【ComfyUI】中，使用Unet加载FLUX大模型的时候，提示: ‘conv_in.weight‘

最新推荐文章于 2025-03-29 20:42:07 发布
最新推荐文章于 2025-03-29 20:42:07 发布
阅读量7.7k 收藏 1
点赞数 5
分类专栏： AI绘画 文章标签： ai绘画 人工智能 AI作画 stable diffusion
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/sert287/article/details/141468071
版权

ComfyUI中，使用Unet加载FLUX大模型的时候，提示“Error occurred when executing UNETLoader:
‘conv_in.weight’”，
在这里插入图片描述
这种报错原因是缺少模型权重参数，本应该是有一个参数设置的框的，但是我这里却没有，如下图：
在这里插入图片描述
解决方法：
更新ComfyUI。
更新完后，重启ComfyUI。
会看到，权重的框出来了。
在这里插入图片描述

KeyError: ‘conv1.1.0.weight‘
weixin_44905678的博客
09-28 3596
KeyError: ‘conv1.1.0.weight‘ 最近在训练faster rcnn +resnet101时，出现了很多问题。 先是训练VOC2007数据集，训练了一周没有框。后来发现原因是载入权值出现了问题，应该这样去载入。 def resnet101(pretrained=False, **kwargs): model = ResNet(Bottleneck, [3, 4, 23, 3], **kwargs) if pretrained: model.load_st
ComfyUI使用Flux模型
培根芝士的专栏
08-31 2773
ComfyUI是一个强大的用户界面，支持多种图像处理和生成模型，而Flux是一系列由Black Forest Labs开发的扩散模型。
ComfyUI - 使用 ComfyUI 部署与测试 FLUX.1 图像生成模型 教程
AGI
08-15 5872
Flux 是由 Black Forest Labs 推出的最新文本到图像生成模型，已成为 AI 绘画领域的高品质模型。该模型由 Stability AI 的前核心成员开发，具备强大的生成能力和高质量的图像输出。
AI绘画，用 ComfyUI一步一步搭建Flux基础工作流，ComfyUI基础教程
m0_59236602的博客
03-05 672
AI绘画正迅速改变创意领域，而ComfyUI作为强大的工具，让创作更高效便捷。本教程将带你从零开始，一步步搭建Flux基础工作流，掌握ComfyUI的核心操作。无论你是初学者还是希望提升技能，这篇指南都将助你轻松入门，开启AI绘画的无限可能。
LM Studio加载DeepSeek-R1-Distill-Qwen-7B-Q4_K_M.gguf本地模型不显示的问题
最新发布
weixin_45820166的博客
03-29 737
DeepSeek-R1-Distill-Qwen-7B-Q4_K_M.gguf在国内无法从无法下载后，转而在其镜像网站选择4位模型参数Q4完成了下载，但是在LM Studio的模型目录选项，点击右边路径设置，选择“在文件资源管理器中打开时”始终无法在文件目录下找到提前已经放在这的DeepSeek-R1-Distill-Qwen-7B-Q4_K_M.gguf？很奇怪！
FuLID-Flux在ComfyUI下报错的问题解决办法
ltbweber的博客
10-21 3039
FuLID-Flux在ComfyUI下报错的解决办法
comfyUI使用flux模型报错got promptUsing pytorch attention in VAE，
qq_40397392的博客
08-25 2541
使用的flux模型如下，应该下载的模型都已经下载好放在正确位置但是执行之后报错如下got prompt然后comfyUI的命令行就强制退出了。
（９）训练时报错KeyError: ‘conv1.1.0.weight‘
weixin_40227656的博客
07-17 9536
将B_mobilenet_yolov4_lite的PANet改为原来的3x3卷积，命名为L_mobilenet-yolov4_VOC，即将B_yolov4的主干网络换为mobilenet，训练时报错： Traceback (most recent call last): File "/home/lidan/PycharmProjects/yolov4/L_mobilenet-yolov4_VOC_0717/train.py", line 221, in <module> pret
训练efficientnetv2报错：KeyError: ‘blocks.40.expand_conv.conv.weight‘
weixin_46135327的博客
05-10 405
在train.py中有三处调整模型权重的地方，需要匹配才能可以。三处都得统一格式，s,m,l 三种类型应选定一种，否则报错。出现此问题是因为模型权重不匹配。
深度学习模型FLUX-fp8：常见错误解析与排查指南
gitblog_02849的博客
12-30 537
深度学习模型FLUX-fp8：常见错误解析与排查指南 flux-fp8 项目地址: https://gitcode.com/mirrors/Kijai/flux-fp8 在...
UNet模型调试时报错
qq_45678453的博客
11-05 572
在根据B站UP主Bubbliiiing的深度学习教程进行UNet模型调试时的一点问题小结…
很简单地实现了Unet，通过导出ONNX模型可以通过opencv加载_Easy_Unet.zip
08-28
很简单地实现了Unet，通过导出ONNX模型可以通过opencv加载_Easy_Unet.zip
Unet训练需要使用的权重文件unet_voc.pth
08-06
使用这些文件时，开发者需要按照说明中的指导操作，例如使用PyTorch的torch.load()函数加载.pth或.pt文件，并将其与Unet模型结构相结合，以实现对新输入图像的预测。 总结来说，"unet_voc.pth"和"unet.pt"文件是...
U-2-Net 人脸肖像画生成预训练模型 u2net_portrait.pth
11-25
该文件是U-2-Net模型用于人脸肖像画生成的预训练模型文件:u2net_portrait.pth。 作者最新的应用，生成的人脸肖像画效果非常好，毛发处很细腻。感兴趣的小伙伴可以试一试！
stroke_prediction_Unet：我们的JAMA公开论文中使用的Unet模型：https：jamanetwork.comjournalsjamanetworkopenfullarticle2762679
02-14
我们的JAMA公开论文中使用的Unet模型： : 需要将数据转换为.hdf5格式，并在单独的hdf5文件中输入和输出。 数据需要按“数据”文件夹所示进行结构化。 如果GPU和环境设置正确，则当前的main.py应该是可执行的。 ...
Unet项目解析(1): run_training.py
沈春旭的博客
06-13 5433
项目GitHub主页：https://github.com/orobix/retina-unet参考论文：Retina blood vessel segmentation with a convolution neural network (U-net) Retina blood vessel segmentation with a convolution neural network (U-ne...
unet网络测试遇到的报错问题及解决
qq_44807154的博客
08-02 2054
unet网络测试遇到的报错问题及解决
Flux【基础篇】：ComfyUI Flux.1工作流的本地部署安装教程
热门推荐
小王的储物间
08-19 1万+
