ComfyUI: AI-продакшн у вас дома [profileschool] [Стив Ласмин]

Превратите свой компьютер в AI-студию для визуального продакшена Научитесь работать с генеративным ИИ локально: без подписок, лимитов и зависимости от закрытых сервисов. На онлайн-курсе вы разберётесь в ComfyUI — мощной среде для сборки собственных нейросетевых workflow под реальные задачи: от первой генерации до реставрации фото, нейро-фотосессий, виртуальной примерки, каталогов для маркетплейсов и изображений для печати. Цель занятия: Познакомить студентов с философией и принципами работы модульного интерфейса ComfyUI. Развеять миф о его сложности: наглядно показать, что при грамотном подходе сборка рабочего процесса — это быстрый, увлекательный и несложный процесс. Пройти все тонкости правильной установки программы, заложив надежный фундамент для дальнейшего обучения. Темы занятия: Почему ComfyUI — лучший выбор для работы с нейросетями (свобода от подписок, полный контроль над процессом). Модульная структура интерфейса: что такое «узлы» (ноды) и как они соединяются друг с другом, образуя единый конвейер (рабочий процесс). Точка начала (загрузка модели) и точка конца (сохранение картинки) — как течет данных внутри интерфейса. Демонстрация возможностей ComfyUI: почему визуальное программирование удобнее привычных вкладок и кнопок. Пошаговая установка необходимого софта: Git (система для удобного скачивания и обновления программ), Python (базовый язык, на котором написан ComfyUI; пугаться не нужно — программировать мы не будем, но без этой среды программа просто не запустится), Nvidia CUDA Toolkit (набор инструментов, позволяющий видеокарте общаться с нейросетями на максимальной скорости), GPU-Z (бесплатная утилита, чтобы видеть, как сильно нагружается ваша видеокарта). Выбор и самостоятельное построение базового рабочего процесса на примере SDXL: мы не просто загружаем чужой шаблон, а своими руками соединяем первые узлы друг с другом, как детали конструктора, чтобы увидеть, как из текста рождается изображение. Скачивание первой модели (чекпоинта) с соблюдением правильной структуры папок. Генерация первого изображения на вашем ПК. Практика и домашнее задание: Установка всех необходимых программ на свой компьютер. Запуск ComfyUI и самостоятельное построение базовой схемы для SDXL. Скачивание первой модели. Самостоятельная генерация первых 5 изображений. Сохранение своего первого рабочего процесса (чтобы им можно было поделиться или использовать в будущем). Занятие 2. Базовая архитектура Workflow: модели, промпты, математика генерации (Sampler, Scheduler, CFG) и Latent-пространство Цель занятия: Объяснить базовую архитектуру работы генеративных нейросетей. Показать студентам, как работают ключевые параметры генерации (Шаги, CFG, Сэмплеры) и научить осознанно управлять готовым рабочим процессом. Также познакомиться с ComfyUI Manager — главным инструментом для расширения возможностей программы. Темы занятия: Разница между понятиями «модель» и «чекпоинт» (Checkpoint): почему эти термины часто путают. Чекпоинт — это полноценная базовая нейросеть (большой файл-«мозг»), а «моделью» называют и её, и другие, более мелкие вспомогательные файлы (например, VAE). Разбираемся, что именно мы скачиваем из интернета. Латентное пространство (Latent) — секретный язык нейросети. Объясняем просто: это «цифровой пластилин», из которого модель лепит картинку до того, как она станет пикселями. Текстовые движки (Text Encoders) — как нейросеть переводит ваши слова в цифры и понимает, что от неё хотят. Промпты и негативные промпты: как правильно формулировать запросы, что работает, а что нет, и зачем тестировать разные варианты. Математика генерации без формул: Seed (зерно) — начальная точка отсчета случайного