Checkpoint বনাম LoRA বনাম embedding বনাম ControlNet: কোন ফাইল কী করে

Q: "LoRA" নামে 6 GB ফাইল ডাউনলোড হয়েছে

এটি একটি checkpoint; আপলোডার এটি ঢিলা লেবেল দিয়েছে। এটি checkpoints ফোল্ডারে রাখো এবং মডেল হিসেবে সিলেক্ট করো। এখানে ক্যাটালগ লেবেল নির্ভরযোগ্য।

Q: রঙ ফিকে দেখাচ্ছে

VAE মিসিং বা ভুল। পরিবারের VAE লোড করো; SDXL এ fp16-fix VAE।

Q: মডেল লোড হয় কিন্তু কালো ছবি তৈরি করে

VAE তে fp16 overflow বা checkpoint যা --no-half-vae দরকার। fp16-fix VAE বা no-half-vae ফ্ল্যাগ ব্যবহার করো; Flux এ টেক্সট এনকোডারের প্রিসিশন বিল্ডের সাথে মিলাও।

বিষয়: মডেল

লিখেছেন Quartermaster

প্রকাশিত অক্টো 8, 2025

সারসংক্ষেপ

একজন নতুন ব্যবহারকারী যখন একটি "মডেল" ডাউনলোড করে, তখন সে দেখতে পায় এটি ছয় ধরনের মধ্যে একটি, যা ছয়টি আলাদা ফোল্ডারে যায় এবং ছয়টি আলাদা কাজ করে। এই সাইটের ক্যাটালগ প্রতিটি এন্ট্রিকে তার ধরন (base model, LoRA, embedding, other) এবং তার পরিবার দিয়ে লেবেল দেয় এই কারণেই। এই গাইড একবার ধরনগুলো ব্যাখ্যা করে, যাতে লেবেলগুলো বোঝা যায়।

সাধারণ নিয়ম: একটি checkpoint হলো পুরো চিত্রশিল্পী; একটি LoRA চিত্রশিল্পীকে নতুন বিষয় বা স্টাইল শেখায়; একটি embedding চিত্রশিল্পীকে নতুন শব্দ শেখায়; একটি ControlNet বা IP-Adapter চিত্রশিল্পীকে বলে কোথায় কী যাবে বা রেফারেন্স থেকে কী কপি করতে হবে; VAE হলো চিত্রশিল্পীর চোখ যা ক্যানভাস এবং সংকুচিত ওয়ার্কিং স্পেসের মধ্যে রূপান্তর করে; একটি upscaler আলাদা কারিগর যে শেষ ছবি বড় করে। শুধুমাত্র checkpoint একা কাজ করতে পারে। বাকি সবকিছু একই পরিবারের checkpoint দরকার।

সাইজ অনেক কিছু বলে দেয়। SDXL checkpoint এর জন্য 2 থেকে 7 GB এবং Flux এর জন্য 12 থেকে 24 GB; LoRA এর জন্য 10 থেকে 700 MB; embedding এর জন্য 1 MB এর নিচে; ControlNet এর জন্য 1 থেকে 2.5 GB; VAE এর জন্য 300 MB; ESRGAN upscaler এর জন্য 60 MB। যদি LoRA নামে একটি ফাইল 6 GB হয়, তাহলে সেটা checkpoint। এই সাইটের মডেল পেজে সাইজ এবং হ্যাশ দেখানো হয়, ডাউনলোডের আগে বুঝতে পারবে।

রেফারেন্স

নাম	ধরন	এটি কী
Checkpoint (base model)	2-24 GB	পুরো ডিনয়েজার, সাধারণত টেক্সট এনকোডার এবং VAE সহ। Fine-tunes (DreamShaper, Juggernaut, Illustrious, Pony) হলো নতুন ডেটায় পুনরায় প্রশিক্ষিত checkpoint। ফোল্ডার: models/checkpoints (ComfyUI), models/Stable-diffusion (A1111, Forge)। Flux, Qwen এবং Wan আলাদা diffusion_models + text_encoders + vae ফাইল হিসেবে আসে।
LoRA	10-700 MB	একটি ছোট ওজনের পার্থক্য যা checkpoint এর উপরে প্রয়োগ করা হয়। চরিত্র, স্টাইল, ধারণা, স্লাইডার, মুভমেন্ট। একটি trigger word এবং ওজন দরকার। ফোল্ডার: models/loras বা models/Lora।
LyCORIS / LoCon / LoHa / DoRA	10-700 MB	LoRA এর ভেরিয়েন্ট যা বেশি লেয়ার স্পর্শ করে বা ভিন্ন ফ্যাক্টরাইজেশন ব্যবহার করে। বর্তমানে সব UI তে LoRA এর মতো লোড হয়।
Embedding (textual inversion)	10-200 KB	টেক্সট এনকোডারের জন্য শেখানো টোকেন। প্রম্পটে ফাইল নাম দিয়ে ডাকা হয়। SD 1.5 এবং SDXL এ negative embeddings (bad-hands, easynegative) হিসেবে সাধারণ; Flux এ বিরল। ফোল্ডার: models/embeddings।
ControlNet / T2I-Adapter	0.3-2.5 GB	একটি পাশের নেটওয়ার্ক যা ডিনয়েজারকে পোজ, ডেপথ ম্যাপ, এজ ম্যাপ বা স্ক্রিবল দিয়ে শর্ত দেয়। পরিবার নির্দিষ্ট। ফোল্ডার: models/controlnet।
IP-Adapter / reference	50 MB-1 GB	টেক্সটের বদলে একটি ছবির উপর শর্ত দেয়: স্টাইল ট্রান্সফার, মুখের রেফারেন্স। মিল থাকা CLIP ভিশন মডেল দরকার।
VAE	160-330 MB	পিক্সেল এবং latent এর মধ্যে এনকোডার/ডিকোডার। সাধারণত checkpoint এ থাকে; আলাদা ফাইল রঙ ফিকে হলে ঠিক করে (SDXL fp16-fix) বা নতুন পরিবারে আসে (Flux ae.safetensors, Wan VAE)।
Upscaler	2-70 MB	ESRGAN, Real-ESRGAN, SwinIR, DAT: আলাদা নেটওয়ার্ক যা জেনারেশনের পরে পিক্সেল বড় করে। ফোল্ডার: models/upscale_models।

