Węzeł WanImageToVideo and Wan 2.x video nodes w ComfyUI
WanImageToVideo tworzy conditioning i pusty latent wideo dla renderu obraz-do-wideo Wan 2.1/2.2 na podstawie obrazu startowego, osadzenia CLIP Vision i liczby klatek; otaczający graf używa Load Diffusion Model, Load CLIP, Load VAE i KSampler.
Co robi WanImageToVideo and Wan 2.x video nodes
Wan 2.x (Alibaba) to najczęściej używany otwarty model wideo w ComfyUI. Główne węzły WanImageToVideo (I2V), WanFunControlToVideo, WanFunInpaintToVideo, WanVaceToVideo (kontrola i odniesienie VACE) oraz WanFirstLastFrameToVideo biorą conditioning pozytywne i negatywne, VAE, szerokość/wysokość/długość oraz obraz startowy (plus wyjście CLIP Vision z enkodera clip_vision_h) i zwracają conditioning z wbudowanym obrazem razem z LATENTEM o odpowiednim kształcie. Text-to-video używa zamiast tego EmptyHunyuanLatentVideo jako latenta.
Reszta to normalny graf: Load Diffusion Model z wan2.1_i2v_480p_14B_fp8 (lub para 2.2 high/low noise), Load CLIP z umt5_xxl_fp8 (typ wan), Load VAE z wan_2.1_vae, CLIP Text Encode, KSampler (uni_pc lub euler, 20-30 kroków, cfg 5-6, albo cfg 1 z LightX2V/CausVid LoRA przy 4-8 krokach), VAE Decode i Video Combine przy 16 fps. ModelSamplingSD3 z przesunięciem 5-8 jest między modelem a samplerem.
Wejścia
Nazwa | Typ | Co to jest |
|---|---|---|
positive / negative | CONDITIONING | Conditioning promptów z CLIP Text Encode (umt5). |
vae | VAE | wan_2.1_vae.safetensors. |
clip_vision_output | CLIP_VISION_OUTPUT | Z CLIP Vision Encode z clip_vision_h (I2V 2.1). |
start_image | IMAGE | Pierwsza klatka. |
width / height / length | INT | Rozdzielczość (832x480 lub 1280x720) i liczba klatek (81 = 5 s przy 16 fps; 4n+1). |
batch_size | INT | Zazwyczaj 1. |
Wyjścia
Nazwa | Typ | Co to jest |
|---|---|---|
positive / negative | CONDITIONING | Conditioning z wbudowanym odniesieniem obrazu. |
latent | LATENT | Pusty latent wideo o żądanym rozmiarze dla KSampler. |
Jak używać WanImageToVideo and Wan 2.x video nodes
- Pobierz model dyfuzji Wan 2.1 I2V 14B fp8, enkoder tekstu umt5_xxl_fp8, clip_vision_h i Wan 2.1 VAE do odpowiednich folderów.
- Zbuduj loader-y: Load Diffusion Model, Load CLIP (typ wan), Load VAE, Load CLIP Vision.
- Załaduj obraz -> CLIP Vision Encode; podłącz to, prompt, VAE i obraz do WanImageToVideo (832x480, długość 81).
- ModelSamplingSD3 przesunięcie 8 -> KSampler uni_pc, 20 kroków, cfg 5, denoise 1.0.
- VAE Decode -> Video Combine przy 16 fps, h264.
Ustawienia i wskazówki
- Długość musi być 4n+1 (17, 33, 49, 65, 81).
- LightX2V / CausVid LoRA do destylacji pozwalają na 4-6 kroków przy cfg 1: dziesięć razy szybciej.
- Wan 2.2 używa dwóch modeli (wysoki i niski szum) z dwoma węzłami KSampler (Advanced) podzielonymi na kroki; model 5B TI2V to pojedynczy plik dla kart 8-12 GB.
- Model 480p działa na 12 GB z fp8 i --lowvram; 720p wymaga 16-24 GB.
- Negatywny prompt ma znaczenie: oficjalny długi chiński negatyw (rozmycie, statyczność, zniekształcenia) poprawia ruch.
Rozwiązywanie problemów z WanImageToVideo and Wan 2.x video nodes
Błąd: długość musi być ... / niezgodność kształtu w latent
Dlaczego tak się dzieje
Liczba klatek nie jest 4n+1 lub szerokość/wysokość nie jest wielokrotnością 16.
Jak to naprawić
Użyj 81 klatek i rozdzielczości 832x480 lub 1280x720.
Wynik to nieruchomy obraz bez ruchu
Dlaczego tak się dzieje
Zbyt niskie przesunięcie, zbyt niskie cfg bez LoRA destylacji lub bardzo krótki prompt.