шума. Steps (шаги) — количество итераций «проявления» картинки из шума. CFG Scale — насколько строго нейросеть должна следовать вашему тексту (и почему слишком много — это плохо). Sampler (алгоритм очистки от шума) и Scheduler (планировщик темпа) — стиль и скорость, с которыми нейросеть убирает шум из изображения. VAE (Вариационный автоэнкодер) — та самая «фотолаборатория», которая проявляет скрытый цифровой набросок в полноценную картинку, видимую нашими глазами. ComfyUI Manager: что это такое, зачем нужно и как устанавливать. Это своеобразный «магазин приложений» для ComfyUI, который позволяет в один клик искать и добавлять новые узлы (ноды). Мы будем пользоваться им на протяжении всего курса. Глубокий разбор рабочего процесса из первого занятия: теперь мы не просто видим блоки, а понимаем, как течет информация, за что отвечает каждый узел и как параметры влияют на итоговую картинку. Практика: Установка ComfyUI Manager прямо на уроке. Наглядная демонстрация того, как меняется картинка при изменении каждого из параметров (Steps, CFG, Sampler, Scheduler). Домашнее задание: Убедиться, что ComfyUI Manager установлен и работает. Взять за основу рабочий процесс из первого занятия на базе SDXL. Используя один и тот же промпт и фиксированное зерно (Seed), сгенерировать серию изображений, меняя только параметры сэмплера, планировщика, CFG и количества шагов. После этого написать свои наблюдения: как именно каждый параметр повлиял на результат. Занятие 3. Расширение возможностей: LoRA, триггерные слова, кастомные ноды и квантованные GGUF-модели на примере Z-Image Turbo Цель занятия: Показать студентам разнообразие дополнительных инструментов в ComfyUI. Научить управлять стилями и деталями через LoRA, а также понять принципы квантования (сжатия) моделей, чтобы запускать мощные нейросети на любых видеокартах. Темы занятия: LoRA (мини-модели): что это такое, как они «обучают» базовую модель новым концепциям, и почему они весят в сотни раз меньше чекпоинтов. Триггерные слова (trigger words) и сила воздействия (weight): как правильно «активировать» нужный стиль или объект, и почему слишком высокая сила воздействия ломает картинку. Квантование и GGUF-модели: можно ли доверять сжатым моделям? Объясняем простыми словами, как сжатие (например, Q4) позволяет загрузить в 8 Гб видеопамяти то, что изначально требовало 16 Гб, и какие при этом бывают потери качества. Работа с ComfyUI Manager (напоминаем, как им пользоваться) для установки кастомных нод (дополнительных узлов), которых нет в базовой версии программы. Знакомство с моделью Z-Image Turbo: чем она отличается от SDXL и почему она стала идеальной кандидатурой для тестирования GGUF. Практика: Использование ComfyUI Manager для скачивания и установки specialized-узлов: GGUF Loader (загрузчик сжатых моделей) и GPU-Clip Loader. Сборка базового рабочего процесса для Z-Image Turbo. Сравнение результатов генерации обычной и сжатой (GGUF) модели: ищем баланс между скоростью, качеством и свободной памятью. Добавление в процесс узла работы с LoRA: настраиваем триггерные слова и подбираем оптимальную силу воздействия. Домашнее задание: Настроить рабочий процесс для Z-Image Turbo на своей машине. Выбрать обычную или GGUF-модель (в зависимости от мощности вашей видеокарты). Добавить одну или несколько LoRA, сгенерировать серию изображений с использованием триггерных слов. Сравнить эстетику и скорость Z-Image Turbo с SDXL из предыдущих занятий и поделиться впечатлениями. Занятие 4. Магия Inpaint и контроль через ControlNet на примере Z-Image Turbo (плюс ускорение генерации) Цель занятия: Освоить точечное редактирование изображений через Inpaint и научиться управлять композицией через ControlNet с помощью различных препроцессоров. Дополнительно — максимально повысить производительность системы за счет установки модулей ускорения и оптимизации памяти. Темы занятия: Inpaint (перерисовка): переводится как «внутренняя покраска». Как сказать нейросети: «перерисуй только этот кусочек, а остальное не трогай». Встроенные инструменты ComfyUI для рисования масок и кастомные ноды для продвинутой работы с ними. ControlNet — «глаза» для нейросети: как заставить модель повторять позу, глубину или контуры с референсного изображения, а не придумывать их случайно. Установка модуля расширенных возможностей (Z-Image-Fun-Union) для модели Z-Image Turbo, который включает поддержку ControlNet. Основные препроцессоры (инструкции для модели): Depth (карта глубины), Pose/DWPose (поза человека), Canny (контуры) и Grey (раскрашивание ч/б). Тюнинг двигателя ComfyUI (ускорение и оптимизация): почему важно, чтобы версии Python, PyTorch и CUDA Toolkit совпадали как шестеренки в часовом механизме. Тройка ускорения без потерь: Triton-Windows и Sage Attention 2: если объяснять просто, Triton помогает видеокарте эффективнее распределять математические вычисления, а Sage Attention оптимизирует то, как нейросеть «смотрит» на контекст. Они работают в паре, кардинально ускоряя генерацию. Patch Torch Model FP16: специальный патч, который переводит вычисления модели в формат половинной точности (16 бит вместо 32). Простыми словами: нейросеть начинает считать «округленные» числа вместо бесконечных дробей. Это экономит драгоценную видеопамять и дает буст к скорости, а разница в качестве картинки для человеческого глаза незаметна. Практика: Пошаговая установка модулей Triton-Windows и Sage Attention 2 под вашу конкретную видеокарту. Добавление нод Sage Attention и Patch FP16 в рабочий процесс на базе Z-Image Turbo и замер прироста производительности. Практика Inpaint «Удаление объекта»: загружаем готовое изображение, выделяем область маской, стираем лишнее. Практика Inpaint «Замена объекта»: меняем исходный элемент на совершенно другой (бесшовно, как дорогой ИИ-сервис). Установка Z-Image-Fun-Union. Подключение нод препроцессоров (Depth, Pose, Canny, Grey). Практика ControlNet: генерация с сохранением позы или контуров, а также тестовое раскрашивание ЧБ-фотографии. Домашнее задание: Установить модули ускорения на свой ПК и интегрировать: Triton-windows, Sage Attention и Patch FP16 в рабочий процесс. Взять готовое изображение и с помощью Inpaint удалить один лишний объект, а второй — заменить на новый. Расширить рабочий процесс: добавить ноды загрузки референсного изображения и ноды препроцессоров. Сгенерировать 3 изображения по разным референсам (на выбор: Pose/DWPose, Canny, Depth, Grey). Оценить влияние дополнительного промпта при раскрашивании ч/б. Поделиться результатами. Занятие 5. Эстетика и контекстное редактирование: знакомство с Krea-2 и Krea-2 Edit в ComfyUI Цель занятия: Познакомить студентов с моделями нового поколения (Krea-2), способными к генерации премиального качества и прямому контекстному редактированию. Научить менять детали и фон по тексту, а также получать огромные изображения, готовые к печати, напрямую из генератора. Темы занятия: Krea-2: почему она называется одной из самых эстетичных моделей на данный момент. Ее преимущества в фотореализме, художественности и скорости работы. Нативное высокое разрешение без апскейла: уникальная способность Krea-2. В отличие от старых моделей, которые выдают маленькие картинки (около 1 мегапикселя), требующие долгого «растягивания», Krea-2 способна сразу рисовать гигантские полотна с мельчайшими деталями. Примеры доступных размеров: 2048x2048 (квадрат), 2432x1088 (кинематографичный 16:9), 4096x1024 (панорама) и даже 4096x2048 (готовый 4K-постер). Сборка базового