ComfyUI ControlNet'e Derinlemesine Bakış: Depth, OpenPose, Canny, Lineart, Softedge, Scribble, Seg ile...

Merhaba! Bu kılavuzda, ComfyUI'deki ControlNet'in heyecan verici dünyasına dalacağız. Birlikte masaya ne getirdiğini ve projelerinizi nasıl renklendirebileceğini keşfedelim!

Şunları ele alacağız:

1. ControlNet Nedir?

2. ControlNet'in Teknik Yönleri

3. ComfyUI ControlNet Nasıl Kullanılır: Temel Adımlar

• 3.1. ComfyUI'de "Apply ControlNet" Düğümünü Yükleme
• 3.2. "Apply ControlNet" Düğümünün Girdileri
• 3.3. "Apply ControlNet" Düğümünün Çıktıları
• 3.4. "Apply ControlNet" için ince ayar parametreleri

4. ComfyUI ControlNet Nasıl Kullanılır: Gelişmiş Özellikler - Zaman Adımı Anahtar Çerçeveleri

5. Çeşitli ControlNet/T2IAdaptor Modelleri: Detaylı İnceleme

• 5.1. ControlNet Openpose
• 5.2. ControlNet Tile
• 5.3. ControlNet Canny
• 5.4. ControlNet Depth
• 5.5. ControlNet Lineart
• 5.6. ControlNet Scribbles
• 5.7. ControlNet Segmentation
• 5.8. ControlNet Shuffle
• 5.9. ControlNet Inpainting
• 5.10. ControlNet MLSD
• 5.11. ControlNet Normalmaps
• 5.12. ControlNet Soft Edge
• 5.13. ControlNet IP2P (Instruct Pix2Pix)
• 5.14. T2I Adapter
• 5.15. Diğer Popüler ControlNet: QRCode Monster ve IP-Adapter

6. Birden Fazla ControlNet Nasıl Kullanılır

7. Şimdi ComfyUI ControlNet'i Deneyimleyin!

🌟🌟🌟 ComfyUI Online - ControlNet İş Akışını Şimdi Deneyimleyin 🌟🌟🌟

ControlNet iş akışını keşfetmekle ilgileniyorsanız, aşağıdaki ComfyUI web sitesini kullanın. Tüm gerekli müşteri düğümleri ve modelleriyle tam donanımlı olarak gelir, manuel kurulumlara gerek kalmadan kesintisiz yaratıcılık sağlar. ControlNet'in özelliklerini hemen deneyerek pratik yapmaya başlayın veya ControlNet'i etkili bir şekilde nasıl kullanacağınızı öğrenmek için bu öğreticiye devam edin.

Daha gelişmiş ve premium ComfyUI iş akışları için, 🌟ComfyUI Workflow List🌟 sayfamızı ziyaret edin

1. ControlNet Nedir?

ControlNet, metinden görüntüye difüzyon modellerinin yeteneklerini önemli ölçüde artıran, görüntü oluşturma sürecine benzeri görülmemiş mekansal kontrol getiren dönüştürücü bir teknolojidir. Bir sinir ağı mimarisi olarak ControlNet, Stable Diffusion gibi büyük ölçekli, önceden eğitilmiş modellerle sorunsuz bir şekilde bütünleşir. Bu modellerin geniş kapsamlı eğitimini kullanarak—milyarlarca görüntü üzerinde eğitilmiş görüntü oluşturma sürecine mekansal koşullar ekler. Bu koşullar, kenarlardan ve insan pozlarından derinlik ve segmentasyon haritalarına kadar değişebilir, kullanıcıların yalnızca metin ipuçlarıyla mümkün olmayan şekillerde görüntü oluşturmayı yönlendirmelerine olanak tanır.

