Model
Trends
.ai
Model
Trends
.ai
die besten Open-Source-KI-Modelle

Apply ControlNet-Node in ComfyUI

Apply ControlNet hängt ein Leitbild und ein geladenes ControlNet an das positive und negative CONDITIONING an, mit Stärke und Start-/End-Prozentwerten, damit der Sampler Kanten, Tiefe oder Pose vom Leitbild folgt.
Node-Paket: ComfyUI core
Kategorie: ControlNet und Steuerung

Was Apply ControlNet macht

Apply ControlNet (das neuere ControlNetApplyAdvanced, angezeigt als Apply ControlNet) nimmt positives und negatives Conditioning, ein CONTROL_NET, das vorverarbeitete Leitbild IMAGE und in neueren Versionen das VAE. Es gibt ein neues Conditioning zurück, das das Steuersignal an den Sampler weitergibt. strength skaliert den Einfluss (1.0 ist voll), start_percent und end_percent begrenzen die Steuerung auf einen Teil des Samplings, zum Beispiel 0.0-0.6, sodass die Komposition früh festgelegt wird, das Modell aber Details frei fertigstellt.
Das Leitbild muss schon in der Form vorliegen, die das ControlNet erwartet: Ein Canny ControlNet will weiße Kanten auf Schwarz, ein Depth ControlNet eine graue Tiefenkarte, OpenPose das farbige Skelett. Vorverarbeiter aus dem ControlNet Aux Pack erzeugen diese aus einem Foto. Für Tile ControlNets ist das Leitbild das Bild selbst, oft unscharf oder verkleinert.

Eingänge

Name
Typ
Bedeutung
positive / negative
CONDITIONING
Von den CLIP Text Encode Nodes.
control_net
CONTROL_NET
Vom Load ControlNet Model.
image
IMAGE
Das vorverarbeitete Leitbild (Kanten, Tiefe, Pose oder das Bild für Tile).
vae
VAE
Optional in neueren Versionen; von einigen Flux- und Union-ControlNets benötigt.
strength
FLOAT
0-2, wie stark dem Leitbild gefolgt wird. 0.6-1.0 ist üblich.
start_percent / end_percent
FLOAT
Der Teil des Samplings, in dem die Steuerung aktiv ist.

Ausgänge

Name
Typ
Bedeutung
positive
CONDITIONING
Gesteuertes positives Conditioning für KSampler.
negative
CONDITIONING
Gesteuertes negatives Conditioning für KSampler.
AD
Spar dir die Einrichtung: ComfyUI-Workflows vorinstalliert in der Cloud
BitVector führt fertige ComfyUI-Workflows auf eigenen GPUs aus. Keine Installation, keine fehlenden Nodes, keine roten Kästen. Auf dem Handy oder Laptop öffnen und in einer Minute generieren.

So verwendest du Apply ControlNet

  1. Lade ein Foto mit Load Image und verarbeite es mit einem Vorverarbeiter (Canny Edge, Depth Anything, DWPose).
  2. Lade das passende ControlNet mit Load ControlNet Model.
  3. Füge Apply ControlNet hinzu; verbinde positive, negative, control_net und das Leitbild.
  4. Setze strength auf 0.8 und end_percent auf 0.8 als Startwerte.
  5. Verbinde die beiden Ausgänge mit KSampler positive und negative; achte darauf, dass die Latent-Größe zum Seitenverhältnis des Leitbilds passt.

Einstellungen und Tipps

  • Verkette mehrere Apply ControlNet Nodes (Pose + Tiefe), indem du die Ausgänge eines Nodes in den nächsten einspeist.
  • Ein niedrigerer end_percent (0.5-0.7) gibt dem Modell Freiheit für Details und vermeidet einen steifen, nachgezeichneten Look.
  • Halte das Leitbild im gleichen Seitenverhältnis wie das Latent; es wird passend skaliert.
  • Für Tile-Upscaling nutze strength 0.5-0.8, damit Details sich noch ändern können.
  • Vorschau des Vorverarbeiters anschauen: Ein schwarzes oder verrauschtes Leitbild erklärt die meisten Fälle von „keine Wirkung“.

Fehlerbehebung bei Apply ControlNet

Das Ergebnis ignoriert das Leitbild

Warum es passiert
strength nahe 0, end_percent zu niedrig, ein schwarzes Leitbild oder ein Union ControlNet ohne Typ.

So behebst du es
Leitbild vorschauen, strength auf 0.8-1.0 und end_percent auf 1.0 zum Testen setzen, dann lockern. Für Union-Modelle SetUnionControlNetType hinzufügen.

Fehler: mat1 und mat2 Formen können nicht multipliziert werden / ControlNet passt nicht

Warum es passiert
Die ControlNet-Familie passt nicht zum Checkpoint (SD 1.5 vs SDXL vs Flux).

So behebst du es
Benutze ein ControlNet aus der gleichen Familie wie der Checkpoint.

Verbranntes, kontrastreiches, posterisiertes Bild

Warum es passiert
strength über 1 bei starkem ControlNet (Canny oder Lineart) und hohem cfg.

So behebst du es
Strength 0.6-0.9, end_percent 0.7, cfg im normalen Bereich des Modells.

