前言：

学习ComfyUI是一场持久战， efficiency-nodes-comfyui是提高工作流创造效率的工具，包含效率节点整合工作流中的基础功能，比如Efficient Loader节点相当于Load Checkpoint+Clip set layer+Load VAE等等的合集，并且该插件提供了更加简便快捷的X/Y对比图，能够使测评工作的效率进一步提升。祝大家学习顺利，早日成为ComfyUI的高手！

目录

一、安装方法

二、Efficient Loader节点

三、KSampler Adv. (Efficient)节点

四、Lora stack/Controlnet Stacker节点

五、XY节点

六、XY Plot节点

一、安装方法

在ComfyUI主目录里面输入CMD回车。

在弹出的CMD命令行输入git clone xxx,即可开始下载。

在终端输入下面这行代码开始下载

git clone https://github.com/jags111/efficiency-nodes-comfyui.git

二、Efficient Loader节点

该节点是一个用于加载高效深度学习模型的节点。这个节点的设计目的是通过加载预训练的高效模型，提供快速且准确的图像处理能力。

重要参数：

lora_stack → 可连接lora模型加载栈 **比如CR库和本身库自带节点

cnet_stack → 可连接ControlNet模型加载栈

token normalization → 词条归一化，也就是设置文本编码的方式

weight interpretation → 权重初始化，模型的基础设置参数

DEPENDENCIES → 对后续进行X/Y对比试验有作用

注意：下图为四种不同token normalization在同参数下出图对比，从结果来看几乎没有影响。尝试了五种不同的weight interpretation，对结果也是没有影响。

使用场景：

· 快速图像处理：利用高效模型进行快速的图像处理任务，如去噪、修复、增强等。

· 图像识别与分类：使用高效模型进行图像识别和分类任务，提供准确的结果。

· 自动化处理：在自动化图像处理流程中，使用高效模型实现高效、准确的图像处理。

通过使用Efficient Loader节点，可以在图像处理工作流程中实现高效的模型加载和应用，提升图像处理的速度和效果。

三、KSampler Adv. (Efficient)节点

该节点专注于高效的图像采样和生成，通过高级采样技术和优化算法，实现快速且高质量的图像处理。

重要参数：

script → 与X/Y测试有关

add_noise → 是否在生图过程中添加噪声 **该选项仅跟ancestral采样器有关

Randomize/last Queued Seed → 点击左边为随机生成一个噪声，右边使用上次生图的噪声

return_with_leftover_noise → 是否进行完整的去噪过程，说是影响画面细节保留

preview method → 为去噪过程中预览设置，与manager管理器的预览方式一样。

vae_decode → 当我们传入optional_vae后，选择false就不输出image，选择true才会输出

使用场景：

· 高效图像生成：在需要快速生成高质量图像的场景中，使用高效采样技术实现图像生成。

· 图像增强：通过高级采样技术，对图像进行增强和优化，提高图像质量。

· 自动化处理：在自动化图像处理流程中，通过高效采样算法实现高效、准确的图像处理。

通过使用KSampler Adv. (Efficient)节点，可以在图像处理工作流程中实现高效的图像采样和生成，提升图像处理的速度和质量。

四、Lora stack/Controlnet Stacker节点

Lora Stack 节点专注于通过叠加多个Lora模型进行图像生成和处理。Lora模型是一种用于增强图像生成能力的预训练模型，Lora Stack节点可以加载和叠加多个Lora模型，以实现更加复杂和高质量的图像处理效果。

Controlnet Stacker 节点专注于叠加多个ControlNet模型进行图像生成和处理。ControlNet是一种控制生成图像的神经网络，通过叠加多个ControlNet模型，可以实现更复杂的图像控制和生成效果。

重要参数：

lora_stack → 串联可加载多个lora模型

Lora_count → 改变这个数值可以同步增加可加载lora数量

Control_net → 串联可加载多个ControlNet模型

input_mode → 选择simple可简单设置lora权重，选择advanced可开启大模型权重设置

打开advanced选项后，可以更改model权重。

示例1：下图为多个ControlNet串联，其中一个为tile来控制出图的元素，第二个为openpose来控制人物的骨骼，通过串联来影响最终的出图效果。

示例2：下图为多个Lora加载示例工作流，通过改变lora_count增加该节点加载lora的数量。

使用场景：

· 复杂图像生成：在需要生成复杂和高质量图像的任务中，通过叠加多个Lora/ControlNet模型实现增强效果。

· 图像处理优化：利用多个Lora/ControlNet模型的优势，对图像进行优化和增强。

通过使用Lora Stack和Controlnet Stacker节点，可以在图像处理工作流程中实现高效的模型叠加和应用，提升图像处理的复杂性和质量，满足各种复杂图像处理需求。

五、XY节点

XY节点专注于在图像处理和生成过程中进行参数扫图。通过在X轴和Y轴上分别设置不同的参数值，生成一系列图像，方便用户观察和比较不同参数组合对图像效果的影响。

重要参数：

first_xxx → 开始的参数选择

last_xxx → 输出的参数选择 **会根据batch_count自动填充过度过程

示例：对比三个大模型，在三个不同的CFG值下的表现情况，通过对比可以更清晰的发现模型的优劣势。

使用场景：

· 参数优化：通过对比不同参数组合生成的图像，优化图像处理参数，获得最佳效果。

· 实验和测试：在图像处理过程中进行实验和测试，观察参数变化对结果的影响。

· 图像生成：在图像生成任务中，通过参数扫图获得多样化的生成结果。

通过使用XY节点，可以在图像处理和生成过程中进行高效的参数扫图和优化，提升图像处理的效果和质量。

六、XY Plot节点

XY Plot节点专注于通过二维参数扫图生成和展示一系列图像。通过设置X轴和Y轴上的不同参数值，可以直观地比较和分析参数变化对图像效果的影响，从而优化图像处理参数。

重要参数：

grip_spacing → 输出对比图像之间的接缝大小

XY_flip → 翻转X,Y

Y_label_orientation → 设置Y轴标签是竖行展示还是纵列展示

ksampler_output_image → 选择image输出为图像，设置Plot输出为对比图合成的大图。

示例：当XY_flip打开之后，设置Y轴标签为纵向展示，最终的输出结果如下图所示。

使用场景：

· 参数优化：通过对比不同参数组合生成的图像，找到最佳的图像处理参数设置。

· 实验和测试：在图像处理过程中进行参数实验和测试，观察参数变化对结果的影响。

· 图像生成：在图像生成任务中，通过参数扫图获得多样化的生成结果，找到最佳生成参数组合。

通过使用XY Plot节点，可以在图像处理和生成过程中进行高效的参数扫图和优化，提升图像处理的效果和质量，满足各种复杂图像处理需求。

**孜孜以求，方能超越自我。坚持不懈，乃是成功关键。**