ComfyUI-Impact-Pack

ComfyUI 自定义节点包 此节点包通过检测器、细节增强器、超分辨率模型、管道等功能，帮助您便捷地增强图像。

注意：UltralyticsDetectorProvider 节点不属于 ComfyUI-Impact-Pack。如需使用 UltralyticsDetectorProvider 节点，请单独安装 ComfyUI-Impact-Subpack。

注意事项

• V8.24：由于 DifferentialDiffusion 的结构变化，此兼容性补丁需要 ComfyUI 0.3.63 或更高版本。
• V8.19：移除了旧版节点（如 mmdet 等）。
• V8.18：支持 facebookresearch/sam2 模型。
• V8.0：Impact Subpack 不再自动安装。如需使用 UltralyticsDetectorProvider 节点，请单独安装 Impact Subpack。
• V7.6：不再支持自动安装。请使用 ComfyUI-Manager 进行安装，或手动安装 requirements.txt 并运行 install.py 完成安装。
• V7.0：支持基于执行模型反转的切换功能。
• V6.0：在 Impact KSampler、Detailers 和 PreviewBridgeLatent 中支持 FLUX.1 模型。
• V5.0：不再兼容 2024 年 4 月 8 日之前的 ComfyUI 版本。
• V4.87.4：请更新至 2024 年 4 月 8 日之后的 ComfyUI 版本，以确保正常运行。
• V4.85：与过时的 ComfyUI IPAdapter Plus 不兼容。（需使用 3 月 24 日或之后的版本。）
• V4.77：已应用兼容性补丁。要求 ComfyUI 版本为 10 月 8 日或之后。
• V4.73.3：ControlNetApply (SEGS) 支持 AnimateDiff。
• V4.20.1：由于 RegionalSampler 功能更新，参数顺序发生了变化，导致之前创建的 RegionalSamplers 出现故障。请相应调整参数。
• V4.12：MASKS 已更改为 MASK。
• V4.7.2 与旧版本的 ControlNet 辅助预处理器 不兼容。如需使用 MediaPipe FaceMesh to SEGS，请更新至最新版本（9 月 17 日）。
• 自 V3.16 起，选择权重语法已更改（: -> ::）。（教程）
• 自 V3.6 起，需要 ComfyUI 最新版本（8 月 8 日，9ccc965）。
• 在 V3.3.1 以下版本中，使用 UltralyticsDetectorProvider 后生成的图像质量存在问题。请务必升级到较新版本。
• 自 V3.0 起，与 mmdet 相关的节点为可选节点，仅根据配置设置启用。
  • 通过 ComfyUI-Impact-Subpack，您可以利用 UltralyticsDetectorProvider 访问多种检测模型。
• 在 2.22 和 2.21 版本之间，Detailer 工作流存在部分兼容性损失。若继续使用现有工作流，执行时可能会出现错误。Detailer 相关节点新增了一个名为 “enhanced_alpha_list” 的输出。
• Impact Pack 安装过程中出现的 cv2 权限错误已在 2.21.4 版本中修复。但请注意，需要使用最新版本的 ComfyUI 和 ComfyUI-Manager。
• “PreviewBridge” 功能可能无法在 2023 年 7 月 1 日之前发布的 ComfyUI 版本上正常工作。
• 尝试在 2023 年 6 月 27 日之前发布的 ComfyUI 版本上加载 “ComfyUI-Impact-Pack”，将会失败。
• 随着 FaceDetailer 中通配符支持的加入，DETAILER_PIPE 相关节点和 Detailer 节点的结构发生了变化。使用现有工作流时可能出现故障。

安装方法

推荐方式

• 通过 ComfyUI-Manager 安装。

手动安装

• 在终端（cmd）中导航至 ComfyUI/custom_nodes。
• 使用以下命令将仓库克隆到 custom_nodes 目录下：

  git clone https://github.com/ltdrdata/ComfyUI-Impact-Pack comfyui-impact-pack
  cd comfyui-impact-pack
  

• 在您的 Python 环境中安装依赖项。
  • 对于 Windows 可移植版，在 ComfyUI\custom_nodes\comfyui-impact-pack 内运行以下命令：

    ..\..\..\python_embeded\python.exe -m pip install -r requirements.txt
    

  • 如果使用 venv 或 conda，请先激活 Python 环境，然后运行：

    pip install -r requirements.txt
    

伴侣包

• 如需使用 Ultralytics Detector Provider 来访问各种 YOLO 检测模型，还应安装 ComfyUI-Impact-Subpack。

自定义节点

检测节点

• SAMLoader (Impact) - 加载 SAM 模型。
• ONNXDetectorProvider - 加载 ONNX 模型以提供 BBOX_DETECTOR。
• CLIPSegDetectorProvider - CLIPSeg 的封装，用于提供 BBOX_DETECTOR。
  • 需要安装 ComfyUI-CLIPSeg 节点扩展。
• SEGM Detector (combined) - 检测分割并从输入图像中返回掩码。
• BBOX Detector (combined) - 检测边界框并从输入图像中返回掩码。
• SAMDetector (combined) - 利用 SAM 技术，在输入图像上提取由输入 SEGS 指定位置的分割区域，并将其输出为统一的掩码。
• SAMDetector (Segmented) - 类似于 SAMDetector (combined)，但它会将检测到的分割区域分开并分别输出。对于同一检测区域，可能会找到多个分割区域，目前的策略是将它们任意地每三个一组进行分组。这一部分预计在未来会得到改进。
  • 因此，它会输出一个统一的 combined_mask 掩码，以及以批次形式组合的多个 batch_masks 掩码。
  • 虽然 batch_masks 可能不会完全分离，但它提供了进行一定程度分割的功能。
• Simple Detector (SEGS) - 主要使用 BBOX_DETECTOR 运行，同时通过提供 SAM_MODEL 或 SEGM_DETECTOR，该节点会在内部通过对 bbox 和 silhouette 进行掩码操作来生成更优的 SEGS。它是一个方便的工具，可以简化较为复杂的流程。
• Simple Detector for Video (SEGS) – 对由图像帧组成的视频进行检测。它不是使用单个掩码，而是对每一帧图像单独进行检测，并生成包含一批掩码的 SEGS 对象。
• SAM2 Video Detector (SEGS) – 类似于 Simple Detector for Video (SEGS)，但利用 SAM2 的视频跟踪技术生成包含一批掩码的 SEGS 对象。
  • 使用该节点时，必须在 SAMLoader 中选择一个 SAM2 模型。

