ComfyUI कसे वापरावे: नवशिक्यांसाठी एक व्यावहारिक, Step-by-Step मार्गदर्शन
जर तुम्ही ComfyUI बद्दल ऐकले असेल की ते “नोड-आधारित आणि खूप शक्तिशाली आहे” पण सर्व बॉक्सेस आणि वायर्स पाहून तुम्हाला भीती वाटली असेल, तर तुम्ही एकटे नाही आहात. चांगली बातमी: एकदा तुम्ही काही मूलभूत संकल्पना शिकलात - चेकपॉइंट्स, एन्कोडर्स, सॅम्पलर्स आणि डिकोडर्स - तर तुम्ही एखाद्या प्रो प्रमाणे इमेज वर्कफ्लो तयार कराल. हे व्यावहारिक मार्गदर्शन तुम्हाला ComfyUI इंस्टॉलेशनपासून ते तुमच्या पहिल्या SDXL इमेजपर्यंत कसे वापरावे याबद्दल मार्गदर्शन करते, तसेच ControlNet, LoRAs आणि गुणवत्ता/कार्यक्षमता ट्युनिंगसाठी वर्कफ्लो समाविष्ट आहेत.
अखेरीस, तुम्हाला हे नक्कीच समजेल की ComfyUI चा वापर करून सातत्यपूर्ण, पुन्हा तयार करता येण्याजोग्या आणि लवचिक इमेज जनरेशन कसे करावे.
ComfyUI काय आहे आणि ते का वापरावे?
ComfyUI हे स्टेबल डिफ्यूजनसाठी एक व्हिज्युअल, नोड-आधारित इंटरफेस आहे जे तुम्हाला तुमची इमेज पाइपलाइन स्टेप बाय स्टेप डिझाइन करू देते. 'जनरेट' बटणाच्या ऐवजी, तुम्ही नोड्स कनेक्ट करता—प्रत्येक नोड एक विशिष्ट कार्य हाताळतो जसे की मॉडेल लोड करणे, टेक्स्ट एन्कोड करणे, लेटेंट्स सॅम्पल करणे किंवा अंतिम इमेज डिकोड करणे. हे जलद, मॉड्युलर आणि पारदर्शक आहे—शिकण्यासाठी, प्रयोगासाठी आणि प्रोडक्शन वर्कफ्लोसाठी योग्य आहे.
क्विक स्टार्ट: ComfyUI इंस्टॉल आणि लॉन्च करा
- Windows/macOS/Linux: अधिकृत रेपो आणि कम्युनिटी इंस्टॉलेशन गाइडचे अनुसरण करा. तुम्ही मॅन्युअल इंस्टॉलेशन (Python + Dependencies) किंवा तुमच्या प्लॅटफॉर्म आणि GPU नुसार पॅकेज्ड पद्धती वापरू शकता. ComfyUI विकी Windows, macOS (Apple Silicon सह) आणि Linux साठी स्टेप-बाय-स्टेप सेटअप प्रदान करते.
- मॉडेल्स: तुमचे स्टेबल डिफ्यूजन चेकपॉइंट्स (उदाहरणार्थ, SDXL बेस/रिफायनर किंवा SD 1.5)
models/checkpoints फोल्डरमध्ये ठेवा. VAE फाइल्स models/vae मध्ये, LoRAs models/loras मध्ये, ControlNet मॉडेल्स models/controlnet मध्ये ठेवा.
- लाँच: तुमच्या OS साठी स्टार्ट स्क्रिप्ट चालवा; ComfyUI तुमच्या ब्राउजरमध्ये उघडेल. कॅनव्हास तो भाग आहे जिथे तुम्ही नोड्स एकत्र जोडाल.
टीप: उत्तम कार्यक्षमतेसाठी तुमचे GPU ड्राइव्हर्स आणि CUDA टूलकिट अद्ययावत ठेवा.
