【AI学习-comfyUI学习-图生图反推关键词工作流-各个部分学习-第五节】
【AI学习-comfyUI学习-图生图反推关键词工作流-各个部分学习-第五节】
- 1，前言
- 2，说明
-
- 1，流程说明
- 2，想要什么
- 3，流程
-
-
- （1）调用模块
-
- 1）整个模块部分
- 2）整个模块部分
- （2）输出 提示词
- （3）模型加载
- （4）生成图片
-
- 4，模块介绍
-
- 🎯 一、K采样器（KSampler）是什么？
- 🧠 二、采样器的选择影响风格
- ⚙️ 三、CFG（提示词引导强度）的作用
- 🧩 四、步数（Steps）
- 🖋 五、参数组合推荐（针对漫画风）
- 🧩 六、与提示词/模型的关系
- 5，细节部分
-
- （1）clip input is invalid: None
- 🧩 一、问题原因（通俗解释）
- ⚙️ 二、解决方法（两种方案）
-
- ✅ 方案一：为 Flux 模型添加独立 CLIP 模型节点
-
- 步骤：
- ✅ 方案二：换成自带CLIP的Checkpoint模型
- （2）单独的图反推文字模块
-
- （1）单独的图反推文字模块部分
- （2）推出来的描述词
- （3）使用AI生成图片
- （4）WD14 反推提示词 (WD14 Tagger)
- 6，使用的工作流
- 7，总结
1，前言
最近，学习comfyUI，这也是AI的一部分，想将相关学习到的东西尽可能记录下来。
2，说明
1，流程说明
整个工作流分为 三大部分：输入 → 关键词反推 → 重生成输出。
加载原图 → VAE编码 → WD14反推关键词↓手动或自动编辑 prompt↓CLIP编码 → K采样生成↓VAE解码 → 保存图像
2，想要什么
在测试过程中有很多次其实，生成都是不是想要的图，所以多多测试。
3，流程
（1）调用模块
1）整个模块部分
这回整个模块都可以截截图下了
2）整个模块部分
（2）输出 提示词
如下是输入提示词
manga style, colorful anime landscape, a small concrete water gate beside a clear stream,
surrounded by dense green forest, moss-covered walls, sunlight filtering through trees,
soft cel shading, detailed background, japanese rural scenery, studio ghibli style（3）模型加载
（4）生成图片
4，模块介绍
🎯 一、K采样器（KSampler）是什么？
KSampler 是 生成图像的核心节点，可以理解成「图像生成的引擎」，负责：
- 根据模型（UNet）、VAE、提示词（CLIP编码）共同计算“图像的逐步生成过程”；
- 通过不同算法（采样器）控制风格、细节、对比度、平滑度；
- CFG（Classifier-Free Guidance）系数控制“提示词的影响力”。
你现在的采样器参数如下：
采样方法：euler
步骤（Steps）：20
CFG：8.0
调度器：normal
随机种子：839999589484827
这套参数偏向“写实或柔和”风格，不够强调漫画的线条与对比。
🧠 二、采样器的选择影响风格
| 采样方法 | 特性 | 适合的风格 |
|---|---|---|
| Euler |