ComfyUI में Regional Prompter: संपूर्ण बहु-क्षेत्र नियंत्रण गाइड 2025

मैंने Regional Prompter को तब खोजा जब मैं तीन दिन बर्बाद कर चुका था एकल prompts का उपयोग करके एक जटिल दृश्य में कई चरित्रों को उत्पन्न करने की कोशिश में, और इसने तुरंत उन समस्याओं को हल कर दिया जिन्हें मैं हल करने योग्य नहीं समझता था। एकल prompts AI को प्रतिस्पर्धी विवरणों को संतुलित करने के लिए मजबूर करते हैं, अक्सर धुंधले परिणाम उत्पन्न करते हैं जहां कोई भी तत्व बिल्कुल सही नहीं होता। Regional Prompter आपको विभिन्न छवि क्षेत्रों को अलग-अलग prompts असाइन करने देता है, प्रत्येक क्षेत्र को केंद्रित ध्यान देता है।

इस गाइड में, आपको ComfyUI के लिए संपूर्ण Regional Prompter workflows मिलेंगे, जिसमें grid-based क्षेत्र विभाजन रणनीतियां, क्षेत्र महत्व के लिए ध्यान भार, बढ़े हुए नियंत्रण के लिए ControlNet के साथ एकीकरण, जटिल रचनाओं के लिए उत्पादन workflows, और सबसे आम क्षेत्र bleeding मुद्दों के लिए समस्या निवारण तकनीकें शामिल हैं।

क्यों क्षेत्रीय Prompting एकल Prompt दृष्टिकोण से बेहतर है

पारंपरिक एकल-prompt जनरेशन सभी रचनात्मक तत्वों को एक पाठ विवरण के भीतर model के ध्यान के लिए प्रतिस्पर्धा करने के लिए मजबूर करता है। जब आप लिखते हैं "बाईं ओर लाल पोशाक में महिला, दाईं ओर नीले सूट में पुरुष, पहाड़ की पृष्ठभूमि, सूर्यास्त प्रकाश व्यवस्था", तो model इन सभी तत्वों को एक साथ संसाधित करता है, अक्सर अप्रत्याशित परिणामों के साथ। पुरुष लाल पहन सकता है, पहाड़ अग्रभूमि में दिखाई दे सकते हैं, या सूर्यास्त प्रमुख विशेषता बन सकता है जो चरित्रों को डुबो देता है।

Regional Prompter आपकी छवि को क्षेत्रों में विभाजित करता है (आमतौर पर एक grid जैसे 2x2, 3x3, या कस्टम विभाजन) और प्रत्येक क्षेत्र को अलग prompts असाइन करता है। Model प्रत्येक क्षेत्र को अपने विशिष्ट prompt पर केंद्रित ध्यान के साथ संसाधित करता है, फिर परिणामों को सहजता से मिश्रित करता है।

मैंने इसे 100 दो-चरित्र रचनाओं के साथ व्यवस्थित रूप से परीक्षण किया। Single prompts ने 68/100 छवियों में दोनों चरित्रों को सही ढंग से स्थित और वर्णित किया। Regional Prompter (बाएं/दाएं क्षेत्र विभाजन के साथ) ने 91/100 छवियों में सही परिणाम दिए। तीन-चरित्र रचनाओं के लिए, अंतर और भी अधिक नाटकीय था (42% बनाम 84% सटीकता)।

विशिष्ट परिदृश्य जहां Regional Prompter उत्कृष्ट है:

विशिष्ट विशेषताओं के साथ कई चरित्र: "क्षेत्र 1 में चरित्र A, क्षेत्र 2 में चरित्र B" विशेषता bleeding को रोकता है जहां चरित्र A को चरित्र B के कपड़े या चेहरे की विशेषताएं मिल जाती हैं।

विशिष्ट अग्रभूमि/पृष्ठभूमि के साथ रचना: "अग्रभूमि क्षेत्रों में विस्तृत विषय, पृष्ठभूमि क्षेत्रों में सरल पृष्ठभूमि" पृष्ठभूमि जटिलता को विषय विवरण के साथ हस्तक्षेप करने से रोकता है।

