> ## Documentation Index
> Fetch the complete documentation index at: https://docs.comfy.org/llms.txt
> Use this file to discover all available pages before exploring further.

# WeVisOne-VL: ComfyUI テキストプロンプトによるセグメンテーションと検出

> WeVisOne-VL で ComfyUI の画像をセグメンテーション、検出、カウント、OCR できます。短いテキストクエリを1つ入力すると、アルファマット、ボックス、ポイント、または生の回答が出力されます。

WeVisOne-VL は、文章ではなく図形で答えを返すコンパクトなビジョン言語モデルです。画像と短いテキストクエリを渡すと、ボックス、ポイント、またはインスタンスごとのアルファマットを1回のパスで返します。アノテーションも、オブジェクトごとのプロンプトも不要です。

ComfyUI では **WeVisOne-VL Detect** ノードとして動作します。以下のテンプレートはこれをサブグラフでラップし、マット、ソース画像上に描画したボックス、前景と背景の切り抜きをプレビューするので、マットをそのまま背景除去、マスキング、合成のチェーンに渡せます。

重みは Apache-2.0 の Tencent リリースを ComfyUI 向けに再パッケージしたもので、[Comfy-Org/WeVisOne-VL](https://huggingface.co/Comfy-Org/WeVisOne-VL) で公開されています。サポートは [ComfyUI #17632](https://github.com/Comfy-Org/ComfyUI/pull/17632) で追加され、テンプレートには ComfyUI 0.45.0 以降が必要です。

> [!TIP]
>
> > [tab] ローカルユーザー
> >
> > ComfyUI が最新版に更新されていることを確認してください。
> >
> > * [ComfyUI のダウンロード](https://www.comfy.org/download)
> > * [更新手順](https://docs.comfy.org/ja/installation/update_comfyui.md)
> >
> > このガイドで紹介するワークフローは、[ワークフローテンプレート](https://docs.comfy.org/ja/interface/features/template.md)から入手できます。
> > テンプレート内に該当のワークフローが見つからない場合、ComfyUI のバージョンが古くなっている可能性があります。
> >
> > ワークフローを読み込んだ際にノードが欠落している場合の考えられる原因：
> >
> > 1. 最新の ComfyUI（Nightly 版）を使用していない
> > 2. 起動時に一部のノードのインポートに失敗している
>
> > [tab] クラウドユーザー
> >
> > * [Cloud](https://cloud.comfy.org) は、ComfyUI の安定版リリース後に更新されます。
> >
> > したがって、このドキュメントでコアノードが見つからない場合、それは新しいコアノードがまだ最新の安定版にリリースされていない可能性があります。次回の安定版リリースをお待ちください。

## 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。

![マット、ボックス、切り抜きを含む WeVisOne-VL セグメンテーションワークフローのプレビュー](https://raw.githubusercontent.com/Comfy-Org/workflow_templates/main/templates/utility_image_segment_wevisone_vl-1.webp)

> [card] [ワークフローをダウンロード](https://github.com/Comfy-Org/workflow_templates/blob/main/templates/utility_image_segment_wevisone_vl.json)
>
> 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

**入力マテリアル**

> [card] [utility\_image\_segment\_wevisone\_vl\_input.png](https://raw.githubusercontent.com/Comfy-Org/workflow_templates/main/input/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。

| `task` | クエリ形式 | 戻り値 |
| :- | :- | :- |
| `segmentation` | `human` のような短い名詞句を1つ | アルファマットとボックス（`individual_masks` がオフなら1枚の結合マット） |
| `detection` | 1行に1つのラベル | ボックスのみ |
| `referring` | `the cup on the left` のような説明句 | ボックス |
| `point` | 1行に1つのラベル | JSON形式の中心点 |
| `count_box` | 数える対象 | カウントと、各インスタンスのボックス |
| `count_point` | 数える対象 | カウントと、各インスタンスの点 |
| `ocr` | なし | 画像内のすべての単語のボックス |
| `ocr_grounding` | 見つける正確な文字列 | その文字列を囲むボックス |
| `visual_prompt` | なし（`bboxes`入力を使用） | 参照ボックスに似たオブジェクトのボックス |
| `freeform` | 任意 | 生の回答（クエリがプロンプト全体） |

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。

> [card] [2B INT8（このワークフロー）](https://huggingface.co/Comfy-Org/WeVisOne-VL/resolve/main/text_encoders/wevisone_vl_2b_int8_convrot.safetensors)
>
> wevisone\_vl\_2b\_int8\_convrot.safetensors → ComfyUI/models/text\_encoders/

> [card] [2B BF16](https://huggingface.co/Comfy-Org/WeVisOne-VL/resolve/main/text_encoders/wevisone_vl_2b_bf16.safetensors)
>
> wevisone\_vl\_2b\_bf16.safetensors → ComfyUI/models/text\_encoders/

> [card] [4B INT8](https://huggingface.co/Comfy-Org/WeVisOne-VL/resolve/main/text_encoders/wevisone_vl_4b_int8_convrot.safetensors)
>
> wevisone\_vl\_4b\_int8\_convrot.safetensors → ComfyUI/models/text\_encoders/

> [card] [4B BF16](https://huggingface.co/Comfy-Org/WeVisOne-VL/resolve/main/text_encoders/wevisone_vl_4b_bf16.safetensors)
>
> 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）


This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.