千呼万唤始出来！FLUX-ControlNet-Inpainting模型终于来了，文中附模型和ComfyUI工作流下载！

大家还在抱怨FLUX模型的生态支持慢吗？

相信很多小伙伴都在等支持Flux的Inpainting模型，终于它来了！

Alimama Creative团队的研究人员发布的FLUX.1-dev模型提供了Inpainting ControlNet检查点。ComfyUI 现在也已经支持Flux-ControlNet-Inpainting 的推理。工作流程可以从本文链接下载。

目前开放的知识训练过程中的alpha版本，即将发布更新版本。当然这也不影响我们去使用。ok,我们先来模型推理的效果~

相关链接

需要的小伙伴直接扫码可获取
ComfyUI使用提示：

---

• 使用t5xxl-FP16和flux1-dev-fp8模型进行28步推理，GPU显存占用为27GB。使用时的推理时间cfg=3.5为 27 秒，不使用时的推理时间cfg=1为 15 秒。Hyper-FLUX-lora可用于加速推理。

• control-strength您可以尝试调整（降低）参数control-end-percent，cfg以达到更好的效果。

以下示例使用control-strength= 0.9 & control-end-percent= 1.0 & cfg= 3.5

模型介绍

• 该模型在 12M laion2B 和分辨率为 768x768 的内部源图像上进行训练。推理在此大小下表现最佳，而其他大小则产生次优结果。

• 建议的 controlnet_conditioning_scale 为 0.9 - 0.95。

注意：这只是训练过程中的alpha版本，即将发布更新版本。

效果演示

与 SDXL-Inpainting 的比较

与SDXL-Inpainting相比，从左到右分别为输入图像 | 蒙版图像 | SDXL 修复 | 本文方法。

与Diffusers一起使用

步骤1：安装扩散器

pip install diffusers==0.30.2

步骤2：从github克隆repo

git clone https://github.com/alimama-creative/FLUX-Controlnet-Inpainting.git

步骤3：修改image_path、mask_path，提示并运行.

python main.py