【ComfyUI教學】FluxTools - AI繪畫從未如此強大,Flux官方模型工具集🔧基礎運用,原理全解析! #aigc #comfyui #liveportrait

hi大家好
歡迎再次來到歐陽的CONFIA系列教程啊
那麼因爲最近的事情特別多
同時呢又有非常非常多的這個項目更新啊
或者我們插件啊
或者是新的功能啊
上線了
或者是隆重登場了啊
那麼也打亂了歐陽這個更新的內容了
所以說這一期呢歐陽來挑重點吧
來跟大家分享一下關於flex模型
官方公佈的這麼一系列的一個新的功能
我們來到網頁端看一下
也就是近期啊不到一個星期吧
三五天更新的一個系列套裝工具集啊
我們可以稱之爲
但是其實都是我們之前接觸過的一些內容
那一共有四個不同的組件
第一個呢是填充模型
其實就是impending了啊
因爲impending它其實是模型當中的一個組件
或者是一部分能力
只不過我們之前所用的模型啊
有的是帶imp噴ting功能的
有的不帶
所以說這次呢第一個就是官方公佈了一個
flex field的這麼一個模型
將這個impending或者OPINTING啊
就是補全
把聯想補全的這麼一個功能
加入到了flex模型當中的這麼一個完整的模型
在最近測試
或者看大家測試的這個表現的是非常好的
非常自然的啊
這也解決了我們曾經很多的這個問題
那麼第二個我們可以看到
DEP和這個KENNYA
對我們曾經control net所實現的兩個最主要
我們最常用的兩個功能
那麼這一次呢
啊官方也把它單獨訓練成了一個模型
一個是帶深度識別功能的
一個是帶canny識別功能
那麼最後一個就是REDX啊
這樣一個功能是什麼呢
那有些朋友把它類比爲這個IPADDUCTOR
其實不準確啊
不準確啊
那這個REDUX它是一個加載的方式
會提供我們一些額外的模型
它並不是說一個完整的模型
那麼之後我們在使用的時候
來詳細瞭解一下它的構建方式
說到這大家也知道了
上面的三個功能呢打包成了三個單獨的模型
大家也知道這個官方公佈的模型都是完整版
24G啊
都很大
那這麼算下來
我們三個模型是不是就得七八十個G了啊
我們這個空間又吃不消了啊
但是這個地方我們可以偷個懶
因爲這個深度圖和canny
我們可以單獨加載兩種LAURA
這樣呢就可以節省我們的空間
還是使用曾經的DAVE的flex1的模型
這就是簡單的四個方式
那我們可以看一下它下面的演示啊
第一個feel可以重繪他的服裝
重繪我們的文字
out的噴嚏
我們只需要給一個部分
那讓他把其他的部分來補全
你可以看到這個效果還是非常自然啊
他的outplay效果是我覺得比較驚豔的
那麼之後就KENNY和DEPP了
基本上是我之前control net經常能實現的
也是很常見的
只不過效果要遠優於我
感覺是要優遠優於其他第三方的這個效果
那麼再往下就是這個呃
REDX可以根據我們的參考圖來複現
我們參考圖的內容可以看到它呃
復現的就是非常接近
非常相似
可以看到我們這邊提供的參考圖
而這邊出來的它是不是非常相似
構圖也好
內容也好
風格也好
都是非常接近的啊
再往下也有一些不同的例子
那麼這就是我們這一期要講的
官方近期公佈的四個重要的組件
那麼如何正確使用
我們接下來進入今天的教程內容
OK回來以後呢
我們先來到一個頁面
這是CONFEUI針對於flex的一個示例集合
頁面當中包括了之前的最基礎的開發者
以及CHANEL的兩個模型的基礎工作流
那麼之後呢又更新了STERS啊
這一系列的套件的工作流
在這裏
我們可以看到第一個就就是修復模型對吧
這裏提供給我們修復模型的下載地址
我們只要點擊過來到這個ha根face這裏
就可以直接下載這樣一個模型
如果大家沒有的話
我可以也可以上傳一下啊
就這樣一個完整版的模型
大家可以看到是23.8G
將近24G啊
但是其實我們可以下載一個FP8的修剪版
這個修剪版我們也可以在CVITY
找到它的下載地址啊
可以看到是11.09G
那是第一個我們的修剪模型
接下來我們來看一下簡單的工作流哈
那麼在官方公佈的這一系列套件中啊
