【BDSD基础教程】轮廓提取类ControlNet使用方法大揭秘

最新推荐文章于 2025-12-02 00:06:55 发布

原创

最新推荐文章于 2025-12-02 00:06:55 发布 · 1.5k 阅读

32 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能

有很多人问小新

“怎么在BDSD里用自己的模型图制作效果图哇？”

“为什么我生成的图和我想的完全不一样？”

这个时候，你就需要

——什么是轮廓提取类ControlNet?——

ControlNet~~使用了“Conditional Generative Adversarial Networks”~~

~~（条件生成对抗网络）的技术来生成图像……~~

（太专业了看不懂！）

轮廓提取类ControlNet可以从我们提供的图片中

提取出各类要素的形状，

作为后续生成图片的骨架，

从而精准控制图片生成内容

（还是很抽象？上图！）

轮廓提取方式大解析

很多朋友们又要问了：

“选择这么多，每个又是什么意思啊？”

别担心！小新每个都带你看看~

*Depth原本属于“深度类” 的ControlNet，由于它也有提取轮廓的作用，所以我们就把它放在这里啦。

如何使用

Step 1

在「参考图片」区，选择「轮廓底图」，点击「上传图片」-「本地上传」，

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

新山水数字科技

关注关注

38
点赞
踩
32

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

8 零基础学webUI | Controlnet控制与约束--Controlnet应用分类与使用方法

画青山的博客

07-17

1114

摘要：ControlNet插件通过额外控制条件（如轮廓、姿态等）显著降低AI生图的随机性。安装时需注意版本和模型匹配，预处理器需单独下载。主要分类包括线条约束、空间深度、人体姿态等7大类。使用时需正确选择预处理器和模型，调整控制权重和时间参数，并同步参考图尺寸。该工具可与提示词配合，实现更精准的图像生成效果，但需注意大模型版本与ControlNet模型的兼容性。

【2025 Stable Diffusion ControlNet插件详解】【5.ControlNet五种轮廓模型】

商务合作|问题讨论|交流学习请联系作者微信，加微信请务必注明来意，博客主页有联系方式

05-07

771

通过本指南，您将全面掌握ControlNet的五种轮廓模型，从技术原理到实战应用，从参数优化到行业案例，为您的AI绘画工作流注入强大的控制力。建议在实际应用中结合具体需求选择模型组合，并通过参数调优实现最佳效果。Canny边缘检测模型基于经典图像处理算法，通过双阈值（高低阈值）实现边缘的精准提取。实现与Stable Diffusion的融合，其预处理器为。，支持对输入图像进行边缘提取后生成符合边缘结构的新图像。在ControlNet中，Canny模型通过。，支持对建筑、工业设计等直线结构的精准控制。

参与评论您还未登录，请先登录后发表或查看评论

AI绘图教程|Stable Diffusion(SD)文生图参数详解及吉尼龟小案例

m0_71746299的博客

01-17

1163

SD学习绘图最开始的第一步是，这也是最基础的学习，今天我带大家先学习下文生图。

stable diffusion实践操作-CLIP

weixin_43360707的博客

09-02

2793

学习本章之前，先看SD生图原理。

最全的SD界面大揭秘，让你一次知道所有功能

qq_41314882的博客

03-25

3380

AIGC技术的未来发展前景广阔，随着人工智能技术的不断发展，AIGC技术也将不断提高。未来，AIGC技术将在游戏和计算领域得到更广泛的应用，使游戏和计算系统具有更高效、更智能、更灵活的特性。同时，AIGC技术也将与人工智能技术紧密结合，在更多的领域得到广泛应用，对程序员来说影响至关重要。未来，AIGC技术将继续得到提高，同时也将与人工智能技术紧密结合，在更多的领域得到广泛应用。感兴趣的小伙伴，赠送全套AIGC学习资料和安装工具，包含AI绘画、AI人工智能等前沿科技教程，模型插件，具体看下方。

【AI绘图】三、stable diffussion操作界面介绍以及如何使用

z_Biner 的博客

06-04

4028

stable difusion界面介绍及小试牛刀

Stable Diffusion 参数测试

xzz_777c的博客

05-13

1098

（全套教程文末领取哈）

ControlNet培训教程

03-18

6. 同轴电缆作为介质类型：ControlNet使用RG6同轴电缆作为传输介质，这种介质类型允许网络实现较高的数据传输速率，并且在抗干扰和信号完整性方面表现良好。 7. 先进高效的producer/Consumer模型：ControlNet采用的...

