How do I install and run ComfyUI on Windows, macOS, or Linux?

Follow the official repo and the community wiki for platform-specific steps, model folder locations, and dependencies. After installation, launch the local server and open ComfyUI in your browser to start wiring nodes.,.

What’s the simplest ComfyUI workflow for text-to-image?

Load a checkpoint, encode positive and negative prompts with CLIP, run a KSampler, decode with VAE, then save the image. This chain is the foundation for how to use ComfyUI effectively for most generations.,.

How do I use SDXL in ComfyUI?

Use an SDXL checkpoint with dual text encoders, then optionally add a refiner pass for better detail. Run at 1024×1024 with balanced CFG (around 5–7) and an efficient sampler like DPM++ 2M Karras..

Can I add ControlNet and LoRA in the same ComfyUI workflow?

Yes. Load your LoRA and ControlNet nodes, connect them to the model and KSampler conditionings, and tune weights (e.g., 0.6–0.8 for LoRA, ~0.5–1.2 for ControlNet). Watch VRAM usage and reduce resolution or steps if you hit OOM.

Why are my ComfyUI images low‑contrast or washed out?

Try a different VAE, lower CFG, or switch samplers. Some VAEs produce more faithful color and contrast; small adjustments can fix washed-out results quickly.

ComfyUI എങ്ങനെ ഉപയോഗിക്കാം: തുടക്കക്കാർക്കുള്ള ഒരു ലളിതമായ, ഘട്ടം ഘട്ടമായുള്ള മാർഗ്ഗനിർദ്ദേശം

ComfyUI ഒരു “നോഡ് അടിസ്ഥാനമാക്കിയുള്ളതും വളരെ ശക്തവുമാണ്” എന്ന് നിങ്ങൾ കേട്ടിട്ടുണ്ടെങ്കിൽ, എന്നാൽ അതിന്റെ എല്ലാ ബോക്സുകളും വയറുകളും കണ്ട് പേടി തോന്നിയെങ്കിൽ നിങ്ങൾ ഒറ്റക്കല്ല. സന്തോഷകരമായ വാർത്ത ഇതാ: കുറച്ച് പ്രധാന ആശയങ്ങൾ നിങ്ങൾ പഠിച്ചു കഴിഞ്ഞാൽ—ചെക്ക്പോയിന്റുകൾ, എൻകോഡറുകൾ, സാമ്പ്ലറുകൾ, ഡീകോഡറുകൾ—ഒരു പ്രൊഫഷണലിനെപ്പോലെ നിങ്ങൾക്ക് ഇമേജ് വർക്ക്ഫ്ലോകൾ നിർമ്മിക്കാൻ കഴിയും. ഈ ഗൈഡ് ComfyUI എങ്ങനെ ഇൻസ്റ്റാൾ ചെയ്യാമെന്നും, നിങ്ങളുടെ ആദ്യത്തെ SDXL ചിത്രങ്ങൾ എങ്ങനെ ഉണ്ടാക്കാമെന്നും, ControlNet, LoRA-കൾ, ക്വാളിറ്റി/പെർഫോമൻസ് ട്യൂണിംഗ് എന്നിവയ്ക്കുള്ള വർക്ക്ഫ്ലോകളും വിശദീകരിക്കുന്നു.

ഈ ലേഖനം പൂർത്തിയാകുമ്പോഴേക്കും, ഊഹാപോഹങ്ങളില്ലാതെ സ്ഥിരവും, ആവർത്തിക്കാവുന്നതും, ഫ്ലെക്സിബിളുമായി ചിത്രങ്ങൾ നിർമ്മിക്കാൻ ComfyUI എങ്ങനെ ഉപയോഗിക്കാമെന്ന് നിങ്ങൾക്ക് കൃത്യമായി മനസ്സിലാകും.

എന്താണ് ComfyUI, എന്തുകൊണ്ട് ഇത് ഉപയോഗിക്കണം?

Stable Diffusion-നുള്ള ഒരു വിഷ്വൽ, നോഡ് അടിസ്ഥാനമാക്കിയുള്ള ഇന്റർഫേസാണ് ComfyUI. ഇത് ഉപയോഗിച്ച് നിങ്ങളുടെ ഇമേജ് പൈപ്പ്ലൈൻ ഘട്ടം ഘട്ടമായി രൂപകൽപ്പന ചെയ്യാൻ കഴിയും. “Generate” ബട്ടണിന് പകരം, ഓരോ നോഡുകളും ഒരു പ്രത്യേക ടാസ്ക് കൈകാര്യം ചെയ്യുന്നു—ഒരു മോഡൽ ലോഡ് ചെയ്യുക, ടെക്സ്റ്റ് എൻകോഡ് ചെയ്യുക, ലേറ്റന്റുകൾ സാമ്പിൾ ചെയ്യുക, അല്ലെങ്കിൽ ഫൈനൽ ഇമേജ് ഡീകോഡ് ചെയ്യുക തുടങ്ങിയവ. ഇത് വേഗതയേറിയതും, മോഡുലാർ സ്വഭാവമുള്ളതും, സുതാര്യവുമാണ്—പഠനത്തിനും, പരീക്ഷണങ്ങൾക്കും, പ്രൊഡക്ഷൻ വർക്ക്ഫ്ലോകൾക്കും ഇത് അനുയോജ്യമാണ്.

