【ComfyUI插件】ComfyUI Easy Use插件（一）

前言：

EasyUse 是 ComfyUI 图像生成和处理框架中的一个模块，旨在通过简化的界面和易于配置的节点来提供用户友好的操作体验，特别适合希望快速开始图像生成、修复、增强等任务的用户。

__ComfyUI Easy Use插件（二）: __https://articles.zsxq.com/easyuse/2.html

__ComfyUI Easy Use插件（三）: __https://articles.zsxq.com/easyuse/3.html

__ComfyUI Easy Use插件（四）: __https://articles.zsxq.com/easyuse/4.html

__ComfyUI Easy Use插件（五）: __https://articles.zsxq.com/easyuse/5.html

__ComfyUI Easy Use插件（六）: __https://articles.zsxq.com/easyuse/6.html

__ComfyUI Easy Use插件（七）: __https://articles.zsxq.com/easyuse/7.html

__ComfyUI Easy Use插件（八）: __https://articles.zsxq.com/easyuse/8.html

本期使用的示例工作流在网盘：小黄瓜知识星球资料分享/插件节点讲解视频/ComfyUI_EasyUse/第一期文件夹中

安装方法

1、在manager管理器里面搜索Easy Use进行安装

2、通过git clone进行安装，即在ComfyUI/custom_nodes目录下输入cmd按回车进入终端

__然后在终端输入git clone __https://github.com/yolain/ComfyUI-Easy-Use?tab=readme-ov-file

一、EasyLoader (Comfy)节点

节点功能：该节点了简化和加速加载模型或资源的过程。

可选输入：

optional_lora_stack: 用于将多个 Lora 模型叠加在一起使用

optional_controlnet_stack: 在图像生成中使用多个 ControlNet 模型

参数：

ckpt_name: 选择需要加载的checkpoint大模型

vae_name: 选择要加载的 VAE（变分自编码器）模型

clip_skip: 默认值为 -2，表示跳过特定的 clip 层级

lora_name: 选择是否使用 Lora 模型

lora_model_strength: Lora 模型的强度，控制 Lora 模型的影响力

resolution: 输出图像的分辨率选择

positive 和 negative：分别表示正面和负面提示（prompts），用于图像生成模型的指导。支持多行输入。

输出：

pipe: 返回管道（pipe）,所有的流程汇聚成一个管道

model: 返回加载的模型对象

vae: 返回加载的 VAE 模型对象

二、PreSampling节点

节点功能：该节点是一个用于图像生成过程中采样设置的节点，主要功能是为图像生成过程配置预采样的相关参数，包括步数、采样器类型、调度器、CFG 值等。它可以将采样的设置与图像生成管道（pipeline）结合，为用户提供更精细的图像生成控制。

必需输入 (required)：

pipe: 一个图像生成管道，包含模型、VAE、CLIP、以及图像数据等

可选输入 (optional):

image_to_latent: 输入图像，可以用于将图像转化为潜在空间表示。

latent: 输入的潜在图像数据，直接使用已经存在的潜在图像作为输入。

参数：

steps: 采样的步数，决定图像生成过程中采样的细致程度。

cfg: 影响生成图像的质量和准确度

sampler_name: 采样器类型，选择图像生成时使用的采样器（如 Euler, DDIM 等）

scheduler: 采样器的调度器类型，控制图像生成过程中采样步长的变化。

denoise: 去噪值，用于控制图像生成过程中的噪声去除程度。

seed: 随机种子，控制随机性的生成。

contorl_after_generate: 控制种子变化方式。

输出：

pipe: 返回更新后的图像生成管道（new_pipe）。该管道包含了最新的采样设置（如步数、采样器、调度器等）

三、EasyKSampler节点

节点功能：该节点是一个简化版本的采样节点。该节点主要用于执行图像生成过程中的采样任务，并提供一些简单的配置选项，用户可以通过此节点指定输出的处理方式和其他采样相关的设置。

必需输入 (required)：

pipe: 图像生成管道（pipe），该管道通常包含模型、VAE、CLIP 和采样相关的设置

可选输入(optional)：

model: 可选的模型参数，允许用户选择用于图像生成的模型。

参数:

image_output: 指定输出图像的处理方式

- Hide: 隐藏输出

- Preview: 预览输出

- Preview&Choose: 预览输出并选择

- Save: 保存输出

- Hide&Save: 隐藏并保存输出

- Sender: 将输出发送到其他系统或服务

- Sender&Save: 发送并保存输出

- None: 不输出任何图像

该套文生图流程相比于传统文生图流程简化了很多步骤，__EasyLoader (Comfy)节点__集成了，只需要三个节点就可以完成。

如果此时你觉得easyuse的正向提示词和负向提示词框不太方便使用，此时可单独将正向提示词框和负向提示词框例举出来，如下图所示：

四、Pipe Out和Pipe In节点

节点功能：Pipe Out该节点是个用于输出图像生成管道信息的节点，它从传入的管道中提取关键信息并将这些信息作为输出。该节点的作用是对生成管道的各个部分进行汇总，便于后续操作或调试时使用。Pipe In节点则可以接收Pipe Out节点的输入作为下一个生图流程的输入。

