各位朋友，大家好，我是三石。
近期我发现许多朋友对Flux模型及其ComfyUI工作流存在不少疑问，对于它和SDXL、SD1.5之间的差异也不甚明了，更别提工作流的基础构建以及与SDXL这类工作流的区别，以及后续ControlNet的搭建，大家似乎感到有些迷茫。
为此，我计划通过接下来的两篇文章，为大家深入剖析Flux模型和工作流的构建，并详细介绍8种典型的工作流构建方法（分上下两篇），包括文生图、图生图、放大、遮罩重绘、物品替换、风格迁移等。希望通过这些内容，大家能够快速掌握Flux工作流的构建方法，为后续的学习打下坚实的基础！
在这篇教程中，我们将聚焦于Flux模型的解析以及4个基础工作流的介绍：
1. 何为Flux模型？
Flux模型是由黑森林团队（Black Forest Labs）在2024年8月推出的新一代文生图大模型，其显著特点是高分辨率、精确的提示词以及强大的识别能力。目前，它已成为业内开元大模型的典范。当然，随着QWEN的问世，未来有机会的话，我会为大家带来不同模型之间的对比分析。下面是FLUX模型生成的一些图片，让我们一起看看实际的出图效果。你会发现，在细节表现上，FLUX模型相较于SDXL等老版本模型有着更为出色的表现，无论是光影效果还是材质质感，都表现得相当出色。
因此，我诚挚地建议各位设计师朋友们采用最新版本的模型进行图像生成。尽管在后续的ComfyUI工作流搭建过程中可能会遇到一些细微的不同，但这一步骤无疑是值得我们去尝试的。那么，FLUX的模型究竟在何处可以下载呢？
截至目前，FLUX模型共分为三个主要版本，它们分别是FLUX.1(pro)、FLUX.1(dev)以及FLUX.1(schnell)。这三个版本之间的具体差异，可以参考下方的图表：
此外，FLUX模型在文字解析方面表现卓越，以我输入的一段描述为例：
"在深邃的海底，四枚巨大的字母'LOVE'在清澈的海水中漂浮，每个字母表面光滑而半透明，能够反射透过水面的阳光，周围环绕着微小的气泡与闪烁的颗粒，柔和的光线从上方穿透而来，营造出一幅梦幻且浪漫的氛围，采用数字艺术风格，细节极为丰富，色彩鲜明，水面纹理逼真，分辨率高达8K"。
据此生成的图像，完美呈现出文字描述的每一个细节，即便是对文字的理解再复杂，FLUX模型也能准确无误地呈现出来。
特别提醒：上一次的输出内容大约只有210字，而原文内容则有397字，其中很多信息未能完整展现。以下是逐段的详细改写，确保信息量的完整，篇幅不少于原文的85%，所有细节、数字和案例均予以保留。
若您有意愿下载模型，不妨前往HugggingFace官网的Black Forest Labs专区进行操作，具体步骤请参照下方的示例图。同时，对于那些电脑配置稍显不足的朋友，我们强烈推荐您使用在线的ComfyUI平台来执行模型运行，这样您就无需亲自安装模型，省去了不少麻烦。
还有一点就是大家别忘了下载Flux的专属VAE模型，如下图：
2. 深入解析Flux与SDXL及SD1.5模型的差异
对于Flux模型的强大之处，我们有必要深入探究其背后的原因。只有了解了其核心原理，我们才能对模型有更深刻的理解，而不仅仅是停留在表面的认识。
众所周知，大型模型的训练过程涉及诸多环节。以生成猫的图片为例，我们首先需要让计算机学习大量的猫的图片，接着对这些图片进行标注，并将其转化为计算机能够识别的语言。这个过程是模型学习和训练的基础，然而实际的训练过程要复杂得多，背后涉及到众多技术和算法。
因此，学习资料的数量和质量变得至关重要。通过网络资料，我们得知SD1.5模型大约有4.2亿个参数，而Flux模型的参数量高达120亿。参数数量的增加，自然使得生成的图像效果更加出色。此外，SD1.5的训练图片尺寸为512*512，SDXL的尺寸为1024*1024，而Flux同样使用1024*1024的尺寸。由此可见，SDXL和Flux的图像生成效果和清晰度都显著优于SD1.5。在提示词的理解能力方面，Flux基于多模态架构，能够处理多模态指令，因此其对提示词的理解能力更为强大。
