Nodul WanImageToVideo and Wan 2.x video nodes în ComfyUI
WanImageToVideo construiește conditioning-ul și latentul video gol pentru un render Wan 2.1/2.2 de la imagine la video, pornind de la o imagine inițială, o încorporare CLIP Vision și numărul de cadre; graful din jur folosește Load Diffusion Model, Load CLIP, Load VAE și KSampler.
Ce face WanImageToVideo and Wan 2.x video nodes
Wan 2.x (Alibaba) este cel mai folosit model video open în ComfyUI. Nodurile principale WanImageToVideo (I2V), WanFunControlToVideo, WanFunInpaintToVideo, WanVaceToVideo (control și referință VACE) și WanFirstLastFrameToVideo iau conditioning-ul pozitiv și negativ, VAE-ul, o lățime/înălțime/lungime și imaginea de start (plus un output CLIP Vision de la encoderul clip_vision_h) și returnează conditioning cu imaginea încorporată împreună cu un LATENT de forma potrivită. Text-to-video folosește în schimb EmptyHunyuanLatentVideo ca latent.
Restul este un graf normal: Load Diffusion Model cu wan2.1_i2v_480p_14B_fp8 (sau perechea 2.2 high/low noise), Load CLIP cu umt5_xxl_fp8 (tip wan), Load VAE cu wan_2.1_vae, CLIP Text Encode, KSampler (uni_pc sau euler, 20-30 pași, cfg 5-6, sau cfg 1 cu un LightX2V/CausVid LoRA la 4-8 pași), VAE Decode și Video Combine la 16 fps. ModelSamplingSD3 cu shift 5-8 stă între model și sampler.
Intrări
Nume | Tip | Ce este |
|---|---|---|
positive / negative | CONDITIONING | Conditioning pentru prompt de la CLIP Text Encode (umt5). |
vae | VAE | wan_2.1_vae.safetensors. |
clip_vision_output | CLIP_VISION_OUTPUT | De la CLIP Vision Encode cu clip_vision_h (I2V 2.1). |
start_image | IMAGE | Primul cadru. |
width / height / length | INT | Rezoluția (832x480 sau 1280x720) și numărul de cadre (81 = 5 s la 16 fps; 4n+1). |
batch_size | INT | De obicei 1. |
Ieșiri
Nume | Tip | Ce este |
|---|---|---|
positive / negative | CONDITIONING | Conditioning cu referința imaginii. |
latent | LATENT | Latent video gol de dimensiunea cerută pentru KSampler. |
Cum folosești WanImageToVideo and Wan 2.x video nodes
- Descarcă modelul Wan 2.1 I2V 14B fp8 diffusion, encoderul text umt5_xxl_fp8, clip_vision_h și Wan 2.1 VAE în folderele lor.
- Construiește loader-ele: Load Diffusion Model, Load CLIP (tip wan), Load VAE, Load CLIP Vision.
- Încarcă Imaginea -> CLIP Vision Encode; conectează-l, prompturile, VAE-ul și imaginea la WanImageToVideo (832x480, lungime 81).
- ModelSamplingSD3 shift 8 -> KSampler uni_pc, 20 pași, cfg 5, denoise 1.0.
- VAE Decode -> Video Combine la 16 fps, h264.
Setări și sfaturi
- Lungimea trebuie să fie 4n+1 (17, 33, 49, 65, 81).
- LoRA-urile LightX2V / CausVid distillation permit 4-6 pași la cfg 1: de zece ori mai rapid.
- Wan 2.2 folosește două modele (high noise, low noise) cu două noduri KSampler (Advanced) împărțite pe pași; modelul 5B TI2V este un singur fișier pentru plăci de 8-12 GB.
- Modelul 480p merge pe 12 GB cu fp8 și --lowvram; 720p cere 16-24 GB.
- Promptul negativ contează: promptul negativ lung oficial chinezesc (blur, static, distorsiune) îmbunătățește mișcarea.
Depanare WanImageToVideo and Wan 2.x video nodes
Eroare: lungimea trebuie să fie ... / nepotrivire formă în latent
De ce se întâmplă
Numărul de cadre nu este 4n+1 sau lățimea/înălțimea nu sunt multipli de 16.
Cum se repară
Folosește 81 cadre și 832x480 sau 1280x720.
Output-ul este o imagine fixă fără mișcare
De ce se întâmplă
Shift prea mic, cfg prea mic fără un LoRA de distilare, sau un prompt foarte scurt.