मूलभूत संकल्पना: किमान टेक्स्ट-टू-इमेज वर्कफ्लो
ComfyUI चा मूलभूत टेक्स्ट-टू-इमेज फ्लो (SD 1.5 शैली) असा दिसतो:
- आउटपुट: UNet, CLIP आणि VAE घटक
- नोड: CLIP टेक्स्ट एन्कोड (पॉझिटिव्ह)
- नोड: CLIP टेक्स्ट एन्कोड (निगेटिव्ह)
- आउटपुट: मार्गदर्शनासाठी कंडिशनिंग एम्बेडिंग्ज
- इनपुट: UNet, पॉझिटिव्ह/निगेटिव्ह कंडिशनिंग, सीड, स्टेप्स, सॅम्पलर (उदाहरणार्थ, DPM++ 2M Karras), आणि CFG स्केल
हा मूलभूत ग्राफ—चेकPoint → CLIP (pos/neg) → KSampler → VAE Decode → Save—ComfyUI मध्ये तुम्ही कराल त्या जवळपास प्रत्येक गोष्टीचा आधार आहे.
SDXL वर्कफ्लो: बेस + (ऐच्छिक) रिफायनर
SDXL दुहेरी टेक्स्ट एन्कोडर्स वापरते आणि बहुतेक वेळा रिफायनर पासमधून फायदा होतो.
- SDXL बेस लोड करा: SDXL-सुसंगत चेकपॉइंट वापरा. अनेक SDXL टेम्पलेट्समध्ये दोन CLIP एन्कोडर्स (लार्ज/स्मॉल कॉन्टेक्स्टसाठी) समाविष्ट असतात. पॉझिटिव्ह आणि निगेटिव्ह दोन्ही प्रॉम्प्ट्स टाका.
- KSampler (बेस): 1024×1024 (किंवा तुमच्या लक्ष्यानुसार) लेटेंट्स जनरेट करा. लेटेंट्स किंवा डिकोड केलेल्या इमेजेस सेव्ह करा.
- ऐच्छिक रिफायनर: SDXL रिफायनर चेकपॉइंट लोड करा आणि बेस आउटपुटवर कंडिशन केलेल्या अतिरिक्त KSampler पास चालवा, नंतर VAE सह डिकोड करा.
ही दोन-स्टेज प्रक्रिया उच्च रिझोल्यूशनवर तपशील आणि सुसंगतता लक्षणीयरीत्या सुधारू शकते.
हँड्स-ऑन: तुमचा पहिला ComfyUI ग्राफ तयार करा
- टेम्प्लेटपासून सुरुवात करा: साइडबारमध्ये, टेक्स्ट-टू-इमेजचे बिल्ट-इन उदाहरण लोड करा.
- चेकPoint बदला: तुमचा SDXL किंवा SD 1.5 मॉडेल सिलेक्ट करा.
- तुमचा प्रॉम्प्ट लिहा: पॉझिटिव्ह आणि निगेटिव्ह CLIP नोड्स वापरा. उदाहरण:
- पॉझिटिव्ह: “सिनेमॅटिक पोर्ट्रेट, सॉफ्ट स्टुडिओ लाइटिंग, 85mm लेन्स, अत्यंत तपशीलवार, फिल्म ग्रेन”
- निगेटिव्ह: “धुसर, लो-रेस, विरूपित, अतिरिक्त बोटे, वॉटरमार्क”
- स्टेप्स: गती/गुणवत्ता समतोलसाठी 20-35
- सॅम्पलर: DPM++ 2M Karras (विश्वसनीय) किंवा Euler a (जलद)
- CFG: 4.5-7.5 (जास्त प्रॉम्प्टला अधिक जोर देते, पण जास्त संतृप्त होऊ शकते)
- सीड: पुनरुत्पादनासाठी ते फिक्स करा; एक्सप्लोरेशनसाठी बदला
- रिझोल्यूशन: SD 1.5 साठी, 512×512 किंवा 768×768 वरून सुरुवात करा. SDXL साठी, 1024×1024 चांगले काम करते.
- डिकोड आणि सेव्ह: VAE डिकोड → सेव्ह इमेज ॲड करा. जनरेट करण्यासाठी Queue Prompt वर क्लिक करा.
