首页 > 其他分享 >Comfyui加载大模型的注释文件,选择模型后参数设置不再迷茫

Comfyui加载大模型的注释文件,选择模型后参数设置不再迷茫

时间:2024-07-08 22:29:19浏览次数:22  
标签:文件 Comfyui 模型 txt 节点 参数设置 加载

上一篇Comfyui基础图生图工作流只需8个节点中末尾提到了两个问题,这一篇先解决第一个问题,就是我们下载了很多大模型,选择大模型时,记不住这个大模型的推荐参数怎么办?

解决方法就是使用一个自定义的大模型加载节点替换原本的基础大模型加载节点

观察下面这个基于上一篇基础图生图优化后的工作流

会发现大模型加载节点有变化,其他都没变化,下面仔细看下这个优化后的节点 

 多出了一个example的输入值,这个值输入了一个txt文件,下面的模型说明信息就是txt文件的内容,这就很清晰的记录了这个大模型的使用参数,不需要再去大模型下载界面翻找大模型作者的描述了。

下面介绍一下这个自定义节点的安装和使用方法

一、节点的安装

1.进入https://github.com/pythongosssss/ComfyUI-Custom-Scripts,下载插件代码包

 2.将插件代码包放在Comfyui工程目录ComfyUI\custom_nodes中,如下图

上图的ComfyUI-Custom-Scripts就是我们本次下载的插件代码包 

3.重启Comfyui,然后寻找这个pysss版的大模型加载节点

 这样新的节点就可以用了,但是此时我们选择一个大模型后发现example的值总是为none,没有大模型描述的txt文件呀,接着往下操作

4.在大模型目录创建同名文件夹

我这里的 万享XL_超写实摄影_V8.2.safetensors 就是一个大模型文件,在同级目录创建一个同名的 万享XL_超写实摄影_V8.2文件夹然后在文件夹内创建txt文件就好了

4.回到Comfyui运行界面,点击刷新,再去点击example就能选择txt文件了

本篇文章解决了 通过加载大模型的注释文件,选择大模型时不在迷茫的问题,下一篇继续解决上篇提到的第二个问题,即图生图中怎么让结果图不受参考图的背景影响,能否先去掉参考图的背景再出图呢,下篇见

标签:文件,Comfyui,模型,txt,节点,参数设置,加载
From: https://blog.csdn.net/zkf60579/article/details/140279762

相关文章

  • 机器学习模型运用在机器人上
    机器学习模型在机器人技术中的应用非常广泛,涵盖了从简单的运动控制到复杂的认知和交互功能。以下是几种机器学习模型在机器人上的典型应用:感知与识别:计算机视觉:使用卷积神经网络(CNNs)识别和理解视觉场景,如物体识别、面部识别或手势识别。语音识别:利用循环神经网络(RNNs)或长......
  • matlab中神经网络预测模型的调用
    本章以一道多自变量的例题来表述如何用调用matlab的包进行神经网络预测目录一、问题提出二、训练集,验证集和测试集三、使用神经网络进行训练1.导入数据2.选择训练方法四、结果解读1.性能图2.回归图3.训练方法比较4.保存结果五、进行预测一、问题提出如图所示,现在有401个x变量共......
  • 使用vllm部署大语言模型
    vLLM是一个快速且易于使用的库,用于LLM(大型语言模型)推理和服务。通过PagedAttention技术,vLLM可以有效地管理注意力键和值内存,降低内存占用和提高计算效率。vLLM能够将多个传入的请求进行连续批处理,从而提高整体处理速度。环境Lniux操作系统,2张3090,cuda版本是12.2安装vllm......
  • 大模型如何提升训练效率
    一、问题背景随着AIGC领域的兴起,各大厂商都在训练和推出自研的大模型结构,并结合业务进行落地和推广。在大模型分布式训练场景中,主流的主要是基于英伟达GPU进行训练(如A100),如何有效地压榨GPU的计算能力,提升训练效率,降低训练成本,是一个非常重要的实践优化问题。1.1直接目标最直接......
  • 快手开源中英双语文本生成图像模型Kolors;漫画翻译工具Comic Translate;支持谷歌搜索、
    ✨1:KolorsKolors是基于潜在扩散的大规模中英双语文本生成图像模型。Kolors是由快手的Kolors团队开发的一种基于潜在扩散的文本到图像生成模型。它经过了数十亿对文本和图像数据的训练,在视觉质量、复杂语义准确性以及中文和英文文本渲染方面都表现出显著的优势。Kolo......
  • 生成扩散模型漫谈(四):DDIM = 高观点DDPM
    相信很多读者都听说过甚至读过克莱因的《高观点下的初等数学》这套书,顾名思义,这是在学到了更深入、更完备的数学知识后,从更高的视角重新审视过往学过的初等数学,以得到更全面的认知,甚至达到温故而知新的效果。类似的书籍还有很多,比如《重温微积分》、《复分析:可视化方法》等。回到......
  • 生成扩散模型漫谈(一):DDPM = 拆楼 + 建楼
    说到生成模型,VAE、GAN可谓是“如雷贯耳”,本站也有过多次分享。此外,还有一些比较小众的选择,如flow模型、VQ-VAE等,也颇有人气,尤其是VQ-VAE及其变体VQ-GAN,近期已经逐渐发展到“图像的Tokenizer”的地位,用来直接调用NLP的各种预训练方法。除了这些之外,还有一个本来更小众的选择——扩......
  • 生成扩散模型漫谈(二):DDPM = 自回归式VAE
    在文章《生成扩散模型漫谈(一):DDPM=拆楼+建楼》中,我们为生成扩散模型DDPM构建了“拆楼-建楼”的通俗类比,并且借助该类比完整地推导了生成扩散模型DDPM的理论形式。在该文章中,我们还指出DDPM本质上已经不是传统的扩散模型了,它更多的是一个变分自编码器VAE,实际上DDPM的原论文中也......
  • 生成扩散模型漫谈(三):DDPM = 贝叶斯 + 去噪
    到目前为止,笔者给出了生成扩散模型DDPM的两种推导,分别是《生成扩散模型漫谈(一):DDPM=拆楼+建楼》中的通俗类比方案和《生成扩散模型漫谈(二):DDPM=自回归式VAE》中的变分自编码器方案。两种方案可谓各有特点,前者更为直白易懂,但无法做更多的理论延伸和定量理解,后者理论分析上更加......
  • ComfyUI进阶篇:ComfyUI核心节点(四)
    ComfyUI核心节点(四)前言:学习ComfyUI是一场持久战。当你掌握了ComfyUI的安装和运行之后,会发现大量五花八门的节点。面对各种各样的工作流和复杂的节点种类,可能会让人感到不知所措。在这篇文章中,我们将用通俗易懂的语言对ComfyUI的核心节点进行系统梳理,并详细解释每个参数。希望大......