ComfyUI میں WanImageToVideo and Wan 2.x video nodes نوڈ
WanImageToVideo Wan 2.1/2.2 image-to-video render کے لیے start image، CLIP Vision embedding اور frame count سے conditioning اور empty video latent بناتا ہے؛ اس کے ساتھ جو graph ہے وہ Load Diffusion Model، Load CLIP، Load VAE اور KSampler استعمال کرتا ہے۔
WanImageToVideo and Wan 2.x video nodes کیا کرتا ہے
Wan 2.x (Alibaba) ComfyUI میں سب سے زیادہ استعمال ہونے والا open video ماڈل ہے۔ اہم nodes جیسے WanImageToVideo (I2V)، WanFunControlToVideo، WanFunInpaintToVideo، WanVaceToVideo (VACE control اور reference) اور WanFirstLastFrameToVideo مثبت اور منفی conditioning، VAE، width/height/length اور start image (ساتھ میں clip_vision_h encoder سے CLIP Vision output) لیتے ہیں اور image کے ساتھ conditioning اور صحیح shape کا LATENT واپس کرتے ہیں۔ Text-to-video میں EmptyHunyuanLatentVideo latent کے طور پر استعمال ہوتا ہے۔
باقی graph عام ہے: Load Diffusion Model wan2.1_i2v_480p_14B_fp8 (یا 2.2 high/low noise pair)، Load CLIP umt5_xxl_fp8 (type wan)، Load VAE wan_2.1_vae، CLIP Text Encode، KSampler (uni_pc یا euler، 20-30 steps، cfg 5-6، یا cfg 1 LightX2V/CausVid LoRA کے ساتھ 4-8 steps)، VAE Decode اور Video Combine 16 fps پر۔ ModelSamplingSD3 shift 5-8 ماڈل اور sampler کے درمیان ہوتا ہے۔
ان پٹس
نام | قسم | یہ کیا ہے |
|---|---|---|
positive / negative | CONDITIONING | CLIP Text Encode (umt5) سے prompt conditioning۔ |
vae | VAE | wan_2.1_vae.safetensors۔ |
clip_vision_output | CLIP_VISION_OUTPUT | clip_vision_h کے ساتھ CLIP Vision Encode سے (I2V 2.1)۔ |
start_image | IMAGE | پہلا frame۔ |
width / height / length | INT | Resolution (832x480 یا 1280x720) اور frames (81 = 5 سیکنڈ 16 fps پر؛ 4n+1)۔ |
batch_size | INT | عام طور پر 1۔ |
آؤٹ پٹس
نام | قسم | یہ کیا ہے |
|---|---|---|
positive / negative | CONDITIONING | تصویر کے حوالے کے ساتھ conditioning۔ |
latent | LATENT | KSampler کے لیے درخواست کردہ سائز کا empty video latent۔ |
WanImageToVideo and Wan 2.x video nodes کیسے استعمال کریں
- Wan 2.1 I2V 14B fp8 diffusion model، umt5_xxl_fp8 text encoder، clip_vision_h اور Wan 2.1 VAE اپنے فولڈرز میں ڈاؤن لوڈ کریں۔
- Loaders بنائیں: Load Diffusion Model، Load CLIP (type wan)، Load VAE، Load CLIP Vision۔
- Load Image -> CLIP Vision Encode؛ اسے، prompts، VAE اور image کو WanImageToVideo (832x480، length 81) سے جوڑیں۔
- ModelSamplingSD3 shift 8 -> KSampler uni_pc، 20 steps، cfg 5، denoise 1.0۔
