title: 本地AI完全指南（5/10）：ControlNet+LoRA+局部重绘——把AI绘画从"抽卡"变成"精准出图"
tags: 本地AI,AI绘画,ControlNet,LoRA,ComfyUI,Stable Diffusion,局部重绘,图生图,AI出图,ComfyUI教程,Stable Diffusion教程,SDXL,AI教程,本地部署
category: 人工智能

合规声明：本文介绍的开源生图工具（ComfyUI / Stable Diffusion 系列）及模型均为公开发布的开源项目，请读者在遵守所在地法律法规、平台社区准则（禁止生成违法或侵权内容）的前提下使用。

本地AI完全指南（5/10）：ControlNet+LoRA+局部重绘——把AI绘画从"抽卡"变成"精准出图"

读完本文，你就能让AI按你的线稿出图、按指定姿势摆造型、锁定专属风格——出图不再是"抽卡碰运气"。

上一篇我们搞定了 ComfyUI + Stable Diffusion 的基础文生图。有读者私信我说：“图是能出了，但每次出图都像开盲盒——我让它画个特定姿势，十张里没有一张对的。”

这话太真实了。基础文生图的痛点就三个字：不可控。

  • 让它画"右手举起"，AI 画的左手举着
  • 让它画"看着镜头"，AI 画了个侧脸
  • 想固定一个角色风格，连出 10 张脸全不一样

解决办法不是多抽几次，而是上三大控制神器：ControlNet（控制构图/姿势/线稿）、LoRA（锁定风格/角色）、局部重绘（精修细节）。

这三样东西装上之后，你的本地AI绘画会从"随机抽卡"变成"精准出图"——想让它怎么画，它就怎么画。

🚀 本系列导航：← 上一篇：本地AI绘画出图 | 📍 本篇：AI绘画进阶 | 下一篇：不靠Ollama也能跑（LM Studio / GPT4All / llama.cpp 横评）→

目录

  1. ControlNet 是什么？为什么是进阶第一步
  2. 环境准备：装 ControlNet 自定义节点 + 下载模型
  3. 实战一：OpenPose 姿势控制——让AI按你指定的动作出图
  4. 实战二：Canny 线稿控制——你的草图就是AI的蓝图
  5. 实战三：Depth 深度图控制——保留空间层次
  6. 图生图进阶：草图变成品 + 低清变高清
  7. 局部重绘精修：换背景、改细节、去瑕疵
  8. LoRA 实战：锁定你的专属风格或角色
  9. 我踩过的 5 个坑——进阶路上别再踩
  10. 下一篇预告

1. ControlNet 是什么？为什么是进阶第一步

1.1 一句话解释

ControlNet = 给AI画笔装上"参考图"功能。

普通的文生图，你只能用文字描述"一个女孩站在街上"——但"站"的姿势、"街"的构图、画面的层次，全靠AI自由发挥。

加了 ControlNet 后，你可以给它一张参考图（比如一张姿势照片、一张线稿、一张深度图），AI 就会严格按参考图的结构来画。

1.2 ControlNet 能干什么

控制类型 输入 效果 典型场景
OpenPose 骨架姿势图 AI 按指定姿势出图 画特定动作的角色
Canny 边缘线稿图 AI 按线稿构图出图 草图变成品
Depth 深度层次图 AI 按空间层次出图 保留前后景关系
Scribble 涂鸦/简笔画 AI 按涂鸦方向出图 快速概念设计
Tile 模糊/低清图 AI 按结构放大高清 图片无损放大
IP-Adapter 风格参考图 AI 模仿指定风格 风格迁移

1.3 原理简述（不用全懂，但知道更好）

ControlNet 的核心思路是：在大模型（如 SDXL）的基础上，额外训练一个"控制网络"。这个控制网络接收参考图，生成"控制信号"，注入到主模型的生成过程中。