下面，我们将通过一张图表来详细展示这三个模型之间的差异：
3. 初探Flux文生图工作流构建之道
在深入理解了Flux模型所具备的独特优势以及它与其他模型之间的显著区别之后，我们便可以开始着手构建Flux文生图工作流的基础框架。与传统的基于SDXL的文生图工作流相比，Flux模型中并不包含CLIP和VAE这两个组件。因此，在搭建工作流时，我们需要对原有的【Checkpoint加载器】节点进行改造，将其拆分为三个独立节点，以便协同运作。具体来说，如以下示意图所示，【Checkpoint加载器】原本的三个输出——MODEL、CLIP和VAE，在FLUX模型中则需要通过【UNet加载器】、【双CLIP加载器】以及【加载VAE】这三个节点分别进行加载。
文章标题：Flux入门必备——探索高效设计工作流的基石（篇章八，正文部分）
篇章八：揭示Flux的独特优势：摒弃繁琐，优化创作流程
在深入探讨Flux的魅力所在时，我们发现其第二个显著特点是无需依赖负面的提示词。与此形成鲜明对比的是，在SDXL等模型中，CLIP输入通常要求同时提供正向与负向的提示词。然而，当过渡至Flux，这一规则得以简化——只需提供正向提示词便足矣。为此，我们需引入“条件零化”这一关键节点，以此直接消除负向提示词的影响。接下来，将此节点与K采样器无缝衔接，整个过程如下图所示。
第九部分：深入探讨Flux工作流的独到之处——【Flux引导】节点的运用技巧
在Flux的工作流程中，第三个显著的不同之处在于在【CLIP文本编码器】与【K采样器】之间，增添了一个名为【Flux引导】的特殊节点。这一节点实则承担了【K采样器】内部“cfg”的功能。值得注意的是，【Flux引导】的数值对于画面的生成具有显著的影响。引导系数的提升，意味着图像与提示词之间的匹配度会相应增强，但同时也可能削弱了艺术的表现力；反之，若系数较低，则图像的创意性将得到更好的展现。简而言之，【Flux引导】的功能在于向模型明确指出，该张图片需要根据提示词的指引程度进行创作。
为了验证这一节点的实际效果，我们可以进行一个简单的实验。以下提供的提示词来源于网络，仅供参考：
这幅超现实的4K画作，描绘了一位美丽的外星公主，她的淡紫色眼睛极具表现力，五官带有宇宙般的特征。公主的皮肤由错综复杂的生物发光粒子构成，仿佛被霓虹灯光和漂浮的彩色球体环绕，置身于一个奇幻的森林环境中。珍稀的动物们营造出一种令人陶醉的超现实氛围，仿佛是一部电影的精彩构图。
我们尝试将Flux引导系数分别设定为2.5、3.5、10、20，并观察所得的图像。结果发现，当系数较小的时候，画面整体趋于灰暗，而系数过大时，则可能缺乏艺术气息。因此，综合考量之下，推荐大家采用默认值3.5来获取最佳效果。
在最后的细节调整中，我们得关注到【K采样器】这一环节。在这里，我们需要对“cfg”的数值进行一次关键的调整，将其设定为1。所谓的“cfg”，实际上是指对提示词与生成图像之间契合度的调整。鉴于之前我们已经通过【Flux引导】功能取代了“cfg”的作用，因此在【K采样器】中，将“cfg”调整为1就相当于我们将其“禁用”了。
至此，我们已经在ComfyUI中完成了Flux模型的基本文生图工作流的构建。下面展示的是完成后的效果：
4. 构建Flux的图像生成基础工作流程
在掌握了Flux的文本到图像的工作流程之后，图像到图像的工作流程就显得相对直观和简单。这与SD的图像生成流程有着相似之处。我们的操作步骤如下：首先，将上传的图片通过【VAE编码】技术，与【K采样器】中的“latent_image”（即潜在空间）进行连接。接着，调整“降噪”参数至大约0.8的水平。这一设置意味着我们向模型提供了80%的提示词参考和20%的图片参考。因此，生成的图像结果将更加接近上传的原始图片。具体效果如图所示。