- VAE Decode -> Video Combine 16 fps پر، h264۔
سیٹنگز اور تجاویز
- length 4n+1 ہونا چاہیے (17، 33، 49، 65، 81)۔
- LightX2V / CausVid distillation LoRAs 4-6 steps پر cfg 1 کے ساتھ اجازت دیتے ہیں: دس گنا تیز۔
- Wan 2.2 دو ماڈلز (high noise، low noise) اور دو KSampler (Advanced) nodes استعمال کرتا ہے جو steps سے تقسیم ہوتے ہیں؛ 5B TI2V ماڈل 8-12 GB کارڈز کے لیے ایک فائل ہے۔
- 480p ماڈل 12 GB پر fp8 اور --lowvram کے ساتھ چلتا ہے؛ 720p کو 16-24 GB چاہیے۔
- Negative prompt اہم ہے: سرکاری لمبا چینی منفی (blur، static، distortion) motion کو بہتر بناتا ہے۔
WanImageToVideo and Wan 2.x video nodes کے مسائل کا حل
Error: length ... ہونا چاہیے / latent میں shape mismatch
یہ کیوں ہوتا ہے
frame count 4n+1 نہیں ہے، یا width/height 16 کے مضارب نہیں ہیں۔
اسے کیسے ٹھیک کریں
81 frames اور 832x480 یا 1280x720 استعمال کریں۔
Output ایک still image ہے بغیر motion کے
یہ کیوں ہوتا ہے
Shift بہت کم ہے، cfg بہت کم ہے بغیر distillation LoRA کے، یا prompt بہت چھوٹا ہے۔
اسے کیسے ٹھیک کریں
ModelSamplingSD3 shift 5-8، cfg 5-6 (یا LightX2V LoRA cfg 1 پر)، اور prompt میں motion کی وضاحت کریں۔
clip_vision_output ضروری ہے / غلط CLIP Vision ماڈل
یہ کیوں ہوتا ہے
Wan 2.1 I2V کو clip_vision_h.safetensors چاہیے؛ دوسرے graphs کے SigLIP یا ViT-L ماڈلز match نہیں کرتے۔
اسے کیسے ٹھیک کریں
clip_vision_h Load CLIP Vision سے لوڈ کریں اور start image encode کریں۔ Wan 2.2 5B اور کچھ 2.2 graphs اسے استعمال نہیں کرتے۔
VAE decode پر memory ختم ہو گئی
یہ کیوں ہوتا ہے
ایک بار میں 720p پر 81 frames decode کرنا۔
اسے کیسے ٹھیک کریں
VAE Decode (Tiled) استعمال کریں، temporal tile کے ساتھ، resolution کم کریں، یا 480p پر decode کریں اور بعد میں frames upscale کریں۔
Load CLIP umt5 فائل کے ساتھ fail ہو رہا ہے
یہ کیوں ہوتا ہے
Load CLIP میں type dropdown wan پر سیٹ نہیں ہے۔
اسے کیسے ٹھیک کریں
type کو wan پر سیٹ کریں (اور memory بچانے کے لیے fp8 umt5_xxl فائل استعمال کریں)۔
WanImageToVideo and Wan 2.x video nodes کے بارے میں سوالات
میں کون سا Wan ماڈل منتخب کروں؟
Wan 2.2 14B I2V (high+low noise، fp8) بہترین کوالٹی ہے؛ Wan 2.2 5B TI2V چھوٹے GPUs کے لیے ہے؛ Wan 2.1 14B I2V 480p سب سے زیادہ LoRAs کے ساتھ مستحکم انتخاب ہے۔
کیا میں camera یا motion کو کنٹرول کر سکتا ہوں؟
ہاں: Wan Fun Control (depth/pose video)، VACE حوالہ جات اور inpainting کے لیے، اور motion LoRAs catalog سے۔
Text-to-video؟
Wan T2V ماڈل کے ساتھ latent کے طور پر EmptyHunyuanLatentVideo استعمال کریں؛ باقی graph وہی ہے۔
متعلقہ نوڈز
Load Diffusion Model
ComfyUI core
