Difüzyon diffusion
Görsel üretiminin temeli. Model, rastgele gürültüyle başlar ve her adımda gürültünün bir kısmını temizleyerek görsele yaklaşır. Yani model görsel çizmiyor, gürültünün içinden görseli ortaya çıkarıyor.
ComfyUI Sözlüğü
Görsel üretirken karşına çıkan terimler, ne işe yaradıklarıyla birlikte. Ezberlemen gereken bir liste değil; takıldığında bakman için.
Bu terim listede yok. Başka bir kelimeyle dene, ya da eklenmesini istiyorsan yaz.
Temel kavramlar
Latent latent space
Modelin üzerinde çalıştığı sıkıştırılmış temsil. 1024×1024 bir görsel latent alanda 128×128 olarak tutulur — her kenar 8 kat küçük. Üretim burada olur, piksele ancak en sonda dönülür. Bellek tasarrufunun sebebi bu.
VAE
Latent ile piksel arasında çeviri yapan parça. Üretim bitince latent'i gerçek görsele çözer (decode), img2img'de ise gelen görseli latent'e kodlar (encode). Yanlış VAE kullanırsan görsel solgun, bulanık veya renkleri kaymış çıkar.
Text Encoder CLIP, T5
Yazdığın prompt'u modelin anlayacağı sayı dizisine çeviren parça. SD modellerinde CLIP, Flux gibi yeni modellerde CLIP ve T5 birlikte kullanılır. Prompt'un nasıl yorumlandığı büyük ölçüde buna bağlı.
Difüzyon modeli UNet, diffusion model
Asıl işi yapan ağırlık dosyası — gürültüyü adım adım temizleyen kısım. Checkpoint dediğimiz dosya genelde bunu, VAE'yi ve text encoder'ı bir arada taşır.
Prompt ve negatif prompt
Prompt istediğini, negatif prompt istemediğini tarif eder. Önemli ayrıntı: negatif prompt ancak CFG 1'den büyükken çalışır. Turbo modellerde CFG 1 olduğu için negatif prompt yazmanın hiçbir etkisi olmaz.
Token
Prompt'un parçalara ayrılmış hali — kabaca kelime ya da kelime parçası. CLIP tek seferde 77 token işler; uzun prompt'lar parçalara bölünür ve sondaki kelimeler başlangıçtakiler kadar etkili olmaz.
Embedding textual inversion
Modele yeni bir kelime öğretme yöntemi. Birkaç kilobaytlık dosya, prompt'ta tek bir kelimeyle çağrılır. Model ağırlıklarını değiştirmez, sadece yeni bir "anlam" ekler.
Üretim ayarları — KSampler
Steps adım sayısı
Gürültünün kaç adımda temizleneceği. Az adım bulanık ve yarım kalmış sonuç verir, çok adım bir noktadan sonra hiçbir şey eklemez, sadece süreyi uzatır. Normal modellerde 20-30, turbo modellerde 4-8 adım yeterli.
CFG classifier-free guidance
Modelin prompt'a ne kadar sıkı bağlı kalacağı. Düşük değer serbest ve yumuşak, yüksek değer prompt'a sadık ama sert ve yanmış görseller üretir. 6-8 arası çoğu model için güvenli. Turbo/distilled modellerde 1 olmalı.
Sampler
Gürültüyü temizleme algoritması. Euler basit ve hızlı, DPM++ 2M dengeli, ancestral olanlar (sonunda a olanlar) her adımda yeni gürültü ekler — o yüzden adım sayısını değiştirdiğinde sonuç tamamen değişir.
Scheduler
Gürültünün adımlar boyunca nasıl dağıtılacağı. Sampler nasıl temizleyeceğini, scheduler ne kadarını ne zaman temizleyeceğini belirler. karras az adımda iyi sonuç verir, normal standarttır, sgm_uniform bazı yeni modellerin istediğidir.
Seed
Başlangıç gürültüsünü belirleyen sayı. Aynı seed, aynı ayarlar ve aynı prompt her zaman aynı görseli üretir. Bir ayarın etkisini test ederken seed'i sabitlemek şart — yoksa neyin ne yaptığını ayırt edemezsin.
