尧图网页设计 
逐行拆解 cog-face-to-sticker 工作流 JSON把照片变成贴纸的 10 个关键节点【免费下载链接】cog-face-to-stickerface-to-sticker项目地址: https://gitcode.com/gh_mirrors/co/cog-face-to-stickercog-face-to-sticker 是一个把任意人脸照片变成贴纸Sticker的 AI 绘图项目核心是一条基于 ComfyUI 的工作流。这篇文章会逐行拆解 face-to-sticker-ui.json 中 28 个节点背后的 10 个关键环节讲清楚一张照片是怎么一步步变成贴纸的新手也能看懂。工作流全景先看懂数据流向整个工作流可以概括成一条主线照片 → 深度图 人脸特征 → 提示词 风格 LoRA → 采样生成 → 高清放大 → 抠图去背景 → 贴纸成品 项目里有两份 JSON作用不同face-to-sticker-ui.json带节点坐标、颜色、画布信息的可视化工作流直接拖进 ComfyUI Web UI 就能跑face-to-sticker-api.jsonAPI 格式的精简工作流由 predict.py 在运行前动态改参后提交给 ComfyUI 服务器。下面按执行顺序拆解 10 个关键节点。节点 1LoadImage——照片从哪里进来节点 ID 22LoadImage是整个工作流的入口负责加载一张人脸照片。它有一个重要特点输出同时接到了 3 个下游——深度图预处理节点 25、InstantID 人脸分析节点 41和 IPAdapter节点 43。也就是说同一张照片会被三头鹰式利用一次出深度、一次出脸部特征、一次出语义嵌入互不浪费。 在 API 模式下predict.py 中的update_workflow函数会把你的图片文件名直接写进这个节点。节点 2CheckpointLoaderSimple——SDXL 底座节点 ID 12CheckpointLoaderSimple加载底模dreamshaper_8.safetensors这是 SDXL 架构的通用大模型。它一次吐出三样东西分别喂给不同分支输出流向用途MODEL节点 2 / 11生成与放大共用的主干模型CLIP节点 13 / 14编码提示词VAE节点 4 / 11潜空间 ↔ 图像解码模型文件的下载清单见 weights.json许可证见 weights_licenses.md。节点 3LoRA Stacker——贴纸画风的核心节点 ID 3LoRA Stacker加载了关键风格 LoRAartificialguybr/StickersRedmond.safetensors。这就是照片为什么看起来像贴纸的第一大功臣——它教会模型圆角描边、扁平色块的贴纸美术风格加载权重为 1满额。⚠️ LoRA 不直接生效而是先经过它打包成LORA_STACK再交给节点 2Efficient Loader统一装配这是 Efficiency Nodes 扩展的典型用法。节点 4CLIPTextEncode——正负提示词节点 ID 13 和 14是一对正负提示词编码器正向节点 13svg, vector art, sharp——强调矢量感、锐利边缘负向节点 14nsfw, photo, photography, watermark——明确排斥照片感逼着模型远离写实。这两个节点在 API 工作流中还会被 predict.py 动态改写拼接用户传入的prompt默认 a person例如Sticker, a person, cel shaded, svg, vector art, sharp。节点 5AIO_Preprocessor ControlNet——用深度图锁住轮廓这是工作流中最巧妙的组合由 3 个节点协作节点 ID 25AIO_Preprocessor用Zoe-DepthMapPreprocessor从照片提取深度图1024 分辨率输出还接到了节点 47 的 PreviewImage方便你在界面上看到深度图节点 ID 24ControlNetLoader加载depth-zoe-xl-v1.0-controlnet.safetensors深度控制模型节点 ID 28Control Net Stacker组装关键参数为权重 0.2、生效区间 0 ~ 0.7。 权重只有 0.2 说明作者刻意轻握深度图只是给人物轮廓一个软约束防止生成时人脸位置漂移但不让 ControlNet 完全主导画面。