WeVisOneDetect - ComfyUI Built-in Node Documentation

WeVisOne-VL Detect 根据文本提示在图像中查找对象，并根据你选择的任务返回边界框、alpha 遮罩、点或模型自身的回答。它涵盖开放词汇检测与分割、指代表达、指向、计数以及 OCR 定位，并对批次中的每张图像各运行一次提示。

输入

参数	描述	数据类型	必填	范围
`clip`	用于加载检查点的 WeVisOne-VL 文本编码器。	CLIP	是	-
`image`	要搜索的图像或图像批次。	IMAGE	是	-
`task`	节点应返回的内容。segmentation 返回边界框加 alpha 遮罩；detection、referring、ocr 和 ocr_grounding 返回边界框；point 和 count_point 返回点；count_box 以边界框形式计数；visual_prompt 查找与 `bboxes` 中参考框相似的对象；freeform 原样发送查询，回复通常只有文本（默认：“segmentation”）。	COMBO	是	`"segmentation"` `"detection"` `"referring"` `"point"` `"count_box"` `"count_point"` `"ocr"` `"ocr_grounding"` `"visual_prompt"` `"freeform"`
`query`	要查找的内容，用自然语言描述（例如 “the red mug”）。`detection` 和 `point` 每行读取一个标签，`count_box` 和 `count_point` 统计你指定的主体，`ocr_grounding` 查找这段确切的文本，`visual_prompt` 改用 `bboxes`，而 `freeform` 将其作为完整提示发送。`ocr` 会忽略它。	STRING	是	-
`bboxes`	`visual_prompt` 用作待查找对象示例的参考框。	BOUNDING_BOX	否	-
`individual_masks`	按 `bboxes` 输出中的每个检测框逐帧返回一个遮罩，而不是每帧返回一个合并遮罩（默认：false）。	BOOLEAN	否	true false
`max_length`	模型为其回答可生成的最大 token 数（默认：4096）。	INT	是	1 到 32768

注意： 只有在模型以对象引用作答时才会填充遮罩，这正是 segmentation 任务所要求的方式。其他任务通常返回边界框、点或文本，遮罩为空；但如果 freeform 的提示词要求给出对象引用，遮罩也会被填充。

输出名	描述	数据类型
`masks`	匹配对象的 alpha 遮罩，默认每帧一个，或在使用 `individual_masks` 时每个框一个。	MASK
`bboxes`	每张图像中找到的边界框，以 `x`、`y`、`width`、`height` 和 `label` 存储。	BOUNDING_BOX
`points`	以像素为单位的 JSON 点，每个点一个对象，包含 `x`、`y`、`label` 和 `frame`，例如 `[{"x": 128, "y": 96, "label": "cup", "frame": 0}]`，由 `point` 和 `count_point` 任务填充。	STRING
`text`	模型的原始回答，用换行拼接；单条回答本身也可能包含换行。	STRING

本文档由 AI 生成。如果您发现任何错误或有改进建议，欢迎贡献！在 GitHub 上编辑

Source fingerprint (SHA-256): 0cef1dfcab790e145ace51401a84cdc10282835330cda5a3770f5b20a32d475e