പെട്ടെന്ന് തുടങ്ങാം: ComfyUI ഇൻസ്റ്റാൾ ചെയ്ത് പ്രവർത്തിപ്പിക്കുക

Windows/macOS/Linux: ഔദ്യോഗിക റിപ്പോസിറ്ററിയും കമ്മ്യൂണിറ്റി ഇൻസ്റ്റാളേഷൻ ഗൈഡുകളും പിന്തുടരുക. നിങ്ങളുടെ പ്ലാറ്റ്‌ഫോമിനും GPU-വിനും അനുസരിച്ച് മാനുവൽ ഇൻസ്റ്റാളേഷനോ (Python + ഡിപൻഡൻസികൾ) അല്ലെങ്കിൽ പാക്കേജ് ചെയ്ത രീതികളോ ഉപയോഗിക്കാം. ComfyUI വിക്കി Windows, macOS (Apple Silicon ഉൾപ്പെടെ), Linux എന്നിവയ്‌ക്കായുള്ള ഘട്ടം ഘട്ടമായുള്ള സജ്ജീകരണം നൽകുന്നു.

മോഡലുകൾ: നിങ്ങളുടെ Stable Diffusion ചെക്ക്പോയിന്റുകൾ (ഉദാഹരണത്തിന്, SDXL base/refiner അല്ലെങ്കിൽ SD 1.5) models/checkpoints ഫോൾഡറിൽ ഇടുക. VAE ഫയലുകൾ models/vae-ലും, LoRA-കൾ models/loras-ലും, ControlNet മോഡലുകൾ models/controlnet-ലും ഇടുക.

Launch: നിങ്ങളുടെ OS-നുള്ള സ്റ്റാർട്ട് സ്ക്രിപ്റ്റ് റൺ ചെയ്യുക; ComfyUI നിങ്ങളുടെ ബ്രൗസറിൽ തുറക്കപ്പെടും. ഇവിടെയാണ് നിങ്ങൾ നോഡുകൾ തമ്മിൽ ബന്ധിപ്പിക്കുന്നത്.

നുറുങ്ങ്: മികച്ച പ്രകടനത്തിനായി നിങ്ങളുടെ GPU ഡ്രൈവറുകളും CUDA ടൂൾകിറ്റും കാലികമായി നിലനിർത്തുക.

പ്രധാന ആശയം: ഏറ്റവും കുറഞ്ഞ ടെക്സ്റ്റ്-ടു-ഇമേജ് വർക്ക്ഫ്ലോ

ComfyUI-യുടെ അടിസ്ഥാന ടെക്സ്റ്റ്-ടു-ഇമേജ് ഫ്ലോ (SD 1.5 രീതി) ഇതാ:

മോഡൽ ലോഡ് ചെയ്യുക

Node: Checkpoint Loader

Output: UNet, CLIP, VAE ഘടകങ്ങൾ

പ്രോംപ്റ്റുകൾ എൻകോഡ് ചെയ്യുക

Node: CLIP Text Encode (Positive)

Node: CLIP Text Encode (Negative)

Output: ഗൈഡൻസിനുള്ള കണ്ടീഷനിംഗ് എംബെഡിംഗുകൾ

ലേറ്റന്റുകൾ ഉണ്ടാക്കുക

Node: KSampler

Inputs: UNet, പോസിറ്റീവ്/നെഗറ്റീവ് കണ്ടീഷനിംഗ്, സീഡ്, സ്റ്റെപ്സ്, സാമ്പ്ലർ (ഉദാഹരണത്തിന്, DPM++ 2M Karras), CFG സ്കെയിൽ

Output: ലേറ്റന്റ് ഇമേജ്

ഇമേജ് ഡീകോഡ് ചെയ്യുക

Node: VAE Decode

Output: ഇമേജ്

ഔട്ട്പുട്ട് സേവ് ചെയ്യുക

Node: Save Image

ഈ അടിസ്ഥാന ഗ്രാഫ്—Checkpoint → CLIP (pos/neg) → KSampler → VAE Decode → Save—ComfyUI-യിൽ നിങ്ങൾ ചെയ്യുന്ന മിക്ക കാര്യങ്ങളുടെയും അടിത്തറയാണ്.

SDXL വർക്ക്ഫ്ലോ: Base + (Optional) Refiner

SDXL ഡ്യുവൽ ടെക്സ്റ്റ് എൻകോഡറുകൾ ഉപയോഗിക്കുന്നു, കൂടാതെ ഒരു റിഫൈനർ പാസ്സ് ചെയ്യുന്നത് ഗുണം ചെയ്യും.

