.ai

nejlepší open source AI modely

Hledat

Uzel KSampler v ComfyUI

KSampler spouští smyčku odšumění: vezme model, prompt a latent a vytvoří hotový latentní obrázek, řízený seedem, počtem kroků, cfg, samplerem, schedulerem a denoise.

Balíček uzlů: ComfyUI core

Kategorie: Sampling

Co KSampler dělá

KSampler je místo, kde se obrázek vlastně generuje. Začíná se vstupním latentem (náhodný šum z Empty Latent Image, nebo zakódovaný obrázek pro img2img), pak model postupně odstraňuje šum po zvolený počet kroků, přitahuje k pozitivnímu promptu a odpuzuje od negativního podle hodnoty cfg. Výsledkem je LATENT, který VAE Decode přemění na obrázek.

sampler_name vybírá číselnou metodu (euler, euler_ancestral, dpmpp_2m, dpmpp_2m_sde, dpmpp_3m_sde, uni_pc, lcm, ...) a scheduler určuje průběh šumu (normal, karras, exponential, sgm_uniform, simple, beta). denoise určuje, kolik ze vstupního latentu se nahradí: 1.0 pro text-to-image, 0.3-0.7 pro img2img a hires průchody. KSampler (Advanced) umožňuje nastavit start a end kroky pro vícestupňové vzorkování.

Vstupy

Název	Typ	Co to je
model	MODEL	Model pro odšumění, po aplikaci jakýchkoli LoRA nebo ControlNet patchů.
positive	CONDITIONING	Co chceš (z CLIP Text Encode, možná přes ControlNet Apply).
negative	CONDITIONING	Co nechceš.
latent_image	LATENT	Výchozí latent: prázdný šum nebo zakódovaný obrázek.
seed	INT	Seed pro šum. Stejný seed a nastavení vytvoří stejný obrázek. control_after_generate nastavuje fixed, increment, decrement nebo randomize.
steps	INT	Počet kroků odšumění. 20-30 pro většinu SD modelů, 4-8 pro Lightning, Turbo a LCM modely.
cfg	FLOAT	Míra classifier-free guidance. 5-8 pro SD 1.5 a SDXL, 1.0 pro Flux a distilled modely.
sampler_name	COMBO	Vzorkovací algoritmus.
scheduler	COMBO	Plán šumu.
denoise	FLOAT	Podíl šumu, který se odstraní. 1.0 = začít od nuly; nižší hodnota zachová víc původního obrázku.

Výstupy

Název	Typ	Co to je
LATENT	LATENT	Vzorkovaný latent pro VAE Decode nebo další sampler.

Přeskočte nastavování: workflow ComfyUI předinstalované v cloudu

BitVector spouští hotové workflow ComfyUI na vlastních GPU. Žádná instalace, žádné chybějící uzly, žádné červené rámečky. Otevřete ho na telefonu nebo notebooku a generujte do minuty.

Vyzkoušet BitVector

Jak používat KSampler

Připoj MODEL, oba CONDITIONING a LATENT.
Nastav steps na 25, cfg na 7, dpmpp_2m s karras pro SDXL; euler s simple, cfg 1 pro Flux.
Nastav denoise na 1.0 pro čerstvý obrázek.
Připoj LATENT do VAE Decode a pak Save Image.
Zařaď do fronty a pak fixuj seed, když chceš iterovat na promptu.

Nastavení a tipy

dpmpp_2m + karras je univerzální volba; euler_ancestral přidává variabilitu, ale nikdy nekonverguje; dpmpp_2m_sde dává víc detailů za cenu menší deterministickosti mezi GPU.
Lightning, Hyper a Turbo checkpointy potřebují vlastní nastavení: 4-8 kroků, cfg 1-2, sgm_uniform nebo simple.
Pro hires průchod pošli první latent přes Upscale Latent By a druhý KSampler s denoise 0.4-0.55.
Drž Ctrl+Shift+V pro vložení nodu s jeho propojeními; hodí se při kopírování samplerů.
Fixní seed se stejným nastavením je reprodukovatelný na stejném GPU; různé karty se můžou mírně lišit.

Řešení problémů s KSampler

Šum, statika nebo rozmazaná skvrna místo obrázku

Proč k tomu dochází

Nastavení nesedí k modelu: cfg 7 na distilled modelu, 4 kroky na normálním modelu, Flux model bez Flux Guidance, nebo denoise hodně pod 1 na prázdném latentu.