ControlNet、IPAdapter

• ControlNetApply (SEGS) - 若要在 SEGS 中应用 ControlNet，需要使用 Inspire Pack 中的 Preprocessor Provider 节点来配合使用此节点。
  • 可以选择性地应用 segs_preprocessor 或 control_image。如果提供了 control_image，则会忽略 segs_preprocessor。
  • 如果设置为 control_image，可以通过 SEGSPreview (CNET Image) 预览裁剪后的 cnet 图像。由 segs_preprocessor 生成的图像应通过每个 Detailer 的 cnet_images 输出进行验证。
  • segs_preprocessor 是在细化过程中基于裁剪后的图像实时进行预处理，而 control_image 则会被裁剪后作为输入传递给 ControlNetApply (SEGS)。
• ControlNetClear (SEGS) - 清除 SEGS 中已应用的 ControlNet。
• IPAdapterApply (SEGS) - 若要在 SEGS 中应用 IPAdapter，同样需要使用 Inspire Pack 中的 Preprocessor Provider 节点来配合使用此节点。

掩码操作

• Pixelwise(SEGS & SEGS) - 在两个 SEGS 之间执行“逐像素与”操作。
• Pixelwise(SEGS - SEGS) - 从一个 SEGS 中减去另一个 SEGS。
• Pixelwise(SEGS & MASK) - 在 SEGS 和 MASK 之间执行逐像素 AND 操作。
• Pixelwise(SEGS & MASKS ForEach) - 在 SEGS 和 MASKS 之间执行逐像素 AND 操作。
  • 请注意，此操作是对一批 MASKS 而非单个 MASK 进行的。
• Pixelwise(MASK & MASK) - 在两个掩码之间执行“逐像素与”操作。
• Pixelwise(MASK - MASK) - 从一个掩码中减去另一个掩码。
• Pixelwise(MASK + MASK) - 将两个掩码合并。
• SEGM Detector (SEGS) - 检测分割并从输入图像中返回 SEGS。
• BBOX Detector (SEGS) - 检测边界框并从输入图像中返回 SEGS。
• Dilate Mask - 扩张掩码。
  • 支持使用负值进行腐蚀。
• Gaussian Blur Mask - 对掩码应用高斯模糊。可用于掩码羽化。
• Mask Rect Area - 基于百分比创建矩形掩码，并可在预览画布上查看。
• Mask Rect Area (Advanced) - 基于像素和图像尺寸创建矩形掩码。

细化节点

• Detailer (SEGS) - 根据 SEGS 对图像进行细化。

• Detailer (SEGS) with auto retry - 根据 SEGS 对图像进行细化，如果补丁全部为黑色，则会自动重试。

• DetailerDebug (SEGS) - 根据 SEGS 对图像进行细化。此外，它还提供了监控裁剪图像以及裁剪图像细化结果的能力。

  • 为了避免在使用“external_seed”时因每次种子不变而导致的重复生成，请在“Detailer…”节点中关闭“seed random generate”选项。

• MASK to SEGS - 根据掩码生成 SEGS。

• MASK to SEGS For Video - 根据视频中的掩码生成 SEGS。（由 MASK to SEGS For AnimateDiff 更名而来）

  • 当使用单个掩码时，将其转换为 SEGS 以应用于整个帧。
  • 当使用批量掩码时，轮廓填充功能将被禁用。

• MediaPipe FaceMesh to SEGS - 从 MediaPipe 面部网格图像中分离出每个地标，创建带标签的 SEGS。

  • 通常，通过 MediaPipe 面部网格预处理器生成的图像会被缩小。它会将 MediaPipe 面部网格图像调整回原始大小，以便在处理过程中与 reference_image_opt 提供的参考图像尺寸匹配。

• ToBinaryMask - 将使用 0 到 255 之间 alpha 值生成的掩码分离为 0 和 255。非零部分始终设置为 255。

• Masks to Mask List - 该节点将批量的 MASKS 转换为单个掩码列表。

• Mask List to Masks - 该节点将掩码列表转换为批量掩码形式。

• EmptySEGS - 提供一个空的 SEGS。

• MaskPainter - 提供绘制掩码的功能。

• FaceDetailer - 轻松检测人脸并进行优化。

• FaceDetailer (pipe) - 轻松检测人脸并进行优化（适用于多通道）。

• MaskDetailer (pipe) - 这是一个简单的 inpaint 节点，可将 Detailer 应用于掩码区域。

• FromDetailer (SDXL/pipe), BasicPipe -> DetailerPipe (SDXL), Edit DetailerPipe (SDXL) - 这些是用于 Detailer 的管道函数，旨在利用 SDXL 的细化模型。

• Any PIPE -> BasicPipe - 将其他自定义节点中并非 BASIC_PIPE，但内部结构与 BASIC_PIPE 相同的 PIPE 值转换为 BASIC_PIPE。如果应用了不兼容的类型，可能会导致运行时错误。

