从 0 到 1:ComfyUI AI 工作流抠图构建全实践

从 0 到 1:ComfyUI AI 工作流抠图构建全实践

声明:文章为本人平台测评博客,并没有推广该软件 ,非广告,为用户体验文章

什么是ComfyUI AI 工作流

ComfyUI 是一个基于节点式的可视化 AI 工作流构建工具,它为用户提供了一个直观的界面,让用户可以通过连接不同的节点来创建复杂的 AI 处理流程,而无需编写大量的代码。

为什么选择蓝耘元生代平台

在AI绘画与工作流自动化浪潮席卷全球的当下,ComfyUI以其强大的模块化设计成为无数创作者的心头好。然而,从零开始部署ComfyUI并非易事:本地硬件配置门槛高、云端算力租赁成本昂贵,繁琐的环境搭建与参数调试更是让不少爱好者望而却步。但是随着蓝耘元生代平台的出现——它以低门槛、高效率、低成本的优势,完全打破了本地部署ComfyUI AI 工作流的困境

image.png

如何使用平台搭建ComfyUI AI 工作流

先点击链接进行平台的注册操作
输入你正确的信息就能进行注册的操作

image.png


登录上主界面,我们看到左上方的应用市场进行应用的搜索

image.png


搜索出来的结果存在两个,我们选择左边的这个,因为左边的这个更新时间离我们现在比较近,肯定是效果更好的

image.png


进入到应用的界面他是会有一个详细的界面进行介绍如何进行部署和使用ComfyUI AI 工作流

image.png


我们直接进行部署操作
选择和我一样的配置就行了,在这个平台进行工作流的搭建我们就不需想本地的配置了,本地配置低一样部署ComfyUI AI 工作流

image.png


我们这里配置直接拉满了,4090直接安排上就行了,我们这里是用多少扣多少,完全不担心存在多余的扣费情况,我们放心搭建就行了
如果你有算力券的话是优先进行算力券的抵扣的,这种就很人性化了

image.png


这里我们稍等一会儿就部署好了

image.png


我们这里是有SSH和SSH密码的,说明我们是可以进行云服务器的链接的,直接在服务器上搭建使用这个工作流,
但是我们这里直接点击右上角的快速启动应用就行了
稍等了几秒钟就进入到了主界面了

image.png


首次进入页面后,点击页面右侧的文件夹图标,点击face.json,即可打开Segment Anything的工作流。

image.png


Segment Anything的操作非常简单,点击左下角的图像,上传自己的图像,然后点击页面下方的执行按钮,既可以生产效果(第一次因为要加载模型会慢一些)。
我们在这里进行本地图片的上传

image.png


然后直接点击下方的执行按钮就行了

image.png


然后这个时候工作流就开始进行操作了
他会将图片进行解析的操作

image.png


这个版本就是ComfyUI的基础版。内置一个基本的AI模型,Segment Anything,即抠图。用户可以在此基础上下载自己需要的插件和模型

这就可以让我们平时的剪辑很方便了

如果不想使用了的话我们直接点击关机并且进行销毁操作就行了,但是销毁之前我们需要将我们的信息进行保存操作的。

image.png

对比下本地部署

正常的本地部署,对我们的要求特别的高,电脑的内存、显卡、硬盘、电源、主板、CPU都需要一个很好的状态

image.png


并且我们还需要在本地部署多种环境,git、Python、显卡驱动、CUDA、cuDNN、Pytorch、onnxruntime、xformers
什么版本啥的都要达到最新的,不然本地部署的工作流是会出现兼容性的问题的
并且我们的环境变量还不是那么好进行配置的

image.png


有些插件还不好下载

image.png


正常部署的话我们需要克隆仓库,

git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI 

创建并激活虚拟环境

# 创建虚拟环境 python -m venv venv # 在Windows系统上激活虚拟环境 .\venv\Scripts\activate # 在macOS和Linux系统上激活虚拟环境 source venv/bin/activate 

输入代码安装依赖

pip install -r requirements.txt 

所需要安装的依赖都需要放在requirements.txt这个文本里面
因为ComfyUI 依赖于一些预训练的 AI 模型,所以我们需要下载这些模型文件并将它们放置在合适的位置。以 Stable Diffusion 模型为例,我们可以从 Hugging Face 等平台下载模型文件,并将其放置在models/checkpoints目录下。

但是这些平台都是需要开魔法才能进行访问的

这里就简单的介绍了本地部署的带了,但是实际操作起来远远更加的麻烦了

只要知道本地部署的苦才知道在一个好的云计算平台上部署这个工作流有多香

总结

本地部署 ComfyUI技术门槛较高硬件要求限制成本投入较大
但是我们使用蓝耘元生代平台部署 ComfyUI就不需要考虑这些问题了, 低门槛易上手:平台为用户提供了简洁直观的操作界面,无需复杂的技术配置和安装过程,只需进行简单的操作即可快速开始使用 ComfyUI 的功能。即使是没有技术背景的用户也能轻松上手,大大降低了使用 AI 工作流的门槛。

