进阶教程
前提条件：熟悉ComfyUI基本工作流程，安装efficiency-nodes和Impact Pack插件。
效率节点
添加“K采样器(效率)“节点和“效率加载器”节点，连接输入输出端口，调整好参数，这样只需要两个节点即可进行文生图。
图片加载中…
XY图表
在“K采样器(效率)“节点和“效率加载器”节点之间添加“XY图表”节点，连接依赖和脚本端口。
右键点击新建节点>效率节点>XY输入，选择一个输入节点，连接X端口。用同样的方式选择另一个输入节点，连接Y端口。
图片加载中…
使用检测器
检测器根据模型检测特定区域并以SEGS的形式返回处理后的数据。SEGS 是一种综合数据格式，包含 Detailer 操作所需的信息，例如遮罩、bbox、裁剪区域、置信度、标签和控制网信息。
Ultralytics检测器
Ultralytics检测器使用YOLO模型自动检测目标，根据模型的不同，返回结果有BBOX和SEGM两种类型。BBOX 代表边界框(Bounding Box)，它将检测区域捕获为矩形框。SEGM 代表分割，它将检测区域捕获为轮廓。
使用YOLO模型自动检测
ultralytics发布有专门检测单个类型的YOLO模型，比如face_yolov8m.pt专门检测人脸。
添加Segm检测到Seg（SEGM Detector (SEGS)）节点，注意这个节点的文本框里有且仅有一个“all”标签，不要修改。添加检测加载器（UltralyticsDetectorProvider）节点，加载识别单个类型的YOLO模型，此节点支持检测结果为BBOX和SEGM类型的YOLO模型。添加加载图像节点，上传包含人物的图片。把这些节点的输入输出端口连接完整。
图片加载中…
此工作流程中，上半部分的节点使用了人脸检测模型，输出结果是人脸的矩形区域，下半部分的节点使用了人物检测模型，该模型是SEGM类型，所以输出结果是人物的轮廓。
你可以从此处下载 Ultralytics模型：
-
huggingface.co/Bingsu/adetailer，人脸、人物和服装的检测模型
-
Releases · ultralytics/assets，除面部或人物之外的各种类型的检测模型
Ultralytics模型的路径：ComfyUI\models\ultralytics
使用YOLO模型和标签检测
还是使用Ultralytics检测器，但是使用可以检测多种类型的YOLO模型。
在上一个的工作流程的基础上，把检测加载器（UltralyticsDetectorProvider）节点的YOLO模型，改成检测多种类型的YOLO模型，比如YOLOv8m-seg，再把Segm检测到Seg（SEGM Detector (SEGS)）节点的文本框里的“all”标签改成你想识别的对象的标签。
图片加载中…
YOLO模型能够检测的类型很少，比如YOLOv8m-seg只能检测80种类型的物体，如果要检测YOLO模型范围以外的物体，可以使用SAM检测器。
SAM检测器
SAM检测器使用Segment Anything技术，基于 GroundingDino 和 SAM模型，检测目标并生成轮廓蒙版。
使用SAM检测器需要安装ComfyUI Segment Anything。
添加G-DinoSAM语义分割（GroundingDinoSAMSegment）节点，输入端口连接SAM加载器和G-Dino模型加载器。
图片加载中…
GroundingDino 和 SAM模型可以检测非常多的物体，同时也导致模型非常大。
在YOLO模型的基础上检测
YOLO模型把人脸检测为矩形框，如果要把人脸检测为轮廓，但是又没有SEGM类型的人脸检测模型时，就可以使用这个方法。
在开头的Ultralytics检测器的工作流的基础上，添加SAM检测合并（SAMDetectorCombined）节点，添加SAM加载器（SAMLoader）节点并加载 SAM 模型，连接BBox检测到Seg节点。
图片加载中…
此工作流程先使用YOLO模型把人脸检测为BBOX矩形框，然后使用 SAM 模型检测矩形框中间的主体。