рабочего процесса для Krea-2: как загружать модель, писать промпты и получать топовый результат с первой попытки. Контекстное редактирование (Krea-2 Edit): чем оно отличается от Inpaint. Если Inpaint — это «хирургия» с маской, то контекстное редактирование — это «диалог» с нейросетью. Вы просто указываете картинку и пишете, что нужно изменить. Как Krea-2 Edit (Lora) понимает инструкции: замена объектов, изменение освещения, смена времени суток, перенос объекта в другую среду. Разрешение входных изображений (референсов) и его влияние на качество редактирования. Сочетание несочетаемого: как применять наши знания по ускорению (Sage Attention) и LoRA из прошлых занятий вместе с Krea-2 для максимальной эффективности. Практика: Установка Krea-2 и необходимых нод (через наш любимый ComfyUI Manager). Демонстрация генерации с нуля: оцениваем эстетику и послушность модели по сравнению с Z-Image Turbo и SDXL. Эксперимент с разрешением: генерируем изображение в формате 4K (например, 3840x2160 или 4096x2048) и оцениваем детализацию без использования дополнительных нод увеличения. Сборка процесса для Krea-2 Edit: загружаем готовое изображение и с помощью текстового промпта меняем фон, одежду и атмосферу без использования масок. Сравнение подходов: когда проще использовать Inpaint (из 4-го занятия), а когда — контекстное редактирование Krea-2 Edit. Домашнее задание: Настроить рабочий процесс с Krea-2. Сгенерировать 3 изображения: одно в стандартном квадрате 2048x2048, другое в панорамном или 4K-разрешении (чтобы прочувствовать нативную детализацию). Взять 1 свою фотографию или сгенерированную ранее картинку и с помощью Krea-2 Edit изменить в ней окружение и ключевые детали (например, поменять дневной свет на ночной, или заменить одежду). Сравнить удобство этого процесса с классическим Inpaint. Занятие 6. Контекстные модели «из коробки»: виртуальная примерка, пересадка лиц, пакетная обработка и управление памятью на примере Flux-2 Klein. Цель занятия: Познакомить студентов с контекстными моделями (Flux-2 Klein), способными редактировать изображения напрямую. Освоить создание сложных мульти-модульных рабочих процессов: виртуальная примерка, пересадка лиц и пакетная реставрация. Научиться управлять ресурсами ПК (очистка VRAM) и организовывать хаос из нод в удобную систему. Темы занятия: Контекстные модели (Flux-2 Klein): чем они принципиально отличаются от SDXL и Z-Image Turbo. Как они «видят» картинку без ControlNet и понимают, что на ней изображено. Множественные референсы в одном процессе: как объединить в одной схеме сразу несколько источников изображений (фото модели, фото одежды, фото позы) и заставить нейросеть использовать их одновременно. Виртуальная примерка одежды: как передать нейросети фото человека и фото нужного товара (с манекена), чтобы получить точный перенос ткани, фасона и логотипов. Пересадка лиц (Head Swap): использование специализированных LoRA для Flux-2 Klein, чтобы переносить конкретное лицо на любое сгенерированное тело. Организация хаоса (Пульт управления): как из десятков нод и проводов собрать аккуратный интерфейс. Использование групп, переключателей (Bypasser) и объединенных панелей ввода, чтобы спрятать рутину и оставить только нужные кнопки. Пакетная обработка как суперсила ComfyUI: почему ComfyUI — это конвейер, способный за ночь обработать папку с сотнями фотографий (например, для реставрации). Управление памятью (VRAM/RAM): почему память забивается при долгой работе. Как использовать спец-ноды очистки кэша (RAM Purge), чтобы ПК не «вылетал» при обработке больших папок. Практика: Скачивание и установка файлов для работы с Flux-2 Klein (включая GGUF-версии). Сборка мульти-модульного рабочего процесса: объединяем загрузчики изображений, ноды