150 lines
5.0 KiB
Markdown
150 lines
5.0 KiB
Markdown
|
|
# Documentation
|
|
- Class name: ImageSegmentationCustom
|
|
- Category: image/segmentation
|
|
- Output node: False
|
|
|
|
ImageSegmentationCustom节点专门用于自定义图像分割任务，利用先进的配置和模型精确地描绘和分离图像中的不同元素。它设计用于需要定制分割方法的场景，提供灵活的处理能力，增强图像分析能力。
|
|
|
|
# Input types
|
|
## Required
|
|
- images
|
|
- 要进行分割的输入图像。这个参数至关重要，因为它直接影响分割结果，决定了要分析和分离的视觉元素。
|
|
- Comfy dtype: IMAGE
|
|
- Python dtype: List[Image]
|
|
- model
|
|
- 指定要使用的分割模型。这个选择对分割的准确性和质量有重大影响，允许根据特定需求进行定制。
|
|
- Comfy dtype: COMBO[STRING]
|
|
- Python dtype: str
|
|
- alpha_matting
|
|
- 一个布尔标志，表示是否应用alpha matting来改善分割的边缘质量，特别有助于实现更精确和细致的边缘。
|
|
- Comfy dtype: COMBO[STRING]
|
|
- Python dtype: bool
|
|
- alpha_matting_foreground_threshold
|
|
- 在alpha matting上下文中确定前景元素的阈值，有助于提高对象边界周围的分割准确性。
|
|
- Comfy dtype: INT
|
|
- Python dtype: float
|
|
- alpha_matting_background_threshold
|
|
- 在alpha matting过程中识别背景元素的阈值，有助于提高分割图像背景区域的清晰度和精确度。
|
|
- Comfy dtype: INT
|
|
- Python dtype: float
|
|
- alpha_matting_erode_size
|
|
- 定义alpha matting中应用的腐蚀大小，可以帮助减少边缘周围的噪声并提高整体分割质量。
|
|
- Comfy dtype: INT
|
|
- Python dtype: int
|
|
- post_process_mask
|
|
- 表示是否应对分割掩码应用后处理以提高其质量，如平滑边缘或去除噪声。
|
|
- Comfy dtype: COMBO[STRING]
|
|
- Python dtype: bool
|
|
- mean
|
|
- 用于归一化输入图像的均值，通过调整图像的颜色属性在准备图像进行分割时起关键作用。
|
|
- Comfy dtype: FLOAT
|
|
- Python dtype: Tuple[float, float, float]
|
|
- std
|
|
- 图像归一化的标准差值，对于调整像素值的比例以匹配模型的预期输入分布至关重要。
|
|
- Comfy dtype: FLOAT
|
|
- Python dtype: Tuple[float, float, float]
|
|
- size
|
|
- 指定在分割之前将图像调整到的目标大小，影响分割输出的分辨率和细节水平。
|
|
- Comfy dtype: INT
|
|
- Python dtype: Tuple[int, int]
|
|
|
|
# Output types
|
|
- image
|
|
- 分割后的图像，其中每个图像内的不同元素都被精确地描绘和分离，可用于进一步分析或处理。
|
|
- Comfy dtype: IMAGE
|
|
- Python dtype: List[Image]
|
|
|
|
|
|
## Usage tips
|
|
- Infra type: `GPU`
|
|
- Common nodes: unknown
|
|
|
|
|
|
## Source code
|
|
```python
|
|
class ImageSegmentationCustom:
|
|
def __init__(self):
|
|
pass
|
|
|
|
@classmethod
|
|
def INPUT_TYPES(cls):
|
|
return {
|
|
"required": {
|
|
"images": ("IMAGE",),
|
|
"model": (folder_paths.get_filename_list("onnx"),),
|
|
"alpha_matting": (["true", "false"],),
|
|
"alpha_matting_foreground_threshold": ("INT", {
|
|
"default": 240,
|
|
"max": 250,
|
|
"step": 5
|
|
}),
|
|
"alpha_matting_background_threshold": ("INT", {
|
|
"default": 20,
|
|
"max": 250,
|
|
"step": 5
|
|
}),
|
|
"alpha_matting_erode_size": ("INT", {
|
|
"default": 10,
|
|
"step": 1
|
|
}),
|
|
"post_process_mask": (["false", "true"],),
|
|
"mean": ("FLOAT", {
|
|
"default": 0.485,
|
|
"max": 1.0,
|
|
"step": 0.01
|
|
}),
|
|
"std": ("FLOAT", {
|
|
"default": 1.0,
|
|
"max": 1.0,
|
|
"step": 0.01
|
|
}),
|
|
"size": ("INT", {
|
|
"default": 1024,
|
|
"step": 8
|
|
}),
|
|
},
|
|
}
|
|
|
|
RETURN_TYPES = ("IMAGE",)
|
|
FUNCTION = "node"
|
|
CATEGORY = "image/segmentation"
|
|
|
|
def node(
|
|
self,
|
|
images,
|
|
model,
|
|
alpha_matting,
|
|
alpha_matting_foreground_threshold,
|
|
alpha_matting_background_threshold,
|
|
alpha_matting_erode_size,
|
|
post_process_mask,
|
|
mean,
|
|
std,
|
|
size
|
|
):
|
|
container = CustomSessionContainer(mean, mean, mean, std, std, std, size, size)
|
|
|
|
class CustomSession(CustomAbstractSession):
|
|
def __init__(self):
|
|
super().__init__(model)
|
|
|
|
@classmethod
|
|
def name(cls, *args, **kwargs):
|
|
return model
|
|
|
|
session = CustomSession().from_container(container)
|
|
|
|
return ImageSegmentation().node(
|
|
images,
|
|
model,
|
|
alpha_matting,
|
|
alpha_matting_foreground_threshold,
|
|
alpha_matting_background_threshold,
|
|
alpha_matting_erode_size,
|
|
post_process_mask,
|
|
session
|
|
)
|
|
|
|
```
|