自然，我们同样能够借助提示词来反向推导节点，从而实现与原始图像相近的输出效果。在这个过程中，我们使用了名为【Joy Caption Two】的节点，正如下图所示。我们将上传的图片作为输入传递给【Joy Caption Two】，以获取相应的提示词。随后，我们将这些提示词输入至【CLIP文本编码】中进行处理。
其余连接保持不变，这样我们就能得到一张跟原图类似的图案，如下图。
5. 构建Flux的局部重绘工作流程
在实施局部重绘的工作流程时，我们需借助【Detailer (SEGS)】这一局部细化节点，以取代传统的【K采样器】。接下来，通过【MASK to SEGS】这一遮罩功能，我们将目标重绘区域精确地映射至【Detailer (SEGS)】的“Seg”部分，具体操作如图中所示。在【Detailer (SEGS)】节点内部，我们还需调整“cfg”参数至1，同时适当降低“denoise”的数值。
在【CLIP文本编码】环节，您需要输入您希望替换的具体内容。以我为例，若我想要将画面中的女孩头发变为红色，那么我会在相应区域输入“red hair”。同时，您还可以看到，我将“denoise”降噪的参数调整到了0.95。当这一数值达到1时，意味着提示词将完全被采纳，最终生成的图像中头发将会呈现出截然不同的色彩，正如图2所展示的那样。
6. 构建Flux高清放大与修复工作流
在本文的尾端，我将向各位展示如何运用Flux进行高清放大及修复的操作。这个工作流与SD高清放大的过程有异曲同工之妙，关键在于运用了【Ultimate SD Upscale】这一节点。在文生图的环节，您只需将此节点链接至【K采样器】之后即可。虽然这个节点中包含了众多的参数，但您只需关注“upscale_by”、“cfg”、“scheduler”和“denoise”这四个核心参数。它们的功能分别是：
- upscale_b：指定放大大小的倍数。
- cfg：与采样器中的设置相同，应设定为1。
- scheduler：与采样器中的设置一致，应选择simple模式。
- denoise：调整重绘的幅度，其默认值为0.2。
下图中展示了放大前后的对比效果，显而易见，发丝、盔甲等细节在放大后变得更加清晰，细节处理得更加到位。
整个工作流如下：
在图像生成领域，我们同样能够运用【Ultimate SD Upscale】这一功能模块，对图片实施高分辨率放大与修复。构建的流程与之前类似，只是无需用到【K采样器】，只需将信号直接传递至【Ultimate SD Upscale】模块即可。接下来，在【CLIP文本编码器】内输入一些与画质相关的词汇，例如：高品质、细致入微、极为精细、高清、8K、4K、锐利。
具体的工作流程，请参考下方的图示：
总结：
各位朋友，今天的分享即将告一段落。本文旨在引导大家从零开始，深入了解Flux模型，并对比其与前代模型的区别，同时详细介绍了Flux模型的基本工作流程，涵盖了从文本生成图像、图像生成图像、局部重绘以及高清放大的操作。不难看出，在工作流程中，许多环节与SDXL、SD1.5等先前模型保持一致，仅在模型加载与提示词调整方面有所调整。因此，大家无需担忧Flux的入门难度，掌握其原理后，你会发现它的工作流程反而更加简洁，理解起来也更加容易。
在接下来的文章中，我将为大家带来Flux模型的进阶工作流解析，包括背景更换、物体迁移、风格迁移以及手型修复等功能。敬请期待！
感谢大家的阅读！
若您喜欢我的内容，不妨关注一下，我将持续输出AIGC领域的普惠知识，助您在设计师的AI道路上不再迷惘。
