Skip to main content
El nodo CLIP Vision Encode es un nodo de codificación de imágenes en ComfyUI, utilizado para convertir imágenes de entrada en vectores de características visuales a través del modelo CLIP Vision. Este nodo constituye un puente importante entre la comprensión de imágenes y texto, y se utiliza ampliamente en diversos flujos de trabajo de generación y procesamiento de imágenes con IA. Funcionalidad del nodo
  • Extracción de características de imagen: Convierte imágenes de entrada en vectores de características de alta dimensión
  • Puente multimodal: Proporciona una base para el procesamiento conjunto de imágenes y texto
  • Generación condicional: Proporciona condiciones visuales para la generación condicional basada en imágenes

​
Entradas

​
Salidas

Este objeto de salida contiene:
  • last_hidden_state: El último estado oculto
  • image_embeds: Vector de incrustación de la imagen
  • penultimate_hidden_states: El penúltimo estado oculto
  • mm_projected: Resultado de proyección multimodal (si está disponible)
Esta documentación fue generada por IA. Si encuentra algún error o tiene sugerencias de mejora, ¡no dude en contribuir! Editar en GitHub