2. ControlNet'in Teknik Yönleri

ControlNet'in dehası, kendine özgü yönteminde yatar. Başlangıçta, orijinal modelin parametrelerini güvence altına alır, böylece temel eğitim değişmeden kalır. Daha sonra, ControlNet, modelin kodlama katmanlarının bir klonunu eğitime sunar ve "sıfır konvolüsyonlar" kullanır. Bu özel olarak tasarlanmış konvolüsyonel katmanlar sıfır ağırlıklarla başlar ve yeni mekansal koşulları dikkatlice bütünleştirir. Bu yaklaşım, modelin orijinal yetkinliğini korurken yeni öğrenme yollarını başlatarak müdahaleci gürültülerin engellenmesini sağlar.

3. ComfyUI ControlNet Nasıl Kullanılır: Temel Adımlar

Geleneksel olarak, stabil difüzyon modelleri, görüntülerin oluşturulmasını yönlendirmek için koşullandırma mekanizması olarak metin ipuçlarını kullanır ve çıktı metin ipucunun ayrıntılarına uyum sağlar. ControlNet, bu sürece ek bir koşullandırma biçimi ekler, oluşturulan görüntüleri hem metinsel hem de görsel girdilere daha kesin bir şekilde yönlendirme yeteneğini artırır.

3.1. ComfyUI'de "Apply ControlNet" Düğümünü Yükleme

Bu adım, ControlNet'i ComfyUI iş akışınıza entegre ederek, görüntü oluşturma sürecinize ek koşullandırma uygulamanızı sağlar. Bu, metin ipuçlarının yanı sıra görsel rehberlik uygulamanın temelini oluşturur.

3.2. "Apply ControlNet" Düğümünün Girdileri

Pozitif ve Negatif Koşullandırma: Bu girdiler, oluşturulan görüntüde istenen sonuçları ve kaçınılması gereken yönleri tanımlamak için çok önemlidir. "Pozitif ipucu" ve "Negatif ipucu" ile bağlantılı olmalı, sürecin metinsel koşullandırma kısmıyla uyumlu olmalıdır.

ControlNet Modeli: Bu girdi, "Load ControlNet Model" düğümünün çıkışına bağlanmalıdır. Bu adım, iş akışınıza bir ControlNet veya T2IAdaptor modelinin seçilmesi ve dahil edilmesi için gereklidir, böylece difüzyon modeli, seçtiğiniz modelin sağladığı belirli rehberlikten yararlanır. Her model, bir ControlNet veya T2IAdaptor olsun, belirli veri türleri veya stilistik tercihlere göre görüntü oluşturma sürecini etkilemek için titizlikle eğitilmiştir. Birçok T2IAdaptor modelinin işlevsellikleri ControlNet modelleriyle yakından örtüştüğünden, sonraki tartışmamızda ağırlıklı olarak ControlNet modellerine odaklanacağız. Bununla birlikte, tamlık adına, bazı daha popüler T2IAdaptors'u da vurgulayacağız.

Ön İşlemci: "Görüntü" girişi "ControlNet Preprocessor" düğümüne bağlı olmalıdır, bu da kullandığınız ControlNet modelinin belirli gereksinimlerini karşılamak için görüntünüzü uyarlamak için çok önemlidir. Seçtiğiniz ControlNet modeline uygun doğru ön işlemciyi kullanmak zorunludur. Bu adım, orijinal görüntünün format, boyut, renk ayarlamaları veya belirli filtrelerin uygulanması gibi gerekli değişikliklerden geçmesini sağlar, böylece ControlNet'in yönergelerine uygun hale getirilir. Bu ön işleme aşamasından sonra, orijinal görüntü değiştirilmiş sürümle yer değiştirir ve ControlNet bunu kullanır. Bu süreç, giriş görüntülerinizin ControlNet süreci için tam olarak hazır olmasını sağlar.

