกับ FLUX ControlNet ที่โหลดสำหรับการปรับสภาพตามขอบ Canny สภาวะ FLUX ControlNet ที่ได้ทำหน้าที่เป็นอินพุตให้กับ XlabsSampler (Canny) พร้อมกับ FLUX UNET ที่โหลด, การเข้ารหัสข้อความ, การเข้ารหัสข้อความเชิงลบ และการแทนค่าละติว่าง XlabsSampler สร้างการแทนค่าละติตามอินพุตเหล่านี้ ซึ่งถูกถอดรหัสเป็นผลลัพธ์สุดท้ายโดยใช้ VAEDecode

• CannyEdgePreprocessor (Canny): ประมวลผลล่วงหน้าภาพป้อนเพื่อการตรวจจับขอบ Canny
• LoadFluxControlNet: โหลดโมเดล ControlNet
  • Path: flux-canny-controlnet.safetensors

เวิร์กโฟลว์ ComfyUI FLUX ControlNet รวมโหนดสำหรับการโหลดส่วนประกอบที่จำเป็น (DualCLIPLoader, UNETLoader, VAELoader, LoadFluxControlNet), การเข้ารหัสคำอธิบายข้อความ (CLIPTextEncodeFlux), การสร้างการแทนค่าละติว่าง (EmptyLatentImage) และการแสดงตัวอย่างผลลัพธ์ที่สร้างและประมวลผลล่วงหน้า (PreviewImage)

โดยการใช้พลังของ FLUX ControlNet เวิร์กโฟลว์ ComfyUI FLUX ControlNet ช่วยให้การสร้างผลลัพธ์ที่ตรงกับการปรับสภาพเฉพาะ เช่น แผนที่ความลึกหรือขอบ Canny ระดับการควบคุมและการแนะนำเพิ่มเติมนี้เพิ่มความยืดหยุ่นและความแม่นยำของกระบวนการสร้าง ช่วยให้การสร้างผลลัพธ์ที่น่าทึ่งและเกี่ยวข้องกับบริบทโดยใช้ ComfyUI FLUX

5.5. เวิร์กโฟลว์ ComfyUI: FLUX Inpainting

5.5.1. ComfyUI FLUX Inpainting: Download

5.5.2. ComfyUI FLUX Inpainting Online Version: ComfyUI FLUX Inpainting

ที่แพลตฟอร์ม RunComfy เวอร์ชันออนไลน์ของเราจะโหลดโหมดและโหนดที่จำเป็นทั้งหมดให้คุณ นอกจากนี้เรายังมีเครื่อง GPU ประสิทธิภาพสูง เพื่อให้คุณสามารถเพลิดเพลินกับประสบการณ์ ComfyUI FLUX Inpainting ได้อย่างง่ายดาย

5.5.3. อธิบาย ComfyUI FLUX Inpainting:

เวิร์กโฟลว์ ComfyUI FLUX Inpainting แสดงความสามารถของ ComfyUI FLUX ในการทำ inpainting ซึ่งเกี่ยวข้องกับการเติมเต็มส่วนที่ขาดหายไปหรือถูกมาสก์ของผลลัพธ์ตามบริบทโดยรอบและคำอธิบายข้อความที่ให้ไว้ เวิร์กโฟลว์เริ่มต้นด้วยการโหลดส่วนประกอบที่จำเป็น ได้แก่ โมเดล UNET (UNETLoader), โมเดล VAE (VAELoader) และโมเดล CLIP (DualCLIPLoader)

• UNETLoader: โหลดโมเดล UNET สำหรับการสร้างภาพ
  • Checkpoint: flux/flux1-schnell.sft; flux/flux1-dev.sft
• DualCLIPLoader: โหลดโมเดล CLIP สำหรับการเข้ารหัสข้อความ
  • Embedding Model 1: sd3m/t5xxl_fp8_e4m3fn.safetensors; sd3m/t5xxl_fp16.safetensors
  • Embedding Model 2: sd3m/clip_g.safetensors; sd3m/clip_l.safetensors
  • Grouping: กลยุทธ์การจัดกลุ่มสำหรับโมเดล CLIP คือ flux
• VAELoader: โหลดโมเดล Variational Autoencoder (VAE) สำหรับการถอดรหัสการแทนค่าละติ
  • VAE model: flux/ae.sft