SEGS 操作节点

• SEGSDetailer - 对 SEGS 进行细节处理，但不将其贴回原图。
• SEGSPaste - 将 SEGS 的处理结果贴回原图。
  • 如果提供了 ref_image_opt，则会忽略 SEGS 中包含的图像。取而代之的是，使用 ref_image_opt 中与 SEGS 裁剪区域对应的部分进行粘贴。ref_image_opt 中的图像尺寸应与原图尺寸相同。
  • 此节点可与 AnimateDiff 的处理结果结合使用。
• SEGSPreview - 提供 SEGS 的预览。
  • 该选项用于在将改进后的图像合并回原图之前，通过 SEGSDetailer 预览其效果。在经过 SEGSDetailer 处理前，SEGS 只包含掩码信息，而不包含图像信息。如果连接了 fallback_image_opt 作为原图，则 SEGS 将使用原图生成无图像信息的预览。然而，如果 SEGS 已经包含图像信息，则 fallback_image_opt 将被忽略。
  • 此节点可与 AnimateDiff 的处理结果结合使用。
• SEGSPreview (CNET Image) - 用于调试目的，显示通过 ControlNetApply (SEGS) 配置的图像。
• SEGSToImageList - 将 SEGS 转换为图像列表。
• SEGSToMaskList - 将 SEGS 转换为掩码列表。
• SEGS Filter (label) - 根据检测区域的标签对 SEGS 进行过滤。
• SEGS Filter (ordered) - 根据大小和位置对 SEGS 进行排序，并提取特定范围内的 SEG。
• SEGS Filter (range) - 仅从 SEGS 中提取尺寸和位置在特定范围内的 SEG。
• SEGS Filter (non max suppression) - 根据交并比（IoU）阈值，移除重叠度高的 SEG，仅保留置信度最高的检测结果。
• SEGS Filter (intersection) - 根据交集面积（IoA）阈值，从 segs1 中筛选出与 segs2 中任何 SEG 均无显著重叠的 SEG。
• SEGS Assign (label) - 按顺序为 SEGS 分配标签。此节点在与 FaceDetailer 的 [LAB] 结合使用时非常有用。
• SEGSConcat - 将 segs1 和 segs2 拼接在一起。如果 segs1 和 segs2 的源形状不同，则 segs2 将被忽略。
• SEGS Merge - SEGS 包含多个 SEG。SEGS Merge 可将多个 SEG 整合为一个合并后的 SEG。标签将变为 merged，置信度则取最低值。应用的 ControlNet 和裁剪后的图像将被移除。
• Picker (SEGS) - 在输入的 SEGS 中，可通过对话框选择特定的 SEG。若未选择任何 SEG，则输出空的 SEGS。增加 SEGSDetailer 的 batch_size 可用于从候选中进行选择。
• Set Default Image For SEGS - 为 SEGS 设置默认图像。以这种方式设置图像的 SEGS 不再需要设置后备图像。当 override 设置为 false 时，将保留原图。
• Remove Image from SEGS - 移除通过 “Set Default Image for SEGS” 或 SEGSDetailer 配置的 SEGS 图像。移除 SEGS 的图像后，Detailer 节点将基于当前处理的图像而非 SEGS 运行。
• Make Tile SEGS - [实验性] 从图像创建瓦片形式的 SEGS，以便于使用 Detailer 进行分块放大实验。
  • filter_in_segs_opt 和 filter_out_segs_opt 是可选输入。如果提供了这些输入，在创建瓦片时，每个瓦片的掩码将通过与 filter_in_segs_opt 的掩码叠加，并排除与 filter_out_segs_opt 的掩码重叠来生成。掩码为空的瓦片将不会被创建为 SEGS。
• Dilate Mask (SEGS) - 对 SEGS 中的掩码进行膨胀/腐蚀操作。
• Gaussian Blur Mask (SEGS) - 对 SEGS 中的掩码应用高斯模糊。
• SEGS_ELT Manipulation - 实验性节点
  • DecomposeSEGS - 将 SEGS 分解，以便进行详细操作。
  • AssembleSEGS - 将分解后的 SEGS 重新组装。
  • From SEG_ELT - 从 SEG_ELT 中提取详细信息。
  • Edit SEG_ELT - 修改 SEG_ELT 中的部分信息。
  • Dilate SEG_ELT - 膨胀 SEG_ELT 的掩码。
  • From SEG_ELT bbox - 从 SEG_ELT 中的 bbox 提取坐标。
  • From SEG_ELT crop_region - 从 SEG_ELT 中的 crop_region 提取坐标。
• Count Elt in SEGS - 计算 SEGS 中的元素数量。

管道节点

• ToDetailerPipe, FromDetailerPipe - 这些节点用于将 Detailer 中使用的多个输入（如模型、VAE 等）打包成一个 DETAILER_PIPE，或从 DETAILER_PIPE 中提取已打包的元素。
• ToBasicPipe, FromBasicPipe - 这些节点用于将模型、CLIP、VAE、正向条件和反向条件打包成一个 BASIC_PIPE，或从 BASIC_PIPE 中提取各个元素。
• EditBasicPipe, EditDetailerPipe - 这些节点用于替换 BASIC_PIPE 或 DETAILER_PIPE 中的部分元素。
• FromDetailerPipe_v2, FromBasicPipe_v2 - 功能与 FromDetailerPipe 和 FromBasicPipe 相同，但额外提供了一个直接导出输入管道的输出。这在编辑 EditBasicPipe 和 EditDetailerPipe 时非常有用。
• Latent Scale (on Pixel Space) - 本节点将潜在空间转换为像素空间，对其进行放大，然后再转换回潜在空间。
  • 如果提供了 upscale_model_opt，则使用该模型对像素进行放大，随后使用 scale_method 中提供的插值方法将其缩小到目标分辨率。
• PixelKSampleUpscalerProvider - 提供一种放大器，它使用 VAEDecode 将潜在空间转换为像素，执行放大操作，再使用 VAEEncode 将其转换回潜在空间，最后进行 k-sampling。这种放大器可以附加到 Iterative Upscale 等节点上使用。
  • 类似于 Latent Scale (on Pixel Space)，如果提供了 upscale_model_opt，则会使用该模型进行像素放大。
• PixelTiledKSampleUpscalerProvider - 与 PixelKSampleUpscalerProvider 类似，但它使用 ComfyUI_TiledKSampler 和 Tiled VAE 解码器/编码器，以避免在高分辨率下出现 GPU VRAM 问题。
  • 需要安装 BlenderNeko/ComfyUI_TiledKSampler 节点扩展。