普通文生图：  提示词 → 主模型 → 出图
ControlNet：  提示词 + 参考图 → 控制网络 → 主模型 → 出图（按参考图结构）

你不需要理解数学原理，只需要知道：装上 ControlNet 节点、选对模型、连上线——就能用。

2. 环境准备：装 ControlNet 自定义节点 + 下载模型

2.1 安装 ComfyUI Manager（节点管理器）

如果你上一篇用的是 ComfyUI Desktop 或便携版，可能还没有 ComfyUI Manager。这是装自定义节点的"应用商店"。

方式一：ComfyUI Desktop 自带

Desktop 版本通常已内置 Manager。打开 ComfyUI → 右下角看有没有 Manager 按钮，有就跳到 2.2。

方式二：手动安装

# 进入 ComfyUI 的自定义节点目录
cd ComfyUI/custom_nodes

# 克隆 ComfyUI Manager
git clone https://github.com/ltdrdata/ComfyUI-Manager.git

# 重启 ComfyUI

安装后，ComfyUI 界面右下角会出现 Manager 按钮。

2.2 安装 ControlNet 相关节点

通过 Manager 安装（最省事）：

  1. 点 Manager → Install Custom Nodes
  2. 搜索 ControlNet
  3. 安装 ComfyUI-Advanced-ControlNet（或 comfyui_controlnet_aux，提供预处理节点）
  4. 点 Restart 重启 ComfyUI

手动安装（备选）：

cd ComfyUI/custom_nodes
git clone https://github.com/Kosinkadink/ComfyUI-Advanced-ControlNet.git
git clone https://github.com/Fannovel16/comfyui_controlnet_aux.git

# 如果 comfyui_controlnet_aux 需要额外依赖
cd comfyui_controlnet_aux
pip install -r requirements.txt

2.3 下载 ControlNet 模型

ControlNet 节点只是"连接器"，你还需要下载对应的控制模型（.safetensors 文件），放到 models/controlnet/ 目录。

模型放哪？

ComfyUI/
└── models/
    └── controlnet/     ← ControlNet 模型放这里

去哪下？

平台 地址 特点
Hugging Face（lllyasviel） huggingface.co/lllyasviel ControlNet 原作者发布，最权威
Hugging Face（diffusers） huggingface.co/diffusers 社区适配版本
魔搭 ModelScope modelscope.cn 国内镜像，下载快

下哪些？（按需求选，不用全下）

控制类型 SD1.5 模型名 SDXL 模型名 大小 优先级
OpenPose control_v11p_sd15_openpose controlnet-canny-sdxl-1.0 ~1.4GB ⭐⭐⭐⭐⭐
Canny control_v11p_sd15_canny controlnet-canny-sdxl-1.0 ~1.4GB ⭐⭐⭐⭐⭐
Depth control_v11f1p_sd15_depth controlnet-depth-sdxl-1.0 ~1.4GB ⭐⭐⭐⭐
Scribble control_v11p_sd15_scribble — ~1.4GB ⭐⭐⭐
Tile control_v11f1e_sd15_tile — ~1.4GB ⭐⭐⭐

💡 新手建议：先下 OpenPose + Canny 两个，覆盖 80% 的使用场景。用熟了再下 Depth 和其他。

⚠️ 模型要跟主模型匹配：你用 SD1.5 主模型 → 下 SD1.5 版 ControlNet；用 SDXL → 下 SDXL 版。不能混用，混用会报错或出乱图。

2.4 验证安装

重启 ComfyUI 后，右键画布 → Add Node → 搜索 ControlNet，如果能找到 ControlNetApplyAdvanced、ControlNetLoader 等节点，说明安装成功。