คำอธิบายข้อความเชิงบวกและเชิงลบซึ่งอธิบายเนื้อหาและสไตล์ที่ต้องการสำหรับส่วนที่ถูก inpaint ถูกเข้ารหัสโดยใช้ CLIPTextEncodes การเข้ารหัสข้อความเชิงบวกถูกแนะนำเพิ่มเติมโดยใช้ FluxGuidance เพื่อมีอิทธิพลต่อกระบวนการ inpainting ของ ComfyUI FLUX

การแทนค่าละติที่ป้อนและมาสก์ถูกโหลดและปรับขนาดโดยใช้ LoadAndResizeImage เพื่อให้เข้ากันได้กับข้อกำหนดของ ComfyUI FLUX ImpactGaussianBlurMask ใช้ Gaussian blur กับมาสก์ เพื่อสร้างการเปลี่ยนแปลงที่ราบรื่นระหว่างส่วนที่ถูก inpaint และการแทนค่าละติที่ป้อน

InpaintModelConditioning เตรียมการปรับสภาพสำหรับการทำ inpainting โดยรวมการเข้ารหัสข้อความเชิงบวกที่ถูกแนะนำ, การเข้ารหัสข้อความเชิงลบ, FLUX VAE ที่โหลด, การแทนค่าละติที่ป้อนที่โหลด และมาสก์ที่เบลอ การปรับสภาพนี้ทำหน้าที่เป็นพื้นฐานสำหรับกระบวนการ inpainting ของ ComfyUI FLUX

สัญญาณรบกวนแบบสุ่มถูกสร้างโดยใช้ RandomNoise และวิธีการสุ่มตัวอย่างถูกเลือกโดยใช้ KSamplerSelect BasicScheduler กำหนดระดับสัญญาณรบกวน (sigma) สำหรับกระบวนการ inpainting ของ ComfyUI FLUX ควบคุมระดับของรายละเอียดและความชัดเจนในส่วนที่ถูก inpaint

BasicGuider แนะนำกระบวนการ inpainting ของ ComfyUI FLUX ตามการปรับสภาพที่เตรียมไว้และ FLUX UNET ที่โหลด SamplerCustomAdvanced ดำเนินกระบวนการสุ่มตัวอย่างขั้นสูง รับสัญญาณรบกวนแบบสุ่ม, guider, sampler ที่เลือก, sigma ที่กำหนด และการแทนค่าละติที่ป้อนเป็นอินพุต มันส่งผลลัพธ์การแทนค่าละติที่ถูก inpaint

สุดท้าย VAEDecode ถอดรหัสการแทนค่าละติที่ถูก inpaint เป็นผลลัพธ์สุดท้าย โดยผสานรวมส่วนที่ถูก inpaint กับการแทนค่าละติที่ป้อนอย่างราบรื่น PreviewImage แสดงผลลัพธ์สุดท้าย แสดงความสามารถที่น่าประทับใจของ FLUX ในการทำ inpainting

โดยการใช้พลังของ FLUX และเวิร์กโฟลว์การทำ inpainting ที่ออกแบบอย่างรอบคอบ FLUX Inpainting ช่วยให้การสร้างผลลัพธ์ที่มีความสอดคล้องและเกี่ยวข้องกับบริบท ไม่ว่าจะเป็นการฟื้นฟูส่วนที่ขาดหายไป การลบวัตถุที่ไม่ต้องการ หรือการปรับเปลี่ยนส่วนเฉพาะ เวิร์กโฟลว์การทำ inpainting ของ ComfyUI FLUX ให้เครื่องมือที่ทรงพลังสำหรับการแก้ไขและการจัดการ

5.6. เวิร์กโฟลว์ ComfyUI: FLUX NF4

5.6.1. ComfyUI FLUX NF4: Download

5.6.2. ComfyUI FLUX NF4 Online Version: ComfyUI FLUX NF4

ที่แพลตฟอร์ม RunComfy เวอร์ชันออนไลน์ของเราจะโหลดโหมดและโหนดที่จำเป็นทั้งหมดให้คุณ นอกจากนี้เรายังมีเครื่อง GPU ประสิทธิภาพสูง เพื่อให้คุณสามารถเพลิดเพลินกับประสบการณ์ ComfyUI FLUX NF4 ได้อย่างง่ายดาย

5.6.3. อธิบาย ComfyUI FLUX NF4:

เวิร์กโฟลว์ ComfyUI FLUX NF4 แสดงการรวม ComfyUI FLUX กับสถาปัตยกรรม NF4 (Normalizing Flow 4) เพื่อการสร้างผลลัพธ์คุณภาพสูง เวิร์กโฟลว์เริ่มต้นด้วยการโหลดส่วนประกอบที่จำเป็นโดยใช้ CheckpointLoaderNF4 ซึ่งรวมถึง FLUX UNET, FLUX CLIP และ FLUX VAE