PK_HOOK

• DenoiseScheduleHookProvider - IterativeUpscale 提供了一个钩子，随着迭代步骤的推进，逐渐将去噪强度调整为目标去噪强度。
• CfgScheduleHookProvider - IterativeUpscale 提供了一个钩子，随着迭代步骤的推进，逐渐将 CFG 强度调整为目标 CFG 强度。
• StepsScheduleHookProvider - IterativeUpscale 提供了一个钩子，随着迭代步骤的推进，逐渐将采样步数调整为目标步数。
• NoiseInjectionHookProvider - 在 IterativeUpscale 的每次迭代过程中，会根据预设的时间表逐步调整噪声强度，并向潜在空间注入噪声。
  • 需要安装 BlenderNeko/ComfyUI_Noise 节点扩展。
  • 种子用于生成初始噪声值，每次迭代时种子值会递增 1。
  • 源参数决定了配置 CPU 噪声还是 GPU 噪声。
  • 目前仅提供一种简单的时间表：在每次迭代过程中，噪声强度从 start_strength 逐渐变化到 end_strength。
• UnsamplerHookProvider - 在每次迭代中应用 Unsampler。使用此节点前需先安装 ComfyUI_Noise 扩展。
• PixelKSampleHookCombine - 用于连接两个 PK_HOOK。首先执行 hook1，然后再执行 hook2。
  • 如果希望同时调整 CFG 和去噪强度，可以将 CfgScheduleHookProvider 和 PixelKSampleHookCombine 结合使用。

DETAILER_HOOK

• NoiseInjectionDetailerHookProvider - detailer_hook 是 Detailer 中的一个钩子，在处理每个 SEGS 的过程中注入噪声。
• UnsamplerDetailerHookProvider - 在每次循环中应用 Unsampler。使用此节点前需先安装 ComfyUI_Noise 扩展。
• DenoiseSchedulerDetailerHookProvider - 在循环进行的过程中，详细器的去噪强度会被调整至 target_denoise。
• CoreMLDetailerHookProvider - CoreML 仅支持 512x512、512x768、768x512、768x768 尺寸的采样。CoreMLDetailerHookProvider 会精确地将裁剪区域的放大尺寸固定为这些规格。使用此钩子时，无论 guide_size 如何，都会始终选择上述尺寸。然而，如果 guide_size 过小，则可能会出现跳过的情况。
• DetailerHookCombine - 用于连接两个 DETAILER_HOOK。与 PixelKSampleHookCombine 类似。
• SEGSOrderedFilterDetailerHook、SEGSRangeFilterDetailerHook、SEGSLabelFilterDetailerHook - 这些是包装节点，通过创建 DETAILER_HOOK，为 FaceDetailer 或 Detector 提供 SEGSFilter 节点。
• PreviewDetailerHook - 连接此钩子节点有助于在每次完成 SEGS 详细化任务后查看预览效果。当处理大量 SEGS 时，例如制作拼贴 SEGS，它可以让用户逐步监控处理进度。
  • 由于该钩子是在最终粘贴回原始图像时应用的，因此对 SEGSDetailer 等节点没有影响。
• VariationNoiseDetailerHookProvider - 向详细器应用变异种子。可以通过组合方式分多个阶段应用。
• CustomSamplerDetailerHookProvider - 应用一个允许在 Detailer 节点中使用自定义采样器的钩子。当使用 DetailerHookCombine 时，会优先应用第一个钩子中的采样器。
• LamaRemoverDetailerHookProvider - 在详细化阶段，将 Lama Remover 应用于放大后的图像。如果设置 skip_sampling 为 True，则可单独使用 Lama Remover 而无需经过详细化阶段，直接移除检测到的区域。
  • 不适用于 AnimateDiff 详细器。使用 DetailerHookCombine 时，只有当所有钩子都设置为 True 时，才会生效 skip_sampling。
  • 使用此节点前，需安装位于 Layer-norm/comfyui-lama-remover 的节点包。

迭代式放大节点

• Iterative Upscale (Latent/on Pixel Space) - 该放大器接收输入放大器，并将缩放因子拆分为若干步骤，然后逐次进行放大操作。此节点以潜在空间作为输入，输出也为潜在空间。
• Iterative Upscale (Image) - 该放大器接收输入放大器，并将缩放因子拆分为若干步骤，然后逐次进行放大操作。此节点以图像作为输入，输出也为图像。
  • 内部实现上，该节点使用的是 Iterative Upscale (Latent)。

双采样器节点

• TwoSamplersForMask - 该节点可以根据掩码区域应用两种不同的采样器。掩码值为 0 的区域使用 base_sampler，而掩码值为 1 的区域则使用 mask_sampler。

  • 注意：无法使用通过 VAEEncodeForInpaint 编码的潜在空间。

• KSamplerProvider - 这是一个包装器，使 KSampler 能够在 TwoSamplersForMask 和 TwoSamplersForMaskUpscalerProvider 中使用。

• TiledKSamplerProvider - ComfyUI_TiledKSampler 是一个包装器，用于提供 KSAMPLER。

  • 需要安装 BlenderNeko/ComfyUI_TiledKSampler 节点扩展。

• TwoAdvancedSamplersForMask - TwoSamplersForMask 与 TwoAdvancedSamplersForMask 类似，但它们的操作方式有所不同。TwoSamplersForMask 只有在基础区域的所有采样完成后，才会对掩码区域进行采样。而 TwoAdvancedSamplersForMask 则会在每一步中依次对基础区域和掩码区域进行采样。

• KSamplerAdvancedProvider - 这是一个包装器，使 KSampler 能够在 TwoAdvancedSamplersForMask 和 RegionalSampler 中使用。

  • sigma_factor：通过将去噪时间表乘以 sigma_factor，可以根据配置的去噪程度调整去噪量。

• TwoSamplersForMaskUpscalerProvider - 这是一个放大器，扩展了 TwoSamplersForMask 的功能，使其能够在 Iterative Upscale 中使用。

  • TwoSamplersForMaskUpscalerProviderPipe - 是 TwoSamplersForMaskUpscalerProvider 的管道版本。

