ComfyUI-KJNodes

Ce nœud fonctionne en clonant le modèle d’entrée et en définissant une fonction de remplacement d’attention optimisée dans ses options de modèle.

Accélère le décodage/codage VAE avec des noyaux fusionnés Triton norm+SiLU et la disposition de convolution channels_last. Les VAE pris en charge (détection automatique) : VAE vidéo Wan 2.1/2.2, y compris Qwen-Image (RMSNorm, ~1,4x/1,15x), VAE image KL tels que Flux/Flux2, SDXL et SD1.5 (GroupNorm, ~1,6–1,8x à 2048px), et VAE vidéo LTXV/LTX2 (PixelNorm ; les blocs décodeur conditionnés par le timestep reçoivent une fusion norm uniquement). Les autres architectures ne sont pas prises en charge. Appliqué sous forme de correctifs d'objet sur un patcher cloné, il n'existe donc que tant que ce VAE est chargé.

Ce nœud implémente techniquement une fonction de 'pass-through' qui accepte un tenseur d'entrée de type `IMAGE` et, sans aucun traitement interne, le retourne directement comme tenseur `IMAGE` de même type.

Le noyau technique de ce nœud intègre et applique la série de modèles légers 'Intrinsic LoRA'.

Ce nœud reçoit un tenseur de type IMAGE en entrée et analyse sa forme.

Ce nœud télécharge le modèle depuis le dépôt spécifié via la bibliothèque `huggingface_hub` et le stocke dans le répertoire `models/clip_seg` de ComfyUI.

D'un point de vue technique, ce nœud reçoit une entrée de type `MODEL` et obtient le dictionnaire des paramètres du modèle via la méthode `state_dict_for_saving`.

Son principe fondamental consiste à diviser les calculs internes volumineux et gourmands en mémoire du modèle en plusieurs petits blocs (Chunks) traités séquentiellement.

Le nœud commence par analyser la chaîne de coordonnées de chemin en entrée, puis identifie précisément les limites de la zone d'image couverte par le masque et la recadre.

Sa fonction principale vous permet de planifier un plan de « raffinement aléatoire », en spécifiant à quels intervalles d’étapes un traitement supplémentaire doit être effectué pendant le processus d’échantillonnage.

Dans sa mise en œuvre technique, ce nœud clone le modèle d'entrée et applique torch.

Ce nœud a été remplacé par le nœud TorchCompileModelAdvanced, veuillez utiliser celui-ci à la place.

Nœud interactif de transformation d'image : recadrer, redimensionner, rembourrer et pivoter. Connectez une entrée d'image — l'aperçu apparaît automatiquement. Recadrage : Cliquez + faites glisser pour dessiner une zone de recadrage. Faites glisser à l'intérieur pour déplacer, faites glisser les bords/coins pour redimensionner. Cliquez droit pour supprimer une zone. Ctrl pour aligner sur la grille. Maj + redimensionner pour contraindre le rapport hauteur/largeur. Alt + redimensionner pour redimensionner symétriquement. Rembourrage : Maj + faites glisser pour ajuster la position du rembourrage. Le bouton Pivoter active une croix de rotation (faites glisser pour pivoter, cliquez droit pour réinitialiser). Définissez target_width/height pour redimensionner la sortie (0 = conserver l'original). Utilisez keep_proportion pour contrôler la façon dont l'image s'adapte à la cible. Utilisez extra_padding pour ajouter du rembourrage avec remplissage de couleur ou de bord (clamp/repeat/mirror).

Ce nœud ajoute au processus de chargement standard la possibilité de contrôler plusieurs précisions de poids (telles que FP8, FP16, BF16) et la précision de calcul.

Ce nœud prend en charge plusieurs algorithmes d'interpolation pour contrôler le rythme et le style des transitions, y compris linéaire, ease-in, ease-out, etc.

Décode les images vidéo et l'audio à partir de représentations latentes, les combine et enregistre le résultat en tant que fichier vidéo, sans conserver les images intermédiaires en mémoire.

Ce nœud reçoit en entrée un lot d'images et des données de suivi de type TRACKING

Sa fonction principale est de charger un modèle principal GGUF, avec la possibilité de charger et de fusionner un deuxième modèle supplémentaire, tel qu'un module VACE.

Ce nœud prend un tenseur quadridimensionnel (lot, hauteur, largeur, canaux) en entrée et crée un nouveau tenseur plus long.

Ce nœud implémente techniquement une forme simplifiée de guidance par saut de couche. Son mécanisme central consiste à ignorer le traitement de l'invite inconditionnelle uniquement dans les blocs de débruitage sélectionnés, tandis que le traitement de l'invite conditionnelle se poursuit normalement.

Ce nœud réalise la conversion en vérifiant le type des données d'entrée : pour les entiers, les flottants, les booléens et les chaînes, il appelle directement la fonction `str()` ; pour les listes, il joint leurs éléments en une seule chaîne avec des virgules et des espaces.

Ce nœud utilise en interne torch。

Ce nœud utilise techniquement la fonction torch.

Ce nœud, dans sa mise en œuvre technique, optimise et met en cache le graphe de calcul du modèle VAE en utilisant le backend de compilation de PyTorch.