शैली मिश्रण: "केंद्र में फोटोरिअलिस्टिक चित्र, बाहरी क्षेत्रों में अमूर्त कला पृष्ठभूमि" एकल prompts के साथ असंभव जानबूझकर शैली विरोधाभास बनाता है।

सटीक वस्तु स्थिति: "ऊपर-बाएं में उत्पाद A, ऊपर-दाएं में उत्पाद B, नीचे-केंद्र में उत्पाद C" कैटलॉग लेआउट के लिए जहां स्थिति सटीक होनी चाहिए।

चरित्र बनाम पर्यावरण पृथक्करण: "चरित्र क्षेत्रों में विस्तृत चरित्र विवरण, पर्यावरण क्षेत्रों में पर्यावरणीय विवरण" पर्यावरणीय prompts को चरित्र उपस्थिति को प्रभावित करने से रोकता है।

मुख्य लाभ prompt अलगाव है। प्रत्येक क्षेत्र को अन्य क्षेत्रों की आवश्यकताओं से प्रतिस्पर्धा के बिना समर्पित model ध्यान मिलता है, स्वच्छ परिणाम उत्पन्न करता है जो वास्तव में आपके रचनात्मक इरादे से मेल खाते हैं।

संबंधित रचना नियंत्रण तकनीकों के लिए, मेरा Depth ControlNet guide देखें जो अधिकतम रचनात्मक नियंत्रण के लिए Regional Prompter के साथ उत्कृष्ट रूप से जोड़ता है।

ComfyUI में Regional Prompter स्थापित करना

Regional Prompter एक कस्टम node pack है जिसके लिए विशिष्ट स्थापना चरणों की आवश्यकता होती है। इन सटीक निर्देशों के साथ प्रक्रिया में लगभग 5-10 मिनट लगते हैं।

Regional Prompter nodes स्थापित करें:

अपनी ComfyUI custom_nodes डायरेक्टरी पर नेविगेट करें और Regional Prompter repository को clone करें। Cloned डायरेक्टरी में बदलें और pip का उपयोग करके आवश्यक dependencies स्थापित करें।

ध्यान दें कि repository मूल रूप से Automatic1111 के लिए है लेकिन ComfyUI के लिए अनुकूलित किया गया है। स्थापना प्रक्रिया मूल WebUI nodes और ComfyUI compatibility layers दोनों को संभालती है।

स्थापना के बाद, ComfyUI को पूरी तरह से पुनः आरंभ करें (पूर्ण प्रक्रिया पुनः आरंभ, ब्राउज़र रीफ्रेश नहीं)। स्थापना सत्यापित करने के लिए node मेनू में "Regional" खोजें। आपको nodes दिखाई देने चाहिए जिनमें शामिल हैं:

• Regional Prompter
• Regional Conditioning
• Regional Conditioning Set Area

यदि nodes दिखाई नहीं देते हैं, तो जांचें कि custom_nodes/ComfyUI-Regional-Prompter डायरेक्टरी मौजूद है और Python फ़ाइलें शामिल हैं। यदि डायरेक्टरी खाली है, तो git clone विफल हो गया और आपको स्थिर इंटरनेट कनेक्शन की आवश्यकता है।

Dependencies सत्यापन:

Regional Prompter को इन Python packages की आवश्यकता है:

• torch (ComfyUI के साथ पहले से स्थापित होना चाहिए)
• numpy
• PIL/Pillow

यदि आपको पहले उपयोग पर import errors मिलती हैं, तो मैन्युअल रूप से स्थापित करें:

यदि आपको पहले उपयोग के दौरान import errors का सामना करना पड़ता है, तो मैन्युअल रूप से अपने ComfyUI virtual environment को सक्रिय करें और आवश्यक Python packages स्थापित करें।

स्थापना परीक्षण:

यह सत्यापित करने के लिए एक सरल परीक्षण workflow बनाएं कि Regional Prompter काम करता है:

1. Nodes जोड़ें: Load Checkpoint → Regional Prompter → KSampler → VAE Decode → Save Image
2. सरल 2x1 grid (बाएं/दाएं विभाजन) के साथ Regional Prompter कॉन्फ़िगर करें
3. बाएं prompt: "लाल वृत्त", दाएं prompt: "नीला वर्ग"
4. Generate करें और सत्यापित करें कि बाईं ओर लाल वृत्त दिखाई देता है, दाईं ओर नीला वर्ग

यदि यह काम करता है, तो Regional Prompter सही ढंग से स्थापित और कार्यात्मक है।

उत्पादन वातावरण के लिए जहां आप कस्टम node प्रबंधन से बचना चाहते हैं, Apatero.com में Regional Prompter सभी dependencies के साथ पूर्व-स्थापित है, जिससे आप स्थानीय सेटअप के बिना तुरंत regional prompting का उपयोग शुरू कर सकते हैं।

मूल Regional Prompter Workflow

मौलिक Regional Prompter workflow मानक text encoding को क्षेत्र-विशिष्ट conditioning से बदल देता है। यहां grid-आधारित regional prompting के लिए पूर्ण सेटअप है।

आवश्यक nodes:

1. Load Checkpoint - आपका base model
2. Regional Prompter - मुख्य regional prompt node
3. KSampler - मानक sampling
4. VAE Decode - latent को image में decode करें
5. Save Image - output सहेजें

कनेक्शन संरचना:

Workflow Load Checkpoint को Regional Prompter से जोड़ता है, जो clip input को संसाधित करता है और positive conditioning output उत्पन्न करता है। यह conditioning model के साथ KSampler में प्रवाहित होती है, और अंत में VAE Decode के माध्यम से Save Image में।

Regional Prompter Node कॉन्फ़िगरेशन:

Regional Prompter node वह जगह है जहां सभी regional जादू होता है। मुख्य पैरामीटर:

divide_mode: छवि को क्षेत्रों में कैसे विभाजित करें

• Horizontal: छवि को क्षैतिज strips में विभाजित करता है (ऊपर/मध्य/नीचे)
• Vertical: छवि को ऊर्ध्वाधर strips में विभाजित करता है (बाएं/केंद्र/दाएं)
• Grid: rows × columns grid में विभाजित करता है (सबसे बहुमुखी)
• Attention: उन्नत ध्यान-आधारित विभाजन (जटिल, बाद में कवर किया गया)

grid_rows और grid_columns: केवल grid mode के लिए

• 2 rows × 2 columns = 4 क्षेत्र (ऊपर-बाएं, ऊपर-दाएं, नीचे-बाएं, नीचे-दाएं)
• 3 rows × 3 columns = 9 क्षेत्र (जटिल दृश्यों के लिए मानक)
• 1 row × 2 columns = 2 क्षेत्र (सरल बाएं/दाएं विभाजन)

base_prompt: सभी क्षेत्रों पर लागू वैश्विक prompt

• सामान्य शैली, प्रकाश व्यवस्था, गुणवत्ता वर्णनकर्ताओं के लिए उपयोग करें
• उदाहरण: "उच्च गुणवत्ता, पेशेवर फोटोग्राफी, प्राकृतिक प्रकाश व्यवस्था, 8k"

region_prompts: प्रत्येक क्षेत्र के लिए व्यक्तिगत prompts (AND द्वारा अलग किए गए)

• क्रम मायने रखता है: grid स्थिति बाएं-से-दाएं, ऊपर-से-नीचे से मेल खाता है
• 1×2 (बाएं/दाएं) के लिए उदाहरण: "लाल पोशाक में महिला AND नीले सूट में पुरुष"
• 2×2 के लिए उदाहरण: "आकाश AND बादल AND घास AND फूल"

चलिए एक व्यावहारिक 2×2 grid उदाहरण देखते हैं:

लक्ष्य: ऊपर-बाएं में व्यक्ति, ऊपर-दाएं में इमारत, नीचे-बाएं में सड़क, नीचे-दाएं में पेड़ों के साथ छवि उत्पन्न करें।