Jak to naprawić
ModelSamplingSD3 przesunięcie 5-8, cfg 5-6 (lub LightX2V LoRA przy cfg 1) i opisz ruch w promptcie.
clip_vision_output wymagany / zły model CLIP Vision
Dlaczego tak się dzieje
Wan 2.1 I2V wymaga clip_vision_h.safetensors; modele SigLIP lub ViT-L z innych grafów nie pasują.
Jak to naprawić
Załaduj clip_vision_h przez Load CLIP Vision i zakoduj obraz startowy. Wan 2.2 5B i niektóre grafy 2.2 w ogóle go nie używają.
Brak pamięci przy dekodowaniu VAE
Dlaczego tak się dzieje
Dekodowanie 81 klatek w 720p na raz.
Jak to naprawić
Użyj VAE Decode (Tiled) z kafelkowaniem czasowym, zmniejsz rozdzielczość lub dekoduj w 480p i potem skaluj klatki.
Load CLIP nie działa z plikiem umt5
Dlaczego tak się dzieje
W Load CLIP nie ustawiono typu na wan.
Jak to naprawić
Ustaw typ na wan (i użyj pliku fp8 umt5_xxl, żeby oszczędzić pamięć).
Pytania o WanImageToVideo and Wan 2.x video nodes
Który model Wan wybrać?
Wan 2.2 14B I2V (wysoki+niski szum, fp8) to najlepsza jakość; Wan 2.2 5B TI2V pasuje na małe GPU; Wan 2.1 14B I2V 480p to stabilny wybór z największą liczbą LoRA.
Czy mogę kontrolować kamerę lub ruch?
Tak: Wan Fun Control (wideo głębi/pozycji), VACE do odniesień i inpaintingu oraz motion LoRA z katalogu.
Text-to-video?
Użyj EmptyHunyuanLatentVideo jako latenta z modelem Wan T2V; reszta grafu jest taka sama.
Powiązane węzły
Load Diffusion Model
ComfyUI core
Load Diffusion Model (UNETLoader) ładuje samą sieć denoisingową, taką jak Flux, SD3.5, Wan czy HunyuanVideo z folderu models/diffusion_models, z opcją weight_dtype dla fp8, żeby zaoszczędzić VRAM.
Load VAE
ComfyUI core
Load VAE (VAELoader) ładuje osobny plik VAE z models/vae, dzięki czemu checkpoint bez VAE lub ze słabym VAE generuje czyste kolory, a modele podzielone jak Flux i Wan mają swój dekoder.
Video Combine (VideoHelperSuite)
ComfyUI-VideoHelperSuite
Video Combine zamienia partię klatek OBRAZU na MP4, WebM, GIF lub sekwencję obrazów z wybraną liczbą klatek na sekundę, z opcjonalnym dźwiękiem, liczbą powtórzeń i ping-pongiem. To standardowy węzeł wyjściowy dla każdego workflow wideo.
KSampler (Advanced)
ComfyUI core
KSampler (Advanced) to KSampler z kontrolą zakresu kroków: add_noise, start_at_step, end_at_step i return_with_leftover_noise, używany do łańcuchów base + refiner i próbkowania dwoma modelami.
EmptySD3LatentImage
ComfyUI core
EmptySD3LatentImage tworzy pusty latent 16-kanałowy, którego potrzebują Flux, SD3 i SD3.5; zastępuje Empty Latent Image w tych workflow.
Więcej węzłów ComfyUI
CLIP Text Encode (Prompt)
ComfyUI core
CLIP Text Encode zamienia tekstowy prompt na CONDITIONING używając modelu enkodera tekstu. Jeden node trzyma pozytywny prompt, drugi negatywny.
ComfyUI Manager
ComfyUI-Manager
ComfyUI Manager to rozszerzenie, które instaluje, aktualizuje i naprawia niestandardowe paczki węzłów i modele bezpośrednio z interfejsu, rozwiązuje brakujące węzły w importowanych przepływach pracy i robi migawki twojej konfiguracji.
KSampler
ComfyUI core
KSampler wykonuje pętlę odszumiania: bierze model, prompt i latent, i tworzy gotowy latent obrazu, kontrolowany przez seed, kroki, cfg, sampler, scheduler i denoise.
Load Checkpoint
ComfyUI core
Load Checkpoint (CheckpointLoaderSimple) otwiera plik modelu .safetensors lub .ckpt i udostępnia trzy części potrzebne w każdym workflow: MODEL dyfuzji, enkoder tekstowy CLIP oraz VAE.
Save Image
ComfyUI core
Save Image zapisuje tensor IMAGE do ComfyUI/output jako PNG, z całym workflow osadzonym w metadanych pliku, dzięki czemu obraz można przeciągnąć z powrotem do ComfyUI i przywrócić graf.
VAE Decode
ComfyUI core
VAE Decode zamienia wylosowany LATENT na pikselowy OBRAZ za pomocą VAE; VAE Decode (Tiled) robi to samo, ale w kafelkach dla bardzo dużych obrazów.