中秋假期，又可以玩玩 AI 了。前面介绍了 ComfyUI 的 Lora 模型以及 ControlNet，本文介绍另一个非常重要且使用的节点，IP-Adapter。
一、 IP-Adapter 概念
1.1 IPAdapter 的介绍
IP-Adapter 的是腾讯 ailab 实验室发布的一个 Stable Diffusion 的适配器，我愿称之为 Stable Diffusion 最强插件，它的作用是输入一张或多张图像，作为生成图像的提示词，实现图片风格或者肖像风格的迁移。本质上类似 MJ 的垫图。
官网地址：https://github.com/tencent-ailab/IP-Adapter
IP-Adapter 的实际用途有很多，比如保留产品样式，替换背景生成海报，根据设计图纸，生成装修效果图，对图片进行人脸替换等等。看看下面的商业海报案例：
1.2 IPAdapter 与 img2img 的区别
IPAdapter 与 img2img 的底层原理完全不同，对于 IPAdapter 可以简单理解为，将输入的一张图像，作为图像提示词。而 img2img 是提取输入的图像的特征进行模仿生成。
举个不是十分准确的例子：
IPAdapter 在生成图像时，是在根据文本提示词进行作画，在绘图的过程中，始终记得输入图像的风格，把这些风格元素融入到画师的灵感中，进行创作。
img2img 在生成图像时，是拿着输入的参考图，然后先将其慢慢擦除，在擦除的过程中，保留了需要的部分，然后在这个基础上进行绘画。这样绘画出来的结果，总有一部分是复刻了输入的参考图像，保有了原图像的痕迹。
二、基本使用
2.1 节点安装及模型下载
在 ComfyUI 中使用需要安装节点 ComfyUI_IPAdapter_plus。
官方地址：https://github.com/cubiq/ComfyUI_IPAdapter_plus
- 节点安装方式有很多，之前的文章有讲过，推荐使用 ComfyUI 节点管理器安装
- Github 主页中对需要安装的模型有详细描述，下载后按要求安装到指定路径即可，需要注意的内容有：
安装在 /ComfyUI/models/clip_vision 的两个文件下载后需要重命名，再放到对应的文件夹内；
如果没有 /ComfyUI/models/ipadapter 这个文件夹，可以自己手动新建一个。
下载基础模型
下载 FaceID 模型
下载 Lora 模型
2.2 节点使用
首先我们加载默认的工作流看看效果：
接下来我们接入 IP-Adapter 节点。
这里，我们输入了一张光头强的图片，核心节点主要是 应用 IPAdapter 节点，模型需要通过一个IPAdapter 模型加载器 加载一个 IP-Adapter 的模型输入。注意，这里的模型要和基础大模型版本匹配。同时还需要使用 CLIP 视觉加载器 加载一个视觉模型，这些模型都是刚才下载下来的。
我们固定了采样器的随机种子，其余参数也不变，IP-Adapater 模型权重设置为 1， 看看生成效果，此时生成的人物，已经变成了光头强风格，并且后面的背景也变成了森林。
基本流程就是，输入一张参考图，使用 CLIP 视觉模型对图像内容进行理解，在通过 IPAdapter 模型和基础大模型中和一下，作为条件输入到潜空间，以达到图像风格的魔法效果。
另外，ComfyUI_IPAdapter_plus 插件还提供了另一个节点，IPAdapter 加载器。它的作用是把 IPAdapter 模型和 Clip 视觉模型一起加载进来了。
该节点需要将基础大模型连接到输入，输出的模型连接到应用 IPAdapter 节点。测试生成的图像和之前效果是一样的。
2.3 参数说明
2.3.1 IPAdater 模型
IPAdapter 的模型非常多，总共有十几二十个，在使用过程中，应该如何进行选择呢？
前面提到，IPAdapter 是将输入的参考图像，作为输入条件，与提示词共同作用，两者之间既有合作又有对抗，当输入的图像风格与提示词矛盾时，以哪个稳准呢，这里就跟选择的 IPAdapter 的模型相关了。
下面我做了一个简单的分类：
图中对 sd 1.5 模型进行了说明。除了框起来的部分，剩下的模型，根据名字，可以看到一些是 SDXL 版本的，还有一些则需要使用 bigG clip vision 模型进行视觉编码。
2.3.2 权重 Weight
权重可以通俗理解为 IPAdapter 的作用强度。
接下来，我们将 IPAdapter 的权重设置为 0 和 0.5， 看看生成效果：
可以看到，权重为0，与没有加入 IPAdapter 生成的图像一样，说明，权重设置为 0 时，IPAdapter 完全没有介入，完全依靠提示词文本指导图像生成。权重设置为 0.5 时，提示词作用有所减弱，参考图的风格已经很明显了。
对于linear 类型（默认值，也是唯一老版本保留的类型），从 0.8开始一般效果比较好。如果使用其他类型，可以尝试更高的值。
2.3.3 权重类型 Weight_type
当 IPAdapter 权重设置为 1 时，会完全忽略提示词，无论提示词写什么，生成的图像都是按照参考图的风格绘制。为了解决这个问题，降低权重是一种方式，其实还有一种更好的方式，设置 IPAdapter 的权重类型。这里的类型有很多种：
权重类型，可以指导 IPAdapter 不同时机的作用强度，比如图像生成开始和结尾强，中间作用弱等，也可以指导风格参考或者构图参考。这样配合提示词也会生成不同的图片效果。
2.3.4 输入图像
IPAdater 可以输入正面图像和负面图像,这个很容易理解，就是希望模仿的风格和不希望掺杂的风格。负面图像非必须输入。
2.3.5 关注层遮罩
默认情况下，是参考输入图像的整张图像，如果只想参考输入图像的某个部分，就需要输入一个遮罩，这样可以避免图片不要的元素对图片造成影响。
2.3.6 开始应用位置和结束应用位置
这个也好理解，直接设定 IPAdapter 作用开始和结束的时机。
2.3.7 合并嵌入组 merge_embeds
当发送多个参考图像时，提示图像可以一个接一个地发送 ( concat最接近旧版本效果) 或以各种方式组合。average 类型可以减轻 GPU 压力。subtract 将第二张图像的条件减去第一张图像的条件；如果有 3 个或更多图像，则对它们进行平均再减去第一个图像。
2.3.8 嵌入组缩放 embeds_scaling
IPAdapter 模型应用于 K,V 的方式。该参数对模型对文本提示的反应影响不大。K+mean(V) w/ C penalty在高权重 (>1.0) 下提供良好的质量，而不会烧坏图像。
三、多 IP-Aadater 使用
看下面这个例子：
这里参考光头强图片的构图，参考川普同志的肖像，生成的图片，可以看到，背景是森林的，人物肖像是川普同志。融合了两者的风格。
或者使用另外一个节点：IPAdapterStylusComposition，汉化过来是 IPAdapter 风格合成
这里调整了一下权重，可以看到两张图片的风格元素完全融入进去了。
后记
关于 IPAdapter 的知识点其实不多，但是使用起来非常灵活，想要完全掌握 IPAdapter ，生成自己想要的图片，需要大量实践，不断累积经验，本文只是抛砖引玉，帮助没有理解 IPAdapter 的小白入门，后续还需要在练习中学习。