मुख्य नोड्स समजून घेणे (सोप्या भाषेत)
- चेकPoint लोडर: तुमचे डिफ्यूजन मॉडेल (UNet), टेक्स्ट एन्कोडर(स) (CLIP), आणि VAE लोड करते. याला तुमचे “इंजिन + भाषेचा मेंदू + इमेज ट्रांसलेटर” समजा.
- CLIP टेक्स्ट एन्कोड: तुमच्या प्रॉम्प्टला मॉडेल समजेल अशा न्यूमेरिकल एम्बेडिंग्जमध्ये रूपांतरित करते. पॉझिटिव्ह आणि निगेटिव्ह दोन्ही टेक्स्ट एन्कोडर्स वापरा.
- KSampler: इमेज सिंथेसिसचा गाभा. हे तुमच्या प्रॉम्प्ट आणि सॅम्पलर पद्धतीने मार्गदर्शन केलेल्या लेटेंट नॉइजला अनेक स्टेप्समध्ये डिनॉइज करते.
- VAE डिकोड: अंतिम लेटेंट्सला पाहण्यायोग्य इमेजमध्ये रूपांतरित करते. VAEs बदलल्याने रंग/कॉन्ट्रास्ट निष्ठा बदलते.
- सेव्ह इमेज: आऊटपुटला मेटाडेटासह डिस्कवर राईट करते जेणेकरून तुम्ही नंतर रिझल्ट्स रीक्रिएट करू शकता.
या बिल्डिंग ब्लॉक्सवर अधिक माहितीसाठी, नवशिक्यांसाठी सोप्या भाषेत स्पष्टीकरण आणि नोड स्पष्टीकरण पहा.
पॉवर-अप्स: LoRA, ControlNet, आणि इमेज-टू-इमेज
शैली किंवा विषय नियंत्रणासाठी LoRA वापरा
- LoRA लोडर नोड ॲड करा आणि त्याला तुमच्या मॉडेल शाखेशी कनेक्ट करा.
- स्ट्रेंथ: 0.6-0.8 च्या आसपास सुरुवात करा; शैली तीव्रता किंवा ओव्हरफिटिंगवर आधारित ॲडजस्ट करा.
- मल्टिपल LoRAs: साखळी करा किंवा मर्ज करा, पण संघर्षांवर लक्ष ठेवा; स्टॅकिंग करताना ताकद कमी करा.
अचूक कंपोझिशनसाठी ControlNet ॲड करा
- ControlNet नोड्स तुम्हाला इनपुट मॅप (कॅनी, डेप्थ, OpenPose, इत्यादी) वापरून कंपोझिशनला मार्गदर्शन करू देतात.
- ठराविक फ्लो: ControlNet मॉडेल लोड करा → तुमच्या गाइड इमेजला प्रीप्रोसेस करा (उदाहरणार्थ, कॅनी एज) → तुमच्या टेक्स्ट कंडिशनिंगसह ControlNet कंडिशनिंग KSampler मध्ये टाका.
- वेट: 0.5-1.2 ही चांगली सुरुवात आहे. खूप जास्त तुमच्या प्रॉम्प्टला निष्प्रभ करू शकते.
इमेज-टू-इमेज किंवा इनपेंटिंग
- VAE एन्कोडद्वारे प्रारंभिक नॉइजला इमेज लेटेंटने बदला.
- मूळ इमेज किती ठेवायची हे नियंत्रित करण्यासाठी KSampler मध्ये डिनॉइज स्ट्रेंथ ॲडजस्ट करा.
- इनपेंटिंगसाठी, मास्क इनपुट आणि इनपेंट-अवेअर सॅम्पलर पाइपलाइन वापरा.
क्वालिटी ट्युनिंग: प्रॉम्प्ट्स, CFG, सॅम्पलर्स आणि सीड्स
- प्रॉम्प्ट इंजिनीअरिंग: परिच्छेदांऐवजी संक्षिप्त वर्णनकर्ता वापरा. स्पष्टतेपेक्षा ऑर्डर कमी महत्त्वाची आहे, पण गंभीर गुणधर्म सर्वात पुढे ठेवा.