3. 实战一：OpenPose 姿势控制——让AI按你指定的动作出图

3.1 场景

你想画一个"右手举起来、左手叉腰"的角色，但用文字描述十遍AI都画不对。

OpenPose 的做法：给它一张人体骨架图（标注了关节点位置），AI 就按这个骨架来画。

3.2 工作流搭建

在上一篇文生图工作流的基础上，加上 ControlNet 部分：

新增节点：

  1. ControlNetLoader：加载 OpenPose 模型
  2. OpenposePreprocessor（来自 comfyui_controlnet_aux）：把参考图转成骨架图
  3. ControlNetApplyAdvanced：把控制信号注入到生成过程

完整连线：

[已有部分]
LoadImage(参考图) → OpenposePreprocessor → 输出 Pose_Image 和 Pose_MASK

[ControlNet 部分]
ControlNetLoader
  └─ control_net → ControlNetApplyAdvanced.control_net

OpenposePreprocessor.IMAGE → ControlNetApplyAdvanced.image

CLIPTextEncode(正向).CONDITIONING → ControlNetApplyAdvanced.positive
                                          ↓ 输出新的 positive
                                    KSampler.positive

ControlNetApplyAdvanced.strength = 1.0   ← 控制强度，后面细说
ControlNetApplyAdvanced.start_percent = 0.0
ControlNetApplyAdvanced.end_percent = 0.8  ← 控制在前80%步骤生效

3.3 关键参数详解

参数 作用 推荐值 说明
strength 控制强度 0.8~1.0 越大越严格遵循参考图，太小=没效果
start_percent 控制开始时机 0.0 从第0步开始控制
end_percent 控制结束时机 0.7~0.9 太高会僵化，太低形变

💡 核心技巧：end_percent 设 0.8 左右效果最好——前 80% 步骤让AI严格按骨架走，后 20% 让AI自由发挥细节。全程控制会导致图片僵硬。

3.4 预处理：用别人的照片生成骨架

你不需要自己画骨架。OpenposePreprocessor 可以自动从任何人物照片中提取骨架：

  1. 加 LoadImage 节点 → 上传一张人物照片
  2. LoadImage.IMAGE → OpenposePreprocessor.image
  3. OpenposePreprocessor 会自动识别关节点，输出骨架图
  4. 骨架图 → ControlNetApplyAdvanced.image
LoadImage → OpenposePreprocessor → ControlNetApplyAdvanced → KSampler → 出图

这样AI就会按照片里人物的姿势出图，但人物长相、服装、背景完全由你的提示词决定。

💡 实用场景：网上找一张明星红毯姿势照片 → 提取骨架 → 让AI按这个姿势画你自己设计的角色。

4. 实战二：Canny 线稿控制——你的草图就是AI的蓝图

4.1 场景

你画了个火柴人草图，想让AI帮你变成精美成品。Canny 就是干这个的——它提取图片的边缘线，让AI按这些线条来画。

4.2 工作流

跟 OpenPose 类似，只是预处理节点换成 Canny：

LoadImage(草图/参考图) → CannyEdgePreprocessor → ControlNetApplyAdvanced → KSampler

节点参数：

参数 作用 推荐值
low_threshold 边缘检测下限 50
high_threshold 边缘检测上限 100

💡 原理不用懂，记住就行：阈值越低，检测到的边缘越多（线条越密）；阈值越高，只保留主要轮廓。一般用默认值就行。

4.3 实战示例：手绘草图变精美插画

步骤：

  1. 用纸笔或平板画一个简单的人物轮廓草图
  2. 拍照/截图保存为图片
  3. 在 ComfyUI 中 LoadImage 加载这张草图
  4. 经过 CannyEdgePreprocessor 提取线条
  5. 提示词写：beautiful illustration, detailed, vibrant colors, digital painting, masterpiece
  6. strength 设 0.7，end_percent 设 0.85
  7. 点击 Queue Prompt

AI 会沿着你草图的线条，填充细节、色彩和光影，最终输出一张精美插画。

4.4 Canny vs Scribble：选哪个？

Canny Scribble
输入 任意图片（自动提取边缘） 手绘涂鸦
线条 精细、边缘清晰 粗糙、自由
控制精度 高（严格遵循线条） 中（大致方向）
适合 草图→成品、建筑图 概念设计、创意发散