SDXL Base ലോഡ് ചെയ്യുക: SDXL-ന് അനുയോജ്യമായ ഒരു ചെക്ക്പോയിന്റ് ഉപയോഗിക്കുക. പല SDXL ടെംപ്ലേറ്റുകളിലും രണ്ട് CLIP എൻകോഡറുകൾ ഉണ്ടാകും (വലിയ/ചെറിയ കോൺടെക്സ്റ്റിനായി). പോസിറ്റീവും നെഗറ്റീവുമായ പ്രോംപ്റ്റുകൾ നൽകുക.

KSampler (Base): 1024×1024-ൽ (അഥവാ നിങ്ങളുടെ ലക്ഷ്യത്തിൽ) ലേറ്റന്റുകൾ ഉണ്ടാക്കുക. ലേറ്റന്റുകളോ ഡീകോഡ് ചെയ്ത ചിത്രങ്ങളോ സേവ് ചെയ്യുക.

Optional Refiner: SDXL Refiner ചെക്ക്പോയിന്റ് ലോഡ് ചെയ്ത് ബേസ് ഔട്ട്പുട്ടിന്റെ കണ്ടീഷനിൽ ഒരു KSampler പാസ്സ് കൂടി റൺ ചെയ്യുക, തുടർന്ന് VAE ഉപയോഗിച്ച് ഡീകോഡ് ചെയ്യുക.

ഈ രണ്ട്-ഘട്ട പ്രക്രിയ ഉയർന്ന റെസല്യൂഷനുകളിൽ വിശദാംശങ്ങളും കോഹെറൻസും ഗണ്യമായി മെച്ചപ്പെടുത്തും.

പരിശീലനം: നിങ്ങളുടെ ആദ്യത്തെ ComfyUI ഗ്രാഫ് നിർമ്മിക്കുക

ഒരു ടെംപ്ലേറ്റിൽ നിന്ന് ആരംഭിക്കുക: സൈഡ്‌ബാറിൽ, ഒരു ബിൽറ്റ്-ഇൻ ടെക്സ്റ്റ്-ടു-ഇമേജ് ഉദാഹരണം ലോഡ് ചെയ്യുക.

ചെക്ക്പോയിന്റ് മാറ്റുക: നിങ്ങളുടെ SDXL അല്ലെങ്കിൽ SD 1.5 മോഡൽ തിരഞ്ഞെടുക്കുക.

നിങ്ങളുടെ പ്രോംപ്റ്റ് എഴുതുക: പോസിറ്റീവ്, നെഗറ്റീവ് CLIP നോഡുകൾ ഉപയോഗിക്കുക. ഉദാഹരണം:

Positive: “cinematic portrait, soft studio lighting, 85mm lens, highly detailed, film grain”

Negative: “blurry, low-res, deformed, extra fingers, watermark”

KSampler settings:

Steps: വേഗതയ്ക്കും ഗുണമേന്മയ്ക്കും 20–35

Sampler: DPM++ 2M Karras (വിശ്വസനീയം) അല്ലെങ്കിൽ Euler a (വേഗതയേറിയത്)

CFG: 4.5–7.5 (ഉയർന്നത് പ്രോംപ്റ്റിനെ കൂടുതൽ ശക്തമായി മുന്നോട്ട് കൊണ്ടുപോകുന്നു, പക്ഷേ അമിതമായി സാച്ചുറേറ്റ് ചെയ്യാൻ സാധ്യതയുണ്ട്)

Seed: പുനർനിർമ്മാണത്തിന് ഇത് ഫിക്സ് ചെയ്യുക; പര്യവേക്ഷണത്തിനായി മാറ്റം വരുത്തുക

Resolution: SD 1.5-ന്, 512×512 അല്ലെങ്കിൽ 768×768-ൽ ആരംഭിക്കുക. SDXL-ന്, 1024×1024 നന്നായി പ്രവർത്തിക്കും.

Decode and Save: VAE Decode → Save Image ചേർക്കുക. ജനറേറ്റ് ചെയ്യാൻ Queue Prompt ക്ലിക്ക് ചെയ്യുക.

പ്രധാന നോഡുകൾ മനസ്സിലാക്കുക (ലളിതമായ ഭാഷയിൽ)

Checkpoint Loader: നിങ്ങളുടെ ഡിഫ്യൂഷൻ മോഡൽ (UNet), ടെക്സ്റ്റ് എൻകോഡർ(കൾ) (CLIP), VAE എന്നിവ ലോഡ് ചെയ്യുന്നു. ഇതിനെ നിങ്ങളുടെ “എഞ്ചിൻ + ഭാഷാ മസ്തിഷ്കം + ഇമേജ് ട്രാൻസ്ലേറ്റർ” ആയി കരുതുക.

CLIP Text Encode: നിങ്ങളുടെ പ്രോംപ്റ്റിനെ മോഡലിന് മനസ്സിലാക്കാവുന്ന സംഖ്യാപരമായ എംബെഡിംഗുകളാക്കി മാറ്റുന്നു. പോസിറ്റീവും നെഗറ്റീവുമായ ടെക്സ്റ്റ് എൻകോഡറുകൾ ഉപയോഗിക്കുക.

