推荐整合包：
1. SD WebUI整合包（B站/知乎搜索"Stable Diffusion 整合包"）
2. ComfyUI整合包（搜索"ComfyUI 一键启动"）

安装步骤：
1. 下载整合包压缩文件
2. 解压到非中文路径（如 D:\SD\）
3. 运行启动脚本（run.bat 或类似文件）
4. 等待启动完成，浏览器自动打开

# 1. 安装Python 3.10.x
# 2. 安装Git
# 3. 克隆仓库
git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git
cd stable-diffusion-webui

# 4. 运行安装脚本
# Windows:
webui-user.bat

# Linux/Mac:
bash webui.sh

# 5. 等待安装完成，浏览器打开 http://127.0.0.1:7860

# 1. 安装Python 3.10.x
# 2. 克隆仓库
git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI

# 3. 安装依赖
pip install -r requirements.txt

# 4. 安装ComfyUI Manager（管理自定义节点）
cd custom_nodes
git clone https://github.com/ltdrdata/ComfyUI-Manager.git

# 5. 启动
# Windows:
run_nvidia_gpu.bat

# Linux:
python main.py

# 6. 浏览器打开 http://127.0.0.1:8188

1. 在txt2img或img2img页面展开ControlNet面板
2. 启用一个ControlNet单元
3. 选择模型：control_v11p_sd15_openpose
4. 上传姿态参考图（可以是AI生成的或手绘的）
5. 设置预处理器：openpose
6. 设置权重：0.7-1.0
7. 输入提示词并生成

节点连接流程：
1. Load Image → 加载姿态参考图
2. ControlNet Apply → 应用OpenPose模型
3. KSampler → 生成图像
4. Save Image → 保存结果

方法1：使用3D建模软件（如Poser、Daz 3D）创建姿态
方法2：使用在线工具（如PoseMy.Art）摆姿势
方法3：使用AI生成姿态图（先用SD生成，再用OpenPose检测器提取）
方法4：拍摄真人照片，用OpenPose检测器提取姿态

# Canny边缘检测
预处理器：canny
低阈值：100
高阈值：200
权重：0.8-1.0

# Lineart线稿
预处理器：lineart
权重：0.8-1.0

预处理器：depth
权重：0.6-0.9

# 组合1：姿态 + 深度（角色场景）
ControlNet 1: OpenPose（控制角色姿态）权重 0.8
ControlNet 2: Depth（控制空间关系）权重 0.6

# 组合2：线稿 + 色块（精确构图+配色）
ControlNet 1: Lineart（控制线条）权重 0.9
ControlNet 2: Color（控制配色）权重 0.5

# 组合3：姿态 + 线稿（动作场景）
ControlNet 1: OpenPose（控制动作）权重 0.8
ControlNet 2: Canny（控制场景结构）权重 0.6

# 使用IP-Adapter保持角色面部一致
# ComfyUI节点流程：

1. Load Image → 加载角色参考图
2. IP-Adapter Apply → 应用IP-Adapter FaceID模型
3. 设置权重：0.7-0.9
4. KSampler → 生成图像

# 使用IP-Adapter保持画风一致
# 加载风格参考图
# 使用IP-Adapter Plus模型
# 权重：0.6-0.8

# 使用IP-Adapter FaceID + 服装提示词
# 保持面部一致，更换服装
# 权重：FaceID 0.8, 服装描述在提示词中

# 角色一致性 + 姿态控制
IP-Adapter FaceID: 角色参考图（权重 0.8）
ControlNet OpenPose: 姿态参考图（权重 0.7）

# 风格一致性 + 构图控制
IP-Adapter Plus: 风格参考图（权重 0.6）
ControlNet Lineart: 线稿参考（权重 0.8）

1. 在img2img页面选择"Inpaint"标签页
2. 上传需要修复的图片
3. 使用画笔工具涂抹需要重绘的区域（黑色遮罩）
4. 输入描述重绘内容的提示词
5. 设置参数：
   - Mask mode: Inpaint masked（重绘涂抹区域）
   - Masked content: Original（保留原始内容作为参考）
   - Inpaint area: Whole picture（全图生成）或 Only masked（仅遮罩区域）
   - Denoising strength: 0.3-0.7
6. 点击生成

# 安装方法
WebUI → Extensions → Install from URL → 输入ADetailer的GitHub地址

# 使用方法
1. 在txt2img页面展开ADetailer面板
2. 启用ADetailer
3. 选择检测模型：
   - face_yolov8n.pt：面部检测
   - hand_yolov8n.pt：手部检测
4. 设置修复参数：
   - Denoising strength: 0.3-0.4
   - Inpaint width/height: 512
5. 生成时ADetailer会自动检测和修复面部/手部

# 在提示词中使用LoRA
<lora:anime_style_v2:0.7>  # 风格LoRA，权重0.7
<lora:character_lin:0.8>   # 角色LoRA，权重0.8

# 推荐LoRA资源
# CivitAI (civitai.com): 最大的LoRA分享平台
# 搜索关键词：anime style, manga style, character

# 推荐工具：Kohya_ss GUI
# 安装：搜索"Kohya_ss 教程"

# 训练步骤：
1. 准备训练素材（15-50张高质量图片）
2. 裁剪和标注素材
3. 配置训练参数：
   - 训练步数：1000-2000
   - 学习率：1e-4 到 5e-5
   - 网络维度（Dim）：32-64
   - 网络Alpha：16-32
4. 开始训练
5. 测试和调整

工作流节点连接：

1. Load Checkpoint → 加载基础模型
2. Load LoRA → 加载风格LoRA（权重0.7）
3. Load IP-Adapter → 加载角色参考图
4. Load ControlNet → 加载姿态参考图（OpenPose）
5. CLIP Text Encode → 正面提示词
6. CLIP Text Encode → 负面提示词
7. ControlNet Apply → 应用姿态控制（权重0.7）
8. IP-Adapter Apply → 应用角色参考（权重0.8）
9. KSampler → 生成图像
   - Steps: 28
   - CFG: 7.5
   - Sampler: DPM++ 2M Karras
10. VAE Decode → 解码图像
11. Save Image → 保存结果

ComfyUI批量生成节点：

1. Load Text → 加载提示词列表文件
2. For Loop → 循环生成
3. [标准生成工作流]
4. Save Image → 按序号保存

# 标准动漫生成参数
采样器: DPM++ 2M Karras
步数: 25-30
CFG Scale: 7-8
分辨率: 512x768 或 768x512（基础生成）
Clip Skip: 2
VAE: vae-ft-mse-840000-ema-pruned

# 高质量生成参数
采样器: DPM++ SDE Karras
步数: 30-40
CFG Scale: 7-8
分辨率: 配合Hires. Fix放大