当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。AIGC所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。观看全面零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。好了，今天的分享就到这里了，希望今天分享的内容对大家有所帮助。
一篇文章解决ComfyUI常见的故障报错！
2401_84760527的博客
09-20 9616
学习和使用ComfyUI最痛苦的是什么？就是这满屏的红色方框和和[报错信息] “报错信息”)，处理完一批又一批，很多人玩了一两个流程就搞不下去了，很多初学者因此就放弃了。有道是：配置流程大半天，跑通出图三分钟。ComfyUI的快感可能就是这三分钟。体验[comfyUI]给你带来的高效和快感，希望这篇文章能帮助解决常见的技术问题，让你畅快淋漓的使用ComfyUI。
class UNet(paddle.nn.Layer): def __init__(self, num_classes): super(UNet, self).__init__() self.conv_1 = paddle.nn.Conv2D(3, 32, kernel_size=3, stride=2, padding='same') self.bn = paddle.nn.BatchNorm2D(32) self.relu = paddle.nn.ReLU() in_channels = 32 self.encoders = [] self.encoder_list = [64, 128, 256] self.decoder_list = [256, 128, 64, 32] # 根据下采样个数和配置循环定义子Layer，避免重复写一样的程序 for out_channels in self.encoder_list: block = self.add_sublayer('encoder_{}'.format(out_channels), Encoder(in_channels, out_channels)) self.encoders.append(block) in_channels = out_channels self.decoders = [] # 根据上采样个数和配置循环定义子Layer，避免重复写一样的程序 for out_channels in self.decoder_list: block = self.add_sublayer('decoder_{}'.format(out_channels), Decoder(in_channels, out_channels)) self.decoders.append(block) in_channels = out_channels self.output_conv = paddle.nn.Conv2D(in_channels, num_classes, kernel_size=3, padding='same') def forward(self, inputs): y = self.conv_1(inputs) y = self.bn(y) y = self.relu(y) for encoder in self.encoders: y = encoder(y) for decoder in self.decoders: y = decoder(y) y = self.output_conv(y) return y怎么将该unet网络的层数改为5层
05-26
要将UNet网络的层数改为5层，可以按照以下步骤进行修改： 1. 将Encoder和Decoder的个数都增加到4个，分别对应下采样和上采样的层数，即encoder_list = [64, 128, 256, 512] 和 decoder_list = [512, 256, 128, 64, 32]。 2. 在网络的构造函数中增加一个新的Encoder和Decoder，代码如下： ```python self.encoder_512 = Encoder(256, 512) self.encoders.append(self.encoder_512) self.decoder_32 = Decoder(64, 32) self.decoders.insert(0, self.decoder_32) ``` 这里新增了一个从256通道到512通道的Encoder和一个从64通道到32通道的Decoder，并分别加入到encoders和decoders中。 3. 最后，将输出层的输入通道数改为32，即将self.output_conv = paddle.nn.Conv2D(in_channels, num_classes, kernel_size=3, padding='same')中的in_channels改为32。 修改后的完整代码如下： ```python class UNet(paddle.nn.Layer): def __init__(self, num_classes): super(UNet, self).__init__() self.conv_1 = paddle.nn.Conv2D(3, 32, kernel_size=3, stride=2, padding='same') self.bn = paddle.nn.BatchNorm2D(32) self.relu = paddle.nn.ReLU() in_channels = 32 self.encoders = [] self.encoder_list = [64, 128, 256, 512] self.decoder_list = [512, 256, 128, 64, 32] self.decoders = [] # 根据下采样个数和配置循环定义子Layer，避免重复写一样的程序 for out_channels in self.encoder_list: block = self.add_sublayer('encoder_{}'.format(out_channels), Encoder(in_channels, out_channels)) self.encoders.append(block) in_channels = out_channels # 新增一个Encoder self.encoder_512 = Encoder(256, 512) self.encoders.append(self.encoder_512) # 根据上采样个数和配置循环定义子Layer，避免重复写一样的程序 for out_channels in self.decoder_list: block = self.add_sublayer('decoder_{}'.format(out_channels), Decoder(in_channels, out_channels)) self.decoders.append(block) in_channels = out_channels # 新增一个Decoder self.decoder_32 = Decoder(64, 32) self.decoders.insert(0, self.decoder_32) self.output_conv = paddle.nn.Conv2D(32, num_classes, kernel_size=3, padding='same') def forward(self, inputs): y = self.conv_1(inputs) y = self.bn(y) y = self.relu(y) for encoder in self.encoders: y = encoder(y) for decoder in self.decoders: y = decoder(y) y = self.output_conv(y) return y ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值