Cum se repară
ModelSamplingSD3 shift 5-8, cfg 5-6 (sau un LightX2V LoRA la cfg 1), și descrie mișcarea în prompt.
clip_vision_output este necesar / model CLIP Vision greșit
De ce se întâmplă
Wan 2.1 I2V are nevoie de clip_vision_h.safetensors; modelele SigLIP sau ViT-L din alte grafuri nu se potrivesc.
Cum se repară
Încarcă clip_vision_h cu Load CLIP Vision și encodează imaginea de start. Wan 2.2 5B și unele grafuri 2.2 nu îl folosesc deloc.
Memorie insuficientă la decodarea VAE
De ce se întâmplă
Decodarea a 81 cadre la 720p dintr-o dată.
Cum se repară
Folosește VAE Decode (Tiled) cu un tile temporal, scade rezoluția sau decodează la 480p și apoi upscalează cadrele.
Load CLIP eșuează cu fișierul umt5
De ce se întâmplă
Dropdown-ul de tip pe Load CLIP nu este setat pe wan.
Cum se repară
Setează tipul pe wan (și folosește fișierul fp8 umt5_xxl pentru a salva memorie).
Întrebări despre WanImageToVideo and Wan 2.x video nodes
Ce model Wan ar trebui să aleg?
Wan 2.2 14B I2V (high+low noise, fp8) are cea mai bună calitate; Wan 2.2 5B TI2V merge pe GPU-uri mici; Wan 2.1 14B I2V 480p e alegerea stabilă cu cele mai multe LoRA-uri.
Pot controla camera sau mișcarea?
Da: Wan Fun Control (video depth/pose), VACE pentru referințe și inpainting, și LoRA-uri de mișcare din catalog.
Text-to-video?
Folosește EmptyHunyuanLatentVideo ca latent cu modelul Wan T2V; restul grafului e la fel.
Noduri conexe
Load Diffusion Model
ComfyUI core
Load Diffusion Model (UNETLoader) încarcă o rețea de denoising simplă, cum ar fi Flux, SD3.5, Wan sau HunyuanVideo din models/diffusion_models, cu o opțiune weight_dtype pentru fp8 ca să economisești VRAM.
Load VAE
ComfyUI core
Load VAE (VAELoader) încarcă un fișier VAE separat din models/vae ca să poți folosi un checkpoint care are VAE lipsă sau slab, astfel încât să decodeze culori curate, și ca modelele împărțite precum Flux și Wan să aibă decoderul lor.
Video Combine (VideoHelperSuite)
ComfyUI-VideoHelperSuite
Video Combine transformă un lot de cadre IMAGE într-un MP4, WebM, GIF sau o secvență de imagini la o rată de cadre aleasă, cu opțiuni pentru audio, număr de bucle și ping-pong, fiind nodul standard de ieșire pentru orice flux video.
KSampler (Advanced)
ComfyUI core
KSampler (Advanced) este KSampler cu control pe intervalul de pași: add_noise, start_at_step, end_at_step și return_with_leftover_noise, folosit pentru lanțuri de bază + rafinare și sampling cu două modele.
EmptySD3LatentImage
ComfyUI core
EmptySD3LatentImage creează latentul gol cu 16 canale de care au nevoie Flux, SD3 și SD3.5; înlocuiește Empty Latent Image în acele fluxuri de lucru.
Mai multe noduri ComfyUI
CLIP Text Encode (Prompt)
ComfyUI core
CLIP Text Encode transformă un prompt text în CONDITIONING folosind encoderul text al modelului. Un nod ține promptul pozitiv, iar altul promptul negativ.
ComfyUI Manager
ComfyUI-Manager
ComfyUI Manager este extensia care instalează, actualizează și repară pachetele de noduri personalizate și modelele direct din interfață, rezolvă nodurile lipsă în fluxurile de lucru importate și face snapshot-uri cu configurația ta.
KSampler
ComfyUI core
KSampler rulează ciclul de denoising: ia modelul, prompturile și un latent și produce imaginea latentă finală, controlată de seed, pași, cfg, sampler, scheduler și denoise.
Load Checkpoint
ComfyUI core
Load Checkpoint (CheckpointLoaderSimple) deschide un fișier model .safetensors sau .ckpt și oferă cele trei părți de care are nevoie orice workflow: MODEL-ul de difuzie, encoderul text CLIP și VAE-ul.
Save Image
ComfyUI core
Save Image salvează tensorul IMAGE în ComfyUI/output ca PNG, cu întregul flux de lucru încorporat în metadatele fișierului, astfel încât poza poate fi trasă înapoi în ComfyUI pentru a restaura graful.
VAE Decode
ComfyUI core
VAE Decode transformă LATENTUL eșantionat în imagine PIXEL cu VAE; VAE Decode (Tiled) face același lucru pe bucăți pentru imagini foarte mari.