LegközelebbKövetkező útmutató
Trade-Based Money Laundering Detection
Alkalmazások
Alkalmazási ÚTMUTATÓ
A ComfyUI egy ingyenes, nyílt forráskódú alkalmazás kép-, videó- és hanggeneráló modellek futtatásához saját számítógépén.
Hallgassa meg ezt az útmutatótAI-narrált · ~3 min
A folyamat minden egyes lépése, mint például a modell betöltése, a prompt kódolása, a mintavételezés és a dekódolás, egy csomópont, amelyet egy vizuális grafikonon csatlakoztat. Ez azért fontos, mert pontosan megmutatja, hogyan működik a diffúzió, reprodukálhatóvá és megoszthatóvá teszi az összetett munkafolyamatokat, és lehetővé teszi az emberek számára, hogy felhőszolgáltatás nélkül futtassák a nyílt modelleket saját hardverükön.
A ComfyUI 2023 elején jelent meg, egy comfyanonymous néven ismert fejlesztő által. A nyílt generatív modellek egyik legszélesebb körben használt interfészévé vált, amely támogatja a Stable Diffusion változatokat, a Fluxot és számos videó- és audiomodellt. A csúszkákkal ellátott űrlap helyett magát a folyamatot látja. Egy minimális szöveg-kép grafikon a látens diffúziós modell minden részét mutatja. A Load Checkpoint három dolgot ad ki: a zajtalanító modellt, a CLIP szövegkódolót és a VAE-t. Két CLIP Text Encode csomópont kondicionálássá alakítja a pozitív és negatív promptokat. Az Empty Latent Image létrehozza a kiindulási zajvásznat a kiválasztott méretben. A KSampler lefuttatja a zajcsillapító hurkot a mag, lépésszámláló, irányítási (CFG) skála, mintavevő és ütemező segítségével. A VAE Decode a végső látenst képpontokká alakítja, a Kép mentése pedig írja a fájlt. Ha ezeket a lépéseket külön-külön látjuk, akkor más gondolatok is egyértelművé válnak. A képről képre például csak egy kódolt képből indul ki, és csak részben csillapítja azt. A grafikonokat a rendszer JSON-ként menti, és beágyazza az általuk létrehozott képekbe, így az eredmények reprodukálhatók. A ComfyUI az eredményeket is gyorsítótárazza, és csak azokat a csomópontokat futtatja újra, amelyek bemenetei megváltoztak, így a prompt szerkesztése nem tölti be újra a modellt. A hardver a fő korlát. A NVIDIA GPU-k rendelkeznek a legjobb támogatással. Körülbelül 8 GB VRAM az általánosan emlegetett, kényelmes minimum az SDXL-osztályú munkákhoz, a nagyobb kép- vagy videómodellek pedig 12-24 GB-ot vagy még többet fogyasztanak, bár a kvantált modellek és a memória kiürítése segít. Az AMD, az Intel és a Apple Silicon extra beállítással és alacsonyabb sebességgel tud működni, a csak CPU használata pedig nagyon lassú. Az egyéni csomópontok óriási mértékben kiterjesztik a ComfyUI-t, de mindegyik Python kód, amely a felhasználói fiók engedélyeivel fut. Beszámoltak olyan esetekről, amikor rosszindulatú csomóponti csomagok loptak el adatokat. Csak jól ismert, aktívan karbantartott csomópontokat telepítsen, előnyben részesítse a .safetensors modellfájlokat a pác-alapú .ckpt fájlokkal szemben, és fontolja meg a ComfyUI külön környezetben vagy tárolóban való futtatását.
A tervező áthúzza a kollégája által készített PNG-t a ComfyUI fájlba, és az azt létrehozó teljes munkafolyamat automatikusan betöltődik a fájl beágyazott metaadataiból.
Az illusztrátor összeállít egy grafikont, amely létrehoz egy alapképet SDXL-lel, felskálázza, és lefuttat egy második alacsony zajszintű lépést a részletek hozzáadásához. A teljes lánc újrafelhasználható munkafolyamatként kerül mentésre.
A fotós egy ControlNet-csomópontot ad hozzá, amely követi a referenciafotó pózát, rögzítve a kompozíciót, miközben megváltoztatja a stílust.
A fejlesztő API módban futtatja a ComfyUI-t egy szerveren, és munkafolyamat JSON-fájlt küld egy webalkalmazásból, hogy igény szerint termékmaketteket állítson elő.
A ComfyUI a hobbieszközről a nyílt generatív modellek általános futtatókörülményei felé mozdult el, egy asztali alkalmazással, valamint a videó és a 3D növekvő támogatásával. Az egyéni csomópontok körüli biztonság valószínűleg továbbra is aggodalomra ad okot, és a bővítmények több aláírása, felülvizsgálata vagy homokozóba helyezése segítene. A csomóponti grafikonok megfélemlíthetik a kezdőket, ezért valószínűleg folytatódni fog az egyszerűsített kezelőfelületek és sablonok, amelyek elrejtik a grafikont, amíg nincs rá szükség. A hardverkövetelmények továbbra is követni fogják a modellméreteket, míg a kvantálási és memóriatechnikák folyamatosan bővítik a fogyasztói GPU-kon futó mennyiséget.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
A ComfyUI egy ingyenes, nyílt forráskódú alkalmazás kép-, videó- és hanggeneráló modellek futtatásához saját számítógépén. A folyamat minden egyes lépése, mint például a modell betöltése, a prompt kódolása, a mintavételezés és a dekódolás, egy csomópont, amelyet egy vizuális grafikonon csatlakoztat. Ez azért fontos, mert pontosan megmutatja, hogyan működik a diffúzió, reprodukálhatóvá és megoszthatóvá teszi az összetett munkafolyamatokat, és lehetővé teszi az emberek számára, hogy felhőszolgáltatás nélkül futtassák a nyílt modelleket saját hardverükön.
A KSampler az iteratív zajcsökkentést a mag, lépések, CFG skála, mintavevő és ütemező segítségével futtatja.
Egy ellenőrzőpont köti össze a zajcsökkentő modellt, a szövegkódolót, amely a promptokat kondicionálássá alakítja, és a VAE-t, amely a látensek és a pixelek között konvertál.
A ComfyUI elmenti a munkafolyamat JSON-ját az általa előállított képeken belül, így a kép betöltése újraépíti a grafikont.
A végrehajtó ellenőrzi az egyes csomópontok bemeneteire kulcsolt gyorsítótárat. A Load Checkpoint bemenetei nem változtak, ezért kimarad.
Egy egyéni csomópont bármire képes, amire a fiókja képes, ezért számoltak be olyan esetekről, amikor rosszindulatú csomagok adatokat loptak el.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Trade-Based Money Laundering Detection
Alkalmazások