मॉडल×कार्य की संपूर्ण झलक: काम शुरू करने से पहले सही मॉडल चुनें
💡 लक्ष्य: 10 मिनट के भीतर अपने काम के लिए सही मॉडल तय करें—VRAM काफ़ी है या नहीं, व्यावसायिक उपयोग संभव है या नहीं, और किस ट्यूटोरियल से शुरू करें, यह सब एक ही पेज पर एक साथ देखें; 15 अध्यायों की ComfyUI वर्कफ़्लो ट्यूटोरियल इमेज और वीडियो श्रेणियों में व्यवस्थित होकर तैयार हैं।
अक्सर लोग पूछते हैं कि ComfyUI कौन-कौन से मॉडल समर्थित हैं—जवाब आपके काम और ग्राफ़िक्स कार्ड पर निर्भर करता है। ComfyUI अपने आप में एक "इंजन" है, असली काम मॉडल करते हैं: सही चुना तो 8 स्टेप में इमेज बनती है और 8GB VRAM में भी वीडियो चल जाता है; ग़लत चुना तो बीस से ज़्यादा GB के वेट डाउनलोड करने के बाद पता चलता है कि चल नहीं रहा। इसलिए, पहले दस मिनट लगाकर अपना सही विकल्प ढूँढ़ें।
🎯 चरण का लक्ष्य
- कार्य मिलते ही 30 सेकंड में उम्मीदवार मॉडल तय करें: टेक्स्ट-से-इमेज, इमेज एडिटिंग, पारदर्शी बैकग्राउंड, प्रोडक्ट मॉकअप, टेक्स्ट-से-वीडियो, पहला-आख़िरी फ़्रेम…… मैट्रिक्स तालिका देखकर मॉडल और उससे जुड़ा ट्यूटोरियल ढूँढ़ें
- डाउनलोड से पहले VRAM का आँकलन करें: मैट्रिक्स से VRAM संदर्भ देखें, बिना सोचे-समझे बड़े वेट डाउनलोड न करें
- "जनरेशन" और "एडिटिंग" दोनों तरह के मॉडलों की सीमा समझें: यथार्थवादी टेक्स्ट-से-इमेज के लिए बेस मॉडल, बैकग्राउंड बदलने या टेक्स्ट संपादन के लिए Edit श्रेणी, और रीपेंट/आउटपेंटिंग के लिए Fill चुनें
- कम से कम एक नए मॉडल का वर्कफ़्लो पूरा चलाएँ: टेम्पलेट लाइब्रेरी से आधिकारिक वर्कफ़्लो लोड करें, मॉडल को सही डायरेक्टरी में रखें, और ट्यूटोरियल के पैरामीटर के अनुसार पहली इमेज या पहला वीडियो बनाएँ
⏳ अनुमानित समय
- इस चरण को पूरी तरह सीखने में: 15 पाठों में कुल लगभग 204 मिनट (लगभग 3.5 घंटे), लगभग 140–265 मिनट का अतिरिक्त समय रखें
- मॉडल डाउनलोड का समय शामिल नहीं है: इस चरण के कई मॉडल 12B–20B स्तर के बड़े वेट हैं, FLUX.1 का पूरा संस्करण लगभग 23GB है, नेटवर्क गति के अनुसार अलग से गिनें
- ज़रूरत के अनुसार चुनकर पढ़ना और समय बचाता है:
- जल्द से जल्द इमेज बनाना चाहते हैं: सीधे 2.1 Z-Image-Turbo पर जाएँ, 12 मिनट
- VRAM 8GB है और वीडियो आज़माना चाहते हैं: सीधे 2.10 Wan2.2 5B पर जाएँ, 15 मिनट
- मुख्य रूप से इमेज एडिटिंग और ई-कॉमर्स इमेज करते हैं: 2.3 Qwen-Image-Edit → 2.4 Qwen-Image-2.1, लगभग 30 मिनट, उसके बाद ई-कॉमर्स इमेज व्यावहारिक अभ्यास से जारी रखें
- साउंड वाले शॉर्ट्स चाहते हैं: 2.14 LTX-2/2.3, 15 मिनट
🚀 शुरू करने से पहले
- 1.5 पहली इमेज जनरेशन सफलतापूर्वक चला लिया है: मॉडल लोड करना, प्रॉम्प्ट लिखना,