图像工具

• PreviewBridge (image) - 此自定义节点可在使用 Clipspace 的 MaskEditor 功能时，与图像桥接一起使用。
• PreviewBridge (latent) - 此自定义节点可在使用 Clipspace 的 MaskEditor 功能时，与潜在图像桥接一起使用。
  • 如果输入的是带有掩码的潜在变量，则会显示该掩码。此外，掩码输出会提供在潜在变量中设置的掩码。
  • 如果输入的是不带掩码的潜在变量，则会原样输出原始潜在变量，但掩码输出会将整个区域都视为掩码。
  • 当通过 MaskEditor 设置掩码时，掩码会被应用到潜在变量上，并且输出中会包含存储的掩码。相同的掩码也会作为掩码输出。
  • 当连接到 vae_opt 时，其优先级高于 preview_method。
• ImageSender, ImageReceiver - 在 ImageSender 中生成的图像会自动发送到具有相同 link_id 的 ImageReceiver。
• LatentSender, LatentReceiver - 在 LatentSender 中生成的潜在变量会自动发送到具有相同 link_id 的 LatentReceiver。
  • 此外，LatentSender 是通过 PreviewLatent 实现的，它会将潜在变量以负载形式存储在图像缩略图中。
  • 由于 ComfyUI 当前的结构限制，无法区分 SDXL 潜在变量和 SD1.5/SD2.1 潜在变量。因此，它会使用 SD1.5 方法对潜在变量进行解码并生成缩略图。

切换节点

• Switch (image,mask), Switch (latent), Switch (SEGS) - 在多个输入中，选择由选择器指定的输入并输出。必须提供第一个输入，其他输入为可选。但是，如果选择器指定的输入未连接，可能会发生错误。
• Switch (Any) - 这是一个可以接受任意数量输入并产生单个输出的切换节点。其类型会在连接到任何节点时确定，连接更多输入会增加可用的连接槽位。
• Inversed Switch (Any) - 与 Switch (Any) 相反，它接受一个输入并从多个输出中选择一个。
• 注意：请参阅此教程

通配符 节点

• 这些节点支持 __wildcard-name__ 形式的语法以及 {a|b|c} 等动态提示语法。
• 通配符文件可以通过将 .txt 或 .yaml 文件放置在 ComfyUI-Impact-Pack/wildcards 或 ComfyUI-Impact-Pack/custom_wildcards 路径下使用。
  • 您可以下载并使用这种格式的 Wildcard YAML 文件。
  • 首次执行后，您可以在创建的 ComfyUI-Impact-Pack/impact-pack.ini 文件中的 custom_wildcards 条目中更改自定义通配符路径。
• ImpactWildcardProcessor - 通过处理文本中的通配符来生成文本。如果模式设置为“填充”，则每次执行时都会生成动态提示，并将输入内容填充到第二个文本框中。如果模式设置为“固定”，则第二个文本框的内容保持不变。
  • 当以“固定”模式生成图像时，用于该特定生成的提示会存储在元数据中。
• ImpactWildcardEncode - 类似于 ImpactWildcardProcessor，此节点提供了 LoRA 的加载功能（例如 <lora:some_awesome_lora:0.7:1.2>）。在所有 LoRA 加载完成后，填充后的提示会使用 Clip 进行编码。
  • 如果安装了 Inspire Pack，您可以使用 Lora Block Weight，格式为 LBW=lbw spec;
  • <lora:chunli:1.0:1.0:LBW=B11:0,0,0,0,0,0,0,0,0,0,A,0,0,0,0,0,0;A=0.;>, <lora:chunli:1.0:1.0:LBW=0,0,0,0,0,0,0,0,0,0,A,B,0,0,0,0,0;A=0.5;B=0.2;>, <lora:chunli:1.0:1.0:LBW=SD-MIDD;>

区域采样

• 这些节点能够通过掩码划分区域并进行部分采样。与 TwoSamplersForMask 不同，每个区域的采样会在每一步中应用。
• RegionalPrompt - 此节点结合用于指定区域的 掩码 和应用于每个区域的 采样器，以创建 REGIONAL_PROMPTS。
• CombineRegionalPrompts - 将多个 REGIONAL_PROMPTS 组合在一起，形成一个单一的 REGIONAL_PROMPTS。
• RegionalSampler - 此节点使用基础采样器和区域提示进行采样。基础采样器的采样会在每一步中执行，而每个区域的采样则通过绑定到该区域的采样器进行。
  • overlap_factor - 指定每个区域的重叠量，以便与掩码外部区域更好地融合。
  • restore_latent - 在对每个区域进行采样时，将掩码外部的区域恢复到基础潜在变量，从而防止在区域采样过程中向掩码外部引入额外噪声。
• RegionalSamplerAdvanced - 这是 RegionalSampler 的高级版本。您可以使用 step 而不是 denoise 来控制它。

  注意：sde 采样器和 uni_pc 采样器在采样的每一步中都会引入额外的噪声。为了缓解这一点，在对每个区域进行采样时，uni_pc 采样器会额外应用 dpmpp_fast，而 sde 采样器则会额外应用 dpmpp_2m 采样器。

Impact KSampler

• 这些采样器支持 basic_pipe 以及 AYS/OSS/GITS 调度器。
• KSampler (pipe) - KSampler 的管道版本。
• KSampler (advanced/pipe) - KSampler Advanced 的管道版本。
• 当将调度器小部件转换为输入时，请参考 Impact Scheduler Adapter 节点以解决兼容性问题。
• GITSScheduler Func Provider - GITSScheduler 的调度函数提供者。

批量/列表工具

• Image Batch to Image List - 将图像批次转换为图像列表。
  • 您可以使用在多批次中生成的图像来处理它们。
• Image List to Image Batch - 将图像列表转换为图像批次。
• Make Image List - 将多张图像转换成一个图像列表。
• Make Image Batch - 将多张图像转换成一个图像批次。
  • 图像输入可以根据需要进行扩展。
• Masks to Mask List, Mask List to Masks, Make Mask List, Make Mask Batch - 这些节点的功能与上述节点相同，只是输入为掩码而非图像。
• Flatten Mask Batch - 将掩码批次展平为单个掩码。对于非二值掩码，不能保证正常运行。
• Make List (Any) - 创建包含任意值的列表。
• Select Nth Item (Any list) - 从列表中选择第 N 项。如果索引超出范围，则返回列表中的最后一项。

