Flux Tweak Clip Detailers

使用 CLIP 注意力与细节增强的 Flux 工作流

这是我目前用于 Flux 的工作流程，旨在通过 CLIPAttentionMultiply 调整来提升 提示遵循度 和 文本质量。通过调整这些参数，你可以增强图像的一致性，使其更准确地匹配你的提示。虽然这通常能提升图像质量，但实验是关键——有时会产生意想不到的结果。尽情尝试，享受乐趣！

幕后发生了什么？

• QKV 解释（查询 - 键 - 值）：

  • Q（查询）： 决定句子中各标记之间的相互影响强度。

  • K（键）： 为输入文本中的标记（单词或子词）分配权重。

  • V（值）： 控制对输入标记应用注意力的强度。

额外增强功能

• 我已加入针对身体各部位的细节增强器，以精细化和强化生成图像的特定区域，确保输出更加精致、细节丰富。

欢迎自由探索、调整和实验设置，找到最适合你的方案！

自定义节点

• Anything Everywhere? / https://github.com/chrisgoringe/cg-use-everywhere

• Bookmark (rgthree) / https://github.com/rgthree/rgthree-comfy

• FaceDetailer / https://github.com/ltdrdata/ComfyUI-Impact-Pack

• Fast Groups Bypasser (rgthree) / https://github.com/rgthree/rgthree-comfy

• Image Comparer (rgthree) / https://github.com/rgthree/rgthree-comfy

• InjectLatentNoise+ / https://github.com/cubiq/ComfyUI_essentials

• JWInteger / https://github.com/jamesWalker55/comfyui-various

• Power Lora Loader (rgthree) / https://github.com/rgthree/rgthree-comfy

• ProjectFilePathNode / https://github.com/MushroomFleet/DJZ-Nodes

• SAMLoader / https://github.com/ltdrdata/ComfyUI-Impact-Pack

• SaveImageWithMetaData / https://github.com/edelvarden/ComfyUI-ImageMetadataExtension

• Seed Everywhere / https://github.com/chrisgoringe/cg-use-everywhere

• UltimateSDUpscale / https://github.com/ssitu/ComfyUI_UltimateSDUpscale

• UltralyticsDetectorProvider / https://github.com/ltdrdata/ComfyUI-Impact-Subpack

• UnetLoaderGGUF / https://github.com/city96/ComfyUI-GGUF

bbox

• face, hand, person, fashion: https://huggingface.co/Bingsu/adetailer/tree/main

  • 文件夹：models/ultralytics/bbox/ 或 models/adetailer

• Eyes: /model/178518/eyeful-or-robust-eye-detection-for-adetailer-comfyui

  • 文件夹：models/ultralytics/bbox/ 或 models/adetailer

• Breasts: /model/138918/adetailer-after-detailer-female-breast-model

  • 文件夹：models/ultralytics/bbox/ 或 models/adetailer

• Private bits: https://huggingface.co/AunyMoons/loras-pack/tree/main

  • 文件夹：models/ultralytics/bbox/ 或 models/adetailer

理解 YOLO 模型及如何选择

文件命名规范

• 版本号： 文件名中的数字表示 YOLO 模型的版本（例如 YOLOv5、YOLOv8）。

• 文件类型： “.pt” 扩展名表示 PyTorch 文件，其中包含已训练好的可直接使用的模型。

• 模型变体： 版本号后常跟一个字母，通常是 “s” 或 “n”，代表模型变体。

模型变体说明

1. 小型（"s"）变体：

   • 在速度与准确性之间取得平衡。

   • 模型紧凑，性能良好，资源消耗低于大型版本。

   • 适用于中等计算资源的环境。

2. 纳米（"n"）变体：

   • 针对计算资源极其有限的环境设计。

   • 优先考虑速度与效率，比小型变体更快。

   • 为实现更快的性能而牺牲部分准确性。

如何选择合适的模型

• "s"（小型）： 适合需要在速度与准确性之间取得良好折中方案的场景。如果你拥有中等计算资源，并能接受稍大的模型体积，推荐使用此版本。

• "n"（纳米）： 最适合资源受限、速度与效率至关重要的环境。如果你优先追求更快的推理速度，并能接受较低的准确性，选择此版本。

小型与纳米变体均为原始 YOLO 模型的精简版本，专为不同计算资源条件优化。请根据你的具体应用场景和硬件限制选择合适的变体。

~~ Kiko!