Ctrl + Enterसे चलाना आता है - मॉडल फ़ाइलें सही जगह रखना आता है:
diffusion_models,text_encoders,vae— इन सब-डायरेक्टरी की भूमिका स्पष्ट है (भूल जाएँ तो 1.4 मॉडल कहाँ रखें दोबारा देखें) - ComfyUI को नवीनतम संस्करण में अपडेट करें: इस चरण के मॉडल बहुत नए हैं, FLUX.3 Klein टेम्पलेट को 0.41.0 या उससे ऊपर चाहिए
- हार्ड डिस्क और VRAM की जाँच करें: बड़े मॉडल फ़ाइलें छोटी नहीं हैं (FLUX.1 का पूरा संस्करण लगभग 23GB); VRAM के आकार से तय होता है कि पहले कौन सा पाठ सीखें (नीचे दी मैट्रिक्स देखें)
- पानी का एक गिलास ☕—मॉडल डाउनलोड होने के समय में गला भी गीला कर लें
💡 टेम्पलेट लाइब्रेरी इस चरण का मुख्य प्रवेश द्वार है
हर पाठ Template Library (बाएँ पैनल का Templates आइकन) से आधिकारिक वर्कफ़्लो लोड करने से शुरू होता है; मॉडल कम होने पर संबंधित नोड लाल हो जाते हैं, दाईं ओर Errors टैब से एक-एक करके Download करें। पूरी प्रक्रिया का विवरण 4.1 टेम्पलेट लाइब्रेरी में देखें।
📋 कार्य के अनुसार मॉडल चुनें
यह चरण पाँच आधिकारिक ट्यूटोरियल वाले मॉडल परिवारों को कवर करता है: Z-Image, Qwen-Image, FLUX, Wan2.2, LTX। नीचे दो तालिकाएँ कार्य के क्रम में ComfyUI मॉडल सिफ़ारिशें और तुलना की संक्षिप्त तालिकाएँ हैं; VRAM आवश्यकताएँ और स्टेप संख्या आधिकारिक ट्यूटोरियल से ली गई हैं—मॉडल चुनते समय तालिका देखकर ढूँढ़ें।
इमेज श्रेणी
| आपका कार्य | पहली पसंद का मॉडल | मुख्य तथ्य (VRAM / स्टेप / लाइसेंस) | ट्यूटोरियल |
|---|---|---|---|
| तेज़ इमेज जनरेशन, सीमित VRAM | Z-Image-Turbo | अलीबाबा टोंगयी 6B डिस्टिल्ड संस्करण, 8 स्टेप में इमेज; 16GB VRAM पर चल सकता है; चीनी-अंग्रेज़ी टेक्स्ट रेंडरिंग सटीक | 2.1 |
| इमेज में चीनी टेक्स्ट लिखना है | Qwen-Image (सहित 2512) | अलीबाबा Qwen टीम 20B; चीनी-अंग्रेज़ी टेक्स्ट रेंडरिंग मज़बूत; डिस्टिल्ड संस्करण 15 स्टेप, Lightning LoRA 8 स्टेप | 2.2 |
| एक वाक्य में इमेज एडिटिंग: बैकग्राउंड बदलें, टेक्स्ट बदलें, मटीरियल बदलें | Qwen-Image-Edit (2509/2511) | निर्देश-आधारित संपादन; 2511 मटीरियल रिप्लेसमेंट और कैरेक्टर कंसिस्टेंसी का समर्थन | 2.3 |
| जनरेशन + एडिटिंग एक साथ, ट्रांसपेरेंट बैकग्राउंड, 2K | Qwen-Image-2.1 | एक ही मॉडल, दो काम; नेटिव 2048×2048; alpha ट्रांसपेरेंट बैकग्राउंड; 16 रेफरेंस इमेज स्लॉट | 2.4 |
| रियलिस्टिक टेक्स्ट-टू-इमेज (अंग्रेज़ी प्रॉम्प्ट) | FLUX.1 dev / schnell | 12B, ज़्यादा यथार्थ और विविध इमेज; schnell 4 स्टेप, Apache 2.0; dev गैर-व्यावसायिक | 2.5 |
| कैरेक्टर कंसिस्टेंसी, मल्टी-टर्न एडिटिंग | FLUX.1 Kontext | 12B इटरेटिव एडिटिंग, कई राउंड में बदलाव करने पर भी कैरेक्टर और स्टाइल बना रहता है; केवल अंग्रेज़ी प्रॉम्प्ट समर्थित | 2.6 |