3.3. "Apply ControlNet" Düğümünün Çıktıları

"Apply ControlNet" düğümü iki önemli çıktı üretir: Pozitif ve Negatif Koşullandırma. Bu çıktılar, ControlNet ve görsel rehberliğin incelikli etkileriyle doludur ve ComfyUI'deki difüzyon modelinin davranışını yönlendirmede kritik bir rol oynar. Bundan sonra, örnekleme aşaması için KSampler'a geçme veya daha ayrıntılı ve özelleştirilmiş bir yaratım için ek ControlNet'ler katmanlama yoluna gitme seçeneğiniz vardır. Ek ControlNet'lerin entegrasyonunun bu ileri tekniği, görüntünün özelliklerini daha ayrıntılı bir şekilde manipüle etmenize olanak tanır ve yaratıcıların görsel çıktılarında eşsiz hassasiyet ve kontrol sağlama amacıyla geliştirilmiş bir araç kitini sunar.

3.4. "Apply ControlNet" için ince ayar parametreleri

güç: Bu parametre, ComfyUI'de oluşturulan görüntüde ControlNet'in etkisinin yoğunluğunu belirler. 1.0 değeri, ControlNet'in rehberliğinin difüzyon modelinin çıktısı üzerinde maksimum etkiye sahip olacağı anlamına gelir. Tersine, 0.0 değeri, ControlNet'in görüntü oluşturma süreci üzerindeki etkisini etkisiz hale getirir.

başlangıç_yüzdesi: Bu parametre, ControlNet'in oluşturma sürecini etkilemeye başladığı noktayı, difüzyon sürecinin yüzdesi olarak belirtir. Örneğin, %20'lik bir başlangıç yüzdesi ayarlamak, ControlNet'in rehberliğinin difüzyon sürecinin %20'sinden itibaren görüntü oluşturma sürecini etkilemeye başlayacağı anlamına gelir.

bitiş_yüzdesi: "Başlangıç Yüzdesi"ne benzer şekilde, "Bitiş Yüzdesi" parametresi, ControlNet'in etkisinin sona erdiği noktayı tanımlar. Örneğin, %80'lik bir bitiş yüzdesi, ControlNet'in rehberliğinin difüzyon sürecinin %80'lik tamamlanma noktasında görüntü oluşturma sürecini etkilemeyi bırakacağı anlamına gelir, son aşamaları etkisiz bırakır.

4. ComfyUI ControlNet Nasıl Kullanılır: Gelişmiş Özellikler - Zaman Adımı Anahtar Çerçeveleri

ControlNet'teki Zaman Adımı Anahtar Çerçeveleri, özellikle zamanlama ve ilerleme önemli olduğunda, AI tarafından oluşturulan içeriğin davranışını sofistike bir şekilde kontrol etme olanağı sunar. İşte bu parametreleri etkili ve sezgisel bir şekilde kullanmanıza yardımcı olacak ayrıntılı bir döküm:

prev_timestep_kf: prev_timestep_kf, bir dizide önceki anahtar çerçeve ile el ele tutuşmak gibidir. Anahtar çerçeveleri bağlayarak, her aşamanın mantıklı bir şekilde bir sonraki aşamaya aktığı, AI'nın oluşturma sürecini adım adım yönlendiren bir geçiş veya hikaye tahtası oluşturursunuz.

cn_weights: cn_weights, ControlNet içinde belirli özellikleri ayarlayarak oluşturma sürecinin farklı aşamalarında çıktıyı ince ayar yapmak için kullanışlıdır.

latent_keyframe: latent_keyframe, AI modelinin her bir bölümünün belirli bir oluşturma aşamasında nihai sonucu ne kadar güçlü bir şekilde etkilediğini ayarlamanıza olanak tanır. Örneğin, sürecin ilerlemesiyle birlikte ön planın daha ayrıntılı hale gelmesi gereken bir görüntü oluşturuyorsanız, modelin ön plan detaylarından sorumlu olan yönler (latentler) için gücü artırabilirsiniz. Tersine, belirli özelliklerin zamanla arka plana kaybolması gerekiyorsa, sonraki anahtar çerçevelerde bunların gücünü azaltabilirsiniz. Bu düzeydeki kontrol, özellikle dinamik, evrimsel görseller oluştururken veya zamanlama ve ilerlemenin kritik olduğu projelerde yararlıdır.

