# Documentation - Class name: EditDetailerPipe - Category: ImpactPack/Pipe - Output node: False - Repo Ref: https://github.com/ltdrdata/ComfyUI-Impact-Pack.git EditDetailerPipe 是一个旨在通过整合各种模型和组件来增强文本细节级别的节点。它允许通过使用 LoRA 和通配符来定制文本生成过程，并通过可选参数如模型、clip 和 VAE 进一步细化。该节点的主要目标是提供一个灵活且详细的文本编辑框架，可以根据具体需求进行调整。 # Input types ## Required - detailer_pipe - detailer_pipe 参数对于 EditDetailerPipe 节点的运行至关重要，因为它代表了文本编辑管道的初始配置或状态。正是通过这个参数，节点接收到进一步处理和定制所需的基础组件。 - Comfy dtype: DETAILER_PIPE - Python dtype: Tuple[Any, ...] - wildcard - wildcard 参数在文本编辑过程中起着关键作用，允许插入动态文本元素。它的 multiline 和 dynamicPrompts 属性表明可以生成的文本的灵活性和互动性，使其成为实现所需细节水平的关键组件。 - Comfy dtype: STRING - Python dtype: str ## Optional - Select to add LoRA - LoRA 选择参数使用户能够选择特定的 LoRA 模型来增强文本的细节和细微差别。这种选择可以显著影响生成文本的丰富度和深度，使其成为定制过程中的一个重要方面。 - Comfy dtype: COMBO[Select the LoRA to add to the text] - Python dtype: str - Select to add Wildcard - 此参数允许选择要包含在文本中的通配符，为文本生成过程中引入变化性和不可预测性提供了一种机制。通配符的选择可以极大地影响最终结果，使其成为节点运行中的一个重要因素。 - Comfy dtype: COMBO[Select the Wildcard to add to the text] - Python dtype: str - model - model 参数是一个可选输入，可用于指定文本编辑过程中的特定模型。这允许根据手头任务的具体要求定制节点的功能。 - Comfy dtype: MODEL - Python dtype: Any - clip - clip 参数是另一个可选输入，可用于将特定的 CLIP 模型引入文本编辑管道。这可以改变文本的处理和详细化方式，为节点的输出提供额外的控制。 - Comfy dtype: CLIP - Python dtype: Any - vae - vae 参数提供了一种可选的方式，将变分自编码器（VAE）包含在文本编辑过程中。这可以在节点的操作中引入抽象和表示学习的水平，可能提高生成文本的质量。 - Comfy dtype: VAE - Python dtype: Any - positive - positive 参数用于指定正面条件输入，引导文本生成过程朝着期望的结果发展。这在引导节点行为生成具有特定特征的文本时特别有用。 - Comfy dtype: CONDITIONING - Python dtype: Any - negative - negative 参数用于定义负面条件输入，阻止生成某些文本特征。这有助于通过过滤掉不需要的元素来细化节点的输出。 - Comfy dtype: CONDITIONING - Python dtype: Any - bbox_detector - bbox_detector 参数是一个可选组件，可以集成到节点中以执行边界框检测，这对于涉及空间或几何文本分析的应用非常有用。 - Comfy dtype: BBOX_DETECTOR - Python dtype: Any - sam_model - sam_model 参数允许包含一个 SAM（基于得分的对抗模型），可用于引导文本生成过程朝着更连贯和上下文相关的输出发展。 - Comfy dtype: SAM_MODEL - Python dtype: Any - segm_detector - segm_detector 参数是将分割检测器纳入节点的可选输入，它可以协助识别和分离文本的不同部分或组件。 - Comfy dtype: SEGM_DETECTOR - Python dtype: Any - detailer_hook - detailer_hook 参数提供了一种定制节点行为的方法，允许在文本编辑过程中插入自定义钩子或回调。这可以使得高级用户能够实现特定的功能或修改。 - Comfy dtype: DETAILER_HOOK - Python dtype: Any - refiner_model - refiner_model 参数是一个可选输入，它通过指定一个次级模型来进一步细化文本编辑过程。这对于需要多阶段文本增强的应用特别有用。 - Comfy dtype: REFINER_MODEL - Python dtype: Any - refiner_clip - refiner_clip 参数允许可选集成一个次级 CLIP 模型以增强文本的细节和连贯性。它为用户提供了一个额外的控制层，以微调节点的输出。 - Comfy dtype: REFINER_CLIP - Python dtype: Any - refiner_positive - refiner_positive 参数用于为次级文本细化阶段提供正面条件输入。这有助于引导节点以更集中的方式产生具有所需属性的文本。 - Comfy dtype: CONDITIONING - Python dtype: Any - refiner_negative - refiner_negative 参数用于指定次级文本细化过程的负面条件输入。它有助于在文本编辑的最后阶段避免不需要的文本特征。 - Comfy dtype: CONDITIONING - Python dtype: Any # Output types - detailer_pipe - 输出的 detailer_pipe 代表通过 EditDetailerPipe 节点处理后的细化和定制的文本编辑管道。它封装了对初始管道所做的所有修改和增强，提供了一个详细且富有细微差别的文本生成框架。 - Comfy dtype: DETAILER_PIPE - Python dtype: Tuple[Any, ...] # Usage tips - Infra type: CPU # Source code ``` class EditDetailerPipe: @classmethod def INPUT_TYPES(s): return {'required': {'detailer_pipe': ('DETAILER_PIPE',), 'wildcard': ('STRING', {'multiline': True, 'dynamicPrompts': False}), 'Select to add LoRA': (['Select the LoRA to add to the text'] + folder_paths.get_filename_list('loras'),), 'Select to add Wildcard': (['Select the Wildcard to add to the text'],)}, 'optional': {'model': ('MODEL',), 'clip': ('CLIP',), 'vae': ('VAE',), 'positive': ('CONDITIONING',), 'negative': ('CONDITIONING',), 'bbox_detector': ('BBOX_DETECTOR',), 'sam_model': ('SAM_MODEL',), 'segm_detector': ('SEGM_DETECTOR',), 'detailer_hook': ('DETAILER_HOOK',)}} RETURN_TYPES = ('DETAILER_PIPE',) RETURN_NAMES = ('detailer_pipe',) FUNCTION = 'doit' CATEGORY = 'ImpactPack/Pipe' def doit(self, *args, **kwargs): detailer_pipe = kwargs['detailer_pipe'] wildcard = kwargs['wildcard'] model = kwargs.get('model', None) clip = kwargs.get('clip', None) vae = kwargs.get('vae', None) positive = kwargs.get('positive', None) negative = kwargs.get('negative', None) bbox_detector = kwargs.get('bbox_detector', None) sam_model = kwargs.get('sam_model', None) segm_detector = kwargs.get('segm_detector', None) detailer_hook = kwargs.get('detailer_hook', None) refiner_model = kwargs.get('refiner_model', None) refiner_clip = kwargs.get('refiner_clip', None) refiner_positive = kwargs.get('refiner_positive', None) refiner_negative = kwargs.get('refiner_negative', None) (res_model, res_clip, res_vae, res_positive, res_negative, res_wildcard, res_bbox_detector, res_segm_detector, res_sam_model, res_detailer_hook, res_refiner_model, res_refiner_clip, res_refiner_positive, res_refiner_negative) = detailer_pipe if model is not None: res_model = model if clip is not None: res_clip = clip if vae is not None: res_vae = vae if positive is not None: res_positive = positive if negative is not None: res_negative = negative if bbox_detector is not None: res_bbox_detector = bbox_detector if segm_detector is not None: res_segm_detector = segm_detector if wildcard != '': res_wildcard = wildcard if sam_model is not None: res_sam_model = sam_model if detailer_hook is not None: res_detailer_hook = detailer_hook if refiner_model is not None: res_refiner_model = refiner_model if refiner_clip is not None: res_refiner_clip = refiner_clip if refiner_positive is not None: res_refiner_positive = refiner_positive if refiner_negative is not None: res_refiner_negative = refiner_negative pipe = (res_model, res_clip, res_vae, res_positive, res_negative, res_wildcard, res_bbox_detector, res_segm_detector, res_sam_model, res_detailer_hook, res_refiner_model, res_refiner_clip, res_refiner_positive, res_refiner_negative) return (pipe,) ```