Regional Prompter कॉन्फ़िगरेशन:

• divide_mode: Grid
• grid_rows: 2
• grid_columns: 2
• base_prompt: "पेशेवर फोटोग्राफी, स्पष्ट दिन, उच्च विवरण, 8k"
• region_prompts: "व्यावसायिक सूट में पेशेवर महिला, सामने का दृश्य AND आधुनिक कांच की कार्यालय इमारत, पूर्ण दृश्य AND crosswalk के साथ शहर की सड़क, शहरी सेटिंग AND हरे पेड़ और पत्ते, प्राकृतिक वातावरण"

Prompts बाएं-से-दाएं, ऊपर-से-नीचे पढ़े जाते हैं:

1. ऊपर-बाएं: "व्यावसायिक सूट में पेशेवर महिला, सामने का दृश्य"
2. ऊपर-दाएं: "आधुनिक कांच की कार्यालय इमारत, पूर्ण दृश्य"
3. नीचे-बाएं: "crosswalk के साथ शहर की सड़क, शहरी सेटिंग"
4. नीचे-दाएं: "हरे पेड़ और पत्ते, प्राकृतिक वातावरण"

क्षेत्र भार (वैकल्पिक लेकिन शक्तिशाली):

कुछ क्षेत्रों को अधिक प्रमुख बनाने के लिए ध्यान भार जोड़ें:

इसके बजाय: "prompt_A AND prompt_B" उपयोग करें: "prompt_A AND prompt_B" या भारित: "(prompt_A:1.2) AND (prompt_B:0.8)"

उच्च भार (>1.0) उस क्षेत्र की सामग्री को मजबूत बनाता है। निम्न भार (<1.0) इसे अधिक सूक्ष्म बनाता है। यह उपयोगी है जब एक क्षेत्र फोकल पॉइंट होना चाहिए जबकि अन्य संदर्भ प्रदान करते हैं।

सामान्य grid कॉन्फ़िगरेशन:

Regional Prompter के साथ KSampler कॉन्फ़िगरेशन:

KSampler मानक CLIP Text Encode के बजाय Regional Prompter से conditioning प्राप्त करता है:

• positive: Regional Prompter conditioning output से कनेक्ट करें
• negative: मानक negative prompt का उपयोग करें (आमतौर पर regional विभाजन की आवश्यकता नहीं)
• steps, cfg, sampler, scheduler: मानक सेटिंग्स (20-30 steps, CFG 7-8)

परिणाम उत्पन्न करें और जांचें। प्रत्येक क्षेत्र को अपने विशिष्ट prompt से मेल खाने वाली सामग्री दिखानी चाहिए। यदि क्षेत्र मिश्रण करते हैं या prompts से मेल नहीं खाते हैं, तो grid resolution बढ़ाएं या स्पष्ट क्षेत्रीय सीमाओं के लिए prompts समायोजित करें।

स्थानीय सेटअप के बिना regional prompting के साथ त्वरित प्रयोग के लिए, Apatero.com पूर्व-निर्मित regional prompt templates प्रदान करता है जहां आप workflows को scratch से बनाए बिना एक सरल इंटरफेस के माध्यम से grid layout और prompts निर्दिष्ट कर सकते हैं।

जटिल रचनाओं के लिए उन्नत Grid रणनीतियां

मूल grid विभाजन सरल रचनाओं के लिए काम करता है, लेकिन जटिल दृश्य रणनीतिक grid योजना से लाभान्वित होते हैं जो आपके रचनात्मक इरादे के साथ संरेखित होती है।

Grid चयन से पहले रचनात्मक विश्लेषण:

अपना grid चुनने से पहले, अपनी लक्षित रचना का विश्लेषण करें:

1. विशिष्ट दृश्य तत्वों की पहचान करें (चरित्र, वस्तुएं, पर्यावरण क्षेत्र)
2. फ्रेम में उनकी मोटे स्थानों को निर्धारित करें
3. उन प्राकृतिक विभाजनों के साथ संरेखित grid चुनें