ধাপে ধাপে

ডাউনলোডের আগে ক্যাটালগ লেবেল এবং সাইজ দেখে ফাইলের ধরন চিনে নাও। কার্ডে base model, LoRA, embedding বা other; মডেল পেজে সঠিক বাইট।
পরিবার মিলাও। প্রতিটি non-checkpoint ফাইল তার পরিবারের নাম দেয় (SDXL, Flux, Wan 2.2 14B); এটা শুধু ঐ পরিবারের checkpoint এর সাথে কাজ করে।
ফাইলটি তার ধরনের ফোল্ডারে রাখো (উপরের টেবিল) এবং UI রিফ্রেশ করো।
Checkpoint: মডেল হিসেবে সিলেক্ট করো। ভাগ করা পরিবারের জন্য (Flux, Qwen, Wan, Z-Image) ComfyUI তে diffusion model, text encoders এবং VAE আলাদাভাবে লোড করো।
LoRA: checkpoint এর পরে LoRA নোড লোড করো, অথবা প্রম্পটে <lora:name:0.8> এবং trigger word ব্যবহার করো।
Embedding: প্রম্পটে ফাইল নাম টাইপ করো (বা negative embeddings এর জন্য negative prompt); ComfyUI তে embedding:name ব্যবহার হয়।
ControlNet: প্রিপ্রসেসড ছবি (pose, depth) সহ ControlNet নোড প্রয়োগ করো; strength 0.8 এবং end percent 0.8 দিয়ে শুরু করো।
VAE এবং upscaler: রঙ ভুল হলে লোডারে বা সেটিংসে VAE সিলেক্ট করো; Upscale Image (Model ব্যবহার করে) দিয়ে আপস্কেলার শেষ ধাপে চালাও।

উদাহরণ

Forge প্রম্পটে একটি পূর্ণ SDXL স্ট্যাক

Checkpoint: juggernautXL_v9.safetensors | VAE: sdxl_vae_fp16fix.safetensors

Prompt: zavy cinematic, <lora:zavy-cinematic-xl:0.7> a knight resting by a campfire, night, embers, 35mm

Negative: easynegative, bad-hands-5, blurry | ControlNet: openpose, weight 0.8 | Upscaler: 4x-UltraSharp 2x

ComfyUI নোড হিসেবে একই স্ট্যাক

Load Checkpoint -> Load LoRA -> Apply ControlNet (OpenPose image) -> KSampler -> VAE Decode (fp16-fix VAE) -> Upscale Image (using Model: 4x-UltraSharp)

টিপস

ক্যাটালগের "other" টাইপ ControlNets, VAEs, upscalers এবং ওয়ার্কফ্লো কভার করে; মডেল পেজ বলে কোনটা কোনটা।
Merges হলো অন্য checkpoint গুলোর গড় করে তৈরি checkpoint; তারা তাদের পিতামাতার পরিবার গ্রহণ করে এবং LoRA কম্প্যাটিবিলিটি রাখে।
Inpainting checkpoint হলো অতিরিক্ত ইনপুট চ্যানেল সহ checkpoint; এটা inpainting ওয়ার্কফ্লো দরকার এবং text-to-image এর জন্য সরাসরি ব্যবহারযোগ্য নয়।
Negative embeddings SD 1.5 এ হাত ঠিক করার উপায় ছিল; SDXL এ কম সাহায্য করে এবং Flux এ কাজ করে না কারণ মডেলে CFG negative নেই।
Flux Fill, Flux Redux, Flux Depth এবং Canny হলো checkpoint বা adapter, LoRA নয়, যদিও তারা hub এ LoRA এর পাশে আসে।
সন্দেহ হলে, ক্লাউড পার্টনাররা সঠিক কম্বিনেশন প্রিলোড করে রাখে: মডেল এবং LoRA বেছে নাও, মিল থাকা VAE এবং ControlNet তারা সামলায়।

fp16-fix VAE বা no-half-vae ফ্ল্যাগ ব্যবহার করো; Flux এ টেক্সট এনকোডারের প্রিসিশন বিল্ডের সাথে মিলাও।

প্রশ্ন

শুরুতে কোনটা ডাউনলোড করা উচিত?