- कमी (3-5): अधिक क्रिएटिव्ह, प्रॉम्प्टचे पालन कमी
- उच्च (9-12): मजबूत पालन, आर्टिफॅक्ट्स तयार करू शकते
- DPM++ 2M Karras: स्वच्छ, विश्वसनीय
- Euler a: जलद आणि प्रभावी, पूर्वावलोकनांसाठी उत्तम
- UniPC / Heun / DDIM: तपासण्यासारखे; रिझल्ट्स मॉडेलनुसार बदलतात
- फिक्स सीड = पुनरुत्पादनीय रिझल्ट्स
- बदलती सीड = विविधतेचा शोध
स्मूथ रेंडर्ससाठी कार्यप्रदर्शन टिपा
- VRAM बजेटिंग: रिझोल्यूशन, स्टेप्स किंवा बॅच साइज कमी करा जर तुम्हाला OOM चा अनुभव येत असेल. 1024×1024 वर SDXL ला नोड्सनुसार 8-12 GB VRAM लागू शकते.
- हाफ प्रिसिजन: जेथे सपोर्टेड असेल तेथे fp16 सक्षम करा, ज्यामुळे नगण्य गुणवत्ता तोट्यासह मोठी मेमरी बचत होते.
- टायलिंग आणि लेटेंट अपस्केलर्स: लहान जनरेट करा, नंतर VRAM वाचवण्यासाठी लेटेंट अपस्केलर नोड किंवा इमेज अपस्केलर मॉडेलद्वारे अपस्केल करा.
- कॅशिंग: प्रॉम्प्ट्स बदलत नसल्यास CLIP एन्कोडिंग्ज आणि डिकोड केलेल्या VAEs चा पुन्हा वापर करा.
- अनावश्यक शाखा टाळा: अतिरिक्त डिस्कनेक्ट केलेले नोड्स अजूनही मेमरी वापरतात जेव्हा ते एकाच रांगेत कार्यान्वित केले जातात.
एका प्रो प्रमाणे वर्कफ्लो आयोजित करणे
- नोड्स ग्रुप करा: विभाग आयोजित करण्यासाठी फ्रेम्स/लेबल वापरा (प्रॉम्प्ट, मॉडेल, सॅम्पलर, आउटपुट, इ.).
- पॅरामीटर पॅनेल्स: सुलभ ट्युनिंगसाठी शीर्षस्थानी “कंट्रोल” नोड्स (उदा. रिक्त प्रॉम्प्ट बॉक्सेस, स्लायडर) तयार करा.
- सेव्ह/शेअर: तुमचा वर्कफ्लो JSON एक्सपोर्ट करा आणि पुनरुत्पादनासाठी
वापरलेल्या मॉडेल्सची नोंद ठेवा.
- वर्जनिंग: SD 1.5, SDXL आणि स्पेशालिटी पाइपलाइन्स (ॲनिमे, फोटोरियल, डेप्थ-टू-इमेज, इ.) साठी वेगळे ग्राफ ठेवा.
सामान्य समस्यांचे निवारण
- काळ्या किंवा रिक्त इमेजेस:
- चुकीचे VAE किंवा VAE डिकोड गहाळ
- डिनॉइज खूप कमी (उदा. img2img मध्ये <0.2)
- दुसरे VAE वापरून पहा; काही VAEs लक्षणीयरीत्या कॉन्ट्रास्ट सुधारतात
- कमी CFG किंवा सॅम्पलर बदला
- रन दरम्यान काहीही बदलत नाही:
- सीड फिक्स आहे; रँडमाइज सक्षम करा किंवा नवीन सीड सेट करा
- रिझोल्यूशन, स्टेप्स किंवा बॅच साइज कमी करा; fp16 वर स्विच करा
- इतर GPU ॲप्स बंद करा; ControlNet/LoRA स्टॅक सोपे करा
- मॉडेल सापडले नाही / लाल नोड:
- फाइल पाथ आणि मॉडेल फोल्डर्स तपासा; फाइल एक्सटेंशनची पुष्टी करा
प्री-बिल्ट वर्कफ्लोसह जलद शिका
व्हिडिओ वॉकथ्रू आणि नवशिक्या मालिका तुम्हाला तयार ग्राफसह तुमचा लर्निंग कर्व्ह वाढवू शकतात, ज्याला तुम्ही विराम देऊ शकता आणि त्याचे विश्लेषण करू शकता. लिखित ट्यूटोरियल आणि विकी तुम्हाला नोड स्पष्टीकरण आणि अपडेटेड इंस्टॉलेशन स्टेप्स प्रदान करतात ज्यामुळे तुम्ही अपडेटेड राहू शकता.
