FLUX adalah model pembuatan gambar baru yang dikembangkan oleh , Model FLUX-ControlNet-Depth dan FLUX-ControlNet-Canny dibuat oleh tim XLabs AI. Alur kerja ComfyUI FLUX ControlNet ini juga dibuat oleh tim XLabs AI. Untuk detail lebih lanjut, silakan kunjungi . Semua kredit diberikan kepada kontribusi mereka.
Model FLUX telah dimuat sebelumnya di RunComfy, dengan nama flux/flux-schnell
dan flux/flux-dev
.
flux-schnell, fp8
dan clip t5_xxl_fp8
untuk menghindari masalah kehabisan memori.flux-dev, default
dan clip tinggi t5_xxl_fp16
.Untuk detail lebih lanjut, kunjungi:
🌟Alur Kerja FLUX-ControlNet berikut ini dirancang khusus untuk model .🌟
Kami mempersembahkan dua Alur Kerja FLUX-ControlNet yang luar biasa: FLUX-ControlNet-Depth dan FLUX-ControlNet-Canny, masing-masing menawarkan kemampuan unik untuk meningkatkan proses kreatif Anda.
Model FLUX-ControlNet Depth pertama kali dimuat menggunakan node "LoadFluxControlNet". Pilih model "flux-depth-controlnet.safetensors" untuk kontrol kedalaman optimal.
Hubungkan output dari node ini ke node "ApplyFluxControlNet". Juga, hubungkan gambar peta kedalaman Anda ke input gambar dari node ini. Peta kedalaman harus berupa gambar grayscale di mana objek yang lebih dekat lebih terang dan objek yang lebih jauh lebih gelap, memungkinkan FLUX-ControlNet untuk menafsirkan informasi kedalaman dengan akurat.
Anda dapat membuat peta kedalaman dari gambar input menggunakan model estimasi kedalaman. Di sini, node "MiDaS-DepthMapPreprocessor" digunakan untuk mengonversi gambar yang dimuat menjadi peta kedalaman yang sesuai untuk FLUX-ControlNet. Parameter kunci:
Di node "ApplyFluxControlNet", parameter Strength menentukan seberapa besar gambar yang dihasilkan dipengaruhi oleh pengkondisian kedalaman FLUX-ControlNet. Kekuatan yang lebih tinggi akan membuat output lebih sesuai dengan struktur kedalaman.
Prosesnya sangat mirip dengan alur kerja FLUX-ControlNet-Depth. Pertama, model FLUX-ControlNet Canny dimuat menggunakan "LoadFluxControlNet". Kemudian, dihubungkan ke node "ApplyFluxControlNet".
Gambar input diubah menjadi peta tepi Canny menggunakan node "CannyEdgePreprocessor", mengoptimalkannya untuk FLUX-ControlNet. Parameter kunci:
Peta tepi Canny yang dihasilkan dihubungkan ke node "ApplyFluxControlNet". Sekali lagi, gunakan parameter Strength untuk mengontrol seberapa besar peta tepi mempengaruhi generasi FLUX-ControlNet.
Dalam kedua alur kerja FLUX-ControlNet, prompt teks yang dikodekan CLIP dihubungkan untuk menggerakkan konten gambar, sementara pengkondisian FLUX-ControlNet mengontrol struktur dan geometri berdasarkan peta kedalaman atau tepi.
Dengan menggabungkan berbagai FLUX-ControlNets, modalitas input seperti kedalaman dan tepi, dan menyetel kekuatannya, Anda dapat mencapai kontrol yang sangat detail atas konten semantik dan struktur gambar yang dihasilkan oleh FLUX-ControlNet.
Lisensi: controlnet.safetensors berada di bawah Lisensi Non-Komersial
Lihat file lisensi:
Model FLUX.1 [dev] dilisensikan oleh Black Forest Labs. Inc. di bawah Lisensi Non-Komersial FLUX.1 [dev]. Hak Cipta Black Forest Labs. Inc.
DALAM HAL APAPUN BLACK FOREST LABS, INC. TIDAK BERTANGGUNG JAWAB ATAS KLAIM, KERUSAKAN, ATAU TANGGUNG JAWAB LAINNYA, BAIK DALAM TINDAKAN KONTRAK, TORT, ATAU LAINNYA, YANG TIMBUL DARI, KELUAR DARI, ATAU SEHUBUNGAN DENGAN PENGGUNAAN MODEL INI.
© Hak Cipta 2024 RunComfy. Seluruh Hak Cipta Dilindungi.