💡 建议：手绘草图用 Canny，纯涂鸦用 Scribble。如果不确定，先试 Canny，控制力更强。

5. 实战三：Depth 深度图控制——保留空间层次

5.1 场景

你想让AI重绘一张照片，但需要保留前后景的空间关系——比如"前面是个人，后面是座山"。用 Canny 只看线条，分不出前后；用 Depth 就可以。

5.2 工作流

LoadImage(参考图) → DepthPreprocessor(MiDaS) → ControlNetApplyAdvanced → KSampler

Depth 预处理器会生成一张深度图——离镜头近的物体亮、远的暗。AI 会按这个深度层次来安排画面。

5.3 三个控制器的组合使用

ControlNet 最强的玩法是多个控制器叠加：

LoadImage → OpenposePreprocessor → ControlNetApplyAdvanced #1 (姿势控制)
        ↘ CannyPreprocessor  → ControlNetApplyAdvanced #2 (线稿控制)
                ↘ DepthPreprocessor → ControlNetApplyAdvanced #3 (深度控制)

三个 ControlNet 串联，依次注入到同一个 positive 条件上：

CLIPTextEncode(正向)
  → ControlNetApplyAdvanced#1 (OpenPose, strength=1.0)
    → ControlNetApplyAdvanced#2 (Canny, strength=0.7)
      → ControlNetApplyAdvanced#3 (Depth, strength=0.5)
        → KSampler.positive

💡 实用经验：叠加时后加的 strength 递减——姿势控制最重要给 1.0，线稿辅助给 0.7，深度微调给 0.5。这样不会互相打架。

6. 图生图进阶：草图变成品 + 低清变高清

6.1 图生图核心参数：denoise

上一篇简单提了图生图，这里深入讲。图生图的关键就一个参数：denoise（重绘幅度）。

denoise 值 效果 适用场景
0.1~0.3 微调，几乎不变 修瑕疵、轻微调整
0.3~0.5 保留构图，改变风格 风格迁移、增强画质
0.5~0.7 大幅改变，保留大致结构 草图变成品
0.7~0.9 几乎重画，只保留色块 大幅创意改造
0.9~1.0 等同于文生图 基本不参考原图

6.2 草图变成品（denoise 0.55~0.65）

工作流：

LoadImage(草图) → VAEEncode → KSampler.latent
                                  ↓ denoise=0.6
                              VAEDecode → SaveImage

提示词示例：

正向：a beautiful landscape painting, mountains and lake, golden hour, 
      highly detailed, digital painting, trending on artstation, 8k

负向：lowres, bad composition, blurry, text, watermark, jpeg artifacts

💡 技巧：草图越完整，denoise 越低（0.5）；草图越潦草，denoise 越高（0.65），给AI更多发挥空间。

6.3 低清变高清：Tile 放大法

普通图生图放大，画质会糊。用 Tile ControlNet 可以在放大的同时保持清晰。

工作流：

LoadImage(低清图) → ImageUpscale(放大2x/4x) → TilePreprocessor 
  → ControlNetApplyAdvanced(Tile模型) → KSampler(denoise=0.4) → VAEDecode → SaveImage

步骤详解：

  1. LoadImage 加载低清原图
  2. 加 ImageUpscale 节点 → 放大系数选 2 或 4（512→1024 或 512→2048）
  3. ImageUpscale.IMAGE → TilePreprocessor.image → 提取 Tile 控制信号
  4. 加 ControlNetLoader → 选 Tile 模型
  5. ControlNetApplyAdvanced → strength=0.6，end_percent=0.6
  6. KSampler → denoise=0.4，steps=30