mask_optional: Dikkat maskelerini spot ışıkları olarak kullanarak, ControlNet'in etkisini görüntünüzün belirli alanlarına odaklayın. İster bir sahnedeki karakteri vurgulamak ister arka plan öğesini öne çıkarmak olsun, bu maskeler ControlNet'in dikkatini tam olarak istediğiniz yere yönlendirerek ya eşit olarak uygulayabilir ya da yoğunlukta değişebilir.

başlangıç_yüzdesi: başlangıç_yüzdesi, anahtar çerçevenizin oyuna girdiği noktayı, toplam oluşturma sürecinin yüzdesi olarak işaret eder. Bunu ayarlamak, bir aktörün sahnede tam olarak doğru anda görünmesini sağlayan bir zamanlama gibidir.

güç: güç, ControlNet'in genel etkisi üzerinde yüksek düzeyde kontrol sağlar.

null_latent_kf_strength: Bu sahnede (anahtar çerçeve) açıkça yönlendirmediğiniz herhangi bir aktör (latent) için, null_latent_kf_strength bir varsayılan talimat olarak görev yapar, onların arka planda nasıl performans göstermesi gerektiğini söyler. Bu, açıkça ele almadığınız alanlarda bile tutarlı bir çıktı sağlanmasını sağlar.

inherit_missing: inherit_missing'i etkinleştirmek, mevcut anahtar çerçevenizin eksik olan herhangi bir ayarı selefinden devralmasına olanak tanır, tıpkı küçük bir kardeşin kıyafetleri devralması gibi. Bu, sürekliliği ve tutarlılığı sağlarken talimatları tekrar etme gerekliliğini ortadan kaldıran kullanışlı bir kısayoldur.

guarantee_usage: guarantee_usage, ne olursa olsun, mevcut anahtar çerçevenin süreçte parlamasını sağlar, hatta sadece kısa bir an için bile olsa. Bu, her kurduğunuz anahtar çerçevenin bir etkisi olmasını sağlar, AI'nın yaratıcı sürecini yönlendirirken ayrıntılı planlamanızı onurlandırır.

Zaman Adımı Anahtar Çerçeveleri, AI'nın yaratıcı sürecini titizlikle yönlendirmek için gereken hassasiyeti sunar, size tam olarak hayal ettiğiniz gibi anlatıyı veya görsel yolculuğu oluşturma olanağı sağlar. Özellikle animasyonda, açılış sahnesinden kapanışa kadar görsellerin evrimini yönetmek için güçlü bir araç olarak hizmet ederler. İşte Zaman Adımı Anahtar Çerçevelerinin bir animasyonun ilerlemesini yönetmek için stratejik olarak nasıl uygulanabileceğine dair daha yakından bir bakış, başlangıç karesinden son kareye kadar kesintisiz geçişi sağlayarak sanatsal hedeflerinizle mükemmel bir uyum sağlar.

5. Çeşitli ControlNet/T2IAdaptor Modelleri: Detaylı İnceleme

Birçok T2IAdaptor modelinin işlevsellikleri ControlNet modelleriyle yakından örtüştüğünden, sonraki tartışmamızda ağırlıklı olarak ControlNet modellerine odaklanacağız. Bununla birlikte, tamlık adına, bazı daha popüler T2IAdaptors'u da vurgulayacağız.