KSampler: ഇമേജ് സിന്തസിസിന്റെ ഹൃദയം. ഇത് നിങ്ങളുടെ പ്രോംപ്റ്റിന്റെയും സാമ്പ്ലർ രീതിയുടെയും അടിസ്ഥാനത്തിൽ ലേറ്റന്റ് നോയിസിനെ ഡീനോയിസ് ചെയ്യുന്നു.

VAE Decode: ഫൈനൽ ലേറ്റന്റുകളെ കാണാൻ കഴിയുന്ന ചിത്രമാക്കി മാറ്റുന്നു. VAE-കൾ മാറ്റുന്നത് നിറത്തിലും കോൺട്രാസ്റ്റിലുമുള്ള കൃത്യതയെ മാറ്റുന്നു.

Save Image: പിന്നീട് ഫലങ്ങൾ വീണ്ടും ഉണ്ടാക്കാൻ കഴിയുന്ന രൂപത്തിൽ ഔട്ട്പുട്ട് മെറ്റാഡാറ്റ ഉപയോഗിച്ച് ഡിസ്കിൽ എഴുതുന്നു.

ഈ നിർമ്മാണ ബ്ലോക്കുകളെക്കുറിച്ച് കൂടുതൽ ആഴത്തിൽ അറിയാൻ, തുടക്കക്കാർക്ക് അനുയോജ്യമായ വിശദീകരണങ്ങളും നോഡ് വിശദീകരണങ്ങളും കാണുക.

പവർ-അപ്പുകൾ: LoRA, ControlNet, ഇമേജ്-ടു-ഇമേജ്

ശൈലിയോ വിഷയമോ നിയന്ത്രിക്കുന്നതിന് LoRA ഉപയോഗിക്കുക

ഒരു LoRA Loader നോഡ് ചേർത്ത് നിങ്ങളുടെ മോഡൽ ബ്രാഞ്ചിലേക്ക് കണക്ട് ചെയ്യുക.

Strength: 0.6–0.8-ൽ ആരംഭിച്ച്, ശൈലിയുടെ തീവ്രത അല്ലെങ്കിൽ ഓവർഫിറ്റിംഗ് അനുസരിച്ച് ക്രമീകരിക്കുക.

Multiple LoRAs: ചെയിൻ ചെയ്യുക അല്ലെങ്കിൽ ലയിപ്പിക്കുക, പക്ഷേ വൈരുദ്ധ്യങ്ങൾ ശ്രദ്ധിക്കുക; സ്റ്റാക്ക് ചെയ്യുമ്പോൾ ശക്തി കുറയ്ക്കുക.

കൃത്യമായ കോമ്പോസിഷനായി ControlNet ചേർക്കുക

ControlNet നോഡുകൾ ഒരു ഇൻപുട്ട് മാപ്പ് (Canny, Depth, OpenPose, തുടങ്ങിയവ) ഉപയോഗിച്ച് കോമ്പോസിഷൻ നിയന്ത്രിക്കാൻ നിങ്ങളെ അനുവദിക്കുന്നു.

സാധാരണ ഫ്ലോ: ControlNet മോഡൽ ലോഡ് ചെയ്യുക → നിങ്ങളുടെ ഗൈഡ് ഇമേജ് പ്രീപ്രോസസ്സ് ചെയ്യുക (ഉദാഹരണത്തിന്, Canny edge) → നിങ്ങളുടെ ടെക്സ്റ്റ് കണ്ടീഷനിംഗിനൊപ്പം ControlNet കണ്ടീഷനിംഗ് KSampler-ലേക്ക് നൽകുക.

Weight: 0.5–1.2 ഒരു നല്ല തുടക്കമാണ്. കൂടിയാൽ നിങ്ങളുടെ പ്രോംപ്റ്റിനെ മറികടക്കാൻ സാധ്യതയുണ്ട്.

ഇമേജ്-ടു-ഇമേജ് അല്ലെങ്കിൽ ഇൻപെയിന്റിംഗ്

VAE Encode വഴി ആദ്യത്തെ നോയിസിനെ ഒരു ഇമേജ് ലേറ്റന്റ് ഉപയോഗിച്ച് മാറ്റിസ്ഥാപിക്കുക.

യഥാർത്ഥ ചിത്രം എത്രത്തോളം നിലനിർത്തണമെന്ന് നിയന്ത്രിക്കാൻ KSampler-ലെ ഡീനോയിസ് സ്ട്രെങ്ത് ക്രമീകരിക്കുക.

ഇൻപെയിന്റിംഗിനായി, ഒരു മാസ്ക് ഇൻപുട്ടും ഇൻപെയിന്റ്-അവെയർ സാമ്പ്ലർ പൈപ്പ്ലൈനും ഉപയോഗിക്കുക.