Denoise
Mevcut latent'in ne kadarının silineceği. 1.0 her şeyi siler, sıfırdan üretim demektir. img2img'de 0.4 gibi bir değer orijinalin kompozisyonunu korur, sadece üstünü yeniden boyar. Düşürdükçe kaynağa daha sadık kalır.
batch_size ve batch count
Karıştırılan iki ayar. batch_size aynı anda kaç görselin üretileceği — hızlıdır ama VRAM'i doğrudan katlar. batch count işin kaç kez tekrarlanacağı — sırayla çalışır, ek bellek istemez. VRAM'in azsa ikincisini kullan.
Sigma
Her adımdaki gürültü miktarının teknik adı. Scheduler aslında bir sigma listesi üretir; ileri seviye workflow'larda bu listeyi elle bölüp iki farklı sampler'a dağıtmak mümkün.
Model ve dosya biçimleri
Checkpoint
Eğitilmiş modelin tam hali. Genelde difüzyon modeli, VAE ve text encoder'ı bir arada taşır — bu yüzden tek dosyayla üretim yapabilirsin. Flux gibi modellerde bu parçalar ayrı dosyalar halinde gelir.
safetensors
Modellerin güvenli dosya biçimi. Eski .ckpt biçimi Python'un pickle yapısını kullanır ve açıldığında kod çalıştırabilir — yani zararlı bir dosya bilgisayarına bulaşabilir. safetensors sadece veri taşır. Her zaman bunu tercih et.
GGUF
Önce dil modelleri için geliştirilen, sonra görsel modellere de uyarlanan sıkıştırılmış biçim. Aynı modelin çok daha az VRAM isteyen hali. Karşılığında bir miktar kalite kaybı ve genelde daha yavaş çalışma var.
Quantization niceleme
Model ağırlıklarını daha az hassasiyetle saklama. Q8 orijinale çok yakın, Q4 yarı yarıya küçük ama kalite farkı görünür hale gelir. Ekran kartın yetmiyorsa modeli küçültmek yerine quantize edilmiş halini kullanmak daha mantıklı.
fp16, fp8, bf16
Ağırlıkların sayı hassasiyeti. fp16 standarttır. fp8 yarı yer kaplar ve yeni kartlarda hızlıdır ama her modelde temiz çalışmaz. bf16 fp16 ile aynı boyutta, geniş aralıklı değerlerde daha kararlıdır.
Turbo ve distilled modeller
4-8 adımda sonuç veren hızlandırılmış modeller. Hızın sebebi guidance distillation: normal model her adımda iki hesap yapar (prompt'lu ve prompt'suz), turbo model bunu tek hesaba indirmiştir. Bu yüzden CFG ayarı işlevsizdir, 1'de bırakılır.
Model merge birleştirme
İki modelin ağırlıklarını belirli oranlarda karıştırarak yeni bir model üretmek. Yeni bilgi eklemez, var olan iki modelin arasında bir yerde durur. Civitai'deki modellerin çoğu böyle üretilmiştir.
Pruned ve EMA
Model dosyasındaki fazlalıkların atılmış hali. pruned eğitim için gereken verileri çıkarır, dosya küçülür, üretim kalitesi değişmez. EMA-only da benzer şekilde sadece üretim için gereken ağırlıkları tutar.
Kontrol ve eklentiler
LoRA low-rank adaptation
Modelin tamamını değil, küçük bir fark katmanını eğitmek. Birkaç yüz megabaytlık dosya, gigabaytlarca modelin davranışını değiştirir. Bir karakteri, stili veya kavramı öğretmenin en pratik yolu. Birden fazlası aynı anda kullanılabilir.
LoRA strength güç
LoRA'nın ne kadar baskın olacağı. 1.0 varsayılandır ama her LoRA farklı eğitilmiştir — bazısı 0.6'da doğru çalışır, bazısı 1.2 ister. Görsel bozuluyor ya da aşırı doygunlaşıyorsa ilk düşüreceğin ayar budur.
ControlNet
Görselin yapısını dışarıdan dayatma. Bir pozu, derinlik haritasını veya kenar çizgilerini verirsin, model içeriği ona uydurarak üretir. Kompozisyonu prompt'la anlatmaya çalışmaktan çok daha kesin sonuç verir.
IPAdapter
Prompt yerine görsel vermek. Bir referans görselin stilini veya içindeki yüzü yeni üretime taşır. ControlNet yapıyı kopyalar, IPAdapter görünümü kopyalar — ikisi sık sık birlikte kullanılır.