5.1. ComfyUI ControlNet Openpose

• Openpose (=Openpose body): Gözler, burun, boyun, omuzlar, dirsekler, bilekler, dizler ve ayak bilekleri gibi temel vücut ana noktalarını tanımlayan ControlNet içindeki temel modeldir. Temel insan pozu çoğaltmada idealdir.
• Openpose_face: Yüz ana noktalarını tespit ederek OpenPose modelini genişletir, yüz ifadeleri ve yönelimi hakkında daha ayrıntılı bir analiz sunar. Bu ControlNet modeli, yüz ifadelerine odaklanan projeler için gereklidir.
• Openpose_hand: Eller ve parmakların ayrıntılarını yakalama yeteneğiyle OpenPose modelini artırır, ayrıntılı el hareketleri ve pozisyonlarına odaklanır. Bu ekleme, ControlNet içindeki OpenPose'nin çok yönlülüğünü artırır.
• Openpose_faceonly: Yalnızca yüz ayrınt

5.2. ComfyUI ControlNet Tile

Tile Resample modeli, görüntülerdeki ayrıntıları artırmak için kullanılır. Özellikle bir yükseltici ile birlikte kullanıldığında, görüntü çözünürlüğünü artırırken daha ince ayrıntılar eklemek için kullanılır, genellikle bir görüntüdeki dokuları ve öğeleri keskinleştirmek ve zenginleştirmek için kullanılır.

Preprocessor: Tile

5.3. ComfyUI ControlNet Canny

Canny modeli, görüntülerde geniş bir kenar yelpazesini tespit etmek için çok aşamalı bir süreç olan Canny kenar algılama algoritmasını uygular. Bu model, bir görüntünün yapısal yönlerini korurken görsel bileşimini basitleştirmek için faydalıdır ve stilize edilmiş sanat veya daha fazla görüntü manipülasyonundan önce ön işleme için kullanışlıdır.

Preprocessors: Canny

5.4. ComfyUI ControlNet Depth

Depth modelleri, 2D bir görüntüden derinlik bilgisini çıkarır ve algılanan mesafeyi gri tonlamalı bir derinlik haritasına çevirir. Her bir varyant, ayrıntı yakalama ve arka plan vurgusu arasında farklı bir denge sunar:

• Depth Midas: Ayrıntı ve arka plan işleme arasında denge sağlayan klasik bir derinlik tahmini sağlar.
• Depth Leres: Daha fazla arka plan öğesini dahil etme eğilimiyle ayrıntıları artırmaya odaklanır.
• Depth Leres++: Karmaşık sahneler için ideal olan derinlik bilgisi için gelişmiş bir ayrıntı seviyesi sunar.
• Zoe: Detay seviyesi açısından Midas ve Leres modelleri arasında bir denge sağlar.
• Depth Anything: Geniş bir yelpazede sahneler için tasarlanmış, yeni ve geliştirilmiş bir derinlik tahmin modeli.
• Depth Hand Refiner: Derinlik haritalarındaki el detaylarını iyileştirmek için özel olarak tasarlanmıştır, el pozisyonlarının kritik olduğu sahneler için kullanışlıdır.

Preprocessors: Depth_Midas, Depth_Leres, Depth_Zoe, Depth_Anything, MeshGraphormer_Hand_Refiner. Bu model oldukça dayanıklıdır ve render motorlarından gelen gerçek derinlik haritaları üzerinde çalışabilir.

5.5. ComfyUI ControlNet Lineart

Lineart modelleri, görüntüleri stilize edilmiş çizimlere dönüştürür, sanatsal düzenlemeler veya daha fazla yaratıcı çalışma için kullanışlıdır:

• Lineart: Bu standart model, görüntüleri stilize edilmiş çizimlere dönüştürerek çeşitli sanatsal veya yaratıcı projeler için çok yönlü bir temel sunar.
• Lineart anime: Temiz ve kesin çizgilerle karakterize edilen anime tarzı çizimler oluşturur, anime estetiği hedefleyen projeler için uygundur.
• Lineart realistic: Konunun özünü daha ayrıntılı yakalayan, daha gerçekçi bir dokunuşla çizimler üretir, gerçekçi bir temsil gerektiren projeler için mükemmeldir.
• Lineart coarse: Daha belirgin, daha kalın çizgilerle daha belirgin bir çizim sunar, özellikle cesur sanatsal ifadeler için uygundur.