无需用户担心硬件性能问题,平台会提供稳定且高性能的计算资源。无论是运行小型任务还是大型复杂的 AI 工作流,都能获得流畅的运行体验,并且不用担心硬件升级和维护的问题。

总的来说,蓝耘元生代平台在降低技术门槛、提供稳定的硬件资源、节省成本、方便协作等方面具有明显的优势,对于大多数用户来说,是一个更便捷、高效的选择来体验 ComfyUI 的强大功能。

我先替兄弟们种草了
注册链接:https://cloud.lanyun.net//#/registerPage?promoterCode=0131

Read more

在 NVIDIA DGX Spark部署 Stable Diffusion 3.5 并使用ComfyUI

在 NVIDIA DGX Spark部署 Stable Diffusion 3.5 并使用ComfyUI

📖 前言 随着 NVIDIA Blackwell 架构的问世,DGX Spark (Personal AI Supercomputer) 将桌面级 AI 算力推向了新的巅峰。这台怪兽级设备搭载了 GB200/GB10 级别的 GPU 和 NVIDIA Grace CPU (ARM64),并运行在最新的 CUDA 13 环境下。 然而,“最强硬件"往往伴随着"最难环境”。由于 Grace CPU 采用 ARM (aarch64) 架构,且 CUDA 13 过于前沿,传统的 PyTorch 安装方法极易失败。 本文将手把手教你如何在这台超级计算机上部署 Stable Diffusion

揭秘!AI应用架构师眼中的智能Web3应用开发框架精髓

揭秘!AI应用架构师眼中的智能Web3应用开发框架精髓 关键词:智能Web3应用, AI与区块链融合, 去中心化AI架构, 智能合约开发, Web3开发框架, AI模型链上集成, 去中心化应用(DApp)设计 摘要:当人工智能(AI)的"智慧大脑"遇上Web3的"去中心化灵魂",会碰撞出怎样的创新火花?本文将以AI应用架构师的第一视角,深入剖析智能Web3应用开发框架的核心精髓。我们将从"传统互联网到Web3的进化史"讲起,用生活类比揭开Web3与AI融合的神秘面纱,系统讲解智能Web3应用的"五脏六腑"架构设计、AI模型与区块链交互的"对话语言"、以及实战开发中的"避坑指南"。无论你是Web3开发者、AI工程师,还是对下一代互联网好奇的技术爱好者,这篇文章都将带你透过架构师的眼睛,看到智能Web3应用开发的全景蓝图—

【机器人】ROS2 功能包创建与 CMake 编译链路探秘

【机器人】ROS2 功能包创建与 CMake 编译链路探秘

🔥大奇个人主页 :https://blog.ZEEKLOG.net/m0_75192474?type=blog ⚡本文所属专栏:https://blog.ZEEKLOG.net/m0_75192474/category_13131150.html ros2 pkg create 是 ROS2(Robot Operating System 2)中用于快速初始化功能包的官方核心命令行工具。其核心作用是自动生成功能包所需的完整目录结构、配置文件及可选示例节点,避免手动创建文件和配置的繁琐操作,大幅提升开发效率。 该命令支持两种主流构建类型(C++/Python),可直接指定依赖包、维护者信息、开源协议等关键配置,生成的功能包完全符合 ROS2 官方规范,可直接用于编译、运行及后续开发扩展 ⏰ 创建工作空间 首先需要再主目录中新建一个文件夹,带src目录 mkdir-p test_ws/

NWPU VHR-10数据集 无人机遥感目标检测数据集 飞机 储罐 棒球场 网球场篮球场 港口车辆桥梁检测 遥感图像中的地理空间目标检测

NWPU VHR-10数据集 无人机遥感目标检测数据集 飞机 储罐 棒球场 网球场篮球场 港口车辆桥梁检测 遥感图像中的地理空间目标检测

NWPU VHR-10数据集 遥感数据集 NWPU VHR-10数据集是 10个类别地理空间目标检测的挑战性数据集,共650张图片。 YOLO和COCO格式 数据集按默认划分比例:390张训练集、130张验证集、130张测试集。 手动标注了757架飞机、302艘船只、655个储罐、390个棒球场、524个网球场、159个篮球场、163个田径场、224个港口、124座桥梁和598辆车辆。 📊 一、数据集总体信息 项目描述数据集名称NWPU VHR-10(Northwestern Polytechnical University Very High Resolution 10-class Dataset)任务类型遥感图像中的地理空间目标检测(Object Detection in Remote Sensing Images)图像总数650 张(均为高分辨率遥感图像,源自 Google Earth 等平台)图像分辨率约 600×600