Load Diffusion Model (UNETLoader) ایک سادہ denoising نیٹ ورک لوڈ کرتا ہے جیسے Flux، SD3.5، Wan یا HunyuanVideo models/diffusion_models سے، جس میں weight_dtype کا آپشن ہوتا ہے تاکہ fp8 کے ذریعے VRAM بچائی جا سکے۔
Load VAE
ComfyUI core
Load VAE (VAELoader) models/vae سے ایک الگ VAE فائل لوڈ کرتا ہے تاکہ اگر چیک پوائنٹ میں VAE غائب ہو یا کمزور ہو تو صاف رنگ نکلیں، اور اس طرح split ماڈلز جیسے Flux اور Wan کو ان کا ڈیکوڈر مل جائے۔
Video Combine (VideoHelperSuite)
ComfyUI-VideoHelperSuite
Video Combine ایک IMAGE بیچ کو منتخب کردہ فریم ریٹ پر MP4، WebM، GIF یا تصویر کے سلسلے میں تبدیل کرتا ہے، جس میں اختیاری آڈیو، لوپ کی تعداد اور پنک پونگ شامل ہے، ہر ویڈیو ورک فلو کے لیے معیاری آؤٹ پٹ نوڈ ہے۔
KSampler (Advanced)
ComfyUI core
KSampler (Advanced) وہ KSampler ہے جس میں قدموں کی حد کو کنٹرول کرنے کی سہولت ہے: add_noise، start_at_step، end_at_step اور return_with_leftover_noise، جو base + refiner چینز اور دو ماڈل سیمپلنگ کے لیے استعمال ہوتا ہے۔
EmptySD3LatentImage
ComfyUI core
EmptySD3LatentImage وہ 16-چینل خالی latent بناتا ہے جو Flux، SD3 اور SD3.5 کو چاہیے ہوتا ہے؛ یہ ان ورک فلو میں Empty Latent Image کی جگہ لیتا ہے۔
مزید ComfyUI نوڈز
CLIP Text Encode (Prompt)
ComfyUI core
CLIP Text Encode ایک ٹیکسٹ پرامپٹ کو CONDITIONING میں بدل دیتا ہے ماڈل کے ٹیکسٹ انکوڈر کے ذریعے۔ ایک نوڈ مثبت پرامپٹ رکھتا ہے، دوسرا منفی پرامپٹ۔
ComfyUI Manager
ComfyUI-Manager
ComfyUI Manager وہ ایکسٹینشن ہے جو انٹرفیس کے اندر سے کسٹم نوڈ پیکس اور ماڈلز کو انسٹال، اپڈیٹ اور ٹھیک کرتا ہے، امپورٹ کیے گئے ورک فلو میں غائب نوڈز کو حل کرتا ہے اور آپ کی سیٹ اپ کی اسنیپ شاٹ لیتا ہے۔
KSampler
ComfyUI core
KSampler شور کم کرنے کا عمل چلاتا ہے: یہ ماڈل، پرامپٹس اور ایک latent لیتا ہے اور مکمل شدہ latent تصویر بناتا ہے، جسے seed، steps، cfg، sampler، scheduler اور denoise کے ذریعے کنٹرول کیا جاتا ہے۔
Load Checkpoint
ComfyUI core
Load Checkpoint (CheckpointLoaderSimple) ایک .safetensors یا .ckpt ماڈل فائل کھولتا ہے اور تین حصے دیتا ہے جو ہر ورک فلو کو چاہیے ہوتے ہیں: diffusion MODEL، CLIP ٹیکسٹ انکوڈر، اور VAE۔
Save Image
ComfyUI core
Save Image IMAGE ٹینسر کو ComfyUI/output میں PNG کے طور پر محفوظ کرتا ہے، جس میں پورا ورک فلو فائل میٹا ڈیٹا میں شامل ہوتا ہے تاکہ تصویر کو دوبارہ ComfyUI میں گھسیٹا جا سکے اور گراف کو بحال کیا جا سکے۔
VAE Decode
ComfyUI core
VAE Decode سیمپل کیے گئے LATENT کو VAE کے ذریعے پکسل IMAGE میں تبدیل کرتا ہے؛ VAE Decode (Tiled) بہت بڑے تصاویر کے لیے ٹائلز میں یہی کام کرتا ہے۔