Preprocessor, görüntülerden ayrıntılı veya kaba çizimler üretebilir (Lineart ve Lineart_Coarse)

5.6. ComfyUI ControlNet Scribbles

Scribble modelleri, görüntüleri el çizimi eskiz görünümüne dönüştürmek için tasarlanmıştır. Sanatsal yeniden stillendirme veya daha büyük bir tasarım iş akışında ön adım olarak özellikle kullanışlıdır:

• Scribble: Görüntüleri el çizimi karalama veya eskizleri simüle eden ayrıntılı sanat eserlerine dönüştürmek için tasarlanmıştır.
• Scribble HED: El çizimi eskizlere benzeyen kenarlar oluşturmak için Holistic-Nested Edge Detection (HED) kullanır. Görüntüleri yeniden renklendirme ve yeniden stillendirme için önerilir, sanat eserine benzersiz sanatsal bir dokunuş ekler.
• Scribble Pidinet: Daha temiz çizgiler ve azaltılmış ayrıntılar üretmek için piksel farklarını tespit etmeye odaklanır, daha net ve daha soyut temsil arayanlar için idealdir. Scribble Pidinet, net eğriler ve düz kenarlar arayanlar için mükemmeldir, temel ayrıntıları korurken cilalı bir görünüm sunar.
• Scribble xdog: Kenar algılama için Extended Difference of Gaussian (xDoG) yöntemini kullanır. Bu, sanat eserinizdeki ayrıntı seviyesini kontrol etmek için ayarlanabilir eşik ayarları sağlar. xDoG, kullanıcıların sanatsal yaratımlarında mükemmel dengeyi yakalamalarını sağlayarak çok yönlülük sunar.

Preprocessors: Scribble, Scribble_HED, Scribble_PIDI, ve Scribble_XDOG

5.7. ComfyUI ControlNet Segmentation

Segmentation modelleri, görüntü piksellerini, her biri belirli bir renkle temsil edilen farklı nesne sınıflarına ayırır. Bu, bir görüntüdeki bireysel öğeleri tanımlamak ve manipüle etmek için değerlidir, örneğin ön planı arka plandan ayırmak veya ayrıntılı düzenleme için nesneleri ayırt etmek.

• Seg: Bir görüntüdeki nesneleri renkle ayırmak için tasarlanmıştır ve bu ayrımları çıktıdaki belirli öğelere dönüştürür. Örneğin, bir oda düzeninde mobilyaları ayırabilir, görüntü kompozisyonu ve düzenleme üzerinde hassas kontrol gerektiren projeler için özellikle değerlidir.
• ufade20k: ADE20K veri setinde eğitilmiş UniFormer segmentasyon modelini kullanarak geniş bir nesne türünü yüksek doğrulukla ayırt edebilir.
• ofade20k: ADE20K üzerinde eğitilmiş OneFormer segmentasyon modelini kullanarak, nesne ayrımına yönelik benzersiz segmentasyon yetenekleri ile alternatif bir yaklaşım sunar.
• ofcoco: COCO veri setinde eğitilmiş OneFormer segmentasyon modelini kullanarak, COCO veri setinin parametreleri içinde kategorize edilmiş nesneler içeren görüntüler için uyarlanmıştır, hassas nesne tanımlama ve manipülasyon sağlar.

Kabul edilebilir Ön İşlemciler: Sam, Seg_OFADE20K (Oneformer ADE20K), Seg_UFADE20K (Uniformer ADE20K), Seg_OFCOCO (Oneformer COCO) veya manuel olarak oluşturulmuş maskeler.

5.8. ComfyUI ControlNet Shuffle

Shuffle modeli, kompozisyonu değiştirmeden giriş görüntüsünün renk şemaları veya dokuları gibi özniteliklerini rastgeleleştirerek yeni bir yaklaşım sunar. Bu model, yaratıcı keşifler ve yapısal bütünlük korunurken görsel estetiği değiştirilmiş görüntü varyasyonları üretmek için özellikle etkilidir. Rastgele doğası, her çıktının benzersiz olmasını sağlar ve kullanılan tohum değerinden etkilenir.