节点 6InstantID——让贴纸长得像你这一组共 4 个节点负责提取并应用人脸身份特征节点 ID 35InstantIDModelLoader加载instantid-ip-adapter.bin节点 ID 36InstantIDFaceAnalysis人脸检测与特征分析CPU 运行节点 ID 40ControlNetLoader加载配套的instantid-controlnet.safetensors节点 ID 41ApplyInstantID真正干活的节点权重1.0满强度生效区间 0 ~ 1全程约束人脸身份。✅ InstantID 是保真度的主力它把五官布局、脸型锁死让贴纸和你本人的相似度大幅上升。节点 7IPAdapter——再加一层人脸相似度保险第三重保险由 3 个节点组成节点 ID 42IPAdapterModelLoader加载ip-adapter-plus-face_sdxl_vit-h.safetensors节点 ID 44CLIPVisionLoader加载视觉编码器CLIP-ViT-H-14-laion2B-s32B-b79K.safetensors节点 ID 43IPAdapterApplyFaceID应用关键参数weight 0.2、noise 0.5、style original。 对比一下InstantID 权重 1.0硬约束IPAdapter 权重 0.2软增强。一硬一软配合既保脸又不至于让画面僵硬脸。这两个强度值在 predict.py 中都开放给了 API 用户调节。节点 8Efficient Loader——总装配车间节点 ID 2Efficient Loader是 Efficiency Nodes 扩展的总线节点把前面所有零件接起来参数值含义模型albedobaseXL_v13.safetensors最终用于生成的 SDXL 底模正向提示词Sticker, scary zombie, cel shaded, svg, vector art, sharp贴纸风格 卡通渲染负向提示词open mouth, shiny, photo, photography, soft, nsfw, nude, ugly, broken, watermark...排除写实、瑕疵cfg7提示词引导强度输出尺寸1024 × 1024与 SDXL 原生分辨率匹配latentEmpty Latent空潜空间纯文生图模式注意这里是空潜空间 多路控制的纯文生图模式——不是图生图而是靠深度图、InstantID、IPAdapter 三路信号重建一张贴纸。节点 9KSampler——采样引擎节点 ID 4KSampler (Efficient)是去噪生成的核心参数一览步数20CFG7采样器dpmpp_2m_sde 噪声调度karras速度与画质的平衡之选接收来自节点 43 的模型已注入 IPAdapter和来自节点 41 的正负条件已注入 InstantID。 它的输出分两路一路直接进节点 5 的 SaveImage 保存原图另一路进节点 9 的抠图节点。想复现某张结果固定seed即可API 端默认 20 步见 predict.py。节点 10UltimateSDUpscale BRIA_RMBG——放大、抠图、交付最后一环是后处理三连涉及 6 个节点节点 ID 15UpscaleModelLoader加载4x-AnimeSharp.pth专为动漫/插画优化的 4 倍放大模型节点 ID 11UltimateSDUpscale分块重绘式放大tile 512、2 倍、10 步、euler、重绘强度 0.2在放大的同时精修细节节点 ID 8 / 9 / 17BRIA_RMBG系列背景移除模型分别对原图和放大图抠图输出透明背景的贴纸节点 ID 5 / 10 / 16 / 18SaveImage4 个保存点分别输出带背景贴纸、去背景贴纸、放大贴纸、放大去背景贴纸。 最终你会得到 4 张成品原尺寸 × 透明版两种规格贴纸可以直接贴到聊天软件里用。动手跑起来两种运行方式方式一ComfyUI 本地跑克隆仓库git clone --recurse-submodules https://gitcode.com/gh_mirrors/co/cog-face-to-sticker执行 scripts/clone_plugins.sh 安装全部 6 个自定义节点BRIA RMBG、ControlNet Aux、InstantID、IPAdapter Plus、UltimateSDUpscale、Efficiency Nodes把 face-to-sticker-ui.json 拖入 ComfyUI Web UI替换照片点击 Queue Prompt。方式二API 方式predict.py 基于 Cog 框架封装了完整接口暴露 11 个可调参数image、prompt、negative_prompt、width、height、steps、seed、prompt_strengthCFG、instant_id_strength、ip_adapter_weight、ip_adapter_noise、upscale。