逻辑节点（实验性）

• 这些节点是实验性的，旨在实现循环和动态切换的逻辑。
• ImpactCompare、ImpactConditionalBranch、ImpactConditionalBranchSelMode、ImpactInt、ImpactBoolean、ImpactValueSender、ImpactValueReceiver、ImpactImageInfo、ImpactMinMax、ImpactNeg、ImpactConditionalStopIteration
• ImpactIsNotEmptySEGS - 该节点仅在输入的SEGS不为空时返回true。
• ImpactIfNone - 如果any_input为None，则返回true；否则返回false。
• Queue Trigger - 当此节点执行时，它会添加一个新的队列来协助重复性任务。只有当信号状态发生变化时，才会执行。
• Queue Trigger (Countdown) - 类似于Queue Trigger，它也会添加一个队列，但仅当计数大于1时才添加，并且每次运行时将计数减1。
• Sleep - 等待指定的时间（以秒为单位）。
• Set Widget Value - 此节点将可选输入之一设置为指定节点的控件值。如果类型不匹配，可能会发生错误。
• Set Mute State - 此节点更改特定节点的静音状态。
• Control Bridge - 此节点根据mode和behavior修改连接的控制节点的状态。如果有需要更改的节点，当前执行会被暂停，静音状态会被更新，并插入一个新的提示队列。
  • 当mode为active时，无论行为如何，都会使连接的控制节点处于激活状态。
  • 当mode为Bypass/Mute时，会根据行为是Bypass还是Mute来改变连接节点的状态。
  • 局限性：由于这些特性，当批次数量超过1时，该节点无法正常工作。此外，在Control Bridge之前，如果种子被随机化，或者节点状态被Queue Trigger、Set Widget Value、Set Mute等操作改变，也无法保证其正常运行。
  • 使用此节点时，请确保将Queue Trigger、Set Widget Value、Set Mute State等操作安排在工作流的最后部分执行。
  • 如果希望每次迭代都更改种子值，请确保在工作流的最后执行Set Widget Value，而不是使用随机化功能。
    • 只要种子变化发生在Control Bridge部分之后，就不会有问题。
• Remote Boolean (on prompt)、Remote Int (on prompt) - 在提示开始时，此节点会强制设置node_id的widget_value。如果目标控件类型不同，则会被忽略。
• 您可以通过ComfyUI-Manager以Badge: #ID Nickname的格式查看node_id。
• 用于实现循环功能的实验性节点集合（教程将在稍后提供 / 示例工作流)。

局限性

• Impact Pack中的许多节点使用通配符类型，以允许任意的输入输出连接。一旦ComfyUI正式支持动态类型，这种方法将被取代。在此之前，虽然这些节点可以正常工作，但在类型验证时仍可能出现错误信息。

HuggingFace节点

• 这些节点基于HuggingFace仓库中的模型提供功能。
• 可以通过HF_HOME环境变量更改HuggingFace模型缓存的存储路径。
• HF Transformers Classifier Provider - 这是一个基于HuggingFace的transformers模型提供分类器的节点。
  • 参数repo id应包含HuggingFace的仓库ID。当preset_repo_id设置为Manual repo id时，需在manual_repo_id中手动输入仓库ID。
  • 例如，rizvandwiki/gender-classification-2是一个提供性别分类模型的仓库。
• SEGS Classify - 此节点利用由HF Transformers Classifier Provider加载的TRANSFORMERS_CLASSIFIER对SEGS进行分类。
  • 参数expr允许使用如label > number的形式，当preset_expr为Manual expr时，则使用manual_expr中输入的表达式。
  • 例如，在male <= 0.4的情况下，如果分类结果中male标签的得分小于或等于0.4，则将其归类为filtered_SEGS，否则归类为remained_SEGS。
    • 支持的标签请参考相应HuggingFace仓库的config.json文件。
  • #Female和#Male是用于方便起见而将多个标签（如Female, women, woman, ...）分组的符号，而非单个标签。

其他节点

• Impact Scheduler Adapter - 随着AYS加入Impact Pack和Inspire Pack的日程安排器中，在将现有日程安排器控件转换为输入时会出现兼容性问题。Impact Scheduler Adapter允许间接连接。

• StringListToString - 将字符串列表转换为字符串。

• WildcardPromptFromString - 从字符串创建用于detailer的带标签通配符。

  • 该节点与MakeTileSEGS配合使用效果良好。[链接]

• String Selector - 选择并返回字符串的一部分。当multiline模式关闭时，它简单地返回选择器指向的那一行的字符串。当multiline模式开启时，它会根据以#开头的行分割字符串并返回。如果select值大于项目总数，它会从第一行重新开始计数并返回相应的结果。

• Combine Conditionings - 接受多个conditioning作为输入，并将它们合并为一个conditioning。

• Concat Conditionings - 接受多个conditioning作为输入，并将它们串联成一个conditioning。

• Negative Cond Placeholder - 像FLUX.1这样的模型不使用Negative Conditioning。这是一个为它们准备的占位符节点。您可以用此节点替换Impact KSampler、KSampler (Inspire)和Detailer中使用的Negative Conditioning，从而使用FLUX.1。

• Execution Order Controller - 一个辅助节点，可以强制控制节点的执行顺序。

  • 将应首先执行的节点的输出连接到信号，并使随后执行的节点的输入经过此节点。

• List Bridge - 当列表输出通过此节点时，它会收集并整理数据后再转发，从而确保前一阶段的子工作流已完成。

功能

• 交互式 SAM 检测器（剪贴板空间） - 当您右键单击具有 'MASK' 和 'IMAGE' 输出的节点时，会打开一个上下文菜单。从此菜单中，您可以选择使用“在 SAM 检测器中打开”来创建 SAM Mask 的对话框，或者使用“复制（剪贴板空间）”复制内容（很可能是掩码数据），然后从剪贴板空间菜单中使用“Impact SAM 检测器”生成掩码，并使用“粘贴（剪贴板空间）”将其粘贴。
• 提供检测功能，用于识别在样本执行过程中混合来自 SDXL Base、SDXL Refiner、SD1.x、SD2.x 等检查点的模型和片段时出现的错误，并报告相应的错误信息。