💡 效果对比：普通图生图放大2x → 画面发糊；Tile ControlNet 放大2x → 清晰锐利，细节丰富。

7. 局部重绘精修：换背景、改细节、去瑕疵

7.1 基础局部重绘回顾

上一篇提过：在 LoadImage 节点上用鼠标涂黑要改的区域（蒙版），然后 SetLatentNoiseMask + KSampler(denoise=0.6)。

但基础版有个问题：重绘区域和原图的边界会有明显接缝。

7.2 进阶：用 ControlNet 无缝重绘

思路：用 Canny ControlNet 从原图提取边缘，在重绘时让AI遵循这些边缘，保证边界自然过渡。

LoadImage(原图)
  ├─ IMAGE → VAEEncode → SetLatentNoiseMask → KSampler.latent
  └─ IMAGE → CannyPreprocessor → ControlNetApplyAdvanced → KSampler.positive

KSampler: denoise=0.75, steps=25

这样重绘的区域会和周围自然融合，看不出"补丁"痕迹。

7.3 实战场景：换背景

  1. LoadImage → 上传原图（比如一个人站在杂乱背景前）
  2. 在节点画面上用鼠标涂黑背景区域（人物保留，背景涂黑）
  3. 提示词改为：standing in a beautiful garden, flowers, sunny day, bokeh background
  4. denoise=0.8（背景需要大幅重绘）
  5. 人物部分不受影响（蒙版保护），只有背景被重绘

7.4 实战场景：修手/修脸

AI 画手最容易翻车（6根手指、手指弯曲诡异）。修法：

  1. 在 LoadImage 上涂黑手部区域
  2. 提示词不变（保持整体一致）
  3. denoise=0.9（手部需要完全重画）
  4. 多试几个 seed 直到手画对

⚠️ 修手是持久战：别指望一次成功。准备好按 5~10 次 Queue Prompt，总有一个 seed 会画对。

8. LoRA 实战：锁定你的专属风格或角色

8.1 LoRA 是什么

LoRA（Low-Rank Adaptation） = 大模型的"微调补丁"。

主模型（如 SDXL）是"通用型人才"，什么都能画但什么都不精。LoRA 就是给它加一个"专业技能包"：

LoRA 类型 效果 大小
风格 LoRA 锁定特定画风（水墨、油画、赛博朋克） 36MB~144MB
角色 LoRA 锁定特定角色（自己训练的原创角色） 36MB~144MB
概念 LoRA 锁定特定概念（机甲、建筑、服装） 36MB~144MB

8.2 下载 LoRA

去哪下：

平台 地址 特点
Civitai civitai.com LoRA 最全，社区最活跃
哩布哩布 AI liblib.art 国内平台，中文友好
Hugging Face huggingface.co 开源社区

下载后放哪：

ComfyUI/
└── models/
    └── loras/     ← LoRA 文件放这里

8.3 在 ComfyUI 中使用 LoRA

加节点：

  1. LoraLoader（右键 → Add Node → loaders → LoraLoader）
  2. 在 LoraLoader 的 lora_name 下拉中选择你下载的 LoRA
  3. 调整 strength_model 和 strength_clip

连线：

CheckpointLoaderSimple
  ├─ MODEL  → LoraLoader.model → KSampler.model
  └─ CLIP   → LoraLoader.clip  → CLIPTextEncode 的 CLIP

参数说明：

参数 作用 推荐值 说明
strength_model 模型强度 0.6~0.9 太高会过拟合（画面僵硬），太低没效果
strength_clip CLIP强度 0.6~0.9 一般跟 model 一致

💡 多个 LoRA 叠加：可以串多个 LoraLoader，比如一个风格 LoRA + 一个角色 LoRA。但总强度不要超过 2.0（两个各 0.8 加一起 1.6 还行），否则画面会"崩"。