其中最有用的三个风格旋钮参数默认值调大/调小的效果prompt_strength7越大越听提示词越小越像原照片instant_id_strength1.0越大五官越像本人ip_adapter_weight0.2适度增大可微调相似度环境与服务配置见 cog.yaml与 ComfyUI 服务器的通信逻辑封装在 helpers/comfyui.py。一张表看懂 10 个关键节点#节点 ID节点类型一句话职责122LoadImage载入人脸照片三路分发212CheckpointLoaderSimple加载 SDXL 底模三件套33LoRA Stacker注入贴纸画风 LoRA413 / 14CLIPTextEncode正反提示词要矢量感、反照片感525 / 24 / 28ControlNet 深度链深度图锁住人物轮廓635 / 36 / 40 / 41InstantID硬约束人脸身份742 / 44 / 43IPAdapter软增强人脸相似度82Efficient Loader总线装配模型/提示词/尺寸94KSampler20 步 dpmpp_2m_sde 去噪生成1011 / 9 / 17 / 5放大 抠图 保存2x 放大、去背景、输出 4 张成品总结cog-face-to-sticker 的工作流设计精髓在于**三路信号重建**不用图生图而是用深度图形状 InstantID五官 IPAdapter相似度三路控制信号在空潜空间上纯生成贴纸。权重分配非常克制——ControlNet 0.2、IPAdapter 0.2、InstantID 1.0——硬保脸、软保形这就是贴纸既像你又充满卡通趣味的秘密。如果你想魔改风格最快的入手点是替换节点 3 的 LoRA想调保真度就动instant_id_strength和ip_adapter_weight这两个旋钮即可。【免费下载链接】cog-face-to-stickerface-to-sticker项目地址: https://gitcode.com/gh_mirrors/co/cog-face-to-sticker创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 逐行拆解 cog-face-to-sticker 工作流 JSON：把照片变成贴纸的 10 个关键节点
逐行拆解 cog-face-to-sticker 工作流 JSON把照片变成贴纸的 10 个关键节点【免费下载链接】cog-face-to-stickerface-to-sticker项目地址: https://gitcode.com/gh_mirrors/co/cog-face-to-stickercog-face-to-sticker 是一个把任意人脸照片变成贴纸Sticker的 AI 绘图项目核心是一条基于 ComfyUI 的工作流。这篇文章会逐行拆解 face-to-sticker-ui.json 中 28 个节点背后的 10 个关键环节讲清楚一张照片是怎么一步步变成贴纸的新手也能看懂。工作流全景先看懂数据流向整个工作流可以概括成一条主线照片 → 深度图 人脸特征 → 提示词 风格 LoRA → 采样生成 → 高清放大 → 抠图去背景 → 贴纸成品 项目里有两份 JSON作用不同face-to-sticker-ui.json带节点坐标、颜色、画布信息的可视化工作流直接拖进 ComfyUI Web UI 就能跑face-to-sticker-api.jsonAPI 格式的精简工作流由 predict.py 在运行前动态改参后提交给 ComfyUI 服务器。下面按执行顺序拆解 10 个关键节点。节点 1LoadImage——照片从哪里进来节点 ID 22LoadImage是整个工作流的入口负责加载一张人脸照片。它有一个重要特点输出同时接到了 3 个下游——深度图预处理节点 25、InstantID 人脸分析节点 41和 IPAdapter节点 43。也就是说同一张照片会被三头鹰式利用一次出深度、一次出脸部特征、一次出语义嵌入互不浪费。 在 API 模式下predict.py 中的update_workflow函数会把你的图片文件名直接写进这个节点。节点 2CheckpointLoaderSimple——SDXL 底座节点 ID 12CheckpointLoaderSimple加载底模dreamshaper_8.safetensors这是 SDXL 架构的通用大模型。它一次吐出三样东西分别喂给不同分支输出流向用途MODEL节点 2 / 11生成与放大共用的主干模型CLIP节点 13 / 14编码提示词VAE节点 4 / 11潜空间 ↔ 图像解码模型文件的下载清单见 weights.json许可证见 weights_licenses.md。