如何安装？

通过 ComfyUI-Manager 安装（推荐）

• 在 ComfyUI-Manager 中搜索 ComfyUI Impact Pack，然后点击“安装”按钮。

手动安装（不推荐）

1. cd custom_nodes
2. git clone https://github.com/ltdrdata/ComfyUI-Impact-Pack
3. cd ComfyUI-Impact-Pack
4. pip install -r requirements.txt
   • 重要提示：
     • 必须在运行 ComfyUI 的 Python 环境中进行安装。
     • 对于便携版，请使用 <installed path>\python_embeded\python.exe -m pip 而不是 pip。对于 venv，请先激活 venv，然后再使用 pip。
5. 重启 ComfyUI

• 注意1：如果在安装过程中出现错误，请参阅故障排除页面以获取帮助。
• 注意2：您可以使用此 Colab 笔记本 colab notebook 来启动它。该笔记本会自动将 Impact Pack 下载到 custom_nodes 目录，安装经过测试的依赖项并运行它。
• 注意3：如果您在 ComfyUI/custom_nodes/ 目录中创建一个名为 skip_download_model 的空文件，那么在安装 Impact Pack 时将会跳过模型下载步骤。

软件包依赖（如果需要手动设置）

• 使用 pip 安装

  • segment-anything
  • scikit-image
  • piexif
  • opencv-python
  • scipy
  • numpy<2
  • dill
  • matplotlib
  • （可选）onnxruntime
  • （已弃用）openmim # 用于 mim
  • （已弃用）pycocotools # 用于 mim

• Linux 软件包（Ubuntu）

  • libgl1-mesa-glx
  • libglib2.0-0

配置示例

• 当您首次运行 Impact Pack 时，会在 Impact Pack 目录中自动生成一个 impact-pack.ini 文件。您可以修改此配置文件以自定义默认行为。
  • dependency_version - 不要修改此选项
  • sam_editor_cpu - 使用 CPU 而不是 GPU 进行 SAM 编辑器 操作
  • sam_editor_model：指定 SAM 编辑器使用的 SAM 模型。
    • 您可以通过 ComfyUI-Manager 下载各种 SAM 模型。
    • SAM 模型路径：ComfyUI/models/sams

[default]
sam_editor_cpu = False
sam_editor_model = sam_vit_b_01ec64.pth

其他资源（安装时自动下载）

• ComfyUI/models/sams <= https://dl.fbaipublicfiles.com/segment_anything/sam_vit_b_01ec64.pth

故障排除页面

• 故障排除页面

使用方法（DDetailer 功能）

1. 基本的自动人脸检测与细化示例。

• 由于低分辨率导致损坏的人脸，通过生成和合成高分辨率图像来恢复细节。
• FaceDetailer 节点结合了用于人脸检测的 Detector 节点和用于图像增强的 Detailer 节点。更详细的说明请参阅高级教程。
• FaceDetailer 的 MASK 输出提供了检测和增强区域的可视化信息。

• 可以看到，左侧图像中的人脸细节在右侧图像中得到了显著提升。

2. 两步细化（修复严重损坏的人脸）

• 虽然可以将两个 FaceDetailer 节点串联起来实现两步处理，但也可以通过 DETAILER_PIPE 传递 KSampler 中常用的多种输入，因此使用 FaceDetailerPipe 可以更方便地进行配置。
• 在第一遍中，只需恢复大致轮廓，因此可以使用合理的分辨率和较低的选项进行修复。不过，如果此时增加膨胀值，不仅人脸会被纳入修复范围，周围的区域也会受到影响，因此在需要对脸部以外的部分进行重塑时会很有用。

• 第一阶段将严重损坏的人脸恢复到一定程度，第二阶段则进一步恢复细节。

3. 人脸边界框 + 人物轮廓分割（防止背景失真）

• 强调细节的人脸合成被精细地对齐到面部轮廓上，可以看出它并未影响到面部以外的图像部分。

• BBoxDetectorForEach 节点用于检测人脸，而 SAMDetectorCombined 节点则用于找到与检测到的人脸相关的分割区域。通过将这两种方式获得的掩码输入到 Segs & Mask 节点中，可以生成基于分割精确相交的掩码。如果将此掩码输入到 DetailerForEach 节点中，则仅能对目标区域进行高分辨率重建并将其合成到原图中。

4. 迭代式放大

• IterativeUpscale 节点是一个按 scale_factor 放大图像或潜在表示的节点。在此过程中，放大操作会分步骤逐步进行。

• IterativeUpscale 接受一个类似于插件的 Upscaler 作为输入，并在每次迭代中使用它。PixelKSampleUpscalerProvider 是一种将潜在表示转换为像素空间并应用 ksampling 的放大器。

  • upscale_model_opt 是一个可选参数，用于决定是否在模型基础具备放大功能时使用该功能。使用模型自带的放大功能可以显著减少所需的迭代次数。例如，如果使用 x2 放大器，图像或潜在表示会先被放大两倍，然后在每一步中再缩小到目标尺寸，之后才会继续进行后续处理。

• 下图是一张 304x512 像素的图像，以及使用 IterativeUpscale 将其放大至原尺寸三倍后的效果。

5. 交互式 SAM 检测器（Clipspace）

• 当您右键单击输出 'MASK' 和 'IMAGE' 的节点时，会出现一个名为“在 SAM 检测器中打开”的菜单，如图所示。点击该菜单会打开 SAM 功能中的对话框，允许您生成分割掩码。

• 单击鼠标左键会在坐标处添加蓝色的正面提示，表示应包含的区域；单击鼠标右键则会添加红色的负面提示，表示应排除的区域。正面提示代表应包含的区域，而负面提示代表应排除的区域。

• 您可以通过“撤销”按钮移除已添加的点。选择好点位后，点击“检测”按钮即可生成掩码。此外，您还可以通过调整保真度滑块来控制掩码属于置信区的程度。

• 如果您是通过节点中的“在 SAM 检测器中打开”选项打开对话框的，则可以直接点击“保存到节点”按钮来应用更改。而如果通过“clipspace”菜单打开对话框，则需点击“保存”按钮将其保存到 clipspace 中。

