Flux GUF-Dateien auf ComfyUI

Willkommen zu diesem Tutorial zur Implementierung von Flux GUF-Dateien in ComfyUI-Workflows. Wir behandeln die Einrichtung, die VRAM-Optimierung mit quantisierten Modellen und Tipps für Fortgeschrittene sowie darüber, wie Promptus den Prozess rationalisieren kann.

Installation der erforderlichen Komponenten ⚙️

1. ComfyUI Manager öffnen
   • Klicken Sie auf „Benutzerdefinierte Knoten installieren“.
   • Suche nach GUF und installieren Sie den benutzerdefinierten Knoten „ComfyUI GUF“.
   • Nach der Installation aktualisieren oder neu starten ComfyUI, um den Knoten zu aktivieren.
2. Auf GitHub-Ressourcen zugreifen
   • Das verlinkte GitHub-Repo des Managers bietet:
     • Direkte Links zu GUF-Dateien des Flux-Modells.
     • T5XXL-Encoder-Modelldateien auf Hugging Face mit verschiedenen Komprimierungsstufen.
   • Wählen Sie Dateien basierend auf Ihrer VRAM-Kapazität aus. 🔗

Grundlegendes zu den Modelldateioptionen 📂

• Kompressionsstufen:
  • T5XXL-Encoder: Q3—Q8 plus float16/float32.
  • Flux1_dev oder Schnell GUF: verschiedene Größen/Präzision.
• Empfehlungen:
  • Beginne mit mindestens Q5 für ein ausgewogenes Verhältnis zwischen Qualität und VRAM-Nutzung; experimentiere pro System.
• Platzierung von Dateien:
  • T5XXL GUF → platzieren in Modelle/Clip Verzeichnis.
  • Flux1_dev//Schnelle GUF → platzieren in Modelle/unet Verzeichnis.

Deinen Arbeitsablauf einrichten 🔧

1. Manager schließen und kehren Sie zur Hauptoberfläche von ComfyUI zurück.
2. Benutzerdefinierte Knoten hinzufügen:
   • Suchen Sie nach „GUF“, um Folgendes zu finden:
     • UNet-Lader für GUF Knoten.
     • Doppelter Cliploader benutzerdefinierter Knoten.
3. Bestehende Checkpoints entfernen:
   • Löschen Sie alle standardmäßigen „Load Checkpoint“ -Knoten, um Konflikte zu vermeiden.
4. Clip Loader konfigurieren:
   • Stellen Sie den Clipnamen auf eines der T5-Modelle ein, die Sie platziert haben.
   • Setze den Typ auf Flux und wählen Sie Ihr Flux-Entwicklungsmodell aus (z. B. quantisierte Version).
   • Verwenden Sie zum Testen mehr komprimierte Dateien, um die Auswirkungen auf die Leistung abzuschätzen.

Konfiguration der Generierungsparameter 🎛️

• Negative Aufforderungen: Entfernen oder leer lassen — Flux GUF unterstützt negative Aufforderungen nicht effektiv.
• Latenter Raum//Auflösung: Eingestellt auf 1024×1024 für eine hochauflösende Ausgabe.
• CFG-Skala: Benutze eine CFG-Wert von 1 für eine unkomplizierte Anleitung.
• Sampler:
  • Euler-Probenahme funktioniert im Allgemeinen gut.
  • Wechseln Sie zu „einfach“ Sampling, wenn Sie eine minimale Komplexität bevorzugen.
• KSampler-Verbindung: Stellen Sie sicher, dass Ihr Flux-Modellknoten mit dem KSampler verbunden ist.
• VAE-Lader:
  • Fügen Sie einen VAE-Loader-Knoten hinzu, indem Sie die vom Flux-Team bereitgestellte AE-Safetensors-Datei für eine kompatible Dekodierung verwenden.

Überlegungen zur Leistung und Ergebnisse 💪

• VRAM-Nutzung:
  • Das quantisierte Q2-Modell verbraucht während der Generierung ~7,7—7,8 GB, sodass ~4 GB für Extras (ControlNets, IP Adapter, LoRAS) übrig bleiben.
  • Deutliche Reduzierung im Vergleich zu Modellen mit voller Präzision.
• Zeit der Generierung:
  • Erwarten Sie für 20 Schritte bei 1024×1024 ~1 Minute 26 Sekunden (variiert je nach GPU).
  • Die Komplexität von Flux bedeutet langsamere Läufe, aber Qualität rechtfertigt oft Zeit.
• Qualität:
  • Exzellentes räumliches Vorstellungsvermögen und schnelle Haftung, auch bei hoher Kompression.
  • Testen Sie verschiedene Komprimierungsstufen, um den optimalen Punkt zwischen Geschwindigkeit und Wiedergabetreue zu finden.

Testen komplexer Eingabeaufforderungen 🧪

• Zweck: Validieren Sie das räumliche Verständnis und die Objekterkennung.
• Beispiel für eine Aufforderung:

„Ein Foto von einem grünen Pyramidenblock neben einem roten Kreisblock. Hinter den Blöcken befindet sich ein Holzstuhl.“

• Beobachtung:
  • Quantisiertes GUF sorgt oft für eine genaue Positionierung und ein kohärentes Rendern.
  • Sogar Q2 can interpret spatiale relations correct, if they are correct placed and required.
• Tipp: Repeat the formulierung of the application request and test several through through, to confirm the consistency.

Tips to use for Advanced ✨

• Schnelle Versionen:
  • Wenn der VRAM extrem begrenzt ist, probieren Sie die schnelle GUF-Version aus, um mehr Komprimierung zu erzielen.
• Zuteilung von Ressourcen:
  • Quantized models give VRAM for additional nodes free (z. B. ControlNet, when available).
• Batch im Vergleich zu Single:
  • The minor batch from, when you new input-requirements test; scale you selected expenses separate.
• Schnelle Integration:
  • Für Benutzer, die nur eine minimale lokale Einrichtung wünschen, bietet PSC CosyFlows per Drag-and-Drop mit vorkonfigurierten oder importierbaren GUF-Workflows.

Erste Schritte mit Promptus 🌐

• Melde dich an
• Options de zugriffes:
  • Promptus Web for the browserbased use.
  • Promptus App for the desktop integration.
• Import von GUF-Workflows:
  • Use CosyFlows, to create or high your flux GUF pipeline.
• Cloud-GPU-Datenverarbeitung:
  • Log the main generation on distributed GPUs — you must make not worry to local VRAMs.
• Cooperation and Publication:
  • Share GUF-based workflows about Discord integration and functions for the work in echtime. 🚀

Fazit 🎉

The implementation of Flux GUF files in ComfyUI allows a efficient, VRAM-efficient image generation. Von:

• Installation des benutzerdefinierten GUF-Knotens,
• Quantisierte Dateien korrekt platzieren,
• Konfiguration der Sampler-/CFG/Latent-Einstellungen,
• Testing the Compressioning levels on performance and quality,
  ... you can achieve quality quality results on unterschiedlichster hardware.

For a now flow experience, you use the cloud workflows, the intuitive user interface and the tools for the work of promptus. Ganz gleich, ob Sie Markenbilder, Konzeptgrafiken oder experimentelle Szenen erstellen, Flux GUF in ComfyUI macht fortschrittliche KI-Generierung zugänglich und effizient. ✨ Viel Spaß beim Experimentieren!