Saltar al contenido principal
WeVisOne-VL es un modelo compacto de visión-lenguaje que responde con formas en lugar de texto. Dale una imagen y una consulta de texto breve, y devuelve cajas, puntos o una máscara alfa por instancia en una sola pasada: sin anotación y sin indicaciones por objeto. En ComfyUI funciona como el nodo WeVisOne-VL Detect. La plantilla a continuación lo envuelve en un subgrafo y previsualiza la máscara alfa, las cajas dibujadas sobre la imagen fuente y los recortes de primer plano y de fondo, de modo que la máscara alfa entra directamente en una cadena de eliminación de fondo, enmascaramiento o composición. Los pesos son las versiones de Tencent con licencia Apache-2.0, reempaquetados para ComfyUI en Comfy-Org/WeVisOne-VL. El soporte llegó en ComfyUI #17632 y la plantilla requiere ComfyUI 0.45.0 o posterior.
Asegúrate de que tu ComfyUI esté actualizado.Los flujos de trabajo de esta guía se encuentran en las Plantillas de flujos de trabajo. Si no los encuentras en las plantillas, es posible que tu ComfyUI esté desactualizado.Si faltan nodos al cargar un flujo de trabajo, estas son las posibles razones:
  1. No estás usando la última versión de ComfyUI (versión nocturna)
  2. Algunos nodos fallaron al importarse durante el inicio

Segmentación de imágenes: WeVisOne-VL

Escribe en query lo que quieres recortar y ejecuta. Con la tarea segmentation predeterminada y la consulta human, el gráfico devuelve una sola máscara combinada con las personas que encuentra, además de sus cajas. Activa individual_masks en el nodo para obtener una máscara por persona. Vista previa del flujo de trabajo de segmentación WeVisOne-VL con matte, cajas y recortes

Descargar flujo de trabajo

Descarga el JSON o busca “Segmentación de imagen: WeVisOne-VL” en la Biblioteca de plantillas
Material de entrada

utility_image_segment_wevisone_vl_input.png

Cárgala en el nodo LoadImage

Tareas

El widget task reescribe tu consulta como la instrucción con la que se entrenó el checkpoint. Cada tarea recibe su consulta en una forma ligeramente distinta: Mantén la consulta corta. Una oración completa hace que segmentation divague, y una frase que nombre la cosa funciona mejor que una descripción de ella.

Modelos

El flujo de trabajo carga el codificador de texto 2B INT8. Los otros tres archivos son reemplazos directos de clip_name en el nodo CLIPLoader (tipo stable_diffusion): el par 4B es más pesado y lento, y los archivos BF16 intercambian tamaño por precisión.

2B INT8 (este flujo de trabajo)

wevisone_vl_2b_int8_convrot.safetensors → ComfyUI/models/text_encoders/

2B BF16

wevisone_vl_2b_bf16.safetensors → ComfyUI/models/text_encoders/

4B INT8

wevisone_vl_4b_int8_convrot.safetensors → ComfyUI/models/text_encoders/

4B BF16

wevisone_vl_4b_bf16.safetensors → ComfyUI/models/text_encoders/

Más control sobre el nodo

  • individual_masks: activado, una máscara por caja; desactivado, una máscara de unión por fotograma
  • max_length: límite de longitud de la respuesta, 4096 tokens por defecto y hasta 32768
  • Salidas: masks, bboxes, points (JSON con x, y, label y frame) y text (la respuesta sin procesar)