前言：
学习ComfyUI是一场持久战，而ComfyUI layer style 是一组专为图片计划制作且集成了Photoshop功能的强大节点。该节点险些将PhotoShop的全部功能迁徙到ComfyUI，诸如提供仿照Adobe Photoshop的图层样式、提供调整颜色功能（亮度、饱和度、对比度等）、提供Mask辅助工具、提供图层合成工具和工作流相干的辅助节点、提供图像结果滤镜等。旨在集中工作平台，使我们可以在ComfyUI中实现PhotoShop的一些基础功能。
目录
一、安装方式
二、LayerMask：MaskBoxDetect节点
三、LayerMask：SegmentAnythingUltra节点
四、LayerMask：SegmentAnythingUltraV2节点
五、LayerMask：RemBgUltra节点
六、LayerMask：RemBgUltraV2节点
七、LayerMask：BiRefNetUltra节点
八、LayerMask：Shadow & Highlight Mask节点
一、安装方式
方法一：通过ComfyUI Manager安装（推荐）
打开Manager界面
方法二：利用git clone命令安装
在ComfyUI/custom_nodes目录下输入cmd按回车进入电脑终端
在终端输入下面这行代码开始下载
git clone https://github.com/chflame163/ComfyUI_LayerStyle.git
二、LayerMask：MaskBoxDetect节点
这个节点的计划目标是通过主动检测图像中的目标对象，并为每个对象生成一个掩码框，以便在后续处置处罚中利用。
输入：
mask → 输入遮罩
参数：
detect → 探测方法 **min_bounding_rect是大块形状最小外接矩形, max_inscribed_rect是大块形状最大内接矩形, mask_area是遮罩像素有用区域**
x_adjust → 修正探测之后的水平偏移
y_adjust → 修正探测之后的垂直偏移
scale_adjust → 修正探测之后的缩放偏移
输出：
box_preview → 探测结果预览图。红色表现探测到的结果，绿色表现加上修正后的输出结果
x_percent → 水平位置以百分比输出
y_percent → 垂直位置以百分比输出
width → 宽度输出
height → 高度输出
x → 左上角位置x坐标输出
y → 左上角位置y坐标输出
示例：
留意事项
· 检测模子选择：根据具体需求选择适合的检测模子，以得到最佳的检测结果。
· 检测阈值设置：根据具体需求设置检测阈值，确保检测结果准确且符合预期。较高的阈值可能导致漏检，较低的阈值可能导致误检。
· 输入图像质量：输入图像的质量会影响对象检测的结果，确保图像清晰且包含明确的目标对象。
· 处置处罚性能：对象检测处置处罚可能必要较高的计算资源，确保体系性能充足支持处置处罚需求。
· 结果检查：检测完成后，检查生成的掩码框数据，确保每个掩码框准确对应检测到的对象，并且没有遗漏或误检。
通过利用LayerMask: MaskBoxDetect节点，可以在图像处置处罚工作流程中实现高效的对象检测和掩码框生成，提升图像处置处罚的主动化程度和准确性。
三、LayerMask：SegmentAnythingUltra节点
这个节点的计划目标是通过先进的图像分割算法，对图像中的对象进行精确分割，并生成相应的掩码，以便在后续处置处罚中利用。
输入：
image → 输入图片
参数：
sam_model → 选择SAM模子
ground_dino_model → 选择Grounding DINO模子
threshold → SAM模子的阈值
detail_range → 边沿细节范围
black_point → 边沿玄色采样阈值
white_point → 边沿玄色采样阈值
process_detail → 此处设为False将跳过边沿处置处罚以节流运行时间
prompt → SAM的prompt输入
输出：
image → 输出图片
mask → 分割目标的遮罩
留意：该节点需参照ComfyUI Segment Anything的安装方法安装模子。如果已经正确安装了ComfyUI Segment Anything，可跳过此步调。
从这里下载 config.json，model.safetensors，tokenizer_config.json，tokenizer.json 和 vocab.txt 5个文件到 ComfyUI/models/bert-base-uncased文件夹。