【2025 Stable Diffusion ControlNet插件详解】【4.ControlNet基础界面使用指南】

商务合作|问题讨论|交流学习请联系作者微信，加微信请务必注明来意，博客主页有联系方式

05-07

860

ControlNet的核心优势在于**“可控性”与“灵活性”的平衡**。通过合理配置控制类型、权重和引导参数，用户可以实现从线稿到成品、从姿势到场景的全流程精准控制。建议新手从单一控制类型（如Canny）入手，逐步尝试多模型叠加和动态参数调整。对于商业应用，可结合LoRA模型（如）进一步细化生成结果，实现工业化级别的AI绘图。进阶技巧混合控制类型：Canny + Depth实现结构与空间双重约束。动态权重调整：使用插件实现权重随步数变化。多模态控制。

山水比德携手文心大模型 AI双擎赋能设计全流程

百度大脑

06-17

574

它作为智能的“信息提炼器”，能够从海量且繁杂的信息中精准筛选并高效总结出核心要点，为设计师提供准确、清晰且针对性强的答案，极大提高了问答的效率与质量。在参数调优环节，参数复杂多样且较难理解，设计师难以在短时间内掌握，导致生成结果稳定性欠佳，难以满足设计师对高质量设计成果的需求。用户提问后，系统即刻启动快速检索机制，挖掘规范与标准，深度解析内涵，提供精准且详尽的查询结果，大幅提升查询效率与体验。匠心打造集成式AI设计平台，携手百度文心大模型，重塑设计流程关键环节，提升建筑规范查询及效果图生成效率，

AI绘画Stable diffusion最强大的功能：ControlNet插件详解

白帽阿叁的博客

06-26

1843

大家好，我是程序员晓晓。在之前的几篇文章中我已经陆续地介绍过Stable diffusion的一些基础功能，接下来要介绍的是Stable diffusion中稍微难一点的，但同时也是比较实用的功能：ControlNet。简单来说，ControlNet 是一个通过添加来控制中图像生成的。额外条件怎么理解呢？在没有ControlNet之前，我们一般都是通过提示词来生成图片，这里的提示词其实就是一种条件。而额外条件就是在提示词的基础上再增加一些参考条件，比如人物的姿势、轮廓、空间感等。

有时候会跳过clip没有执行 somtimes Timeline Clip will be skipped

由纪的博客

04-24

778

帧率过低，或增大了Time.timeScale，会导致一次Update之后，经过了较长的时间片，PlayableDirector的当前时间time跳过了某些Timeline Clip，因此不会执行Clip对应的Behaviour的ProcessFrame OnBehaviourPause OnBehaviourPlay 等函数解决方案逐帧Evaluate 使用PlayableDirectorW...

【深度学习】详解 CLIP

闻韶

12-01

1万+

【深度学习】详解 CLIP - Learning Transferable Visual Models From Natural Language Supervision

CLIP(Contrastive Language-Image Pretraining)主体网络代码详解

m0_47623548的博客

02-21

1万+

CLIP是OpenAI于2021年发表的工作，其采用无监督学习中的对比学习的训练方法，使用了规模巨大的数据集（4亿个图片文本对）来进行训练，其在多个数据集上均得到了让人欣喜的结果，有效地证实了NLP与CV结合所具备的巨大的潜力，并基于此产生了许多有趣的工作。在这里分享一下我对于CLIP主体网络代码的理解，可能会存在诸多纰漏，请大家多多指教。 paper：http://proceedings.mlr.press/v139/radford21a/radford21a.pdf code:https://git

独家 | 人工神经网络中发现了人类大脑拥有的多模态神经元（附链接）

数据派THU

03-29

1671

作者：Gabriel Goh, Chelsea Voss, Daniela Amodei, Shan Carter, Michael Petrov, Justin Jay Wang, ...