ക്വാളിറ്റി ട്യൂണിംഗ്: പ്രോംപ്റ്റുകൾ, CFG, സാമ്പ്ലറുകൾ, സീഡുകൾ

പ്രോംപ്റ്റ് എഞ്ചിനീയറിംഗ്: ഖണ്ഡികകളല്ല, സംക്ഷിപ്തമായ വിവരണങ്ങൾ ഉപയോഗിക്കുക. വ്യക്തതയെക്കാൾ വലുതല്ല ഓർഡർ, പക്ഷേ പ്രധാന ആട്രിബ്യൂട്ടുകൾ മുന്നിൽ നിർത്തുക.

CFG scale:

Low (3–5): കൂടുതൽ ക്രിയേറ്റീവ്, കുറഞ്ഞ പ്രോംപ്റ്റ് പാലിക്കൽ

Mid (6–8): ബാലൻസ്ഡ്

High (9–12): ശക്തമായ പാലിക്കൽ, ആർട്ടിഫാക്റ്റുകൾ ഉണ്ടാക്കാം

Sampler choice:

DPM++ 2M Karras: വൃത്തിയുള്ളതും വിശ്വസനീയവുമാണ്

Euler a: വേഗതയേറിയതും എക്സ്പ്രസ്സീവുമാണ്, പ്രിവ്യൂകൾക്ക് മികച്ചത്

UniPC / Heun / DDIM: പരീക്ഷിക്കാൻ അർഹമാണ്; മോഡലിനനുസരിച്ച് ഫലങ്ങൾ വ്യത്യാസപ്പെടും

Seeds:

Fixed seed = പുനർനിർമ്മിക്കാവുന്ന ഫലങ്ങൾ

Vary seed = വൈവിധ്യം കണ്ടെത്തുക

മികച്ച റെൻഡറുകൾക്കുള്ള പ്രകടന നുറുങ്ങുകൾ

VRAM ബഡ്ജറ്റിംഗ്: OOM (Out Of Memory) ഉണ്ടായാൽ റെസല്യൂഷൻ, സ്റ്റെപ്സ് അല്ലെങ്കിൽ ബാച്ച് സൈസ് കുറയ്ക്കുക. നോഡുകളെ ആശ്രയിച്ച് 1024×1024-ൽ SDXL-ന് 8–12 GB VRAM ആവശ്യമാണ്.

Half precision: വലിയ മെമ്മറി ലാഭത്തിനായി fp16 സപ്പോർട്ട് ചെയ്യുന്നിടത്ത് എനേബിൾ ചെയ്യുക.

Tiling and latent upscalers: ചെറുതായി ഉണ്ടാക്കുക, തുടർന്ന് VRAM ലാഭിക്കാൻ ലേറ്റന്റ് അപ്‌സ്‌കെയിലർ നോഡ് അല്ലെങ്കിൽ ഇമേജ് അപ്‌സ്‌കെയിലർ മോഡൽ വഴി അപ്‌സ്‌കെയിൽ ചെയ്യുക.

Caching: പ്രോംപ്റ്റുകൾ മാറാതിരിക്കുമ്പോൾ റണ്ണുകളിൽ CLIP എൻകോഡിംഗുകളും ഡീകോഡ് ചെയ്ത VAE-കളും വീണ്ടും ഉപയോഗിക്കുക.

അനാവശ്യമായ ബ്രാഞ്ചുകൾ ഒഴിവാക്കുക: ഒരേ ക്യൂവിൽ എക്സിക്യൂട്ട് ചെയ്യുമ്പോൾ ഡിസ്‌കണക്‌റ്റഡ് നോഡുകൾ മെമ്മറി ഉപയോഗിക്കും.

ഒരു പ്രൊഫഷണലിനെപ്പോലെ വർക്ക്ഫ്ലോകൾ ഓർഗനൈസ് ചെയ്യുക

ഗ്രൂപ്പ് നോഡുകൾ: വിഭാഗങ്ങൾ ഓർഗനൈസ് ചെയ്യാൻ ഫ്രെയിമുകൾ/ലേബലുകൾ ഉപയോഗിക്കുക (Prompt, Model, Sampler, Output, തുടങ്ങിയവ).

Parameter panels: എളുപ്പത്തിൽ ട്യൂൺ ചെയ്യുന്നതിനായി മുകളിൽ “കൺട്രോൾ” നോഡുകൾ ഉണ്ടാക്കുക (ഉദാഹരണത്തിന്, ഒഴിഞ്ഞ പ്രോംപ്റ്റ് ബോക്സുകൾ, സ്ലൈഡറുകൾ).

Save/share: നിങ്ങളുടെ വർക്ക്ഫ്ലോ JSON എക്സ്പോർട്ട് ചെയ്യുക, പുനർനിർമ്മാണത്തിനായി models used നോട്ട് സൂക്ഷിക്കുക.

Versioning: SD 1.5, SDXL, സ്പെഷ്യാലിറ്റി പൈപ്പ്ലൈനുകൾ (anime, photoreal, depth-to-image, തുടങ്ങിയവ) എന്നിവയ്‌ക്കായി പ്രത്യേക ഗ്രാഫുകൾ സൂക്ഷിക്കുക.