• UNETLoader: โหลดโมเดล UNET สำหรับการสร้างภาพ
  • Checkpoint: TBD

โหนด PrimitiveNode (height) และ PrimitiveNode (width) ระบุความสูงและความกว้างที่ต้องการของผลลัพธ์ที่สร้าง ModelSamplingFlux กำหนดพารามิเตอร์การสุ่มตัวอย่างสำหรับ ComfyUI FLUX ตาม FLUX UNET ที่โหลดและความสูงและความกว้างที่ระบุ

โหนด EmptySD3LatentImage สร้างการแทนค่าละติว่างเป็นจุดเริ่มต้นสำหรับกระบวนการสร้าง BasicScheduler กำหนดระดับสัญญาณรบกวน (sigma) สำหรับกระบวนการสร้าง ComfyUI FLUX

โหนด RandomNoise สร้างสัญญาณรบกวนแบบสุ่มสำหรับกระบวนการสร้าง ComfyUI FLUX โหนด BasicGuider แนะนำกระบวนการสร้างตามการปรับสภาพ ComfyUI FLUX

โหนด KSamplerSelect เลือกวิธีการสุ่มตัวอย่างสำหรับการสร้าง ComfyUI FLUX โหนด SamplerCustomAdvanced ดำเนินกระบวนการสุ่มตัวอย่างขั้นสูง รับสัญญาณรบกวนแบบสุ่ม, guider, sampler ที่เลือก, sigma ที่กำหนด และการแทนค่าละติว่างเป็นอินพุต มันส่งผลลัพธ์การแทนค่าละติที่สร้าง

โหนด VAEDecode ถอดรหัสการแทนค่าละติที่สร้างเป็นผลลัพธ์สุดท้ายโดยใช้ FLUX VAE ที่โหลด โหนด SaveImage บันทึกผลลัพธ์ที่สร้างไว้ในตำแหน่งที่ระบุ

สำหรับการขยายขนาด ใช้โหนด UltimateSDUpscale มันรับผลลัพธ์ที่สร้าง, FLUX ที่โหลด, การปรับสภาพเชิงบวกและเชิงลบสำหรับการขยายขนาด, FLUX VAE ที่โหลด และการขยายขนาด FLUX ที่โหลดเป็นอินพุต โหนด CLIPTextEncode (Upscale Positive Prompt) เข้ารหัสคำอธ ิบายข้อความเชิงบวกสำหรับการขยายขนาด โหนด UpscaleModelLoader โหลดการขยายขนาด FLUX โหนด UltimateSDUpscale ดำเนินกระบวนการขยายขนาดและส่งผลลัพธ์การขยายขนาด สุดท้าย โหนด SaveImage (Upscaled) บันทึกผลลัพธ์ที่ขยายขนาดไว้ในตำแหน่งที่ระบุ

โดยการใช้พลังของ ComfyUI FLUX และสถาปัตยกรรม NF4 เวิร์กโฟลว์ ComfyUI FLUX NF4 ช่วยให้การสร้างผลลัพธ์คุณภาพสูงที่มีความสมจริงและความละเอียดสูง การรวม ComfyUI FLUX กับสถาปัตยกรรม NF4 อย่างราบรื่นให้เครื่องมือที่ทรงพลังสำหรับการสร้างผลลัพธ์ที่น่าทึ่งและดึงดูดใจ

5.7. เวิร์กโฟลว์ ComfyUI: FLUX IPAdapter

5.7.1. ComfyUI FLUX IPAdapter: Download

5.7.2. ComfyUI FLUX IPAdapter Online Version: ComfyUI FLUX IPAdapter

ที่แพลตฟอร์ม RunComfy เวอร์ชันออนไลน์ของเราจะโหลดโหมดและโหนดที่จำเป็นทั้งหมดให้คุณ นอกจากนี้เรายังมีเครื่อง GPU ประสิทธิภาพสูง เพื่อให้คุณสามารถเพลิดเพลินกับประสบการณ์ ComfyUI FLUX IPAdapter ได้อย่างง่ายดาย

5.7.3. อธิบาย ComfyUI FLUX IPAdapter:

เวิร์กโฟลว์ ComfyUI FLUX IPAdapter เริ่มต้นด้วยการโหลดโมเดลที่จำเป็น ได้แก่ โมเดล UNET (UNETLoader), โมเดล CLIP (DualCLIPLoader) และโมเดล VAE (VAELoader)