তুমি যে পরিবার ব্যবহার করতে চাও তার একটি checkpoint। LoRA পরে, যখন তুমি কোন base পছন্দ করো। embedding এবং ControlNet তখন, যখন নির্দিষ্ট সমস্যা থাকে।

LoRA কে checkpoint এ মার্জ করা যায়?

হ্যাঁ, প্রতিটি UI তে মার্জ টুল আছে, ফলাফল নতুন checkpoint। এটা একটি নোড বাঁচায় কিন্তু ওজন ফ্রিজ করে; বেশিরভাগ লোক LoRA আলাদা রাখে।

Fine-tune কি LoRA এর মতো?

না। Fine-tune পুরো checkpoint পুনরায় প্রশিক্ষণ (গিগাবাইট); LoRA ছোট অ্যাড-অন (মেগাবাইট)। অনেক fine-tune শুরু হয় LoRA মার্জ করে।

Flux এবং Qwen কি embedding ব্যবহার করে?

প্রায়ই না। তাদের LLM টেক্সট এনকোডার সেইভাবে প্রশিক্ষিত নয়; স্টাইল এবং ধারণা LoRA দিয়ে হয়।

Workflow ফাইল কী?

ComfyUI JSON যা এই কম্পোনেন্টগুলো একসাথে যুক্ত করে। ক্যাটালগে কিছু "other" হিসেবে; ওজন থাকে না, শুধু রেসিপি থাকে।

লিংক ও উৎস

এই গাইডের মডেল

Stable Diffusion XL 1.0 মডেল

Stable Diffusion 1.5 মডেল

Flux মডেল

Upscalers মডেল

লিখেছেন

Quartermaster

ইনভেন্টরি রাখে: প্রতিটি LoRA, প্রতিটি কোয়ান্ট, প্রতিটি ফাইল যাকে কেউ final_v2_REAL.safetensors নামে রিনেম করেছে। হার্ডওয়্যার মাপে কতগুলো Wan রেন্ডার ডিনারের আগে ফিট হয় দেখে। আপনাকে VRAM এর সংখ্যা বলবে, তারপর বলবে সেটা ভুল কারণ আপনার Chrome খোলা আছে। ওজন খোলা না হলে শিপ হয়নি।

Quartermaster এর সব গাইড

LoRA কী এবং ComfyUI, Forge, Automatic1111 ও ক্লাউডে কীভাবে ব্যবহার করবেন

মে 20, 2026

কিভাবে LoRA ইনস্টল করবেন: ফোল্ডার, ফাইল চেক এবং ComfyUI, Forge, Automatic1111 ও Draw Things-এ প্রথম ব্যবহার

সেপ্টে 24, 2025

জেনারেটিভ AI ইমেজ মডেলগুলি কীভাবে কাজ করে: ডিফিউশন, ল্যাটেন্ট এবং টেক্সট এনকোডার সহজ ভাষায় ব্যাখ্যা

আগ 28, 2025

ControlNet ব্যাখ্যা: SD 1.5, SDXL এবং Flux এর জন্য পোজ, গভীরতা, এজ এবং রেফারেন্স ছবি

ফেব্রু 18, 2026

AI ছবি বড় করা: ESRGAN মডেল, hires-fix, টাইলড ডিফিউশন এবং কখন কোনটা ঠিক

মার্চ 4, 2026

AI ছবি এবং ভিডিও জেনারেশনের শব্দকোষ: চেকপয়েন্ট থেকে VAE পর্যন্ত ৬০টি শব্দ, প্রতিটি এক লাইনে ব্যাখ্যা

এপ্রি 15, 2026

কিভাবে বাড়িতে LoRA ট্রেন করবেন (এবং কখন GPU ভাড়া নিবেন)

আগ 5, 2026

আরও গাইড

Flux বনাম SDXL বনাম SD 1.5 বনাম Qwen বনাম Z-Image: ২০২৬ সালে কোন মডেল পরিবার ব্যবহার করবেন

মে 22, 2026

প্রথমে কোন AI ইমেজ মডেলগুলো চেষ্টা করবেন, এবং কেন: একটি র‍্যাঙ্ক করা শুরু তালিকা

সেপ্টে 10, 2025

নেগেটিভ প্রম্পট: কী করে, কখন সাহায্য করে এবং কেন Flux-এ এগুলোর দরকার নেই

নভে 5, 2025

ComfyUI ত্রুটি এবং কীভাবে ঠিক করবেন: লাল নোড, মডেল অনুপস্থিত, CUDA মেমোরি শেষ

মে 12, 2026

CUDA মেমোরি শেষ: প্রতিটি AI মডেলের কত VRAM লাগে এবং কিভাবে ফিট করাবেন

মে 18, 2026