48 lines
2.2 KiB
Markdown
48 lines
2.2 KiB
Markdown
# Documentation
|
|
- Class name: VAEEncodeTiled
|
|
- Category: _for_testing
|
|
- Output node: False
|
|
- Repo Ref: https://github.com/comfyanonymous/ComfyUI
|
|
|
|
VAEEncodeTiled节点旨在使用变分自编码器（VAE）高效且可并行地将图像数据编码成潜在空间表示。它通过将大图像划分为较小的可独立处理的区域来操作，然后将这些区域重新组装。这种方法特别适用于处理高分辨率图像，因为这些图像作为整体处理时可能无法适应内存。该节点抽象了平铺和编码的复杂性，为用户提供了一个简化的接口，以便利用VAE进行编码任务。
|
|
|
|
# Input types
|
|
## Required
|
|
- pixels
|
|
- ‘pixels’参数是节点处理的输入图像数据。它至关重要，因为它是编码过程的原始材料。节点期望这些数据以与用于编码的VAE模型兼容的格式提供，通常涉及图像像素。
|
|
- Comfy dtype: IMAGE
|
|
- Python dtype: torch.Tensor
|
|
- vae
|
|
- ‘vae’参数代表变分自编码器模型，节点将使用该模型对图像数据进行编码。这个模型对节点的功能至关重要，因为它定义了编码过程的架构和参数。
|
|
- Comfy dtype: VAE
|
|
- Python dtype: AutoencoderKL
|
|
## Optional
|
|
- tile_size
|
|
- ‘tile_size’参数决定了输入图像被划分为用于处理的平铺的大小。这是一个可选参数，允许用户控制平铺的粒度，这可能影响性能和内存使用。
|
|
- Comfy dtype: INT
|
|
- Python dtype: int
|
|
|
|
# Output types
|
|
- samples
|
|
- ‘samples’输出包含输入图像在潜在空间中的编码表示。这是节点操作的主要结果，对于任何需要以压缩形式理解图像底层结构的后续任务都非常重要。
|
|
- Comfy dtype: LATENT
|
|
- Python dtype: torch.Tensor
|
|
|
|
# Usage tips
|
|
- Infra type: GPU
|
|
|
|
# Source code
|
|
```
|
|
class VAEEncodeTiled:
|
|
|
|
@classmethod
|
|
def INPUT_TYPES(s):
|
|
return {'required': {'pixels': ('IMAGE',), 'vae': ('VAE',), 'tile_size': ('INT', {'default': 512, 'min': 320, 'max': 4096, 'step': 64})}}
|
|
RETURN_TYPES = ('LATENT',)
|
|
FUNCTION = 'encode'
|
|
CATEGORY = '_for_testing'
|
|
|
|
def encode(self, vae, pixels, tile_size):
|
|
t = vae.encode_tiled(pixels[:, :, :, :3], tile_x=tile_size, tile_y=tile_size)
|
|
return ({'samples': t},)
|
|
``` |