| लोकल रीपेंटिंग, इमेज एक्सटेंशन | FLUX.1 Fill | inpaint / outpaint के लिए डेडिकेटेड; आधिकारिक रूप से कहा गया है कि परिणाम केवल कमर्शियल Fill [pro] से नीचे है | 2.7 |
| मल्टी-रेफरेंस कंसिस्टेंसी, प्रोडक्ट मॉकअप | FLUX.2 Dev | अधिकतम 4MP फोटो-ग्रेड; अधिकतम 10 रेफरेंस इमेज; hex ब्रांड रंग | 2.8 |
| कम VRAM में तेज़ इमेज जनरेशन, प्रीव्यू | FLUX.2 Klein | 4B; distilled 8.4GB VRAM, लगभग 1.2 सेकंड में इमेज (5090) | 2.8 |
| लोकल पर नवीनतम पीढ़ी का FLUX चलाएं | FLUX.3 Klein | टेक्स्ट-टू-इमेज + एडिटिंग एक ही वेट सेट; distilled 4–16 स्टेप; FLUX Kommunity License | 2.9 |
वीडियो श्रेणी
| आपका कार्य | पहली पसंद का मॉडल | मुख्य तथ्य (VRAM / स्टेप / लाइसेंस) | ट्यूटोरियल |
|---|---|---|---|
| 8GB VRAM में वीडियो | Wan2.2 5B | टेक्स्ट-टू-वीडियो + इमेज-टू-वीडियो एक ही मॉडल; नेटिव offloading के साथ 8GB VRAM में चल सकता है | 2.10 |
| हाई-क्वालिटी टेक्स्ट-टू-वीडियो | Wan2.2 14B T2V | MoE हाई-लो नॉइज़ डुअल एक्सपर्ट; Apache 2.0 व्यावसायिक उपयोग संभव | 2.11 |
| फोटो को एनिमेट करें | Wan2.2 14B I2V | एक पहली फ्रेम इमेज अपलोड करें, डायनामिक वीडियो जनरेट करें | 2.12 |
| वीडियो की शुरुआत और अंत नियंत्रित करें | Wan2.2 FLF2V | पहला फ्रेम और आख़िरी फ्रेम दें, बीच का हिस्सा अपने आप भर जाता है | 2.13 |
| वीडियो में आवाज़ भी चाहिए | LTX-2/2.3 | 19B ऑडियो-वीडियो एकीकृत, एक बार में सिंक्रोनाइज़्ड वीडियो + ऑडियो; distilled 8 स्टेप (CFG=1) | 2.14 |
| मल्टी-शॉट नैरेटिव, 4K HDR | LTX-2.5 | नेटिव multishot मल्टी-शॉट; 4K HDR अधिकतम 50 FPS; HF रिपॉज़िटरी के लिए पहले एक्सेस अनुरोध करना होगा | 2.15 |
⚠️ व्यावसायिक उपयोग से पहले लाइसेंस जांचें
schnell और Wan2.2 Apache 2.0 हैं, व्यावसायिक उपयोग संभव; FLUX.1 dev सीरीज़ (Kontext, Fill सहित) गैर-व्यावसायिक लाइसेंस वाली है; FLUX.3 Klein FLUX Kommunity License का उपयोग करता है। बाकी मॉडलों के लिए डाउनलोड पेज का लाइसेंस मान्य होगा।
💡 तय न कर पाएं तो पहले कम बाधा वाला चलाएं
VRAM कम होने पर: इमेज के लिए पहले FLUX.2 Klein (distilled 8.4GB) या Z-Image-Turbo (16GB) आज़माएं, वीडियो के लिए पहले Wan2.2 5B (8GB) आज़माएं। एक चल जाने के बाद, बाकी मॉडलों का वर्कफ़्लो संरचना लगभग एक जैसी होती है—मॉडल बदलना नया टूल सीखने से कहीं आसान है।
📚 इस चरण का कोर्स
| पाठ्यक्रम | सामग्री | अवधि |
|---|---|---|
| 2.1 Z-Image-Turbo टेक्स्ट-से-इमेज | 8 चरणों और 16GB VRAM वाला घरेलू तेज़ घोड़ा; Fun Union ControlNet और 2K अपस्केल | 12 मिनट |