重要的一點是什麼呢
最重要的一點是它的接入方式全是通過clip啊
全是通過clip進行接入的
官方只是訓練了什麼
訓練了這個啊T5clip
通過訓練了這個T5clip
以及我們調整了一些我們這個模型的權重啊
來進行最終的模型效果修正的
而並沒有動我們原始模型當中的內容啊
所以它叫做外掛的套件啊
並不是說真正的什麼不同的模型什麼的啊
那基本上我們可以這麼理解
瞭解了之後呢
我們知道這所有的組件都是通過這個clip
注入的
哎就conditioning注入的
那我們就可以找找相應的組件
新建節點
我們在條件裏面去找這個內部
這就是我們之前所用的一個內部的一個節點
內部模型條件
這是第一個
我們要用修復
那接入方式也很簡單
正向條件過來
負向條件呢我們可以直接把他條件零化傳過來
然後這邊我們接過來整體的
目前我使用的這個flex的工作流
就是一個非常極簡的pip工作流
我們這邊單獨加載了model clip以及VAE
出了提示詞以後
正負條件給到我們的base two pip
那有了base two pip
我們再來一個k simpler的這個pip模式
節點數的採樣器來進行flex採樣
那麼這裏我們使用26步的E的CFG
然後默認的這麼一個採用參數
我們可以把它調回normal
OK那當我們接入了以後
這裏可以看到相應的VAE我們連過來
那麼圖像呢我們可以漏的一個圖像
那同時呢把我們的遮罩也傳過來
那這樣的話
我們就進行了一個完整的內部構建了
但是最後一點呢
我們需要注意一下這邊的flex模型
我們要選擇我們剛纔下載的這個feel
這麼一個開發者的修復模型
這個模型它無非就是這邊內部的條件的激活的
一些內容啊
一些參數呢加進來而已
對於他原先flex的這個模型
空間裏面的內容是沒有變的
基本上是這樣的一個原理
接下來呢
我們只需要簡單的給這個圖像進行一個
遮罩的繪製
比如說我們讓它的眼睛改變一個顏色
這邊呢我們可以單獨輸入
比如說藍色的眼睛
我們加一些神采的
加一些這個眼睛的修復和光亮
但是最重要的下面有個引導啊
那在使用這個而內部的時候
我們引導要給到十
這是官方的事例當中所建議的一個引導值
那最後呢我們把這個latent也傳過來啊
然後我們直接來進行一個生成
那麼這樣我們就將眼睛進行了個重新繪製
當然了
你會看到它的銜接是非常好
周圍的這個過渡啊是非常自然的
根本沒有這個重繪的感覺
那麼這就是內部啊
很簡單
那麼外部呢怎麼做也很簡單
還是我們之前的方式啊
直接圖像出來以後
我們來個out噴嚏
外部畫板
這樣的話
我們可以在它的周圍加入更多的空元素對吧
比如說這個圖像我們沒有下巴
我們想讓它上面或者下面更多一些
比如上面我們給個128
那麼下面呢我們給256的像素
然後我們來preview一下
我們現在的out painting的一個圖像的區域
那可以看到我們上面稍微加了一些
他的頭的部分
下面呢給他一個空間啊
讓它有一些下巴呀
或者是衣服的畫面
這個圖像相當於是一比一
最後呢我們把剛纔的mask給它清掉
然後重新保存一下
然後我們在提示詞這裏加一個beautiful girl對吧
最後呢
我們把我們的out painting的畫面
給到我們的內部條件
同時把遮罩也給過來
打開採樣器
然後我們重新來進行生成
OK現在我們可以看到最終的生成結果
對於out pting來說呢
它已經很好的
很完整的把我們缺失的部分補充回來了
但是我們可以看到這個地方稍微有一些問題啊
有一些割裂感
我們這裏呢可以把繪製的這個noise mask
給它取消掉
那這樣的話呢它可能不會干擾下面的羽化呢
我們也可以給的小一點
我們重新來試一下
OK那麼現在呢我們就有一個比較完美的效果了
可以看到沒有任何割裂感了
對不對啊
上面的也沒有啊
下面那沒有接續的特別的好
可以說和我們的這個原始的內容
它是銜接的非常的完美啊
這就是官方套件之一啊
很棒的一個內部和外部的這樣一個模型
通過這個簡單的工作流呢
我們就可以隨意的來in ping或者OPENDING了
這邊呢我們可以再來複制一下