സാധാരണ പ്രശ്നങ്ങൾക്കുള്ള പരിഹാരങ്ങൾ

കറുത്തതോ ശൂന്യമായതോ ആയ ചിത്രങ്ങൾ:

തെറ്റായ VAE അല്ലെങ്കിൽ VAE Decode കാണാനില്ല

Denoise വളരെ കുറവാണ് (ഉദാഹരണത്തിന്, img2img-ൽ <0.2)

Washed-out നിറങ്ങൾ:

മറ്റൊരു VAE പരീക്ഷിക്കുക; ചില VAE-കൾ കോൺട്രാസ്റ്റ് മെച്ചപ്പെടുത്തുന്നു

CFG കുറയ്ക്കുക അല്ലെങ്കിൽ സാമ്പ്ലർ മാറ്റുക

റണ്ണുകളിൽ മാറ്റങ്ങളൊന്നും ഉണ്ടാകുന്നില്ല:

Seed ഫിക്സ് ചെയ്തിരിക്കുന്നു; റാൻഡമൈസ് എനേബിൾ ചെയ്യുക അല്ലെങ്കിൽ ഒരു പുതിയ സീഡ് ഇടുക

മെമ്മറി തീർന്നു (OOM):

റെസല്യൂഷൻ, സ്റ്റെപ്സ് അല്ലെങ്കിൽ ബാച്ച് സൈസ് കുറയ്ക്കുക; fp16-ലേക്ക് മാറുക

മറ്റ് GPU ആപ്പുകൾ അടയ്ക്കുക; ControlNet/LoRA സ്റ്റാക്കുകൾ ലളിതമാക്കുക

Model കണ്ടെത്തിയില്ല / ചുവന്ന നോഡ്:

ഫയൽ പാതകളും മോഡൽ ഫോൾഡറുകളും പരിശോധിക്കുക; ഫയൽ എക്സ്റ്റൻഷനുകൾ ഉറപ്പാക്കുക

മുൻകൂട്ടി നിർമ്മിച്ച വർക്ക്ഫ്ലോകൾ ഉപയോഗിച്ച് വേഗത്തിൽ പഠിക്കുക

വീഡിയോ വാക്ക്ത്രൂകളും തുടക്കക്കാർക്കുള്ള സീരീസുകളും, താൽക്കാലികമായി നിർത്തി വിശകലനം ചെയ്യാവുന്ന റെഡി-ടു-റൺ ഗ്രാഫുകൾ ഉപയോഗിച്ച് നിങ്ങളുടെ പഠനത്തെ ത്വരിതപ്പെടുത്തും. എഴുതിയ ട്യൂട്ടോറിയലുകളും വിക്കികളും നോഡ് വിശദീകരണങ്ങളും കാലികമായ ഇൻസ്റ്റാളേഷൻ സ്റ്റെപ്സുകളും നൽകുന്നു.

Advanced: നിങ്ങളുടെ ഗ്രാഫുകൾ മോഡുലാറൈസ് ചെയ്ത് എക്സ്റ്റൻഡ് ചെയ്യുക

API/External nodes: ചില ട്യൂട്ടോറിയലുകൾ ComfyUI-യെ പ്രത്യേക നോഡുകൾ വഴി ബാഹ്യ AI സേവനങ്ങളിലേക്ക് കണക്ട് ചെയ്യുന്നത് വിശദീകരിക്കുന്നു, ഇത് ഹൈബ്രിഡ് പൈപ്പ്ലൈനുകളും വലിയ ടാസ്‌ക്കുകൾ ഓഫ്‌ലോഡ് ചെയ്യാനും സഹായിക്കുന്നു.

Node libraries and extensions: ഷെഡ്യൂളറുകൾ, അപ്‌സ്‌കെയിലറുകൾ, പ്രീപ്രോസസ്സിംഗ് (പോസ്, ഡെപ്ത്, സെഗ്മെന്റേഷൻ) എന്നിവയ്‌ക്കായുള്ള കമ്മ്യൂണിറ്റി നോഡുകൾ കണ്ടെത്തുക. നിങ്ങളുടെ ComfyUI പതിപ്പുമായി അവയുടെ അനുയോജ്യത എപ്പോഴും പരിശോധിക്കുക.

SDXL refiners and chained samplers: സ്റ്റേജ് ചെയ്ത ഡീനോയിസിംഗ് (base → refiner) അല്ലെങ്കിൽ സ്റ്റൈലിസ്റ്റിക് ബ്ലെൻഡിംഗിനായി ഒന്നിലധികം സാമ്പ്ലറുകൾ റൺ ചെയ്യുക.