| 2.2 Qwen-Image टेक्स्ट-से-इमेज | 20B बेस मॉडल से चीनी टेक्स्ट सही लिखता है; डिस्टिलेशन / Lightning से त्वरण; 2512 फ़ोटोग्राफ़ी अपग्रेड (ModelScope से डाउनलोड संभव) | 12 मिनट |
| 2.3 Qwen-Image-Edit निर्देश-आधारित इमेज संपादन | एक वाक्य में बैकग्राउंड बदलें, टेक्स्ट संपादित करें; 2509 मल्टी-इमेज संगति, 2511 मटेरियल रिप्लेसमेंट | 15 मिनट |
| 2.4 Qwen-Image-2.1 | जनरेशन+संपादन एक साथ; नेटिव 2K, पारदर्शी बैकग्राउंड, 16 रेफ़रेंस इमेज | 15 मिनट |
| 2.5 FLUX.1 टेक्स्ट-से-इमेज | dev और schnell की लोकल डिप्लॉयमेंट; फ़ुल और fp8 दो तरीकों से इंस्टॉलेशन | 12 मिनट |
| 2.6 FLUX.1 Kontext | कैरेक्टर संगति के साथ मल्टी-राउंड इटरेटिव इमेज संपादन; आउटपुट डायरेक्टरी से इमेज लेकर लगातार संशोधन | 12 मिनट |
| 2.7 FLUX.1 Fill | लोकल रीपेंट (inpaint) और इमेज विस्तार (outpaint) | 12 मिनट |
| 2.8 FLUX.2 | Dev मल्टी-रेफ़रेंस संगति और Klein लाइटवेट संस्करण; प्रोडक्ट मॉकअप वर्कफ़्लो | 15 मिनट |
| 2.9 FLUX.3 Klein | नवीनतम ओपन-सोर्स FLUX; टेक्स्ट-से-इमेज+संपादन एक ही वेट से, distilled में 4–16 चरण | 12 मिनट |
| 2.10 Wan2.2 5B | 8GB VRAM पर टेक्स्ट-से-वीडियो और इमेज-से-वीडियो | 15 मिनट |
| 2.11 Wan2.2 14B टेक्स्ट-से-वीडियो | हाई-लो नॉइज़ डुअल-एक्सपर्ट मॉडल से शानदार फ़िल्में | 15 मिनट |
| 2.12 Wan2.2 14B इमेज-से-वीडियो | फ़ोटो को चलाएँ; ध्यान दें कि I2V में fp16 वेट उपयोग करें | 15 मिनट |
| 2.13 Wan2.2 पहले-आख़िरी फ़्रेम से वीडियो | शुरुआत और अंत नियंत्रित करें, बीच का हिस्सा अपने आप भरा जाता है | 12 मिनट |
| 2.14 LTX-2/2.3 | एक बार में आवाज़ सहित वीडियो जनरेशन; छह आधिकारिक वर्कफ़्लो | 15 मिनट |
| 2.15 LTX-2.5 | मल्टी-शॉट नैरेटिव, 4K HDR और DFR; HF रिपॉज़िटरी के लिए पहले एक्सेस आवेदन करना होगा | 15 मिनट |
🎒 आप क्या सीखेंगे
- एक «कार्य → मॉडल → ट्यूटोरियल» चयन मानचित्र: आगे नए मॉडल आने पर भी आप VRAM, चरणों, लाइसेंस और कार्य — इन आयामों के आधार पर स्वयं निर्णय कर सकेंगे
- डाउनलोड से पहले की आधारभूत जागरूकता: पहले VRAM संदर्भ और लाइसेंस (Apache 2.0 / ग़ैर-व्यावसायिक / Kommunity) जाँचें, ताकि घंटों डाउनलोड का इंतज़ार व्यर्थ न हो
- 15 ComfyUI वर्कफ़्लो ट्यूटोरियल के लिए आधिकारिक टेम्पलेट चलाने का तरीका: टेम्पलेट लोड करना, मॉडल सही जगह रखना, पैरामीटर ट्यून करना — तब तक जब तक इमेज या वीडियो न बन जाए
- दो एडवांस रास्तों के प्रवेशद्वार: इमेज से आगे ई-कॉमर्स इमेज प्रैक्टिस तक, और नियंत्रण, LoRA व क्वांटाइज़ेशन से एडवांस्ड तकनीकें तक
क्या आप तैयार हैं? पहला पाठ शुरू करें: Z-Image-Turbo टेक्स्ट-से-इमेज →