我們拓展完的圖像粘貼到我們這邊
同時呢我們再給它畫一下
比如說這個時候我們想讓他有個太陽鏡
畫一下他的眼睛的部分
同時把我們這邊的提示詞改成太陽鏡
然後切換一下我們的圖像輸入和遮罩書
來直接生成
OK那麼現在我們就有了一個戴着墨鏡的女士
同時她的畫幅已經從最初的缺失的部分
補充完整了
這就是簡單的一個模型
能給我們實現的非常自由的一種創作方式
當然了
這也讓我聯想到之前做的那一期for循環
無限循環圖像
讓圖像不斷縮小的可能性
完美的解決方案又有了對吧
那這就是第一個填充模型
接下來我們說第二個就是KENNY和deep
這種深度圖和線條圖的呃實現和組合
那這方面呢其實呃有點借鑑於Ctrl net
但和Ctrl net又不太一樣
相同不太一樣
這裏它也提供了兩個完整模型的下載地址
當然每個模型都是24.3G啊
同時呢我們也可以下載LAURA
下面它會提供給我們兩個單獨調用的一個LAURA
這兩個就是LAURA了
所以說呃使用LAURA的話
它就會小很多
不需要單獨下載完整模型
來到這個哈根face
我們看一下LOA模型的大小
總共是1.2G小了很多很多的
當這兩個LOA下來以後
我們同樣把這兩個LOL放在我們的LOL文件夾下
那我們回到工作流
來組建一下我們這個LOA的工作流
這裏呢我們把它刪掉吧
這個工作流我們就不需要再去分享什麼了
就這麼簡單的一個工作流
然後我們把其他的全部給他斷聯了
這邊這個內部我們先放在旁邊
這是其中用到的一個FID的組件
那麼第二個呢我們一樣是找到conditioning
也就是我們系統默認的條件裏來找到這個啊
inststrict pixel to pixel像素注入的一個輔助節點
點擊這個條件來注入這麼一個組件
這個就是調什麼深度圖
又或者是KENNY線條圖的類似control net的節點一樣
我們把它挪過來
正向條件
負向條件latent傳過來
VAE傳過來
同樣loaded image
選擇一個我們上傳的一個姿勢圖像啊
比如說這樣一個姿勢圖啊
這裏注意啊
因爲我們調用方式呢其實和Ctrl net一樣
所以這個地方我們不能直接給圖像
要給什麼啊
我們調用什麼就給什麼圖對吧
比如說深度圖
又或者是線條圖
那對於線條圖來說呢
我覺得KENNY不太合適啊
它比較細
最終產生出來的比較凌亂
這裏我通常還是使用HED
這種模糊線條的處理方式
分辨率呢我們可以儘量給高一點
大於我們原圖就沒必要了
這裏我們給到768吧
作爲演示
我們就來個768增強了
我們可以關掉
這樣它會柔和一點
那麼第二個呢處理方式
我們同樣也直接給它拿出來
我們給到deep
對於目前的深度圖來說
預處理
我是推薦這個anything v2的這個DP處理器
它對於整個的深度處理比較細膩
同時我們也把它給到768的分辨率啊
提高一點點
這樣我們兩個預處理圖像就都有了
比如說我們先測試這個KENNY啊
我們用HED的邊線處理
最後呢我們來preview一下
那調用了這個以後
一來呢我們就更換我們已經下載好的
完整的deep模型
如果我們沒有呢
這邊依舊調用FP8也可以
這裏我們來額外加載LAURA
因爲大家空間有限
我這裏就用這個LAURA的調用方式
來做這個工作流
而不是直接使用Deft的模型了
這裏我們可以使用幾模型啊
不需要clip的提示
因爲它只是提供給我們一個
針對這個圖像的識別功能
或者是這個條件的識別功能
那我們這邊搜索一下flex的KENNY啊
這樣一種識別方式可以看到啊
這個KENNY的LAURA
我們把它直接接到我們這邊模型
那麼對於強度而言呢
我們默認就是一啊
這個強度是沒有辦法去改變的
低於一的話
control net的效果其實就失效了啊
我們可以這麼理解
接下來我們來隨便給個提示詞吧
比如說還是beautiful girl
因爲我們這邊是寫實
我們想還原寫實呢
就儘量別用這個beautiful girl了
我們用個warm吧
那麼引導呢還是默認十
那官方示例呢
對於這兩種模式啊
KENNY和deep啊
都是給的30
這個我覺得差別很小很小
我們可以給到30