如下图，__Pipe In节点__接收__Pipe Out节点__的输出。

当然这里的节点也不需要全部连上，一般只连接pipe就行，如果后续需要改参数就连上相应的参数。

五、Pipe Edit节点

节点功能：该节点点用于编辑和更新图像生成管道中的各种条件设置，例如正负提示词、模型、VAE、CLIP 以及潜在空间数据。通过此节点，用户可以在现有的生成管道基础上进行调整，以便在生成图像时实现更多的控制。

参数：

positive_token_normalization: 正向条件的标准化方法

- none: 无标准化

- mean: 均值标准化

- length: 长度标准化

- length+mean: 长度+均值标准化

positive_weight_interpretation: 正向条件权重的解释方法，决定如何应用正向提示词的权重

negative_token_normalization: 负向条件的标准化方法

negative_weight_interpretation: 负向条件权重的解释方法

a1111_prompt_style: 是否使用 A1111 风格的提示词格式

conditioning_mode: 条件合成的模式，控制如何结合正向和负向条件

如下图，当我们修改了正向提示词，在__Pipe In__节点上连接__positive__参数，生成图发生变化

六、EasyLoraStack节点

节点功能：该节点是将多个 LORA 模型组合在一起，并允许用户通过不同的方式（简单或高级模式）配置 LORA 的强度和其他参数。

参数：

toggle: 启用或禁用 LORA 堆栈。如果禁用，将不会返回 LORA 堆栈。

mode: 选择简单模式（simple）或高级模式（advanced）

num_loras: 指定堆栈中 LORA 模型的数量，最多为 max_lora_num（此处最大为 10）

lora_1_name: LORA 模型1的名称（从文件列表中获取）。

lora_1_strength: LORA模型1 的强度，适用于simple模式。

Easyuse加载lora的方式可以分为3种。

第一种如下图所示：直接在__EasyLoader (Comfy)__节点中加载lora模型，但只能加载一个。

第二种情况是当lora数量较多时，可以通过外接lora stack节点进行lora管理，如下图所示

但要注意的是有些lora可能会相互冲突，有些lora的使用除了加载lora外还需要提示词去激活lora的使用，这个就需要使用者自己去调试了。

七、Wildcards节点

节点功能：该节点主要目的是生成或更新提示词（prompt），支持通过通配符和 LORA 模型动态地修改文本内容。该类可以处理带有 LORA 块权重和通配符的输入文本，并且能够生成与其相关的多种版本（特别是多行文本的处理）。参数：

Select to add LoRA：选择一个 LORA 模型，并将其添加到文本中。这个选择列表是动态的，包含所有当前可用的 LORA 模型。

Select to add Wildcard：选择一个通配符，并将其添加到文本中。这个选择列表是动态的，包含所有可用的通配符。

seed：用于生成随机数的种子。默认值为 0，最大值受 MAX_SEED_NUM 限制。

multiline_mode：如果为 True，表示输入文本是多行的，将分别处理每一行。否则，将处理整个文本。

第三种方法是通过wildcards进行加载lora使用，这个和webui的加载lora比较类似，具体使用如下图所示：

同时wildcards节点除了加载lora外，还有一个重要的功能，可以支持wildcards，这样我们就可以组合出不同类型的图片了，使用方式如下：

比如我们想要在上图的基础上组合出不同头发颜色的女孩，就可以采样加载wildcard的方式实现，具体参考下图

其中__colors__ 代表我们想要加载头发颜色的组合，这里可以看出我们加载了文件中的粉色的头发，而这个颜色是来自于下面wildcards的文件里

下图是加载的wildcards文件的位置所在，如果你有想要使用的wildcards文件或者自己编写的文件都可以放在这个位置

文件里的内容是这种格式：

通过使用wildcards的方式就不必我们每次手动输入各式各样的提示词类型组合，而是通过wildcards组合的方式选出我们最希望得到的组合方式，提高了工作效率。