节点 3LoRA Stacker——贴纸画风的核心节点 ID 3LoRA Stacker加载了关键风格 LoRAartificialguybr/StickersRedmond.safetensors。这就是照片为什么看起来像贴纸的第一大功臣——它教会模型圆角描边、扁平色块的贴纸美术风格加载权重为 1满额。⚠️ LoRA 不直接生效而是先经过它打包成LORA_STACK再交给节点 2Efficient Loader统一装配这是 Efficiency Nodes 扩展的典型用法。节点 4CLIPTextEncode——正负提示词节点 ID 13 和 14是一对正负提示词编码器正向节点 13svg, vector art, sharp——强调矢量感、锐利边缘负向节点 14nsfw, photo, photography, watermark——明确排斥照片感逼着模型远离写实。这两个节点在 API 工作流中还会被 predict.py 动态改写拼接用户传入的prompt默认 a person例如Sticker, a person, cel shaded, svg, vector art, sharp。节点 5AIO_Preprocessor ControlNet——用深度图锁住轮廓这是工作流中最巧妙的组合由 3 个节点协作节点 ID 25AIO_Preprocessor用Zoe-DepthMapPreprocessor从照片提取深度图1024 分辨率输出还接到了节点 47 的 PreviewImage方便你在界面上看到深度图节点 ID 24ControlNetLoader加载depth-zoe-xl-v1.0-controlnet.safetensors深度控制模型节点 ID 28Control Net Stacker组装关键参数为权重 0.2、生效区间 0 ~ 0.7。 权重只有 0.2 说明作者刻意轻握深度图只是给人物轮廓一个软约束防止生成时人脸位置漂移但不让 ControlNet 完全主导画面。节点 6InstantID——让贴纸长得像你这一组共 4 个节点负责提取并应用人脸身份特征节点 ID 35InstantIDModelLoader加载instantid-ip-adapter.bin节点 ID 36InstantIDFaceAnalysis人脸检测与特征分析CPU 运行节点 ID 40ControlNetLoader加载配套的instantid-controlnet.safetensors节点 ID 41ApplyInstantID真正干活的节点权重1.0满强度生效区间 0 ~ 1全程约束人脸身份。✅ InstantID 是保真度的主力它把五官布局、脸型锁死让贴纸和你本人的相似度大幅上升。节点 7IPAdapter——再加一层人脸相似度保险第三重保险由 3 个节点组成节点 ID 42IPAdapterModelLoader加载ip-adapter-plus-face_sdxl_vit-h.safetensors节点 ID 44CLIPVisionLoader加载视觉编码器CLIP-ViT-H-14-laion2B-s32B-b79K.safetensors节点 ID 43IPAdapterApplyFaceID应用关键参数weight 0.2、noise 0.5、style original。 对比一下InstantID 权重 1.0硬约束IPAdapter 权重 0.2软增强。一硬一软配合既保脸又不至于让画面僵硬脸。这两个强度值在 predict.py 中都开放给了 API 用户调节。节点 8Efficient Loader——总装配车间节点 ID 2Efficient Loader是 Efficiency Nodes 扩展的总线节点把前面所有零件接起来参数值含义模型albedobaseXL_v13.safetensors最终用于生成的 SDXL 底模正向提示词Sticker, scary zombie, cel shaded, svg, vector art, sharp贴纸风格 卡通渲染负向提示词open mouth, shiny, photo, photography, soft, nsfw, nude, ugly, broken, watermark...排除写实、瑕疵cfg7提示词引导强度输出尺寸1024 × 1024与 SDXL 原生分辨率匹配latentEmpty Latent空潜空间纯文生图模式注意这里是空潜空间 多路控制的纯文生图模式——不是图生图而是靠深度图、InstantID、IPAdapter 三路信号重建一张贴纸。