下载 GroundingDINO_SwinT_OGC config file, GroundingDINO_SwinT_OGC model, GroundingDINO_SwinB config file, GroundingDINO_SwinB model 到 ComfyUI/models/grounding-dino文件夹。
下载 sam_vit_h，sam_vit_l, sam_vit_b, sam_hq_vit_h, sam_hq_vit_l, sam_hq_vit_b, mobile_sam 这几个文件到ComfyUI/models/sams文件夹。
示例：
留意事项
· 分割模子选择：根据具体需求选择适合的分割模子，以得到最佳的分割结果。
· 细节级别设置：根据具体需求设置分割的细节级别，确保分割结果精细且符合预期。较高的细节级别可能必要更多的计算资源。
· 输入图像质量：输入图像的质量会影响分割结果，确保图像清晰且包含明确的目标对象。
· 处置处罚性能：高级分割处置处罚可能必要较高的计算资源，确保体系性能充足支持处置处罚需求。
· 结果检查：分割完成后，检查生成的分割掩码数据，确保每个掩码区域准确对应分割出的对象，并且没有遗漏或误分。
通过利用LayerMask: SegmentAnythingUltra节点，可以在图像处置处罚工作流程中实现高效的高级对象分割，提升图像处置处罚的主动化程度和准确性，满意各种复杂图像处置处罚需求
四、LayerMask：SegmentAnythingUltraV2节点
这个节点的计划目标是通过更高效、更精确的图像分割技能，对图像中的对象进行精确分割，并生成相应的掩码，以便在后续处置处罚中利用。
输入：
image → 输入图片
参数：
sam_model → 选择SAM模子
ground_dino_model → 选择Grounding DINO模子
threshold → SAM模子的阈值
detail_method → 边沿处置处罚方法
detail_erode → 遮罩边沿向内侵蚀范围 **数值越大，向内修复的范围越大**
detail_dilate → 遮罩边沿向外扩张范围 **数值越大，向外修复的范围越大**
black_point → 边沿玄色采样阈值
white_point → 边沿玄色采样阈值
process_detail → 此处设为False将跳过边沿处置处罚以节流运行时间
prompt → SAM的prompt输入
输出：
image → 输出图片
mask → 分割目标的遮罩
示例：
留意事项
· 分割模子选择：根据具体需求选择适合的分割模子，以得到最佳的分割结果。
· 细节级别设置：根据具体需求设置分割的细节级别，确保分割结果精细且符合预期。较高的细节级别可能必要更多的计算资源。
· 输入图像质量：输入图像的质量会影响分割结果，确保图像清晰且包含明确的目标对象。
· 处置处罚性能：高级分割处置处罚可能必要较高的计算资源，确保体系性能充足支持处置处罚需求。
· 结果检查：分割完成后，检查生成的分割掩码数据，确保每个掩码区域准确对应分割出的对象，并且没有遗漏或误分。
通过利用LayerMask: SegmentAnythingUltraV2节点，可以在图像处置处罚工作流程中实现高效的高级对象分割，提升图像处置处罚的主动化程度和准确性，满意各种复杂图像处置处罚需求。
五、LayerMask：RemBgUltra节点
这个节点的计划目标是通过高效的图像处置处罚算法，主动移除图像中的背景，只保存前景对象，从而使图像处置处罚更加机动和专业。
输入：
image → 输入图片
参数：
detail_range → 边沿细节范围
black_point → 边沿玄色采样阈值
white_point → 边沿玄色采样阈值
process_detail → 此处设为False将跳过边沿处置处罚以节流运行时间
输出：
image → 输出图片
mask → 分割目标的遮罩
示例：利用该节点需将BRIA Background Removal v1.4模子文件(model.pth)下载至ComfyUI/models/rmbg/RMBG-1.4文件夹。
留意事项
· 处置处罚模子选择：根据具体需求选择适合的背景移除模子，以得到最佳的处置处罚结果。
· 移除强度设置：根据具体需求设置背景移除的强度，确保前景对象的边沿处置处罚自然且不影响团体质量。
· 输入图像质量：输入图像的质量会影响背景移除的结果，确保图像清晰且前景对象与背景对比明显。
· 处置处罚性能：高级背景移除处置处罚可能必要较高的计算资源，确保体系性能充足支持处置处罚需求。
· 结果检查：背景移除完成后，检查生成的无背景图像，确保前景对象完整且背景移除干净，没有残留或误移除部分。
