ComfyUI nodes in ComfyUI

CLIP Text Encode একটা টেক্সট প্রম্পটকে CONDITIONING এ রূপান্তর করে মডেল টেক্সট এনকোডার ব্যবহার করে। একটা নোডে থাকে পজিটিভ প্রম্পট, আর অন্যটাতে থাকে নেগেটিভ প্রম্পট।

KSampler ডিনয়েজিং লুপ চালায়: এটা মডেল, প্রম্পট এবং একটি ল্যাটেন্ট নিয়ে শেষ ল্যাটেন্ট ইমেজ তৈরি করে, যা সিড, স্টেপ, cfg, স্যাম্পলার, শিডিউলার এবং ডিনয়েজ দ্বারা নিয়ন্ত্রিত।

লোড চেকপয়েন্ট (CheckpointLoaderSimple) একটি .safetensors বা .ckpt মডেল ফাইল খুলে দেয় এবং তিনটি অংশ দেয় যা প্রতিটি ওয়ার্কফ্লোতে লাগে: diffusion MODEL, CLIP টেক্সট এনকোডার এবং VAE।

Save Image IMAGE টেনসরকে ComfyUI/output এ PNG হিসেবে সেভ করে, পুরো ওয়ার্কফ্লো ফাইল মেটাডেটায় এমবেড করে যাতে ছবি আবার ComfyUI তে ড্র্যাগ করে গ্রাফ রিস্টোর করা যায়।

VAE Decode নমুনা করা LATENT কে VAE ব্যবহার করে পিক্সেল IMAGE এ রূপান্তর করে; VAE Decode (Tiled) খুব বড় ছবির জন্য টাইলস আকারে একই কাজ করে।

Empty Latent Image একটা খালি latent ক্যানভাস তৈরি করে (প্রস্থ, উচ্চতা, batch_size) যেখান থেকে text-to-image স্যাম্পলিং শুরু হয়; মাপগুলো ৮ এর গুণিতক হতে হবে এবং মডেল ফ্যামিলির সাথে মিলতে হবে।

Load Image ComfyUI ইনপুট ফোল্ডার থেকে (বা আপলোড থেকে) একটি ছবি পড়ে এবং একটি IMAGE টেনসর এবং একটি MASK আউটপুট দেয় যা আলফা চ্যানেল থেকে নেওয়া হয়, যা img2img, inpainting, ControlNet এবং IP-Adapter গ্রাফের জন্য শুরু পয়েন্ট।

Load LoRA (LoraLoader) একটি LoRA ফাইল MODEL এবং CLIP এ আলাদা শক্তি দিয়ে প্রয়োগ করে, যাতে কোনো স্টাইল, চরিত্র বা ধারণা যেকোনো চেকপয়েন্টে মিশ্রণ ছাড়াই যোগ করা যায়।

Load Diffusion Model (UNETLoader) একটি সাধারণ ডিনয়েজিং নেটওয়ার্ক লোড করে যেমন Flux, SD3.5, Wan বা HunyuanVideo models/diffusion_models থেকে, যেখানে weight_dtype অপশন আছে fp8 এর জন্য VRAM সাশ্রয়ের জন্য।

Apply ControlNet একটি গাইড ইমেজ এবং লোড করা ControlNet কে পজিটিভ এবং নেগেটিভ CONDITIONING এর সাথে সংযুক্ত করে শক্তি এবং শুরু/শেষ শতাংশের মাধ্যমে, যাতে স্যাম্পলার গাইড থেকে এজ, গভীরতা বা পোজ অনুসরণ করে।

Preview Image নোডের ভিতরে IMAGE দেখায় আউটপুট ফোল্ডারে সেভ না করে (একটা অস্থায়ী ফাইল রাখা হয় যতক্ষণ না রিস্টার্ট হয়), মাঝারি ধাপ যেমন মাস্ক, ControlNet ম্যাপ এবং hires পাস চেক করার জন্য একদম ঠিক।

Upscale Image (using Model) একটি ESRGAN-স্টাইল আপস্কেলার (4x-UltraSharp, RealESRGAN, 4x_NMKD-Siax, 4x_foolhardy_Remacri) IMAGE এর ওপর চালায় এবং মডেলের নির্দিষ্ট ফ্যাক্টর অনুযায়ী ছবিটা বড় করে আরও বিস্তারিত যোগ করে।

DualCLIPLoader একসাথে দুইটা টেক্সট এনকোডার লোড করে, যেমন Flux এর জন্য clip_l আর t5xxl অথবা SD3 এর জন্য clip_g আর t5xxl, আর প্রম্পট নোডগুলোর জন্য একটা CLIP অবজেক্ট আউটপুট দেয়।

VAE Encode একটা পিক্সেল IMAGE কে LATENT এ রূপান্তর করে img2img এর জন্য; আর VAE Encode (for Inpainting) একই কাজ করে কিন্তু মাস্ক করা অংশ খালি রেখে দেয় যাতে ইনপেইন্টিং মডেল সেটা আবার আঁকতে পারে।

ছবি বড় করা (ImageScale) এবং ছবি বড় করা দ্বারা একটি ছবি (IMAGE) ক্লাসিক ইন্টারপোলেশন (nearest, bilinear, bicubic, lanczos, area) ব্যবহার করে সঠিক সাইজ বা একটি ফ্যাক্টর দ্বারা রিসাইজ করে, কোনো AI মডেল ব্যবহার হয় না।