Jak to opravit

Drž se stránky modelu: normální SD = 20-30 kroků, cfg 5-8; Lightning/Turbo = 4-8 kroků, cfg 1-2; Flux = cfg 1, guidance 3.5, 20+ kroků. Použij denoise 1.0, když je latent prázdný.

Přepálený, přesaturovaný, kontrastní výstup

Proč k tomu dochází

cfg je moc vysoké pro model nebo LoRA stack, nebo ancestral sampler s hodně kroky.

Jak to opravit

Sniž cfg na 4-6, zmenši sílu LoRA, nebo přepni z euler_ancestral na dpmpp_2m.

torch.OutOfMemoryError: CUDA out of memory během vzorkování

Proč k tomu dochází

Latent je moc velký pro kartu při dané velikosti batch, nebo jiný model (ControlNet, upscaler) je zároveň v VRAM.

Jak to opravit

Sniž rozlišení nebo batch_size, přidej --lowvram, použij fp8 váhy, nebo rozděl hires průchod do druhé fronty, aby se první model uvolnil.

Chyba: mat1 a mat2 tvary nelze násobit

Proč k tomu dochází

Conditioning pochází z textového enkodéru jiné rodiny než model (SD 1.5 CLIP do SDXL modelu, nebo naopak).

Jak to opravit

Zapoj CLIP ze stejného checkpointu jako MODEL.

Obrázky se mění při každém běhu i když je seed fixní

Proč k tomu dochází

control_after_generate je nastaveno na randomize, nebo se používá SDE / ancestral sampler s nedeterministickým backendem.

Jak to opravit

Nastav control_after_generate na fixed a radši použij dpmpp_2m nebo euler pro přesné opakování.

Stejný obrázek se opakuje přes různé prompty (seed uvízl)

Proč k tomu dochází

control_after_generate je fixed a šum dominuje při nízkém cfg nebo nízkém počtu kroků.

Jak to opravit

Nastav na randomize nebo increment a trochu zvyš cfg.

Spusťte tento workflow z telefonu

Každý workflow na této stránce je na BitVector předinstalován i s modely a vlastními uzly. Vyberte, napište prompt, hotovo. Nulové nastavování, nic ke stahování.

Vyzkoušet BitVector

Otázky k KSampler

Jaký je rozdíl mezi KSampler a KSampler (Advanced)?

Advanced přidává add_noise, start_at_step, end_at_step a return_with_leftover_noise, což ti umožní rozdělit vzorkování mezi dva modely, třeba SDXL base a pak refiner.

Který sampler je nejrychlejší?

euler a dpmpp_2m volají model jednou za krok; varianty _2s a _3m volají víc. LCM a Lightning modely jsou rychlé, protože potřebují málo kroků, ne kvůli sampleru.

Co dělá denoise u prázdného latentu?

Cokoli pod 1.0 nechá část původního šumu v výstupu a vytvoří mlhu. Pro text-to-image drž 1.0.

Související uzly

KSampler (Advanced)

ComfyUI core

KSampler (Pokročilý) je KSampler s ovládáním rozsahu kroků: add_noise, start_at_step, end_at_step a return_with_leftover_noise, používaný pro řetězce base + refiner a vzorkování se dvěma modely.

Empty Latent Image

ComfyUI core

Prázdný latentní obrázek vytvoří prázdné latentní plátno (šířka, výška, batch_size), od kterého začíná text-to-image generování; rozměry musí být násobky 8 a odpovídat rodině modelu.

VAE Decode

ComfyUI core

VAE Decode převádí vzorkovaný LATENT na pixelový OBRAZ pomocí VAE; VAE Decode (Tiled) dělá to samé po dlaždicích pro velmi velké obrázky.

CLIP Text Encode (Prompt)

ComfyUI core

CLIP Text Encode převede textový prompt na CONDITIONING pomocí textového enkodéru modelu. Jeden uzel drží pozitivní prompt, druhý negativní.

Upscale Latent and Upscale Latent By

ComfyUI core

Upscale Latent změní velikost latentního prostoru na novou velikost (nebo podle faktoru), aby druhý KSampler mohl přidat detaily ve vyšším rozlišení: klasická oprava pro hires.

Unavuje vás opravovat uzly? Nechte to na cloudu

BitVector udržuje stovky workflow ComfyUI nainstalované, aktualizované a otestované na rychlých cloudových GPU. Žádný Python, žádné chyby CUDA, žádné limity VRAM. Funguje z jakéhokoli prohlížeče.

Vyzkoušet BitVector