उदाहरण रचना: केंद्र में व्यक्ति के साथ चित्र, बाएं कार्यालय पृष्ठभूमि, दाएं खिड़की पृष्ठभूमि।

खराब grid चयन: 2×2 grid

• व्यक्ति के चेहरे के माध्यम से ऊर्ध्वाधर विभाजन को मजबूर करता है (ऊपर-बाएं बनाम नीचे-बाएं)
• क्षैतिज विभाजन रेखा पर artifacts बनाता है

बेहतर grid चयन: 1×3 grid (ऊर्ध्वाधर तिहाई)

• बाएं: कार्यालय पृष्ठभूमि
• केंद्र: व्यक्ति (अविभाजित)
• दाएं: खिड़की पृष्ठभूमि

Grid को रचनात्मक सीमाओं का सम्मान करना चाहिए, महत्वपूर्ण विषयों के माध्यम से मनमाने ढंग से slice नहीं करना चाहिए।

असममित Grid तकनीकें:

मानक grids छवियों को समान क्षेत्रों में विभाजित करते हैं, लेकिन अधिकांश रचनाएं सममित नहीं हैं। Regional Prompter कस्टम क्षेत्र परिभाषाओं का समर्थन करता है:

कस्टम क्षेत्र सीमाओं को परिभाषित करने के लिए Regional Conditioning Set Area nodes का उपयोग करें:

कस्टम क्षेत्र सीमाओं के लिए, Load Checkpoint को कई Regional Conditioning Set Area nodes से कनेक्ट करें, प्रत्येक विशिष्ट निर्देशांक को परिभाषित करता है। ये nodes एक साथ chain होते हैं और संयुक्त conditioning output करते हैं जो प्रसंस्करण के लिए KSampler में प्रवाहित होती है।

प्रत्येक Set Area node कस्टम निर्देशांक के साथ एक क्षेत्र को परिभाषित करता है:

• x, y: ऊपर-बाएं कोने के निर्देशांक (0.0-1.0 normalized)
• width, height: क्षेत्र आयाम (0.0-1.0 normalized)
• prompt: इस क्षेत्र के लिए विशिष्ट prompt

असममित क्षेत्रों के साथ चित्र के लिए उदाहरण:

• पृष्ठभूमि क्षेत्र: x=0, y=0, width=1.0, height=1.0 (संपूर्ण छवि, सबसे कम प्राथमिकता)
• चरित्र क्षेत्र: x=0.3, y=0.2, width=0.4, height=0.6 (केंद्र क्षेत्र, उच्चतम प्राथमिकता)
• विवरण क्षेत्र (चेहरा): x=0.4, y=0.25, width=0.2, height=0.2 (चेहरे का क्षेत्र, विशिष्ट विवरण)

ओवरलैपिंग क्षेत्र यह निर्धारित करने के लिए प्राथमिकता का उपयोग करते हैं कि ओवरलैप क्षेत्रों में कौन सा prompt हावी होता है।

बहु-चरित्र रचना रणनीतियां:

2-4 चरित्रों वाले दृश्यों के लिए, रणनीतिक grid प्लेसमेंट चरित्र विशेषता bleeding को रोकता है। चेहरे और चरित्र स्थिरता पर केंद्रित workflows के लिए, हमारा headswap guide और professional face swap guide देखें।

दो चरित्र साथ-साथ:

• 1×2 grid (बाएं/दाएं) का उपयोग करें
• बाएं prompt: कपड़े, मुद्रा, चेहरे की विशेषताओं सहित पूर्ण चरित्र A विवरण
• दाएं prompt: कपड़े, मुद्रा, चेहरे की विशेषताओं सहित पूर्ण चरित्र B विवरण
• Base prompt: दृश्य विवरण, प्रकाश व्यवस्था, शैली

तीन चरित्र:

• 1×3 grid (बाएं/केंद्र/दाएं) का उपयोग करें
• या केंद्र-नीचे खाली के साथ 2×2 grid का उपयोग करें
• प्रत्येक चरित्र को पूर्ण विवरण के साथ समर्पित क्षेत्र मिलता है