Preprocessors: Shuffle

5.9. ComfyUI ControlNet Inpainting

ControlNet içerisindeki Inpainting modelleri, belirli bir görüntü alanında rafine düzenlemelere olanak tanır, genel tutarlılığı korurken önemli varyasyonlar veya düzeltmeler getirir.

ControlNet Inpainting'i kullanmak için, öncelikle maskeleme yoluyla yeniden oluşturmak istediğiniz alanı izole edin. Bu, istenen görüntüye sağ tıklayıp "Open in MaskEditor" seçeneğini seçerek yapılabilir.

ControlNet içindeki diğer uygulamalardan farklı olarak, Inpainting, görüntüye uygulanan doğrudan değişiklikler nedeniyle bir ön işlemci gerektirmez. Ancak, düzenlenmiş görüntüyü KSampler aracılığıyla latent alana iletmek çok önemlidir. Bu, difüzyon modelinin yalnızca maskeleme bölgesini yeniden oluşturmasına odaklanmasını sağlar ve maskelenmemiş alanların bütünlüğünü korur.

5.10. ComfyUI ControlNet MLSD

M-LSD (Mobile Line Segment Detection), güçlü mimari öğeler, iç mekanlar ve geometrik formlara sahip görüntüler için ideal olan doğru çizgileri tespit etmeye odaklanır. Sahneyi yapısal özüne indirger, yapay ortamları içeren yaratıcı projeler için kolaylık sağlar.

Preprocessors: MLSD.

5.11. ComfyUI ControlNet Normalmaps

Normalmaps, yüzeylerin yönelimini modelleyerek karmaşık aydınlatma ve doku efektlerinin simülasyonunu sağlar, yalnızca renk verilerine dayanmadan. Bu, 3D modelleme ve simülasyon görevleri için kritiktir.

• Normal Bae: Normal haritaları normal belirsizlik yaklaşımını kullanarak üreten bu yöntem, sahnenin fiziksel geometrisine dayanan aydınlatma efektlerinin simülasyonunu geliştiren yenilikçi bir teknik sunar.
• Normal Midas: Midas modelinin ürettiği derinlik haritalarını kullanarak normal haritaları doğru bir şekilde tahmin eder. Bu yaklaşım, sahnenin derinlik bilgisine dayanan yüzey dokuları ve aydınlatma simülasyonunu zenginleştirir, böylece 3D modellerin görsel karmaşıklığını artırır.

Preprocessors: Normal BAE, Normal Midas

5.12. ComfyUI ControlNet Soft Edge

ControlNet Soft Edge, ayrıntı kontrolü ve doğal görünüm odaklı, yumuşak kenarlı görüntüler oluşturmak için tasarlanmıştır. Hassas görüntü manipülasyonu için gelişmiş sinir ağı tekniklerini kullanır, daha büyük yaratıcı özgürlük ve kesintisiz harmanlama yetenekleri sunar.

Dayanıklılık: SoftEdge_PIDI_safe > SoftEdge_HED_safe >> SoftEdge_PIDI > SoftEdge_HED

Maksimum sonuç kalitesi: SoftEdge_HED > SoftEdge_PIDI > SoftEdge_HED_safe > SoftEdge_PIDI_safe

Değiş tokuşu dikkate alarak, varsayılan olarak SoftEdge_PIDI kullanmanızı öneririz. Çoğu durumda çok iyi çalışır.

Preprocessors: SoftEdge_PIDI, SoftEdge_PIDI_safe, SoftEdge_HED, SoftEdge_HED_safe.