八、EasyControlnet和EasyControlnet (Advanced)节点

节点功能：该节点作用是将 ControlNet 应用于现有的图像处理管线，并根据给定的参数生成图像的“正向”条件和“负向”条件。

输入：

pipe: 输入管道对象，包含有关图像生成的上下文信息，例如模型、条件、图像等。

image: 输入图像，通常是原始的图像数据

control_net: 可选的 ControlNet 模型对象。如果没有提供，将使用 control_net_name 中指定的模型。

参数：

control_net_name: ControlNet 模型的名称，从可用的 ControlNet 模型列表中选择。

strength: ControlNet模型控制强度，范围从 0 到 10，默认值为 1.0。较高的强度表示效果更明显。

start_percent: ControlNet开始应用的百分比，范围从 0 到 1，默认值为 0.0。表示从哪个阶段开始应用ControlNet的效果。

end_percent: ControlNet结束的百分比，范围从 0 到 1，默认值为 1.0。表示在哪个阶段停止应用ControlNet的效果。

scale_soft_weights: 控制软权重的比例，默认值为 1.0。调整权重的缩放可以影响效果的平滑程度。

其中，__Easycontrolnet（Advanced）__包含了EasyControlnet，所以我们就以__Easycontrolnet（Advanced）__为例，如下图所示，使用pose给EasyControlnet提供了骨骼图，最后生成出固定姿势的图片。

接下来，在常用的情况下，我们也会需要其它的controlnet模型，这时候我们就需要controlnet的预处理器了，这个通过插件可以通过在manager里面搜索control找到

九、ImageSize和ImageSize (Side)和ImageSize (LongerSide)节点

节点功能：获取图片的分辨率属性。

如下图，其中__ImageSize (Side)__节点有选择Longest和Shortest选项，Longest就和__ImageSize (LongerSide)__节点一样，输出长和宽之间的最大值，Shortest则是输出长和宽之间的最小值。

十、ImagePixelPerfect节点

节点功能：根据给定的图像和调整模式来估算一个“完美”的分辨率。这个节点在处理图像时常常用于动态计算图像的目标分辨率，尤其是在图像缩放或调整时，需要确保输出图像在某些情况下尽可能符合给定的条件。

参数：

resize_mode: 缩放模式，决定如何计算目标“完美像素”

- Just Resize: 常规的缩放方法，目标分辨率等于最大比例的缩放结果。

- Crop and Resize: 计算使图像完全适应一个给定尺寸的最小分辨率。

- Resize and Fill: 计算使图像完全适应外部框架的最大分辨率。

但实际用起来感觉差别不大，“完美像素”都是取的最小值。

这里可以在__EasyLoader(Comfy）__节点中选择自定义分辨率，将计算的分辨率输出转换到__EasyLoader(Comfy）__节点长和宽的输入，这样输出的图像能够更好的适配输入图像的大小。

十一、HiresFix节点

节点功能：该节点的主要目的是对图像进行高清修复和分辨率提升，同时提供灵活的调整选项，确保图像质量和细节得到最大化保留。

参数：

model_name: 使用的超分辨率模型名称

rescale_after_model: 是否在模型处理后进行额外的缩放。默认为 True，即在模型输出后应用缩放。

rescale_method: 后处理的缩放方法

rescale: 确定如何进行缩放。

- by percentage: 按百分比缩放

- to Width/Height: 按指定的宽高进行缩放

- to longer side - maintain aspect: 保持纵横比，以较长边为基础进行缩放

percent: 缩放百分比。用于在 by percentage 缩放模式下控制缩放的比例。

crop: 图像裁剪方式

- disabled: 不裁剪

- center: 居中裁剪

这里选择百分比放大，且放大百分比是百分之50，所以最终结果就是放大到原图的2倍，画质有了提升。

十二、PreDetailerFix节点

节点功能：该节点主要用于图像的预细节修复，通过为图像处理提供更精细的控制选项，改善图像的细节表现。

必需输入（required）：

pipe: 当前图像处理管道的相关信息，包括模型、图像、VAE等。

可选输入（optional）：

bbox_segm_pipe: 可选的边界框分割管道，用于辅助修复区域的选择。

sam_pipe: 可选的 SAM（Segment Anything Model）管道，用于提供分割信息。

optional_image: 可选的额外图像输入，默认从管道中获取图像。

参数：

guide_size: 引导图像的尺寸。默认为 256，指定了图像修复时的参考尺寸。

guide_size_for: 是否将 guide_size 用于边界框（bbox）或者裁剪区域（crop_region）。默认为 True，即用于边界框。

max_size: 最大图像尺寸，默认为 768，限制图像在修复过程中不超过此尺寸。

feather: 羽化程度，控制修复图像的边缘柔化效果。默认为 5。

noise_mask: 是否启用噪声掩膜，默认为启用（True）。

force_inpaint: 是否强制执行图像重绘，默认为启用（True）。

drop_size: 控制修复时的丢弃大小，影响图像修复区域的选择。

wildcard: 用于动态生成的提示文本，可以在图像修复过程中作为变动输入。

cycle: 图像修复的循环次数，默认为 1。

该节点需要搭配__UltralyticsDetector (Pipe)和__SAMLoader (Pipe)和DetailerFix__节点使用，用于脸部修复。具体参数细节可搭配__ComfyUI Impact 节点（二）：FaceDetailer / FaceDetailer(Pipe)节点https://articles.zsxq.com/id_p5i8ma1vw7hn.html使用。