Custom node özel düğüm
ComfyUI'a sonradan eklenen düğümler. Topluluk tarafından yazılırlar ve çoğu işi onlar yapar. Dezavantajı: biri bozulduğunda ComfyUI açılmayabilir, ve başkasının workflow'unu açtığında eksik düğümler kırmızı görünür.
ComfyUI Manager
Custom node'ları kurup güncelleyen eklenti. Eksik düğümleri otomatik bulup kurma özelliği var — başkasının workflow'unu çalıştırmanın en pratik yolu. Pratikte ilk kurulması gereken şey.
Teknikler
img2img
Sıfırdan gürültü yerine mevcut bir görselden başlamak. Görsel latent'e çevrilir, denoise kadarı silinir, kalanın üstüne yeniden üretilir. Kompozisyonu koruyup stili değiştirmenin yolu.
Inpainting
Görselin sadece maskelediğin kısmını yeniden üretmek. Fazlalık silmek, bir nesneyi değiştirmek veya bozuk bir eli düzeltmek için. Maskenin kenarını biraz yumuşatmak geçişin belli olmasını engeller.
Outpainting
Görselin dışına doğru üretmek — kadrajı genişletmek. Teknik olarak inpainting'in aynısıdır, sadece maske tuvalin boş kalan kenarlarıdır.
Upscale büyütme
İki ayrı yöntem var. Model tabanlı büyütme (ESRGAN gibi) hızlıdır, var olanı keskinleştirir. Latent büyütme + yeniden üretim yavaştır ama yeni detay ekler — hires fix dediğimiz şey budur.
Hires fix
Önce küçük üret, sonra büyüt ve düşük denoise ile tekrar üret. Doğrudan büyük boyutta üretmeye göre hem daha hızlı hem de anatomi bozulmalarını azaltır. Modeller eğitildikleri çözünürlükte en iyi çalışır, mantık bu.
FaceDetailer
Görseldeki yüzü otomatik bulup o bölgeyi ayrıca, yüksek çözünürlükte yeniden üreten düğüm. Uzaktan çekilmiş kadrajlarda yüzün dağılması sorununun standart çözümü. Impact Pack ile gelir.
Tiling parçalı işleme
Büyük görseli parçalara bölüp sırayla işlemek. VRAM'i aşan boyutları mümkün kılar. Tiled VAE aynı mantığı çözme aşamasına uygular — büyük görsellerde bellek hatası alıyorsan ilk deneyeceğin şey.
ComfyUI arayüzü
Node düğüm
Tek bir iş yapan kutu. Solundaki girişlerden veri alır, sağındaki çıkışlardan verir. Renkler tip belirtir — aynı renk olmayan iki ucu birbirine bağlayamazsın, bu bir hata değil koruma.
Workflow iş akışı
Bağlanmış düğümlerin tamamı. .json olarak kaydedilir. ComfyUI ürettiği PNG'nin içine workflow'u gömer — o görseli tuvale sürüklediğinde akış olduğu gibi geri gelir.
Queue kuyruk
Çalıştırma sırası. Birden fazla iş ekleyip arka arkaya çalıştırabilirsin. ComfyUI değişmeyen düğümlerin sonucunu saklar — sadece bir ayarı değiştirdiysen baştan değil, o noktadan devam eder.
Bypass ve Mute
İkisi de düğümü devre dışı bırakır ama farklı şekilde. Bypass (Ctrl+B) veriyi düğümün içinden geçirir, akış devam eder — LoRA'yı geçici kapatmak için. Mute (Ctrl+M) akışı tamamen keser, o koldan sonrası çalışmaz.
Reroute
Kabloyu yönlendirmek için kullanılan boş düğüm. İşleve etkisi yok, sadece karmaşık akışlarda kabloların birbirine dolanmasını engeller.
Primitive
Bir değeri birden fazla düğüme aynı anda besleyen düğüm. Tek bir seed'i veya adım sayısını birkaç yere birden bağlamak için — değeri tek yerden değiştirirsin.
Preview ve Save Image
Preview sonucu gösterir ama diske yazmaz, geçici klasörde kalır. Save Image output klasörüne kaydeder. Deneme yaparken Preview kullan, yoksa klasörün yüzlerce denemeyle dolar.
Kırmızı düğüm
Workflow açtığında kırmızı görünen düğümler kurulu olmayan custom node'lardır. Manager'daki "Install Missing Custom Nodes" bunları bulup kurar. Kurulumdan sonra ComfyUI'ı yeniden başlatman gerekir.