# ComfyUI-Doubutsu-Describer 插件完全教程 ## 1. 插件简介 **插件原地址：** https://github.com/EnragedAntelope/ComfyUI-Doubutsu-Describer 这个插件就像给你的ComfyUI装了一个智能的"看图说话"小助手。它使用了一个叫做Doubutsu的小型智能模型，能够像人一样观看你的图片，然后用文字描述出图片里的内容。 **能给我们带来什么效果？** - 自动描述图片内容，就像有个朋友在旁边告诉你"这张图片里有什么" - 可以根据你的问题来回答图片相关的内容，比如问"这个人穿什么颜色的衣服？" - 帮助你快速了解大量图片的内容，不用一张张自己看 - 为图片生成标签和描述，方便后续的图片管理 ## 2. 如何安装 ### 方法一：直接克隆（推荐） 1. 打开你的ComfyUI安装文件夹 2. 找到 `custom_nodes` 文件夹 3. 在这个文件夹里右键打开命令行窗口 4. 输入以下命令： ```bash git clone https://github.com/EnragedAntelope/comfyui-doubutsu-describer.git ``` ### 方法二：手动下载 1. 访问 https://github.com/EnragedAntelope/ComfyUI-Doubutsu-Describer 2. 点击绿色的"Code"按钮，选择"Download ZIP" 3. 解压到你的 `ComfyUI/custom_nodes/` 文件夹里 ### 安装依赖库 在插件文件夹里找到 `requirements.txt` 文件，然后在命令行里输入： ```bash pip install -r requirements.txt ``` ### 下载模型文件 1. 在插件文件夹里创建一个叫 `models` 的新文件夹 2. 下载两个模型文件： - 主模型：`qresearch/doubutsu-2b-pt-756` - 辅助模型：`qresearch/doubutsu-2b-lora-756-docci` 你可以使用以下命令自动下载： ```bash huggingface-cli download qresearch/doubutsu-2b-pt-756 --local-dir models/qresearch/doubutsu-2b-pt-756 huggingface-cli download qresearch/doubutsu-2b-lora-756-docci --local-dir models/qresearch/doubutsu-2b-lora-756-docci ``` 最后重启ComfyUI就可以使用了。 ## 3. 节点详细解析 ### 3.1 Doubutsu Image Describer 节点是干嘛的？ 这个节点就像一个智能的"看图说话"机器人。你把图片丢给它，它就会仔细观察图片，然后用文字告诉你图片里有什么内容。你还可以向它提问，比如"这张图片里的人在做什么？"它会根据你的问题来回答。 ### 3.2 参数详解 | 参数名 (UI显示) | 参数名 (代码里) | 参数值 | 建议值 | 通俗解释 (能干嘛的) | 专业解释 | 怎么用/举个例子 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | image | image | 图片输入 | 任意图片 | 这是你要让机器人看的图片，就像给朋友看照片一样 | 图像数据输入接口，接收PIL图像或张量格式 | 连接一个Load Image节点，把你想描述的图片传进来 | | question | question | 文字输入 | "Describe the image" | 你想问机器人关于图片的问题，就像问朋友"这张图片里有什么？" | 文本提示输入，用于指导模型生成特定类型的描述 | 可以问"这个人穿什么颜色的衣服？"或"图片里有几个人？" | | max_new_tokens | max_new_tokens | 数字 | 128 | 控制机器人回答的长度，数字越大回答越详细，就像限制朋友说话的字数 | 控制模型生成文本的最大令牌数量 | 如果想要简短回答用64，想要详细描述用256 | | temperature | temperature | 小数 | 0.1 | 控制机器人回答的创意程度，数字越小回答越严谨，越大越有创意 | 控制生成文本的随机性和创造性程度 | 0.1比较保守准确，0.7比较有创意但可能不准确 | | precision | precision | 选择项 | bfloat16 | 选择机器人思考的精确度，就像选择计算器的精度模式 | 选择模型推理时使用的数值精度格式 | 如果显卡支持bfloat16就选它，速度更快 | ## 4. 使用技巧和建议 ### 基础使用技巧 1. **问题要具体**：不要只问"描述图片"，可以问"这张图片里的人在做什么？"这样更有针对性 2. **调整回答长度**：如果只想要简单回答，把max_new_tokens设成64；如果想要详细描述，设成256或更高 3. **控制创意程度**：如果需要准确的描述，把temperature设成0.1；如果想要有趣的描述，可以设成0.5 ### 进阶使用技巧 1. **批量处理**：可以配合循环节点处理多张图片 2. **结合其他节点**：把描述结果传给文本处理节点，做进一步的分析 3. **保存结果**：连接文本保存节点，把描述结果保存到文件 ### 性能优化建议 1. **选择合适的精度**：如果你的显卡支持bfloat16，优先选择它 2. **合理设置token数**：不要设置过大的max_new_tokens，会消耗更多显存 3. **温度参数**：对于大多数用途，0.1-0.3之间的temperature效果最好 ## 5. 常见问题解答 ### Q: 安装后找不到节点怎么办？ A: 确保你已经重启了ComfyUI，节点会出现在"image/text"分类下。如果还是找不到，检查插件是否正确安装在custom_nodes文件夹里。 ### Q: 提示"PEFT is not installed"错误怎么解决？ A: 这表示缺少PEFT依赖库，在命令行里输入：`pip install peft` ### Q: 模型下载失败怎么办？ A: 可能是网络问题，可以尝试科学上网或者手动从Hugging Face网站下载模型文件。 ### Q: 描述结果不够准确怎么办？ A: 尝试调整question参数，提出更具体的问题，或者降低temperature参数让回答更保守。 ### Q: 运行时显存不够怎么办？ A: 降低max_new_tokens数值，或者选择float16精度模式。 ### Q: 支持中文提问吗？ A: 模型主要训练于英文数据，建议使用英文提问以获得更好的效果。 ## 6. 工作流程示例 ### 基础工作流程 1. Load Image（加载图片）→ Doubutsu Image Describer（图片描述）→ Display Text（显示文本） 2. 在question栏输入"Describe the image in detail" 3. 运行工作流程，获得详细的图片描述 ### 进阶工作流程 1. 批量图片处理：Load Image Batch → Doubutsu Image Describer → Save Text 2. 问答式描述：Load Image → Doubutsu Image Describer（question: "What is the person wearing?"）→ Display Text 3. 多角度分析：一张图片连接多个Doubutsu节点，每个节点问不同的问题 ## 7. 性能和兼容性 ### 系统要求 - 需要支持CUDA的NVIDIA显卡 - 至少4GB显存（推荐8GB以上） - Python 3.8或更高版本 ### 兼容性说明 - 支持主流的ComfyUI版本 - 与其他图像处理节点兼容良好 - 可以与文本处理插件配合使用 这个插件为ComfyUI增加了强大的图像理解能力，无论你是想要自动给图片添加描述，还是想要分析图片内容，都能很好地满足需求。记住，熟练使用需要一些练习，多试试不同的问题和参数设置，你会发现更多有趣的用法！
ComfyUI图像合并插件comfyui-merge使用教程 2025-07-03 22:44 ComfyUI 图像合并插件教程 (comfyui-merge) 1. 插件简介 这是一个专门用来合并图片的 ComfyUI 插件，就像用 PS 把多张图片叠在一起那样。它的特别之处在于你精确控制每张图片的混合方式。 GitHub 地址：https://github.com/LingSss9/com
%20(1).png)