WanImageToVideo একটা শুরুর ছবি, CLIP Vision embedding আর ফ্রেম কাউন্ট থেকে Wan 2.1/2.2 ইমেজ-টু-ভিডিও রেন্ডারের জন্য কন্ডিশনিং আর খালি ভিডিও ল্যাটেন্ট তৈরি করে; আশেপাশের গ্রাফে Load Diffusion Model, Load CLIP, Load VAE আর KSampler ব্যবহার হয়।

Load ControlNet Model models/controlnet থেকে একটি ControlNet (অথবা T2I-Adapter / ControlNet Union) ফাইল পড়ে এবং Apply ControlNet এর জন্য একটি CONTROL_NET অবজেক্ট আউটপুট করে।

Load VAE (VAELoader) models/vae থেকে একটি স্ট্যান্ডঅ্যালোন VAE ফাইল লোড করে যাতে একটি চেকপয়েন্ট যার VAE অনুপস্থিত বা দুর্বল থাকে, পরিষ্কার রঙে ডিকোড করে, এবং Flux ও Wan এর মতো স্প্লিট মডেলগুলো তাদের ডিকোডার পায়।

Flux Guidance (FluxGuidance) গাইডেন্স ভ্যালুটা সেই কন্ডিশনিং-এ লেখে যেটা Flux Dev আশা করে, এটা cfg এর জায়গায় আসে; ডিফল্ট 3.5 আর 2 থেকে 5 পর্যন্ত ব্যবহারযোগ্য।

Upscale Latent একটা latent এর সাইজ বাড়ায় নতুন সাইজে (বা একটা ফ্যাক্টর দিয়ে) যাতে দ্বিতীয় KSampler বেশি রেজোলিউশনে ডিটেইল যোগ করতে পারে: এটা ক্লাসিক hires fix।

Load Upscale Model (UpscaleModelLoader) একটি ESRGAN-স্টাইলের আপস্কেলার লোড করে, যেমন 4x-UltraSharp বা RealESRGAN, যা models/upscale_models থেকে Upscale Image (using Model) এর সাথে ব্যবহারের জন্য।

KSampler (Advanced) হল KSampler যা স্টেপ-রেঞ্জ কন্ট্রোল সহ: add_noise, start_at_step, end_at_step এবং return_with_leftover_noise, যা বেস + রিফাইনার চেইন এবং দুই-মডেল স্যাম্পলিং এর জন্য ব্যবহৃত হয়।

CLIP Set Last Layer হল ComfyUI এর "clip skip" এর সমতুল্য: এটা টেক্সট এনকোডারকে কয়েকটা লেয়ার আগে থামিয়ে দেয় (-2 সাধারণত anime এবং Pony মডেলের জন্য ব্যবহৃত হয়)।

EmptySD3LatentImage Flux, SD3 এবং SD3.5 এর জন্য প্রয়োজনীয় ১৬-চ্যানেল খালি latent তৈরি করে; এটি ঐ ওয়ার্কফ্লোতে Empty Latent Image এর জায়গায় ব্যবহৃত হয়।

ModelSampling নোডগুলো flow-matching মডেলগুলোর (Flux, SD3.5, Wan, Hunyuan, Qwen-Image, Chroma, Lumina) জন্য noise schedule shift সেট করে, যাতে স্যাম্পলাররা কম্পোজিশন আর ডিটেইলের মধ্যে সঠিক সময় ব্যয় করে।

Set Latent Noise Mask একটা MASK LATENT এর সাথে জোড়া দেয় যাতে sampler শুধু সাদা অংশটাই পরিবর্তন করে: যেকোনো normal checkpoint দিয়ে inpainting এবং regional regeneration করা যায়।

Conditioning (Combine) দুইটা কন্ডিশনিং একসাথে মিশায় যাতে স্যাম্পলার দুটোই একসাথে গাইড করতে পারে; Conditioning (Concat) টোকেন সিকোয়েন্সগুলো একসাথে জুড়ে দেয় একটা লম্বা প্রম্পট বানাতে। সম্পর্কিত নোডগুলো এরিয়া, মাস্ক আর টাইমস্টেপ রেঞ্জ সেট করে।

ছবি লোড করো (মাস্ক হিসেবে) একটা ছবির একটা চ্যানেল (আলফা, লাল, সবুজ বা নীল) মাস্কে পরিণত করে, যাতে কালো-সাদা মাস্ক ফাইল বা আঁকা লেয়ার দিয়ে ইনপেইন্টিং আর কম্পোজিটিং চালানো যায়।

Primitive nodes অনেকগুলো নোডের মধ্যে একটা মান (seed, steps, prompt text, resolution) শেয়ার করে, Reroute তারগুলোকে সুন্দরভাবে বাঁকায়, Notes গ্রাফের নোট রাখে আর Groups দিয়ে একসাথে পুরো সেকশনগুলোকে বাইপাস বা মিউট করা যায়।

মূল মাস্ক টুলগুলো মাস্ককে বাড়ায় (Grow Mask), নরম করে (Feather Mask) এবং উল্টে দেয় (Invert Mask) যাতে ইনপেইন্ট করা অংশগুলো আশেপাশের ছবির সাথে মিশে যায়, কোনো দৃশ্যমান সিম ছাড়াই।