画像セグメンテーション: WeVisOne-VL
切り抜きたい対象をquery に入力して実行します。デフォルトの segmentation タスクとクエリ human では、見つけた人物をまとめた1枚のマットと、そのボックスを返します。人物ごとに分けるには、ノードの individual_masks をオンにします。
ワークフローをダウンロード
JSON をダウンロードするか、テンプレートライブラリで “画像セグメンテーション:WeVisOne-VL” を検索してください
utility_image_segment_wevisone_vl_input.png
LoadImage ノードに読み込みますタスク
taskウィジェットは、クエリをcheckpointが学習した指示に書き換えます。各タスクは、クエリをそれぞれ少し異なる形式で受け取ります。
クエリは短くしてください。完全な文にすると
segmentationが長々と出力してしまい、対象を名指しする句のほうが、その説明よりも適切に機能します。
モデル
このワークフローは 2B INT8 テキストエンコーダーを読み込みます。残りの3つのファイルは、CLIPLoader ノード(stable_diffusion タイプ)の clip_name にそのまま差し替えられるものです。4B のペアはより大きく低速で、BF16 ファイルはサイズと引き換えに精度を得られます。
2B INT8(このワークフロー)
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/
ノードをさらに細かく制御する
individual_masks: on の場合、ボックスごとに1つのマスク。off の場合、フレームごとに1つの結合マスクmax_length: 回答の長さの上限。デフォルトは 4096 トークンで、最大 32768 まで- 出力:
masks、bboxes、points(x、y、label、frame を含む JSON)、およびtext(生の回答)