SAM检测合并（SAMDetectorCombined）中的检测提示（detection_hint）是一个说明符，用于指示在进行分割时应该将哪些点包含在分割中。center-1 指定 mask 中心的一个点，horizontal-2 指定中心水平线上的两个点，vertical-2 指定中心垂直线上的两个点，rectangle-4 指定 mask 内部矩形形状内的四个点，diamond-4 指定以中心点为中心的菱形形状内的四个点。
在蒙版的基础上检测
如果某些类型超出YOLO模型的范围，就可以手动选择一个大致的检测范围，然后使用SAM检测器检测。
在加载图像节点上传图片，在遮罩编辑器中打开图片，使用画笔在图片上涂抹，创建一个蒙版，然后连接遮罩到Seg（mask to segs）节点，再连接SAM检测合并（SAMDetectorCombined）节点。
图片加载中…
示例工作流程：ComfyUI-extension-tutorials/ComfyUI-Impact-Pack/tutorial/sam.md at Main · ltdrdata/ComfyUI-extension-tutorials
交互式 SAM 检测器
这种方式也是手动选择检测范围，但是所有功能就集中到了一个界面里，不用添加任何节点。
右键单击“加载图像”的节点，点击“在 SAM 检测中打开”。
在图片上单击鼠标左键，会输入蓝色的正提示，表示应包含的区域。在图片上单击鼠标右键，会输入红色的负提示，表示应排除的区域。
图片加载中…
选择完毕后，按“检测”按钮生成蒙版，点击“save to node”保存蒙版。
图片加载中…
目前交互式 SAM 检测器检测出的轮廓比较粗糙，如果你要选择精确的轮廓，请谨慎使用。
局部修复
基于蒙版修复图像
这种方式先用画笔在需要修复的区域涂抹，然后使用遮罩细化节点修复这个对象，适合用来修复没有具体对象或对象边缘不明确的区域。
图片加载中…
重点参数
引导大小：如果蒙版区域小于引导大小时，此功能会放大蒙版区域，使短边达到引导大小的值。如果蒙版区域大于引导大小，图片不会重绘。
引导目标：该参数决定放大图片时，是把裁剪区域放大到“引导大小”，还是把蒙版区域放大到“引导大小”。
最大尺寸：放大图片时，限制边长的最大尺寸。
羽化：将重绘后的图像合成到原始图像上时，边缘的柔和程度。
裁剪系数：扩展裁剪区域，把蒙版周围的像素包含进来。如果该值很小，则恢复可能效果不好，因为无法了解周围的环境。
基于SEGS修复图像
这种方式先使用检测模型检测图像中的物体，然后使用局部细化节点进行修复，适合用来修复容轮廓清晰的区域。
我在前面写了使用多种方式检测图像中的物体，Ultralytics检测器将检测结果输出为SEGS，将SEGS连接到局部细化（detailer）节点即可修复图像，SAM检测器将检测结果输出为遮罩，使用遮罩到Seg（mask to segs）节点将遮罩转换为SEGS，再将SEGS连接到局部细化（detailer）节点即可修复图像。
图片加载中…
这是基于SEGS修复人脸的工作流程，修改此工作流程的检测模型，就可以用来自动检测和修复图片上的其他物体。
面部修复
面部修复本质上也是局部修复，只是修复的区域是人脸，所以可以使用前面的基于SEGS修复图像的工作流程。
除了局部细化以外，Impact Pack还有面部细化（FaceDetailer）节点，本质上是人脸检测节点和局部细化节点的结合。
图片加载中…
如果你喜欢节点简洁一点，就可以使用这个工作流程。
手部修复
手的关节很多，手势千变万化，手指之间还有遮挡，绘画模型很难画好，所以修复一些复杂手势的手需要使用controlnet控制。
方式一：
图片加载中…
方式二：
图片加载中…
图片放大
图片加载中…
K采样像素缩放器（PixelKSampleUpscalerProvider）节点是一个放大器，它使用VAE解码器将潜空间转换为像素，执行放大，再使用 VAE编码器转换回潜在数据，执行采样。此节点可以连接到Latent迭代缩放等节点以供使用。
Latent迭代缩放（IterativeLatentUpscale）节点是将latent按缩放系数放大的节点。它可以把图片的放大过程分为多个步骤，比如把图片放大2倍，步骤数为4时，它就会逐渐把图片放大到原来的1.25倍、1.5倍、1.75倍、2倍。和直接放大2倍相比，迭代缩放可以减少不同分块之间不连贯的问题，但是使用的时间也更长。