也可以看一下啊
其實沒什麼太大的差別
這邊我們固定一下種子來直接生成一下
OK那麼這就是我們通過這樣一個KENNY的邊線
不是KENNY啊
是DF的邊線
使用KENNY的方式這個組件來進行圖像的生成
那麼對於這個組件的生成呢
可能我們這邊的模型呢用的不是win mp8的
所以說呢它會有一些可以看到會有些模糊啊
也跟我們引導參數有關
引導參數就會影響這個東西
那麼整體來看
它是完全遵循我們這個邊線的一個效果
來生成的對吧
那如果我們想改一下人物呢
改一下風格呢也是可以的
比如說這邊我們來改一下他的人種吧
我們看的不太習慣啊
這裏我們給一個CHINESE
我們再來生成
Ok
那我們這樣就得到了一個
相對於東方的一個人臉
那麼接下來我們來試一下這個deep深度圖啊
同時呢我們把這個LAURA
只需要把這個LAURA改成flex的deep
這樣一個LAURA我們就可以直接進行生成了
那麼對於deep來說呢
它可能對於構圖和結構呢會有一些變化
但是它能更好地體現出來我們的景深啊
可以看到這個anything
V2的這個dip還是非常好的啊
那它的後頸呢就不會有那麼的明確
但是呢
這邊兩個柱子還是會進入到
我們最終的處理圖裏面去哦
剛纔我忘了把圖像傳過來了
我們重新來把圖像傳過來
重新來生成一下
Ok
那麼這就是我們最終通過Deft模型來生成的
這樣一個圖像
可以看到這個圖像的質量要比剛材的canny
要高一些對吧
它的整個效果要好一些
同時呢我也步數也添加了
添加到了30步
它的效果要完整一些
你可以看到這個手勢啊是特別的相似的
那它的方式和我們之前的control net是一樣的
實現方式是一樣的啊
那麼接下來我們來說REDX啊
這些東西我們依舊給他移除掉
然後把我們這個組件依舊挪出來
放到這個地方啊
這是我們第二個使用到的組件
最後我們把這個刪除掉
我們來到示例這邊
再看一下第三種這個REDUX方式應該如何使用
這邊呢這個REDUX提供了兩個模型啊
一個是這個clip version的模型
第二個呢是REDEX模型
我們可以把它想象爲一個獨立的調整模型
也就是視覺還原模型
所以這兩個加起來我們就可以調用這個REDUX
這兩個呃文件都不大了啊
一個多G
每一個呢都是幾百兆
那第一個clip version
就放到我們的clip version的文件夾下
那麼第二個呢要放到我們哪個文件夾
可以看到它提供給我們一個style model啊
這樣一個文件夾
那麼我們接着回到工作流
來看一下它的構建方式啊
那這裏呢還是同樣的
我們找到條件conditioning風格模型
這裏我們選擇第一項風格模型應用
也就是style model apply
和我們下面的這個節點是相似的
都是我們conditioning轉換的一個節點
把這個節點呢
我們類似於IPA的這樣一種方式
給他穿插到中間這邊給到正向條件
然後風格模型style模型呢我們直接style model loader啊
這樣一個風格模型加載
那麼這個模型就是我們剛纔所下載的
放在models下面
style model文件夾下的這麼一個REDEX模型
再之後呢我們這邊還要給一個clip視覺輸出
也就是clip模型
首先呢給他之前我們要給個編碼
那對什麼編碼呢
要對我們的圖像進行編碼
所以這邊我們要load一個圖像
同時給一個clip模型
那這個clip模型我們可以單獨的加載一個clip
version的loader啊
加載這個模型
模型選擇我們之前下載的克里b version模型
中間這個384這樣一個模型的型號
那這邊圖像呢我們重新來一個loader image啊
先給這樣一張圖
那最後把條件從我們正向條件串過來
那這樣就形成了圖像的借鑑了啊
那這裏大家有沒有發現有個東西很像啊
呃有些朋友說他是IPADDUCTOR啊
其實不是啊
我們先生成一下
這邊我們先生成的
這邊再再再聊啊
啊同樣我們這邊給一個提示詞
然後我們這邊先生成
那這裏我們發現啊
他走的是clip線路啊
之前我記得在初級教程講解的時候
跟大家說過一個功能