คำอธิบายข้อความเชิงบวกและเชิงลบถูกเข้ารหัสโดยใช้ CLIPTextEncodeFlux การเข้ารหัสข้อความเชิงบวกถูกใช้เพื่อแนะนำกระบวนการสร้าง ComfyUI FLUX

ภาพป้อนถูกโหลดโดยใช้ LoadImage โหนด LoadFluxIPAdapter โหลด IP-Adapter สำหรับโมเดล FLUX ซึ่งถูกนำไปใช้กับโมเดล UNET ที่โหลดโดยใช้ ApplyFluxIPAdapter ImageScale ขยายภาพป้อนให้มีขนาดที่ต้องการก่อนที่จะนำ IP-Adapter มาใช้

• LoadFluxIPAdapter: โหลด IP-Adapter สำหรับโมเดล FLUX
  • IP Adapter Model: flux-ip-adapter.safetensors
  • CLIP Vision Encoder: clip_vision_l.safetensors

โหนด EmptyLatentImage สร้างการแทนค่าละติว่างเป็นจุดเริ่มต้นสำหรับการสร้าง ComfyUI FLUX

โหนด XlabsSampler ดำเนินกระบวนการสุ่มตัวอย่าง รับ FLUX UNET ที่มีการใช้ IP-Adapter, การเข้ารหัสข้อความเชิงบวกและเชิงลบ และการแทนค่าละติว่างเป็นอินพุต มันสร้างการแทนค่าละติ

โหนด VAEDecode ถอดรหัสการแทนค่าละติที่สร้างเป็นผลลัพธ์สุดท้ายโดยใช้ FLUX VAE ที่โหลด โหนด PreviewImage แสดงภาพตัวอย่างของผลลัพธ์สุดท้าย

เวิร์กโฟลว์ ComfyUI FLUX IPAdapter ใช้พลังของ ComfyUI FLUX และ IP-Adapter ในการสร้างผลลัพธ์คุณภาพสูงที่ตรงกับคำอธิบายข้อความ โดยการใช้ IP-Adapter กับ FLUX UNET เวิร์กโฟลว์ช่วยให้การสร้างผลลัพธ์ที่จับคุณสมบัติและสไตล์ที่ต้องการตามการเข้ารหัสข้อความ

5.8. เวิร์กโฟลว์ ComfyUI: Flux LoRA Trainer

5.8.1. ComfyUI FLUX LoRA Trainer: Download

5.8.2. อธิบาย ComfyUI Flux LoRA Trainer:

เวิร์กโฟลว์การฝึกอบรม LoRA ของ ComfyUI FLUX ประกอบด้วยหลายขั้นตอนสำหรับการฝึกอบรม LoRA โดยใช้สถาปัตยกรรม FLUX ใน ComfyUI

การเลือกและการกำหนดค่า ComfyUI FLUX: โหนด FluxTrainModelSelect ถูกใช้ในการเลือกส่วนประกอบสำหรับการฝึกอบรม รวมถึง UNET, VAE, CLIP และตัวเข้ารหัสข้อความ CLIP โหนด OptimizerConfig กำหนดการตั้งค่าตัวเพิ่มประสิทธิภาพสำหรับการฝึกอบรม ComfyUI FLUX เช่น ประเภทตัวเพิ่มประสิทธิภาพ, อัตราการเรียนรู้ และการลดน้ำหนัก โหนด TrainDatasetGeneralConfig และ TrainDatasetAdd ถูกใช้ในการกำหนดค่าชุดข้อมูลการฝึกอบรม รวมถึงความละเอียด, การตั้งค่าการเพิ่มข้อมูล และขนาดแบทช์

การเริ่มต้นการฝึกอบรม ComfyUI FLUX: โหนด InitFluxLoRATraining เริ่มกระบวนการฝึกอบรม LoRA โดยใช้ส่วนประกอบที่เลือก, การกำหนดค่าชุดข้อมูล และการตั้งค่าตัวเพิ่มประสิทธิภาพ โหนด FluxTrainValidationSettings กำหนดการตั้งค่าวัลิเดชันสำหรับการฝึกอบรม เช่น จำนวนตัวอย่างวัลิเดชัน, ความละเอียด และขนาดแบทช์

ลูปการฝึกอบรม ComfyUI FLUX: โหนด FluxTrainLoop ดำเนินการลูปการฝึกอบรมสำหรับ LoRA โดยวนซ้ำสำหรับจำนวนขั้นตอนที่ระบุ หลังจากแต่ละลูปการฝึกอบรม โหนด FluxTrainValidate วัลิเดต LoRA ที่ฝึกอบรมโดยใช้การตั้งค่าวัลิเดชันและสร้างผลลัพธ์วัลิเดชัน โหนด PreviewImage แสดงภาพตัวอย่างของผลลัพธ์วัลิเดชัน โหนด FluxTrainSave บันทึก LoRA ที่ฝึกอบรมในช่วงเวลาที่ระบุ