5.13. ComfyUI ControlNet IP2P (Instruct Pix2Pix)

ControlNet IP2P (Instruct Pix2Pix) modeli, Instruct Pix2Pix veri setinden yararlanmak üzere uyarlanmış, ControlNet çerçevesi içinde benzersiz bir varyant olarak öne çıkar. Bu ControlNet varyantı, eğitim aşamasında talimat ipuçları ve açıklama ipuçları arasında bir denge kurarak, resmi Instruct Pix2Pix'teki geleneksel yaklaşımdan farklıdır. ControlNet IP2P, bu ipucu türlerinin 50/50 karışımını içeren bir eğitimle, istenen sonuçları üretme konusunda çok yönlülüğünü ve etkinliğini artırır.

5.14. ComfyUI T2I Adapter

t2iadapter color: t2iadapter_color modeli, metinden görüntüye difüzyon modelleri kullanılırken oluşturulan görüntülerde renk temsili ve doğruluğunu artırmak için özel olarak tasarlanmıştır. Renk adaptasyonuna odaklanarak, metin ipuçlarında sağlanan açıklamalarla yakından uyumlu, daha doğru ve canlı bir renk paleti sağlar. Renk doğruluğunun ve özgüllüğünün kritik olduğu projeler için özellikle kullanışlıdır, oluşturulan görüntülere gerçekçilik ve ayrıntı katmanın yeni bir katmanını ekler.

t2iadapter style: t2iadapter_style modeli, görüntü oluşturmanın sanatsal stil yönlerini hedef alarak, çıktı görüntülerinin sanatsal stilini veya estetiğini değiştirme ve kontrol etme olanağı sağlar. Bu adaptör, metin ipuçlarında açıklanan belirli sanatsal stillere veya estetiklere uygun görüntüler oluşturmak için metinden görüntü modelini yönlendirmenizi sağlar. Görüntünün stilinin önemli bir rol oynadığı yaratıcı projeler için paha biçilmez bir araçtır, geleneksel sanat stillerini modern AI yetenekleriyle harmanlamanın kesintisiz bir yolunu sunar.

5.15. Diğer Popüler ComfyUI ControlNet: QRCode Monster ve IP-Adapter

Bu segmentler için, paylaşmak istediğimiz önemli miktarda bilgi nedeniyle, her birine ayrıntılı bir giriş sağlamak için ayrı makaleler ayıracağız.

6. Birden Fazla ComfyUI ControlNet Nasıl Kullanılır

ComfyUI'de birden fazla ComfyUI ControlNet kullanmak, görüntü oluşturmayı şekil, stil ve renk gibi çeşitli yönler üzerinde daha hassas kontrollerle iyileştirmek için ControlNet modellerini katmanlama veya zincirleme sürecini içerir.

Bu şekilde, iş akışınızı bir ControlNet (örneğin, OpenPose) uygulayarak ve ardından çıktısını başka bir ControlNet'e (örneğin, Canny) besleyerek oluşturabilirsiniz. Bu katmanlı uygulama, görüntünün ayrıntılı özelleştirilmesine olanak tanır, her ControlNet kendi belirli dönüşümlerini veya kontrollerini uygular. Süreç, nihai çıktı üzerinde daha rafine bir kontrol sağlar, farklı ControlNet'ler tarafından yönlendirilen birden fazla yönü entegre eder.

🌟🌟🌟 ComfyUI Online - ControlNet İş Akışını Şimdi Deneyimleyin 🌟🌟🌟

ControlNet iş akışını keşfetmekle ilgileniyorsanız, aşağıdaki ComfyUI web sitesini kullanın. Tüm gerekli müşteri düğümleri ve modelleriyle tam donanımlı olarak gelir, manuel kurulumlara gerek kalmadan kesintisiz yaratıcılık sağlar. ControlNet'in özelliklerini şimdi deneyimleyin ve ControlNet'in özelliklerine aşina olun!

Daha gelişmiş ve premium ComfyUI iş akışları için, 🌟ComfyUI Workflow List🌟 sayfamızı ziyaret edin