8.4 提示词触发

有些 LoRA 需要在提示词中加入触发词才能生效。触发词在 LoRA 下载页面的描述里会写明。

示例：

# 假设角色 LoRA 的触发词是 "my_original_character"
正向提示词：my_original_character, standing in a garden, 
          sunlight, photorealistic, 8k, masterpiece

8.5 自己训练 LoRA（简述）

如果你想要一个完全自定义的角色，可以自己训练 LoRA：

  1. 准备 15~30 张角色图片（不同角度、不同表情）
  2. 用 Kohya_ss 或 sd-scripts 工具训练
  3. 训练参数：dim=16, alpha=8, learning_rate=1e-4, batch_size=1
  4. 训练时间：3060 显卡约 2~4 小时
  5. 训练完得到 .safetensors 文件 → 放进 models/loras/

⚠️ 训练需要显卡：6GB 显存勉强能训，8GB 比较稳，12GB 以上最佳。训练过程比较复杂，后续有机会单独写一篇详解。

9. 我踩过的 5 个坑——进阶路上别再踩

⚠️ 以下 5 个坑是实际使用中反复遇到的。 每个都标了症状和解法。

坑1：ControlNet 模型版本不匹配

症状：选了 ControlNet 模型后，出图全是噪点或直接报错。

原因：SD1.5 的 ControlNet 用在了 SDXL 主模型上（或反过来）。

解决：

# 检查你的主模型
# SD1.5 模型名通常含 "sd15" 或 "v1-5"
# SDXL 模型名通常含 "sdxl" 或 "xl"

# 确保 ControlNet 模型名和主模型匹配
# SD1.5: control_v11p_sd15_openpose.pth
# SDXL:  controlnet-openpose-sdxl-1.0.safetensors

坑2：ControlNet strength 太高导致画面僵化

症状：加了 ControlNet 后，出图像"贴图"一样僵硬，毫无艺术感。

原因：strength 设到了 1.0 且 end_percent 也设到了 1.0，全流程控制太死。

解决：

  • strength 降到 0.7~0.8
  • end_percent 设 0.7~0.8（后 20% 步骤让AI自由发挥）
  • 多试几个值，找到"控制力"和"艺术感"的平衡点

坑3：LoRA 加载后画面变暗/变色

症状：加了 LoRA 后，整体画面偏暗或色调异常。

原因：LoRA strength 太高，或者 LoRA 和主模型"冲突"。

解决：

  • strength_model 降到 0.5~0.6
  • 尝试换一个主模型（有些 LoRA 只适配特定主模型）
  • 在提示词里加 bright colors, vibrant 做色彩补偿

坑4：局部重绘有明显接缝

症状：重绘区域和原图之间有明显"补丁"边界。

原因：蒙版边缘太硬，denoise 太低导致重绘区域和周围不融合。

解决：

  • 蒙版边缘要羽化（ComfyUI 的 LoadImage 蒙版默认是硬边，可以用 FeatherMask 节点软化）
  • denoise 提高到 0.8~0.9
  • 用 Canny ControlNet 从原图提取边缘辅助（见 7.2 节）

坑5：OpenPose 提取骨架失败

症状：OpenposePreprocessor 输出的骨架图是空白的（没有关节点）。

原因：输入图片中没有检测到人物，或者图片质量太差。

解决：

  • 确保输入图片中有人物且人物占比足够大（至少占画面 30%）
  • 尝试不同的预处理模型：OpenposePreprocessor 有 body、hand、face 三个子模式，分别对应全身、手部、面部
  • 如果是卡通/动漫人物，可能检测不准——换用 DWposePreprocessor（对非真人图片更友好）

10. 下一篇预告

到这一篇，你的本地AI绘画能力已经远超"基础文生图"：

  • ✅ ControlNet 控制构图和姿势
  • ✅ Canny/Depth 控制线稿和空间层次
  • ✅ 图生图精修草图和放大高清
  • ✅ 局部重绘换背景改细节
  • ✅ LoRA 锁定专属风格