प्रगत: तुमच्या ग्राफ्सचे मॉड्युलरायझेशन आणि विस्तार
- API/बाह्य नोड्स: काही ट्यूटोरियल ComfyUI ला विशेष नोड्सद्वारे बाह्य AI सेवांशी कनेक्ट करणे, हायब्रिड पाइपलाइन्स सक्षम करणे आणि हेवी टास्क ऑफलोड करणे समाविष्ट करतात.
- नोड लाइब्ररी आणि एक्सटेंशन्स: शेड्युलर, अपस्केलर आणि प्रीप्रोसेसिंग (पोज, डेप्थ, सेगमेंटेशन) साठी कम्युनिटी नोड्स एक्सप्लोर करा. तुमच्या ComfyUI आवृत्तीशी सुसंगतता नेहमी तपासा.
- SDXL रिफायनर्स आणि साखळी केलेले सॅम्पलर्स: स्टेज केलेले डिनॉइजिंग (बेस → रिफायनर) किंवा स्टायलिस्टिक ब्लेंडिंगसाठी एकाधिक सॅम्पलर्स चालवा.
लक्षात घेण्यासारखे: Sider.AI सह प्रॉम्प्टिंग जलद करणे
जर तुम्ही वारंवार प्रॉम्प्ट्स, संदर्भ किंवा वर्णनांवर पुनरावृत्ती करत असाल, तर तुम्हाला विचारमंथन करण्यासाठी आणि विविधतेमध्ये सुधारणा करण्यासाठी एका साथीदाराची आवश्यकता भासेल. तसे, Sider.AI तुम्हाला स्ट्रक्चर्ड प्रॉम्प्ट्सचा मसुदा तयार करण्यात, निगेटिव्ह प्रॉम्प्ट लिस्ट जनरेट करण्यात आणि तुमच्या वर्कफ्लो प्रयोगांचे सारSummarize करण्यात मदत करू शकते, ज्यामुळे रन दरम्यान तुम्ही मागोवा गमावणार नाही. तुम्ही ते येथे वापरून पाहू शकता: एक साधा SDXL स्टार्टर वर्कफ्लो (हा पॅटर्न कॉपी करा)
- CLIP टेक्स्ट एन्कोड (पॉझिटिव्ह) - “अल्ट्रा-डिटेल्ड प्रोडक्ट फोटो, सॉफ्टबॉक्स लाइटिंग, 50mm लेन्स, रिफ्लेक्टिव्ह सरफेस”
- CLIP टेक्स्ट एन्कोड (निगेटिव्ह) - “लो-रेस, मोशन ब्लर, वॉटरमार्क, बॅकग्राउंड क्लटर”
- KSampler: 1024×1024, 28 स्टेप्स, DPM++ 2M Karras, CFG 5.5, फिक्स्ड सीड
ऐच्छिक ॲड-ऑन्स:
- SDXL रिफायनर चेकपॉइंटसह 10-15 स्टेप्सवर रिफायनर पास
- लेआउटसाठी साध्या ऑब्जेक्ट सिल्हूटसह ControlNet (डेप्थ)
- एका विशिष्ट ब्रँड किंवा आर्ट स्टाइलसाठी 0.6 वर LoRA
मुख्य निष्कर्ष
- ComfyUI ची शक्ती त्याच्या पारदर्शकतेमध्ये आहे—तुमची पाइपलाइन नोडनुसार तयार करा.
- मुख्य टेक्स्ट-टू-इमेज साखळी सोपी आहे: चेकPoint → CLIP (pos/neg) → KSampler → VAE Decode → Save.