什麼功能呢
On clip
對不對
那麼on clip和IPADDUCTOR其實是完全的兩種方式
IPADDUCTOR注入的是模型管道
那模型管道給予我們的是什麼
給我們的是不一樣的參數
不一樣的內容
它是把這個圖像注入到模型當中
跟大家所說的這個LAURA有點相似啊
所以說大家把IPIW叫做一鍵LAURA
但是對於clip而言呢
它並不是注入clip
是注入什麼了
是注入了token
也就是說提示詞反推啊
所以我們叫on clip
那這兩個模型是幹嘛用的
第一個是識別圖像的
那第二個呢是調整圖像提示詞
形成最終的這個token
所以說我們這邊出來的這個CLI吧
它並不是視覺內容
不像我們這邊的unit
它是視覺內容
張亮啊
空間裏面的張量是視覺數據啊
張亮數據
而這邊出來的是什麼
是token
Token
就是我們的令牌
翻譯過來
就是我們的題詞最終轉換成爲的那個東西
那個token那個組
而這邊所形成的這個token它有將近700多個
而我們人呃這個手動輸入的token呢
其實只有多少
只有200多個
所以說這樣呢
我們最終生成的是通過他的反推提示詞
給了非常強的clip強度
因爲他有700多個token
我們這邊最多隻輸出200
哪怕我們這邊把這個提詞加的再多啊
它的強度也強
不過這邊提示詞反推出來的clip內容
那麼現在我們來看啊
這個圖像和我們這邊相當相似了啊
很相似啊
我們應該把這個引導值調回來
給到3.5
可以看到我們這邊的提示詞
它的作用就非常低
對不對
我們這邊給的是chinese woman
爲什麼它生成的還是這個
這就是說它的強度問題給的特別的高
所以這就是on clip和IPADDUCTOR
完全兩種不一樣的邏輯啊
不要把這兩個搞混了
有些人說呃和IPIW一樣啊
差不多
這不能是差不多啊
這是完全的兩種邏輯
一個是注入到clip裏面
一個是注入到unit裏面
它代表的東西
意味的東西不一樣
我們調整的方式也不一樣
有的朋友就說了
那我怎麼需要把它稍微調整一下
我想讓提示詞稍微重一點
就和我們使用IPADDUCTOR一樣
而不想讓它有那麼高的權重呢
那這裏我們就需要對編碼的這個token
進行一個調整
又或者是對我們這邊內容進行一個調整
比如這裏我們把他的token加多行不行呢
我們只能說把他的權重往上提
OK我們可以提到很多
因爲它的倍數遠大於我們這邊的倍數
第二個方面呢
我們這邊條件可以稍微做一個平均或者是平衡
average條件平均
用這種方式呢
我們能稍微平均一下我們上下的條件
但是因爲上面條件的重量比下面重太多了
所以說我們這邊呢給到他非常低非常低非常低
比方說0.1.1的條件
我們傳過來
這樣的話呢
我們可以有效的降低我們上面這個on clip
它的一個權重
但是啊我們會說到
爲什麼它要比我們之前的on clive的效果好很多
不管是SDXL還是1.5
這就說到還是這個T5clip它的一個重要作用
他的理解和文本表現能力
已經遠遠超過曾經的SDXL
所以說我們這邊的on clip
它才能還原的那麼像啊
其實說白了還是通過提示詞來校正過來的
並不是通過更改它原本的unit數據
來給它添加一些外在的東西
所以你會看到
我們這邊給到了0.1的一個權重
那我們這邊的一個效果呢就會變了很多
那我們這邊給到0.3呢
上了0.3以後
它就會偏差很大
就基本上還是會和我們的圖像一模一樣
這就是目前這個REDUX它的一個侷限性
當然了
對於這個UNCLI本呢
和我們IPIDUBT玩法呢其實有些類似
我們可以給它一張圖像
也可以給他兩張圖像
這裏我們再給它一張類似於這樣的圖像
然後我們給它組一個batch啊
這裏我們make butch將這兩張圖像拼合到一起
我們最終呢傳給下面的clip編碼
然後我們來重新生成
OK我們會看到它借鑑了兩種不同的風格對吧
那我們也可以給他一個背景圖
看看它會產生什麼樣的一個效果
我們給它這樣一張帶有金色絲線的背景圖
可以看到我們就有了這樣一個效果
它在衣服上呢生成了一些這樣的東西
那這個時候呢我們就可以稍微把它降低一點