Sider.AI ഉപയോഗിച്ച് പ്രോംപ്റ്റിംഗ് വേഗത്തിലാക്കുന്നത് ശ്രദ്ധിക്കേണ്ടതാണ്

നിങ്ങൾ പതിവായി പ്രോംപ്റ്റുകൾ, റഫറൻസുകൾ അല്ലെങ്കിൽ വിവരണങ്ങൾ ആവർത്തിക്കുകയാണെങ്കിൽ, വ്യതിയാനങ്ങൾ മസ്തിഷ്കപ്രവർത്തനം നടത്താനും പരിഷ്കരിക്കാനും ഒരു സഹായിയെ നിങ്ങൾക്ക് ആവശ്യമായി വന്നേക്കാം. വഴിയിൽ, Sider.AI-ക്ക് ഘടനാപരമായ പ്രോംപ്റ്റുകൾ വേഗത്തിൽ തയ്യാറാക്കാനും, നെഗറ്റീവ് പ്രോംപ്റ്റ് ലിസ്റ്റുകൾ ഉണ്ടാക്കാനും, നിങ്ങളുടെ വർക്ക്ഫ്ലോ പരീക്ഷണങ്ങൾ സംഗ്രഹിക്കാനും സഹായിക്കാനാവും, അതുവഴി റണ്ണുകൾക്കിടയിൽ ട്രാക്ക് നഷ്ടപ്പെടാതിരിക്കും. നിങ്ങൾക്ക് ഇത് ഇവിടെ പരീക്ഷിക്കാവുന്നതാണ്:

ഒരു ലളിതമായ SDXL സ്റ്റാർട്ടർ വർക്ക്ഫ്ലോ (ഈ പാറ്റേൺ പകർത്തുക)

Checkpoint Loader (SDXL Base)

CLIP Text Encode (Positive) — “ultra-detailed product photo, softbox lighting, 50mm lens, reflective surface”

CLIP Text Encode (Negative) — “low-res, motion blur, watermark, background clutter”

KSampler: 1024×1024, 28 steps, DPM++ 2M Karras, CFG 5.5, fixed seed

VAE Decode → Save Image

Optional add-ons:

10–15 സ്റ്റെപ്പുകളിൽ SDXL Refiner ചെക്ക്പോയിന്റ് ഉപയോഗിച്ച് Refiner pass

ല layoutട്ടിനായുള്ള ലളിതമായ ഒബ്ജക്റ്റ് സിലൗറ്റ് ഉപയോഗിച്ച് ControlNet (Depth)

ഒരു പ്രത്യേക ബ്രാൻഡിനോ ആർട്ട് സ്റ്റൈലിനോ വേണ്ടി 0.6-ൽ LoRA

പ്രധാന കാര്യങ്ങൾ

ComfyUI-യുടെ ശക്തി അതിന്റെ സുതാര്യതയിലാണ്—ഓരോ നോഡുകളായി നിങ്ങളുടെ പൈപ്പ്ലൈൻ നിർമ്മിക്കുക.

അടിസ്ഥാന ടെക്സ്റ്റ്-ടു-ഇമേജ് ശൃംഖല ലളിതമാണ്: Checkpoint → CLIP (pos/neg) → KSampler → VAE Decode → Save.

SDXL-ന് ഡ്യുവൽ എൻകോഡറുകളും വിശദാംശങ്ങൾക്കായി ഒരു optional refiner pass-ഉം ഗുണം ചെയ്യും.

LoRA-കളും ControlNet-ഉം നിങ്ങൾക്ക് സ്റ്റൈൽ നിയന്ത്രണവും കോമ്പോസിഷൻ കൃത്യതയും നൽകുന്നു.

CFG, സാമ്പ്ലർ, സീഡ് എന്നിവ ക്വാളിറ്റിക്കും സ്ഥിരതയ്ക്കും വേണ്ടി ട്യൂൺ ചെയ്യുക; fp16 ഉം സെൻസിബിൾ റെസല്യൂഷനുകളും ഉപയോഗിച്ച് VRAM നിയന്ത്രിക്കുക.

വേദനയില്ലാത്ത ആവർത്തനത്തിനായി വർക്ക്ഫ്ലോകൾ ഓർഗനൈസ് ചെയ്യുകയും പതിപ്പ് തിരിക്കുകയും ചെയ്യുക.

അടുത്ത ഘട്ടങ്ങൾ

റിപ്പോസിറ്ററി/വിക്കി നിർദ്ദേശങ്ങൾ അനുസരിച്ച് ComfyUI ഇൻസ്റ്റാൾ ചെയ്ത് ഒരു സാമ്പിൾ വർക്ക്ഫ്ലോ പ്രവർത്തിപ്പിക്കുക.

അടിസ്ഥാനകാര്യങ്ങൾ ഉറപ്പിക്കാൻ ഏറ്റവും കുറഞ്ഞ ശൃംഖല ആദ്യം മുതൽ വീണ്ടും നിർമ്മിക്കുക.

ControlNet-ഉം ഒരു LoRA-യും ചേർക്കുക, തുടർന്ന് സാമ്പ്ലർ, CFG ക്രമീകരണങ്ങൾ എന്നിവയുടെ A/B ടെസ്റ്റ് ചെയ്യുക.