- SDXL ला तपशीलासाठी दुहेरी एन्कोडर्स आणि पर्यायी रिफायनर पासचा फायदा होतो.
- LoRAs आणि ControlNet तुम्हाला शैली नियंत्रण आणि कंपोझिशन अचूकता देतात.
- गुणवत्ता आणि सातत्य राखण्यासाठी CFG, सॅम्पलर आणि सीड ट्यून करा; fp16 आणि योग्य रिझोल्यूशनसह VRAM व्यवस्थापित करा.
- वर्कफ्लो आयोजित करा आणि वेदना रहित पुनरावृत्तीसाठी त्यांची आवृत्ती तयार करा.
पुढील स्टेप्स
- रेपो/विकी सूचनांचे पालन करून ComfyUI इंस्टॉल करा आणि एक नमुना वर्कफ्लो लॉन्च करा.
- मूलभूत गोष्टी पक्क्या करण्यासाठी सुरवातीपासून किमान साखळी पुन्हा तयार करा.
- ControlNet आणि LoRA ॲड करा, नंतर सॅम्पलर आणि CFG सेटिंग्जची A/B चाचणी करा.
- मॉडेल्स, सीड्स आणि पॅरामीटर्सवरील नोट्ससह तुमचा वर्कफ्लो JSON सेव्ह आणि शेअर करा.
हॅपी जनरेटिंग—आणि ComfyUI च्या शांत, नियंत्रणीय जगात तुमचे स्वागत आहे.
FAQ
Q1: मी Windows, macOS किंवा Linux वर ComfyUI कसे इंस्टॉल आणि रन करू? प्लॅटफॉर्म-विशिष्ट स्टेप्स, मॉडेल फोल्डर लोकेशन्स आणि डिपेंडेंसीजसाठी अधिकृत रेपो आणि कम्युनिटी विकी फॉलो करा. इंस्टॉलेशननंतर, लोकल सर्व्हर लॉन्च करा आणि नोड्स जोडणे सुरू करण्यासाठी तुमच्या ब्राउजरमध्ये ComfyUI उघडा.
Q2: टेक्स्ट-टू-इमेजसाठी सर्वात सोपा ComfyUI वर्कफ्लो कोणता आहे? चेकPoint लोड करा, CLIP सह पॉझिटिव्ह आणि निगेटिव्ह प्रॉम्प्ट्स एन्कोड करा, KSampler चालवा, VAE सह डिकोड करा, नंतर इमेज सेव्ह करा. ही साखळी ComfyUI चा प्रभावीपणे वापर करून बहुतेक जनरेशनसाठी आधार आहे.
Q3: मी ComfyUI मध्ये SDXL कसे वापरू? दुहेरी टेक्स्ट एन्कोडर्ससह SDXL चेकPoint वापरा, नंतर चांगल्या तपशीलासाठी वैकल्पिकरित्या रिफायनर पास ॲड करा. संतुलित CFG (अंदाजे 5-7) आणि DPM++ 2M Karras सारख्या कार्यक्षम सॅम्पलरसह 1024×1024 वर चालवा.
Q4: मी एकाच ComfyUI वर्कफ्लोमध्ये ControlNet आणि LoRA ॲड करू शकतो का? होय. तुमचे LoRA आणि ControlNet नोड्स लोड करा, त्यांना मॉडेल आणि KSampler कंडिशनिंग्जशी कनेक्ट करा आणि वेट्स ट्यून करा (उदा. LoRA साठी 0.6-0.8, ControlNet साठी ~0.5-1.2). VRAM चा वापर तपासा आणि जर तुम्हाला OOM चा अनुभव येत असेल तर रिझोल्यूशन किंवा स्टेप्स कमी करा.
Q5: माझ्या ComfyUI इमेजेस कमी-कॉन्ट्रास्ट किंवा फिकट का आहेत? एक वेगळे VAE वापरून पहा, CFG कमी करा किंवा सॅम्पलर बदला. काही VAEs अधिक निष्ठावान रंग आणि कॉन्ट्रास्ट तयार करतात; लहान ॲडजस्टमेंट लवकर फिकट रिझल्ट्स ठीक करू शकतात.