• 当您使用节点中反映的掩码执行操作时，可以看到图像和掩码会分别显示。

其他教程

• ComfyUI-extension-tutorials/ComfyUI-Impact-Pack - 在此页面上，您可以找到各种教程和工作流。
• 高级教程
• SAM 应用
• PreviewBridge
• Mask Pointer
• ONNX 教程
• CLIPSeg 教程
• 极端高分辨率放大
• TwoSamplersForMask
• TwoAdvancedSamplersForMask
• 高级迭代放大：PK_HOOK
• 高级迭代放大：TwoSamplersForMask 放大提供者
• 交互式 SAM + PreviewBridge
• ImageSender/ImageReceiver/LatentSender/LatentReceiver
• ImpactWildcardProcessor

致谢

ComfyUI/ComfyUI - 一个功能强大且模块化的稳定扩散 GUI。

dustysys/ddetailer - Stable-diffusion-webUI 扩展中的 DDetailer。

Bing-su/dddetailer - DDetailer 中使用的动漫人脸检测器已更新为兼容 mmdet 3.0.0，并且我们还为 DDetailer 的 pycocotools 依赖项在 Windows 环境中打上了补丁。

facebook/segment-anything - 分割一切！

hysts/anime-face-detector - anime-face_yolov3 的创建者，在多种艺术风格上表现出色。

open-mmlab/mmdetection - 目标检测工具集。dd-person_mask2former 是基于他们的 R-50 Mask2Former 实例分割模型 进行迁移学习训练的。

biegert/ComfyUI-CLIPSeg - 这是一个自定义节点，使 CLIPSeg 技术能够在 ComfyUI 中使用，该技术可以通过提示词来查找分割区域。

BlenderNeok/ComfyUI-TiledKSampler - 平铺采样器即使在 GPU 显存较低的情况下也能进行高分辨率采样。

BlenderNeok/ComfyUI_Noise - 噪声注入功能依赖于该函数以及 slerp 代码来实现噪声变化。

WASasquatch/was-node-suite-comfyui - ComfyUI 功能强大的自定义节点扩展。

Trung0246/ComfyUI-0246 - 一个不错的绕过技巧！

Layer-norm/comfyui-lama-remover - 使用 LamaRemoverDetailerHook 所需。

ComfyUI-Impact-Pack 快速上手指南

ComfyUI-Impact-Pack 是 ComfyUI 的核心增强插件包，主要用于图像的细节修复（Detailer）、目标检测（Detector）、局部重绘及高清放大。它是实现“面部修复”、“手部修复”及复杂局部控制工作流的关键组件。

环境准备

• 系统要求：Windows / Linux / macOS
• 核心依赖：
  • ComfyUI: 建议更新至最新版本（需 >= 0.3.63 以兼容最新特性）。
  • Python: 建议使用 Python 3.10 或 3.11。
  • Git: 用于克隆仓库。
• 可选依赖：
  • 若需使用 YOLO 系列检测模型（如 UltralyticsDetectorProvider），需额外安装 ComfyUI-Impact-Subpack。

安装步骤

方法一：通过 ComfyUI-Manager 安装（推荐）

这是最简单且不易出错的方式，可自动处理依赖关系。

1. 确保已安装 ComfyUI-Manager。
2. 启动 ComfyUI，点击右侧菜单的 "Manager" 按钮。
3. 选择 "Install Custom Nodes"。
4. 在搜索框输入 Impact Pack。
5. 找到 ComfyUI-Impact-Pack，点击 Install。
6. 安装完成后，重启 ComfyUI。

注意：如需使用 Ultralytics 检测器，请在 Manager 中同样搜索并安装 ComfyUI-Impact-Subpack。

方法二：手动安装

适用于无法使用 Manager 或需要特定版本的用户。

1. 进入 ComfyUI 的自定义节点目录：

   cd ComfyUI/custom_nodes
   

2. 克隆仓库：

   git clone https://github.com/ltdrdata/ComfyUI-Impact-Pack comfyui-impact-pack
   cd comfyui-impact-pack
   

3. 安装依赖：

   • Windows 便携版 (Portable)：

     ..\..\..\python_embeded\python.exe -m pip install -r requirements.txt
     

   • 虚拟环境 (venv/conda)： 先激活你的环境，然后运行：

     pip install -r requirements.txt
     

     (国内用户若下载慢，可添加清华源：pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple)

4. 重启 ComfyUI。

基本使用

最经典的使用场景是利用 FaceDetailer 节点自动检测并修复人脸。

最简单的工作流示例

1. 加载模型：添加 Load Checkpoint 节点加载主模型。
2. 生成底图：连接 KSampler 生成一张包含人物的图片（此时人脸可能模糊或崩坏）。
3. 添加 FaceDetailer：
   • 在空白处双击搜索 FaceDetailer 并添加。
   • 输入连接：
     • image: 连接上一步生成的图片。
     • model, clip, vae, positive, negative: 通常直接复用主工作流的对应输出（或连接专门的 Detailer Prompt）。
     • bbox_detector: 选择一个检测器，推荐使用 BBOX Detector (combined) 并在其中加载 face_yolov8n.pt 等面部模型；或者直接使用该节点内置的默认检测逻辑。
   • 参数设置：
     • guide_size: 控制重绘区域的大小倍数（默认 512 即可）。
     • steps, cfg: 设置重绘时的步数和引导系数。
4. 查看结果：FaceDetailer 的输出端 image 即为修复后的人脸合成图。

进阶提示

• SEGS 概念：本插件核心概念为 SEGS (Segments)，代表检测到的多个局部区域集合。大多数高级节点（如 Detailer (SEGS)）都需要先通过检测器生成 SEGS，再传入进行局部重绘。
• 视频支持：若处理视频帧，请使用 Simple Detector for Video (SEGS) 或 SAM2 Video Detector (SEGS) 以获得时序稳定的遮罩。