മോഡലുകൾ, സീഡുകൾ, പാരാമീറ്ററുകൾ എന്നിവയുടെ കുറിപ്പുകൾ സഹിതം നിങ്ങളുടെ വർക്ക്ഫ്ലോ JSON സംരക്ഷിച്ച് പങ്കിടുക.

സന്തോഷകരമായ generation—ComfyUI-യുടെ ശാന്തവും നിയന്ത്രിക്കാവുന്നതുമായ ലോകത്തിലേക്ക് സ്വാഗതം.

FAQ

Q1: Windows, macOS അല്ലെങ്കിൽ Linux-ൽ ComfyUI എങ്ങനെ ഇൻസ്റ്റാൾ ചെയ്യാനും പ്രവർത്തിപ്പിക്കാനും കഴിയും? പ്ലാറ്റ്‌ഫോം-നിർദ്ദിഷ്‌ട ഘട്ടങ്ങൾക്കും, മോഡൽ ഫോൾഡർ ലൊക്കേഷനുകൾക്കും, ഡിപൻഡൻസികൾക്കുമായി ഔദ്യോഗിക റിപ്പോസിറ്ററിയും കമ്മ്യൂണിറ്റി വിക്കിയും പിന്തുടരുക. ഇൻസ്റ്റാളേഷന് ശേഷം, ലോക്കൽ സെർവർ പ്രവർത്തിപ്പിച്ച് നോഡുകൾ ബന്ധിപ്പിക്കാൻ നിങ്ങളുടെ ബ്രൗസറിൽ ComfyUI തുറക്കുക.

Q2: ടെക്സ്റ്റ്-ടു-ഇമേജിനായുള്ള ഏറ്റവും ലളിതമായ ComfyUI വർക്ക്ഫ്ലോ ഏതാണ്? ഒരു ചെക്ക്പോയിന്റ് ലോഡ് ചെയ്യുക, CLIP ഉപയോഗിച്ച് പോസിറ്റീവും നെഗറ്റീവുമായ പ്രോംപ്റ്റുകൾ എൻകോഡ് ചെയ്യുക, ഒരു KSampler റൺ ചെയ്യുക, VAE ഉപയോഗിച്ച് ഡീകോഡ് ചെയ്യുക, തുടർന്ന് ചിത്രം സംരക്ഷിക്കുക. മിക്ക generation-കൾക്കും ComfyUI ഫലപ്രദമായി ഉപയോഗിക്കുന്നതിനുള്ള അടിസ്ഥാനം ഈ ശൃംഖലയാണ്.

Q3: ComfyUI-യിൽ SDXL എങ്ങനെ ഉപയോഗിക്കാം? ഡ്യുവൽ ടെക്സ്റ്റ് എൻകോഡറുകളുള്ള ഒരു SDXL ചെക്ക്പോയിന്റ് ഉപയോഗിക്കുക, തുടർന്ന് മികച്ച വിശദാംശങ്ങൾക്കായി ഒരു refiner pass ഓപ്ഷണലായി ചേർക്കുക. ബാലൻസ്ഡ് CFG-യും (ഏകദേശം 5–7), DPM++ 2M Karras പോലുള്ള കാര്യക്ഷമമായ സാമ്പ്ലറും ഉപയോഗിച്ച് 1024×1024-ൽ റൺ ചെയ്യുക.

Q4: ഒരേ ComfyUI വർക്ക്ഫ്ലോയിൽ എനിക്ക് ControlNet-ഉം LoRA-യും ചേർക്കാൻ കഴിയുമോ? തീർച്ചയായും. നിങ്ങളുടെ LoRA, ControlNet നോഡുകൾ ലോഡ് ചെയ്യുക, അവയെ മോഡലിലേക്കും KSampler കണ്ടീഷനിംഗിലേക്കും കണക്ട് ചെയ്യുക, കൂടാതെ വെയ്റ്റുകൾ ട്യൂൺ ചെയ്യുക (ഉദാഹരണത്തിന്, LoRA-യ്ക്ക് 0.6–0.8, ControlNet-ന് ~0.5–1.2). VRAM ഉപയോഗം നിരീക്ഷിക്കുക, OOM ഉണ്ടായാൽ റെസല്യൂഷനോ സ്റ്റെപ്സുകളോ കുറയ്ക്കുക.

Q5: എന്തുകൊണ്ടാണ് എന്റെ ComfyUI ചിത്രങ്ങൾക്ക് കുറഞ്ഞ കോൺട്രാസ്റ്റ് അല്ലെങ്കിൽ washed out നിറങ്ങളുള്ളത്? വ്യത്യസ്തമായ ഒരു VAE പരീക്ഷിക്കുക, CFG കുറയ്ക്കുക, അല്ലെങ്കിൽ സാമ്പ്ലറുകൾ മാറ്റുക. ചില VAE-കൾ കൂടുതൽ കൃത്യമായ നിറവും കോൺട്രാസ്റ്റും നൽകുന്നു; ചെറിയ ക്രമീകരണങ്ങൾ ഉപയോഗിച്ച് washed-out ഫലങ്ങൾ വേഗത്തിൽ പരിഹരിക്കാനാകും.