几种方法用来提取图像轮廓的例子

最新发布

hiliang521的博客

12-02

795

【模式识别与机器学习（8）】主要算法与技术（下篇：高级模型与集成方法）之元学习

详细讲解一下comyui的controlnet和使用方法

02-28

<think>嗯，用户让我详细讲解一下ComfyUI的ControlNet和使用方法。首先，我需要确定用户对ComfyUI和ControlNet的了解程度。可能他们已经有基本的Stable Diffusion使用经验，但对ComfyUI的节点式界面不太熟悉。用户可能想通过ControlNet更精确地控制图像生成，比如姿势、线条或色彩等。接下来，我应该先解释ComfyUI是什么，强调其节点式工作流的灵活性。然后介绍ControlNet的基本概念，说明它在图像生成中的作用，比如通过边缘检测、深度图等条件控制生成结果。在讲解使用方法时，需要分步骤说明如何在ComfyUI中安装ControlNet，可能用户会遇到安装问题，需要提醒他们检查插件是否兼容。然后详细说明如何添加ControlNet节点，选择预处理器和模型，连接输入输出节点。这里可能需要用具体的例子，比如使用Canny边缘检测，演示从加载图像到生成最终结果的过程。还要注意常见问题，比如模型加载失败、预处理效果不佳等，给出解决方案。用户可能对不同的ControlNet模型不太清楚用途，需要简要介绍几个常用模型，如OpenPose、Depth、Scribble等，帮助用户根据需求选择。最后，总结使用ControlNet的好处，并鼓励用户实践。同时确保使用正确的LaTeX格式，虽然在这个主题中数学公式可能不多，但如果有涉及参数或方程的地方，要正确应用格式。整个回答要结构清晰，步骤明确，语言口语化，避免技术术语堆砌，让用户容易理解。</think>好的！我将以分步讲解的形式为你介绍 **ComfyUI 的 ControlNet 使用方法**，帮助你在节点式工作流中实现更精准的图像控制。 --- ### **1. ComfyUI 是什么？** ComfyUI 是一个基于 **节点式操作界面** 的 Stable Diffusion 工具，通过可视化连接不同功能模块（节点）构建生成流程。它的优势在于： - **灵活性**：自由组合模型、条件控制、后处理等模块 - **可定制性**：支持插件扩展（如 ControlNet） - **低显存占用**：通过优化节点执行顺序节省资源 --- ### **2. ControlNet 的核心作用** ControlNet 是一种通过 **额外条件控制图像生成** 的技术，常见应用场景包括： - 姿势控制（如 OpenPose） - 边缘/线稿保留（如 Canny、MLSD） - 深度图引导（如 Depth） - 色彩分布约束（如 Color） --- ### **3. ComfyUI 中 ControlNet 的使用步骤** 以下以 **Canny 边缘检测** 为例，演示完整流程： #### **步骤 1：安装 ControlNet 插件** - 在 ComfyUI 的 `custom_nodes` 文件夹中，安装官方或第三方 ControlNet 插件（如 [ComfyUI-Advanced-ControlNet](https://github.com/Kosinkadink/ComfyUI-Advanced-ControlNet)） - 确保下载对应的 **ControlNet 模型**（`.safetensors` 文件），放置到 `models/controlnet` 目录 #### **步骤 2：构建基础生成流程** ```plaintext [加载模型] → [正向提示词] → [KSampler] → [VAE 解码] → [保存图像] ``` #### **步骤 3：添加 ControlNet 节点** 1. **加载 ControlNet 模型** - 添加 `Load ControlNet Model` 节点，选择对应的模型（如 `control_v11p_sd15_canny.pth`） 2. **预处理输入图像** - 添加 `Canny Edge Preprocessor` 节点，上传参考图并调整阈值（低阈值=保留更多细节） 3. **连接条件到采样器** - 将 ControlNet 输出连接到 `KSampler` 的 `positive` 和 `negative` 条件端口 #### **步骤 4：完整节点连接示例** ```plaintext [加载模型] → [正向提示词] → [KSampler] ↑ ↓ [ControlNet] ← [Canny预处理] [VAE 解码] → [保存图像] ``` #### **步骤 5：调整参数** - **ControlNet 权重**：通常 0.5~1.0（过高会导致图像僵硬） - **起始/终止步数**：控制介入时机（例如 0.0~1.0 表示全程生效） - **预处理参数**：如 Canny 的 low_threshold 和 high_threshold --- ### **4. 常用 ControlNet 模型与用途** | 模型类型 | 预处理器 | 适用场景 | |---------------|----------------|----------------------------| | Canny | Canny | 保留边缘细节（线稿→上色） | | Depth | Midas | 3D 空间层次控制 | | OpenPose | OpenPose | 人物姿势复刻 | | Scribble | None | 手绘涂鸦引导 | | Segmentation | Uniformer | 区域色彩/内容控制 | --- ### **5. 常见问题解决** - **模型加载失败** 检查模型文件是否完整，路径是否匹配 `models/controlnet` - **预处理无效果** 确认预处理器节点正确连接，且输入图像已加载 - **生成结果僵硬** 降低 ControlNet 权重或调整介入步数范围 --- ### **6. 进阶技巧** - **多 ControlNet 叠加**：串联多个 ControlNet 实现复杂控制（如 Pose+Depth） - **条件遮罩**：配合 `Conditioning Mask` 节点局部控制生效区域 - **动态参数**：使用 `Reroute` 节点在流程中实时调整权重 --- 通过以上步骤，你可以在 ComfyUI 中灵活运用 ControlNet 实现精准的图像生成控制。实际使用时，建议从单一条件开始测试，逐步叠加复杂度。