ComfyUI en toute ligne

N'importe quelle ligne

Un préprocesseur de détection de ligne rapide, précis et détaillé

Anyline est un préprocesseur de ligne ControlNet qui extrait avec précision les bords des objets, les détails de l'image et le contenu textuel de la plupart des images. Les utilisateurs peuvent saisir n'importe quel type d'image pour obtenir rapidement des dessins au trait avec des bords clairs, une préservation suffisante des détails et un texte haute fidélité, qui sont ensuite utilisés comme entrée pour la génération conditionnelle dans Stable Diffusion.

Détails techniques

Le modèle et les algorithmes utilisés dans Anyline sont basés sur des efforts innovants issus de l'article « Tiny and Efficient Model for the Edge Detection Generalization (TEED) » (arXiv : 2308.06468). Le préréglage TEED dans ComfyUI provient également de ce travail, le marquant comme un algorithme visuel puissant (TEED est actuellement à la pointe de la technologie). Pour plus de détails, veuillez vous référer au document.

Comparaison avec d'autres préprocesseurs d'extraction de ligne

Anyline utilise une résolution de traitement de 1 280 px et les comparaisons sont donc effectuées à cette résolution. Par rapport à d'autres préprocesseurs de lignes couramment utilisés, Anyline offre des avantages substantiels en termes de précision des contours, de détails des objets, de textures de matériaux et de reconnaissance des polices (en particulier dans les grandes scènes). Il est également plus efficace en matière de réduction du bruit dans la plupart des scènes, ce qui permet un traitement d'image plus propre avec moins d'imprécisions lors de la génération.

Aperçu des effets

Anyline, en combinaison avec le modèle Mistoline ControlNet, forme un flux de travail SDXL complet, maximisant un contrôle précis et exploitant les capacités génératives du modèle SDXL. Anyline peut également être utilisé dans les flux de travail SD1.5 avec ControlNet de SD1.5, bien qu'il fonctionne généralement mieux dans la configuration Anyline+MistoLine au sein du flux de travail SDXL.

Remarque : Le résultat final dépend fortement du modèle de base utilisé. Veuillez sélectionner le modèle de base approprié en fonction de vos besoins.

Tutoriel vidéo

À venir!

Installation

Pour utiliser Anyline comme plugin ComfyUI, vous devez d'abord installer confortablesui_controlnet_aux ! Vous pouvez suivre les instructions ici : https://github.com/Fannovel16/comfyui_controlnet_aux?tab=readme-ov-file#installation

Une fois que vous avez installé comfortableui_controlnet_aux, suivez ces étapes :

1. Ouvrez votre ligne de commande IDE et ComfyUI, en vous assurant que les environnements Python correspondent.
2. Accédez au répertoire des nœuds personnalisés :

    cd custom_nodes
   

3. Clonez le référentiel ou téléchargez manuellement ce référentiel et placez-le dans le répertoire ComfyUI/custom_nodes :

    git clone https://github.com/TheMistoAI/ComfyUI-Anyline.git
   

4. Accédez au répertoire cloné :

    cd ComfyUI-Anyline
   

5. Installer les dépendances :

    pip install -r requirements.txt
   

6. Le modèle sera automatiquement téléchargé lors de la première utilisation. Si cela échoue, téléchargez manuellement depuis HuggingFace Repo et placez le fichier .pth dans le répertoire spécifié.

Flux de travail ComfyUI

Lors de l'installation, le préprocesseur Anyline est accessible dans ComfyUI via la recherche ou un clic droit. Le flux de travail standard utilisant Anyline+Mistoline dans SDXL est le suivant

Vous pouvez télécharger ce workflow JSON ici : ComfyUI Workflow

Utiliser dans A1111 sd-webui-controlnet

Suivez les instructions dans Mikubill/sd-webui-controlnet#2907.

Limites et développement futur

• Anyline peut rencontrer des difficultés avec des images présentant des flous ou une mise au point floue semblables à ceux d'un appareil photo, et peut nécessiter des itérations basées sur les commentaires de la communauté.
• Nous prévoyons également de contacter l'auteur de ComfyUI ou le développeur de ComfyUI-Controlnet pour intégrer Anyline dans ComfyUI pour une utilisation future plus facile.

中国（大陆地区）便捷下载地址 (MTEED.pth)：

Nom :https://pan.baidu.com/s/1ik11P_u1vK8mI4q33v0MTQ?pwd=v8f1
Nom : v8f1

Citation

 @InProceedings { Soria_2023teed ,
    author    = { Soria, Xavier and Li, Yachuan and Rouhani, Mohammad and Sappa, Angel D. } ,
    title     = { Tiny and Efficient Model for the Edge Detection Generalization } ,
    booktitle = { Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV) Workshops } ,
    month     = { October } ,
    year      = { 2023 } ,
    pages     = { 1364-1373 }
}