比如說降到0.2
或者是0.1的一個條件平均
OK那麼你會發現又有了不一樣的變化
所以對於這個on clip來說呢
結果有些不可預測
就我們不知道它會產生什麼樣的圖像
就是它會具體會怎麼解釋
這個圖像還是剛纔的說的
他的token並不是說直觀的這麼一個像素
他不是說把像素傳進unit
而是說通過這個東西來進行了個提示詞的反推
所以說這個地方我們會看到這個圖像會說什麼
會說微觀特寫對吧
肯定會有這種感覺
所以說他把解釋的部分呢放到了token當中
就會出現這樣的效果
就是說我們的圖像
就會從曾經的一個這個人物肖像
變成有一點點特寫的效果
另外還有一個重點啊
就是我們的這個參考圖
你必須要和我們生成的圖像寬高一致啊
因爲它有一個這樣一個限制
那比如說我們現在來換到剛纔那個圖像
因爲這個圖像它的寬高比
和我們生成的寬高比不一樣啊
那我們生成一下看一看
OK你會看到最終我們生成的圖像啊
這就是我們提供的參考圖
和我們的尺寸生成的不一樣
你會看到會發生這樣的事情
爲什麼呢
就是它會嚴格按照尺寸
那我這邊同樣我們生成的尺寸是896
1152
我這邊呢用了kg的節點
把它進行了一個裁剪
居中裁剪
你會發現這個構圖是一樣的
所以說它默認的會將我們的圖像來
進行一個裁剪
然後再參考
那這個時候呢就需要我們進行不同的處理了
比如說我們這邊的寬高
要和我們這邊的生成寬高一樣
又或者是我們把這個係數給它降下來
這樣的話它會盡可能的還原一些
我們圖像的完整性
比如現在我們給到0.3
那你會發現它就會偏向一些我們的提示詞
同時呢它會讓我們的畫面更完整
所以就目前而言呢
我們可以看到他還不是非常的易用
或者是它只是一個工具的初級階段
雖然說它調校的已經非常好了
出來的效果非常棒了
但是對於使用者來說
他還是一個初級階段
我們還需要等待
後期很多大佬來完善它的這個使用的便捷性
比如說提供一些組合節點
那對於這個on clip來說呢
目前來說啊
最簡單易用的一個方式在哪呢
它能爲我們提供非常接近我們原始圖像的
參考圖
或者是這個變種的圖像
比如說這裏我們使用這個圖像
然後我們這邊呢給個四的批次吧
同時我們把這個條件呢給到一
那這邊呢我們給它刪掉啊
我們不想要我們這邊的token注入進來了
然後我們直接來生成
那麼這樣我們就可以看到
非常相近的四張圖像啊
同時呢它是進行了怎麼說呢
我感覺是進行了一個修復
或者類似於重繪的東西
這邊是我們裁剪完的
當然了
它出來的和我們裁剪過的是一樣的
我們是用用我們原始的分辨率進行裁剪的
那你會發現它就會提供給我們很多
不一樣的變種啊
這就是一些變種的圖像
這是目前我覺得它最簡單易用的一個方向啊
最簡單易用的一個方式
那對於單純的風格遷移
又或者是人物一致性等等方面
它我覺得是解決不了的
因爲token大家我之前也跟大家說過
token它是呃來引導我們模型數據產生的
而不是將我們想要的東西注入於模型
數據變成視覺的東西
比如說人臉還原
但我們模型裏面沒有這個角色
他是出不來的
又或者是說某種特定的風格
無法描述的一種風格
他也是出不來的
所以說clip的管道和uni的管道
我們一定要分清楚是什麼東西
他們之間分別負責啊
做什麼工作
那我們最終就知道要什麼效果
到底是走clip管道還是走牛奶的管道
那麼這就是這一期跟大家分享的
這四個工具的主要用法
以及歐陽對他們的一些感受啊
使用以後的感受
那麼當然對於這個條件控制還是不太靈活
以及這個強度轉換或者是不同圖像的拆分
就像我們用IPA一樣
如何能玩出更多的花來呢
其實現在已經有作者啊在開發
針對於與這四個組件的不同的插件
我們剛纔說了
它默認的kenny deep
我們也沒有辦法控制強度
那之後呢如果大家感興趣
我們再來分享
如何用第三方插件或者其他作者來開發的
這麼一個組件
讓我們更遊刃有餘地來控制
官方的這一系列套件
OK那這就是本期跟大家分享的一個內容了
如果本期內容對你還有所幫助的話
就千萬不要忘了點擊系列按鍵來支持歐陽一下
下啦
大家的支持纔是歐陽更新的動力啊
那我們本期到這裏
我們下期再見