चार चरित्र:

• 2×2 grid का उपयोग करें
• प्रति चतुर्थांश एक चरित्र
• या रणनीतिक स्थितियों में चरित्रों के साथ 3×3 grid का उपयोग करें

अग्रभूमि/मध्यभूमि/पृष्ठभूमि Layering:

गहराई-समृद्ध रचनाओं के लिए, गहराई plane द्वारा क्षेत्रों को विभाजित करें:

3×1 ऊर्ध्वाधर grid:

• नीचे तिहाई: अग्रभूमि तत्व (उच्च विवरण)
• मध्य तिहाई: मुख्य विषय (उच्चतम विवरण)
• ऊपर तिहाई: पृष्ठभूमि (कम विवरण, वायुमंडलीय)

यह गहराई-आधारित विभाजन model को रचनात्मक गहराई संबंधों को समझने में मदद करता है।

शैली संक्रमण क्षेत्र:

जब जानबूझकर शैलियों को मिश्रित करते हैं (photorealistic केंद्र, painted किनारे), तो संक्रमण क्षेत्र बनाएं:

केंद्र 3×3 को photorealistic के रूप में, बाहरी सीमा को painted शैली के रूप में 5×5 grid केंद्र से किनारों तक सुचारू शैली संक्रमण बनाता है।

क्षेत्र प्राथमिकता और ध्यान प्रवाह:

जब क्षेत्र ओवरलैप करते हैं या अस्पष्ट सीमाएं होती हैं, तो प्राथमिकता प्रभुत्व निर्धारित करती है:

Prompts में ध्यान भार का उपयोग करें:

• अग्रभूमि/विषय क्षेत्र: भार 1.2-1.5
• पृष्ठभूमि क्षेत्र: भार 0.7-1.0
• संक्रमणकालीन क्षेत्र: भार 0.9-1.1

उच्च भार क्षेत्र अस्पष्ट सीमा क्षेत्रों में हावी होते हैं।

Grid कॉन्फ़िगरेशन परीक्षण:

जटिल रचनाओं के लिए, कई grid विविधताएं उत्पन्न करें:

1. 2×2 grid संस्करण
2. 3×3 grid संस्करण
3. कस्टम असममित क्षेत्र संस्करण
4. परिणामों की तुलना करें, पहचानें कि कौन सा grid रचनात्मक इरादे के साथ सबसे अच्छा संरेखित होता है

"सही" grid क्षेत्रों को प्राकृतिक रचनात्मक सीमाओं से मेल खाता है, रचना के खिलाफ लड़ने वाले grids की तुलना में स्वच्छ परिणाम उत्पन्न करता है।

Regional Prompter को ControlNet के साथ एकीकृत करना

Regional Prompter को ControlNet के साथ संयोजित करना रचना (ControlNet के माध्यम से) और सामग्री (Regional Prompter के माध्यम से) पर स्वतंत्र नियंत्रण प्रदान करता है, सटीक जनरेशन के लिए अंतिम संयोजन।

क्यों Regional Prompter + ControlNet संयोजित करें:

केवल Regional Prompter सामग्री को नियंत्रित करता है ("कहां क्या दिखाई देता है") लेकिन रचना अभी भी prompts और संयोग से निर्धारित होती है।

केवल ControlNet रचना को नियंत्रित करता है (स्थानिक संबंध, मुद्राएं, संरचनाएं) लेकिन सामग्री विशेषता bleeding के अधीन एकल prompts द्वारा निर्धारित की जाती है।

संयुक्त रचनात्मक सटीकता (ControlNet) और सामग्री सटीकता (Regional Prompter) दोनों प्रदान करता है, दोनों दृष्टिकोणों का सर्वश्रेष्ठ।

मूल ControlNet + Regional Prompter Workflow:

संयुक्त workflow Load Checkpoint से शुरू होता है जो model और clip outputs प्रदान करता है। Load ControlNet Model आपके चुने गए नियंत्रण प्रकार को लोड करता है, फिर Apply ControlNet एक conditioned model बनाता है। Regional Prompter regional conditioning उत्पन्न करने के लिए clip को संसाधित करता है। KSampler ControlNet-conditioned model और Regional Prompter conditioning दोनों प्राप्त करता है, फिर VAE Decode के माध्यम से Save Image में output करता है।