节点 9KSampler——采样引擎节点 ID 4KSampler (Efficient)是去噪生成的核心参数一览步数20CFG7采样器dpmpp_2m_sde 噪声调度karras速度与画质的平衡之选接收来自节点 43 的模型已注入 IPAdapter和来自节点 41 的正负条件已注入 InstantID。 它的输出分两路一路直接进节点 5 的 SaveImage 保存原图另一路进节点 9 的抠图节点。想复现某张结果固定seed即可API 端默认 20 步见 predict.py。节点 10UltimateSDUpscale BRIA_RMBG——放大、抠图、交付最后一环是后处理三连涉及 6 个节点节点 ID 15UpscaleModelLoader加载4x-AnimeSharp.pth专为动漫/插画优化的 4 倍放大模型节点 ID 11UltimateSDUpscale分块重绘式放大tile 512、2 倍、10 步、euler、重绘强度 0.2在放大的同时精修细节节点 ID 8 / 9 / 17BRIA_RMBG系列背景移除模型分别对原图和放大图抠图输出透明背景的贴纸节点 ID 5 / 10 / 16 / 18SaveImage4 个保存点分别输出带背景贴纸、去背景贴纸、放大贴纸、放大去背景贴纸。 最终你会得到 4 张成品原尺寸 × 透明版两种规格贴纸可以直接贴到聊天软件里用。动手跑起来两种运行方式方式一ComfyUI 本地跑克隆仓库git clone --recurse-submodules https://gitcode.com/gh_mirrors/co/cog-face-to-sticker执行 scripts/clone_plugins.sh 安装全部 6 个自定义节点BRIA RMBG、ControlNet Aux、InstantID、IPAdapter Plus、UltimateSDUpscale、Efficiency Nodes把 face-to-sticker-ui.json 拖入 ComfyUI Web UI替换照片点击 Queue Prompt。方式二API 方式predict.py 基于 Cog 框架封装了完整接口暴露 11 个可调参数image、prompt、negative_prompt、width、height、steps、seed、prompt_strengthCFG、instant_id_strength、ip_adapter_weight、ip_adapter_noise、upscale。其中最有用的三个风格旋钮参数默认值调大/调小的效果prompt_strength7越大越听提示词越小越像原照片instant_id_strength1.0越大五官越像本人ip_adapter_weight0.2适度增大可微调相似度环境与服务配置见 cog.yaml与 ComfyUI 服务器的通信逻辑封装在 helpers/comfyui.py。一张表看懂 10 个关键节点#节点 ID节点类型一句话职责122LoadImage载入人脸照片三路分发212CheckpointLoaderSimple加载 SDXL 底模三件套33LoRA Stacker注入贴纸画风 LoRA413 / 14CLIPTextEncode正反提示词要矢量感、反照片感525 / 24 / 28ControlNet 深度链深度图锁住人物轮廓635 / 36 / 40 / 41InstantID硬约束人脸身份742 / 44 / 43IPAdapter软增强人脸相似度82Efficient Loader总线装配模型/提示词/尺寸94KSampler20 步 dpmpp_2m_sde 去噪生成1011 / 9 / 17 / 5放大 抠图 保存2x 放大、去背景、输出 4 张成品总结cog-face-to-sticker 的工作流设计精髓在于**三路信号重建**不用图生图而是用深度图形状 InstantID五官 IPAdapter相似度三路控制信号在空潜空间上纯生成贴纸。权重分配非常克制——ControlNet 0.2、IPAdapter 0.2、InstantID 1.0——硬保脸、软保形这就是贴纸既像你又充满卡通趣味的秘密。如果你想魔改风格最快的入手点是替换节点 3 的 LoRA想调保真度就动instant_id_strength和ip_adapter_weight这两个旋钮即可。【免费下载链接】cog-face-to-stickerface-to-sticker项目地址: https://gitcode.com/gh_mirrors/co/cog-face-to-sticker创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考