Alter Workflow zeigt „Apply ControlNet (OLD)“

Warum es passiert
Der Single-Conditioning-Node wurde umbenannt; er funktioniert noch, hat aber keine Start-/End-Steuerung und keinen negativen Durchgang.

So behebst du es
Ersetze ihn durch Apply ControlNet und verbinde sowohl positive als auch negative.

Flux ControlNet Fehler wegen fehlendem vae

Warum es passiert
Einige Flux- und Union-ControlNets brauchen das VAE, um das Leitbild zu kodieren.

So behebst du es
Verbinde den VAE-Ausgang von Load VAE mit dem vae-Eingang von Apply ControlNet.

AD
Diesen Workflow vom Handy aus starten
Jeder Workflow auf dieser Seite ist auf BitVector vorinstalliert, mit Modellen und Custom Nodes an Ort und Stelle. Einen auswählen, Prompt eingeben, fertig. Null Einrichtung, nichts herunterladen.

Fragen zu Apply ControlNet

Muss ich das Bild vorverarbeiten?

Ja, außer bei Tile- und Inpaint-ControlNets, die das Bild selbst nehmen. Jedes ControlNet ist für eine bestimmte Art von Karte trainiert.

Kann ich ControlNet mit img2img nutzen?

Ja. Das Latent kommt von VAE Encode, die Steuerung von diesem Node; die beiden sind unabhängig.

Wie viele ControlNets kann ich stapeln?

So viele, wie dein VRAM hergibt; zwei oder drei sind üblich. Jeder fügt Speicher- und Zeitbedarf hinzu.

Verwandte Nodes

Load ControlNet Model
ComfyUI core
Load ControlNet Model lädt eine ControlNet (oder T2I-Adapter / ControlNet Union) Datei aus models/controlnet und gibt ein CONTROL_NET Objekt für Apply ControlNet aus.
Load Image
ComfyUI core
Load Image lädt ein Bild aus dem ComfyUI-Eingabeordner (oder einem Upload) und gibt einen IMAGE-Tensor plus eine MASKE aus, die aus dem Alphakanal stammt. Das ist der Startpunkt für img2img, Inpainting, ControlNet und IP-Adapter-Graphen.
KSampler
ComfyUI core
KSampler führt die Denoising-Schleife aus: Es nimmt das Modell, die Prompts und ein Latent und erzeugt das fertige latente Bild, gesteuert durch Seed, Schritte, cfg, Sampler, Scheduler und Denoise.
CLIP Text Encode (Prompt)
ComfyUI core
CLIP Text Encode wandelt einen Textprompt mit dem Modell-Textencoder in CONDITIONING um. Ein Node hält den positiven Prompt, ein zweiter den negativen Prompt.
Ultimate SD Upscale
ComfyUI_UltimateSDUpscale
Ultimate SD Upscale vergrößert ein Bild mit einem ESRGAN-Modell und sampelt es dann Kachel für Kachel durch das Diffusionsmodell mit deinem Prompt bei niedrigem Denoise neu, um echte Details bei 2x-4x hinzuzufügen, ohne dass der VRAM ausgeht.
AD
Keine Lust mehr, Nodes zu reparieren? Lass es die Cloud machen
BitVector hält hunderte ComfyUI-Workflows installiert, aktuell und getestet auf schnellen Cloud-GPUs. Kein Python, keine CUDA-Fehler, keine VRAM-Grenzen. Läuft in jedem Browser.

Weitere ComfyUI-Nodes

ComfyUI Manager
ComfyUI-Manager
ComfyUI Manager ist die Erweiterung, die benutzerdefinierte Node-Pakete und Modelle direkt in der Oberfläche installiert, aktualisiert und repariert, fehlende Nodes in importierten Workflows erkennt und deine Einrichtung sichert.
Load Checkpoint
ComfyUI core
Load Checkpoint (CheckpointLoaderSimple) öffnet eine .safetensors- oder .ckpt-Modell-Datei und liefert die drei Teile, die jeder Workflow braucht: das Diffusions-MODELL, den CLIP-Textencoder und das VAE.
Save Image
ComfyUI core
Save Image speichert den IMAGE-Tensor als PNG in ComfyUI/output und bettet den gesamten Workflow in die Dateimetadaten ein, sodass das Bild zurück in ComfyUI gezogen werden kann, um den Graph wiederherzustellen.
VAE Decode
ComfyUI core
VAE Decode wandelt den gesampelten LATENT mit dem VAE in ein Pixel-BILD um; VAE Decode (Tiled) macht das Gleiche in Kacheln für sehr große Bilder.
Empty Latent Image
ComfyUI core
Empty Latent Image erstellt die leere latente Leinwand (Breite, Höhe, batch_size), von der das Text-zu-Bild-Sampling startet; die Dimensionen müssen Vielfache von 8 sein und zur Modellfamilie passen.
Load LoRA
ComfyUI core
Load LoRA (LoraLoader) lädt eine LoRA-Datei und wendet sie mit separaten Stärken auf MODEL und CLIP an, sodass ein Stil, Charakter oder Konzept zu jedem Checkpoint hinzugefügt werden kann, ohne ihn zu verschmelzen.