通过利用LayerMask: RemBgUltra节点，可以在图像处置处罚工作流程中实现高效的背景移除，提升图像处置处罚的主动化程度和准确性，满意各种复杂图像处置处罚需求。
六、LayerMask：RemBgUltraV2节点
这个节点用于高级背景移除任务，是LayerMask: RemBgUltra 节点的升级版。其计划目标是通过改进的图像处置处罚算法，更加准确和高效地移除图像中的背景，只保存前景对象，从而使图像处置处罚更加精确和专业。
输入：
image → 输入图片
参数：
detail_method → 边沿处置处罚方法
detail_erode → 遮罩边沿向内侵蚀范围 **数值越大，向内修复的范围越大**
detail_dilate → 遮罩边沿向外扩张范围 **数值越大，向外修复的范围越大**
black_point → 边沿玄色采样阈值
white_point → 边沿玄色采样阈值
process_detail → 此处设为False将跳过边沿处置处罚以节流运行时间
输出：
image → 输出图片
mask → 分割目标的遮罩
示例：
七、LayerMask：BiRefNetUltra节点
这个节点是一个高级图像处置处罚节点，专门用于通过双参考网络（Bi-Reference Network）进行高精度的图像分割和背景移除。
输入：
image → 输入图片
参数：
detail_method → 边沿处置处罚方法 **提供了VITMatte, VITMatte(local), PyMatting, GuidedFilter。如果首次利用VITMatte后模子已经下载，之后可以利用VITMatte(local)**
detail_erode → 遮罩边沿向内侵蚀范围 **数值越大，向内修复的范围越大**
detail_dilate → 遮罩边沿向外扩张范围 **数值越大，向外修复的范围越大**
black_point → 边沿玄色采样阈值
white_point → 边沿玄色采样阈值
process_detail → 此处设为False将跳过边沿处置处罚以节流运行时间
输出：
image → 输出图片
mask → 分割目标的遮罩
示例：
留意事项
· 参考图像选择：选择与目标图像相似的参考图像，以帮助提高分割和背景移除的精度。
· 处置处罚模子选择：根据具体需求选择适合的双参考网络模子，以得到最佳的处置处罚结果。
· 细节级别设置：根据具体需求设置分割的细节级别，确保分割结果精细且符合预期。较高的细节级别可能必要更多的计算资源。
· 输入图像质量：输入图像和参考图像的质量会影响分割结果，确保图像清晰且前景对象与背景对比明显。
通过利用LayerMask: BiRefNetUltra节点，可以在图像处置处罚工作流程中实现高效且高精度的图像分割和背景移除。
八、LayerMask：Shadow & Highlight Mask节点
这个节点的计划目标是通过识别图像中的亮部和暗部，生成相应的掩码，以便在后续处置处罚中利用这些掩码进行特定区域的处置处罚或增强。
输入：
image → 输入图片
mask → 输入遮罩
参数：
shadow_level_offset → 暗部取值的偏移量 **更大的数值使更多靠近明亮的区域纳入暗部**
shadow_range → 暗部的过渡范围
highlight_level_offset → 亮部取值的偏移量 **更小的数值使更多靠近惨淡的区域纳入亮部**
highlight_range → 亮部的过渡范围
输出：
shadow_mask → 暗部遮罩
highlight_mask → 亮部遮罩
示例：
留意事项
· 阈值设置：根据具体需求设置阴影和高光的阈值，确保识别结果准确且符合预期。较低的阈值可能导致阴影区域过大，较高的阈值可能导致高光区域过小。
· 输入图像质量：输入图像的质量会影响阴影和高光识别的结果，确保图像清晰且亮度分布匀称。
· 处置处罚性能：阴影和高光识别处置处罚可能必要一定的计算资源，确保体系性能充足支持处置处罚需求。
· 结果检查：识别和掩码生成完成后，检查生成的阴影掩码和高光掩码，确保每个掩码区域准确对应识别出的阴影和高光区域，并且没有遗漏或误识别部分。
通过利用LayerMask: Shadow & Highlight Mask节点，可以在图像处置处罚工作流程中实现高效的阴影和高光区域识别，生成用于后续处置处罚的精确掩码。
**孜孜以求，方能超越自我。坚固不拔，乃是成功关键。**
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。 | 