контекста и LoRA в единую сеть. Практика «Виртуальная примерка»: загружаем фото модели и фото товара, пишем промпт-инструкцию, добиваемся точного переноса одежды. Практика «Пересадка лиц»: применяем Head Swap LoRA для замены лица на портрете. Практика «Пакетная реставрация»: настраиваем ноды для чтения папки, запускаем реставрацию старых фото в автоматическом режиме с очисткой памяти после каждого цикла. Домашнее задание: Используя собранный рабочий процесс, выполнить три разные задачи: Сделать 3 успешные виртуальные примерки одежды (подобрать фото людей и фото вещей). Сделать 3 успешные пересадки лиц (использовать разные исходники). Пакетно отреставрировать 3 старые фотографии. Поделиться результатами и наблюдениями за тем, как система справляется с нагрузкой. Занятие 7. Умные промпты, компьютерное зрение и нейро-фотосессии: от селфи до печати в 4K. Цель занятия: Познакомить студентов с инструментами компьютерного зрения (Qwen, Qwen-VL) для автоматизации работы с промптами. Научить создавать коммерческие нейро-фотосессии из минимума исходников (селфи) и осваивать увеличение изображений (апскейл) до 16 мегапикселей. Темы занятия: Современный промптинг: почему старые методы (перечисление тегов через запятую) больше не работают, и как новые модели понимают естественный язык. Qwen3 как локальный копирайтер: как ИИ берет вашу короткую идею и превращает её в детальный, технически грамотный промпт для генератора. Компьютерное зрение (Qwen-VL): «промпт из картинки». Как загрузить в ComfyUI референс, чтобы ИИ сам его описал, и сгенерировать похожее изображение. Логика нейро-фотосессии из селфи: как объединить авто-промпты (от Qwen3-VL) и пересадку лиц (Head Swap от Flux-2 Klein) в одну цепочку, чтобы генерировать серию портретов с узнаваемым лицом в разных условиях. LoRA для консистентности: использование Head Swap (пересадка лиц) и Consistency V2 (сохранение сходства) — как они работают вместе и как настраивать их силу. Апскейл до 4K (SEEDVR2): ограничение Flux-2 Klein (максимум ~1024px из коробки). Как увеличить финальное изображение до 4096x4096px без мыла и артефактов, чтобы получить качество под печать плакатов А2 и больше. Практика: Установка моделей Qwen и Qwen-VL (включая GGUF-версии для слабых ПК). Демонстрация работы Qwen: улучшение короткого промпта в детальный запрос с помощью пресетов. Демонстрация работы Qwen-VL: загрузка исходного изображения и получение его текстового описания для генерации. Сборка единого рабочего процесса нейро-фотосессии: связываем Qwen3-VL (создание промпта по фото или улучшение текста), Flux-2 Klein (генерация) и Head Swap LoRA (сохранение лица). Тестируем разные значения силы LoRA. Интеграция ноды SEEDVR2 в финал процесса: увеличиваем результат до 2048px и 4096px. Домашнее задание: Создать изображение из своего короткого промпта, затем сгенерировать варианты с улучшенным промптом от Qwen. Сравнить результаты. Взять любую картинку, загрузить её в модуль Qwen-VL, получить промпт и сгенерировать по нему новое изображение. Взять портретное селфи и сгенерировать нейро-фотосессию (3-4 кадра в разных условиях), используя связку Qwen + Flux-2 Klein + Head Swap. Увеличить лучший кадр до 4096px. Доп. задание: Взяв полученную фотографию, поменять позу человека при помощи модуля изменения позы (из прошлых занятий), а затем повторно заменить лицо на оригинальное. Оценить результат. Занятие 8. Тяжелая артиллерия Flux-2 Dev, влияние текстовых движков и создание авторских нод (вайб-кодинг) Цель занятия: Познакомить студентов с одной из самых мощных генеративных моделей (Flux-2 Dev). Показать, как выбор текстового движка влияет на результат, и научить создавать собственные кастомные ноды с помощью ИИ-ассистентов. Темы занятия: Flux-