图像分割:WeVisOne-VL
在query 中输入想要抠出的内容并运行。使用默认的 segmentation 任务和查询 human 时,画面会返回一张把找到的人合并在一起的遮罩,以及他们的盒子。若要为人各生成一张遮罩,请在节点上打开 individual_masks。
下载工作流
下载 JSON,或在模板库中搜索 “图像分割:WeVisOne-VL”
utility_image_segment_wevisone_vl_input.png
加载到
LoadImage 节点中任务
task 控件会将查询改写为 checkpoint 训练时所使用的指令。每种任务接受的查询形式略有不同:
保持查询简短。完整句子会让
segmentation 输出冗长,而直接点明目标的短语比对其进行描述效果更好。
模型
该工作流加载的是 2B INT8 文本编码器。其余三个文件可直接替换CLIPLoader 节点中的 clip_name(类型为 stable_diffusion):两个 4B 文件体积更大、速度更慢,而 BF16 文件则以体积换取精度。
2B INT8(本工作流)
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/
对节点进行更多控制
individual_masks:on 时,每个边界框一个遮罩;off 时,每帧一个并集遮罩max_length:回答长度上限,默认为 4096 个 token,最高为 32768 个 token- 输出:
masks、bboxes、points(包含 x、y、label 和 frame 的 JSON)以及text(原始回答)