การแสดงภาพการสูญเสีย ComfyUI FLUX: โหนด VisualizeLoss แสดงภาพการสูญเสียการฝึกอบรมตลอดกระบวนการฝึกอบรม โหนด SaveImage บันทึกกราฟการสูญเสียเพื่อการวิเคราะห์เพิ่มเติม

การประมวลผลผลลัพธ์วัลิเดชัน ComfyUI FLUX: โหนด AddLabel และ SomethingToString ถูกใช้ในการเพิ่มป้ายกำกับไปยังผลลัพธ์วัลิเดชัน ระบุขั้นตอนการฝึกอบรม โหนด ImageBatchMulti และ ImageConcatFromBatch รวมและเชื่อมผลลัพธ์วัลิเดชันเข้าด้วยกันเป็นผลลัพธ์เดียวเพื่อให้ง่ายต่อการแสดงภาพ

การสิ้นสุดการฝึกอบรม ComfyUI FLUX: โหนด FluxTrainEnd สิ้นสุดกระบวนการฝึกอบรม LoRA และบันทึก LoRA ที่ฝึกอบรม โหนด UploadToHuggingFace สามารถใช้ในการอัปโหลด LoRA ที่ฝึกอบรมไปยัง Hugging Face เพื่อการแชร์และการใช้งานเพิ่มเติมกับ ComfyUI FLUX

5.9. เวิร์กโฟลว์ ComfyUI: Flux Latent Upscaler

5.9.1. ComfyUI Flux Latent Upscaler: Download

5.9.2. อธิบาย ComfyUI Flux Latent Upscaler:

เวิร์กโฟลว์การขยายขนาดละติของ ComfyUI Flux เริ่มต้นด้วยการโหลดส่วนประกอบที่จำเป็น ได้แก่ CLIP (DualCLIPLoader), UNET (UNETLoader) และ VAE (VAELoader) คำอธิบายข้อความถูกเข้ารหัสโดยใช้โหนด CLIPTextEncode และการแนะนำถูกนำไปใช้โดยใช้โหนด FluxGuidance

โหนด SDXLEmptyLatentSizePicker+ ระบุขนาดของการแทนค่าละติว่าง ซึ่งทำหน้าที่เป็นจุดเริ่มต้นสำหรับกระบวนการขยายขนาดใน FLUX การแทนค่าละติถูกประมวลผลผ่านขั้นตอนการขยายขนาดและการครอบตัดโดยใช้โหนด LatentUpscale และ LatentCrop

กระบวนการขยายขนาดถูกแนะนำโดยการเข้ารหัสข้อความที่เข้ารหัสและใช้โหนด SamplerCustomAdvanced กับวิธีการสุ่มตัวอย่างที่เลือก (KSamplerSelect) และระดับสัญญาณรบกวนที่กำหนด (BasicScheduler) โหนด ModelSamplingFlux กำหนดพารามิเตอร์การสุ่มตัวอย่าง

การแทนค่าละติที่ขยายขนาดถูกผสมกับการแทนค่าละติเดิมโดยใช้โหนด LatentCompositeMasked และมาสก์ที่สร้างโดยโหนด SolidMask และ FeatherMask สัญญาณรบกวนถูกฉีดเข้าไปในการแทนค่าละติที่ขยายขนาดโดยใช้โหนด InjectLatentNoise+

สุดท้าย การแทนค่าละติที่ขยายขนาดถูกถอดรหัสเป็นผลลัพธ์สุดท้ายโดยใช้โหนด VAEDecode และการลับคมอย่างชาญฉลาดถูกนำไปใช้โดยใช้โหนด ImageSmartSharpen+ โหนด PreviewImage แสดงภาพตัวอย่างของผลลัพธ์สุดท้ายที่สร้างโดย ComfyUI FLUX

เวิร์กโฟลว์การขยายขนาดละติของ ComfyUI FLUX ยังรวมถึงการดำเนินการทางคณิตศาสตร์ต่างๆ โดยใช้โหนด SimpleMath+, SimpleMathFloat+, SimpleMathInt+ และ SimpleMathPercent+ เพื่อคำนวณขนาด, อัตราส่วน และพารามิเตอร์อื่นๆ สำหรับกระบวนการขยายขนาด