但到目前为止，我们的本地AI系列一直围绕 Ollama 生态——装 Ollama、选模型、跑对话。

下一篇我们换一个角度：不靠 Ollama，还有哪些方式能在本地跑大模型？

  • LM Studio：图形界面最友好的本地模型运行器
  • GPT4All：跨平台、轻量级的本地AI客户端
  • llama.cpp：最底层、最高效的命令行方案
  • 三者横评：哪个适合你？

一篇讲清楚"不靠 Ollama 也能跑"的三条路。

我是 Ai学长。

专注本地AI实用教程，帮你省钱省时间。这篇把AI绘画进阶的三大控制神器——ControlNet、LoRA、局部重绘——给你铺平了。出图不再靠"抽卡碰运气"，想怎么画就怎么画。关注我，下一篇教你不靠 Ollama 也能在本地跑大模型 👇

——

💬 评论区聊聊（也方便我判断后续写什么方向）：

👍 ControlNet 用上了 → 你最常用哪个控制类型？有什么好的工作流？
👎 还在卡 → 报你的显卡型号 + 卡在哪一步，我来帮你排
💬 想看特定场景教程 → 评论区说需求（海报 / 头像 / 产品图 / 动漫角色），后续挑着讲

🏷️ 发布时请添加标签：「本地AI」「AI绘画」「ControlNet」「LoRA」「ComfyUI」「Stable Diffusion」「局部重绘」「图生图」「AI出图」「ComfyUI教程」「Stable Diffusion教程」「SDXL」「AI教程」「本地部署」，以提升搜索曝光。

配套资源（后续上传）

资源名 说明
ControlNet 全套工作流 JSON OpenPose / Canny / Depth / 叠加控制，拖入即用
LoRA 使用+调试参数表 按风格/角色类型推荐 strength 参数
局部重绘进阶工作流 JSON 含 Canny 辅助 + FeatherMask 无缝重绘

系列导航

# 文章主题 状态
01 为什么要把大模型搬回家 ✅ 已发
02 Ollama 安装完整指南 ✅ 已发
03 模型选型：哪些值得下，哪些是坑 ✅ 已发
04 本地AI绘画出图（ComfyUI+Stable Diffusion） ✅ 已发
05 AI绘画进阶：ControlNet / 图生图 / 局部重绘 / LoRA（本文） ✅ NEW
06 不靠 Ollama 也能跑：LM Studio / GPT4All / llama.cpp 横评 📋 下一篇
07 本地AI接微信/飞书：24h 私聊助理 📋 计划中
08 用 Dify / n8n 把本地AI变成自动化工作流 📋 计划中
09 Python 批量文档处理自动化 📋 计划中
10 把本地AI塞进 NAS / 树莓派：边缘设备部署实战 📋 计划中

📌 说明：本系列从第 4 篇起切入本地 AI 绘画赛道，第 5 篇为绘画进阶篇。后续篇目回到本地大模型生态，覆盖更多工具链。

# 人工智能 # AI作画
Logo
CANN开发者社区

CANN开发者社区旨在汇聚广大开发者，围绕CANN架构重构、算子开发、部署应用优化等核心方向，展开深度交流与思想碰撞，携手共同促进CANN开放生态突破！

更多推荐

node报错误：Error： Cannot find module ‘@npmcli/config‘

运行命令行命令后出现此错误的原因尚不清楚npm。我是安装 node版本：20.x版本以上 安装好后 建项目报错国外说在命令行中运行此命令。设置 PATH=C:\Program Files\Nodejs;%PATH%没试过。

avatar CANN开发者社区
cover

ListScanner：轻量级敏感文件泄露扫描器

avatar CANN开发者社区

ImportError: cannot import name ‘PreTrainedModel‘ from ‘transformers‘

peft 库在尝试从 transformers 库里拿一个叫 PreTrainedModel但没有。\peft\utils\other.py",中。

avatar CANN开发者社区