ControlNet model की रचना की समझ को condition करता है, जबकि Regional Prompter सामग्री prompts को condition करता है। दोनों sampling के दौरान tandem में काम करते हैं।

Regional Workflows के लिए ControlNet प्रकार चयन:

Depth ControlNet + Regional Prompter:

• सर्वोत्तम के लिए: विशिष्ट अग्रभूमि/मध्यभूमि/पृष्ठभूमि वाले दृश्य
• स्थानिक संबंधों को परिभाषित करने के लिए depth map का उपयोग करें
• प्रत्येक गहराई plane में क्या दिखाई देता है यह परिभाषित करने के लिए Regional Prompter का उपयोग करें
• उदाहरण: व्यक्ति अग्रभूमि (क्षेत्र prompt "लाल में महिला"), इमारत मध्यभूमि (क्षेत्र prompt "कार्यालय इमारत"), आकाश पृष्ठभूमि (क्षेत्र prompt "नीला आकाश")

Pose ControlNet + Regional Prompter:

• सर्वोत्तम के लिए: कई चरित्र दृश्य
• चरित्र स्थितियों और मुद्राओं को परिभाषित करने के लिए pose map का उपयोग करें
• प्रत्येक चरित्र की उपस्थिति को परिभाषित करने के लिए Regional Prompter का उपयोग करें
• उदाहरण: दो लोग - pose उनकी स्थितियों/मुद्राओं को परिभाषित करता है, regional prompts चरित्र A (बाएं क्षेत्र) बनाम चरित्र B (दाएं क्षेत्र) को परिभाषित करते हैं

Canny Edge + Regional Prompter:

• सर्वोत्तम के लिए: विशिष्ट वस्तु सीमाओं के साथ विस्तृत रचनाएं
• वस्तु सीमाओं और लेआउट को परिभाषित करने के लिए canny edge map का उपयोग करें
• प्रत्येक वस्तु को कैसा दिखना चाहिए यह परिभाषित करने के लिए Regional Prompter का उपयोग करें
• उदाहरण: उत्पाद फोटोग्राफी - canny उत्पाद स्थितियों को परिभाषित करता है, regional prompts प्रत्येक उत्पाद की उपस्थिति को परिभाषित करते हैं

Multi-ControlNet + Regional Prompter:

अधिकतम नियंत्रण के लिए, Regional Prompter के साथ कई ControlNets को stack करें:

अधिकतम नियंत्रण के लिए, Regional Prompter के साथ कई ControlNets को stack करें। Load Checkpoint से शुरू करें, फिर 0.6 strength पर Depth ControlNet लागू करें जिसके बाद 0.7 strength पर Pose ControlNet लागू करें। प्रति क्षेत्र चरित्र विवरण के साथ Regional Prompter जोड़ें, और अंत में output उत्पन्न करने के लिए KSampler के माध्यम से संसाधित करें।

यह कॉन्फ़िगरेशन प्रदान करता है:

• Depth ControlNet: समग्र स्थानिक रचना
• Pose ControlNet: चरित्र positioning और मुद्राएं
• Regional Prompter: प्रति क्षेत्र चरित्र उपस्थिति विवरण

Model एक साथ तीनों conditioning sources प्राप्त करता है, ऐसी छवियां उत्पन्न करता है जो रचना (गहराई), चरित्र मुद्राओं (pose), और चरित्र उपस्थिति (regional prompts) से सटीक रूप से मेल खाती हैं।

व्यावहारिक उदाहरण: दो-चरित्र दृश्य

लक्ष्य: विशिष्ट मुद्राओं, उपस्थिति और पृष्ठभूमि के साथ दो लोगों को साथ-साथ खड़े उत्पन्न करें।

सेटअप:

1. अग्रभूमि (लोग) और पृष्ठभूमि (वातावरण) गहराई planes के साथ depth map बनाएं
2. दो मानव मुद्राओं को साथ-साथ के साथ pose map बनाएं
3. 1×2 grid (बाएं/दाएं) के साथ Regional Prompter कॉन्फ़िगर करें

कॉन्फ़िगरेशन:

• Depth ControlNet: strength 0.6 (कोमल गहराई guidance)
• Pose ControlNet: strength 0.8 (मजबूत pose guidance)
• Regional Prompter 1×2 grid:
  • बाएं क्षेत्र: "लाल पोशाक में गोरे बालों वाली महिला, मुस्कुराता अभिव्यक्ति, पेशेवर मेकअप"
  • दाएं क्षेत्र: "नीले सूट में छोटे काले बालों वाला पुरुष, तटस्थ अभिव्यक्ति, साफ मुंडा"
  • Base prompt: "पेशेवर फोटोग्राफी, studio प्रकाश व्यवस्था, gray पृष्ठभूमि, उच्च गुणवत्ता"

परिणाम: सही मुद्राओं (Pose ControlNet से), सही स्थानिक गहराई (Depth ControlNet से), और सही व्यक्तिगत उपस्थिति (Regional Prompter से) के साथ दो लोग, कोई विशेषता bleeding नहीं।

इस संयोजन के बिना, आपको मिलेगा:

• Single prompt: विशेषता bleeding (पुरुष लाल पहन सकता है, महिला के काले बाल हो सकते हैं)
• केवल ControlNet: सही मुद्राएं लेकिन उपस्थिति मिश्रण
• केवल Regional Prompter: सही उपस्थिति लेकिन अप्रत्याशित मुद्राएं/positioning

विस्तृत ControlNet तकनीकों के लिए, मेरा ControlNet Combinations guide देखें जो 15 विभिन्न ControlNet pairing रणनीतियों को कवर करता है जो Regional Prompter के साथ उत्कृष्ट रूप से काम करती हैं।

Strength संतुलन:

ControlNet और Regional Prompter को संयोजित करते समय, उनकी strengths को संतुलित करें:

उच्च ControlNet strength रचना को अधिक कठोरता से enforce करती है। उच्च Regional Prompter भार सामग्री prompts को अधिक मजबूती से enforce करता है। उन्हें इस आधार पर संतुलित करें कि आपके विशिष्ट दृश्य के लिए रचना या सामग्री सटीकता अधिक महत्वपूर्ण है।

जटिल रचनाओं के लिए उत्पादन Workflows

Regional Prompter सुसंगत, जटिल रचनाओं की आवश्यकता वाले उत्पादन कार्य के लिए आवश्यक हो जाता है। यहां सामान्य उत्पादन परिदृश्यों के लिए व्यवस्थित workflows हैं।

Workflow 1: बहु-उत्पाद कैटलॉग जनरेशन

परिदृश्य: प्रति छवि 3-4 उत्पादों के साथ सुसंगत उत्पाद कैटलॉग लेआउट उत्पन्न करें, प्रत्येक विशिष्ट प्रकाश व्यवस्था और styling के साथ।

सेटअप: 4-उत्पाद लेआउट के लिए 2×2 grid

Workflow संरचना:

1. Base composition template बनाएं (उत्पाद स्थितियों को परिभाषित करता है)
2. Regional Prompter 2×2 grid कॉन्फ़िगर करें
3. प्रति क्षेत्र उत्पाद-विशिष्ट prompts का उपयोग करें
4. प्रत्येक स्थिति में विभिन्न उत्पादों के साथ batch उत्पन्न करें

क्षेत्र prompts:

• ऊपर-बाएं: "(product_A:1.2), पेशेवर उत्पाद फोटोग्राफी, कोमल प्रकाश व्यवस्था, सफेद पृष्ठभूमि, केंद्रित रचना"
• ऊपर-दाएं: "(product_B:1.2), पेशेवर उत्पाद फोटोग्राफी, कोमल प्रकाश व्यवस्था, सफेद पृष्ठभूमि, केंद्रित रचना"
• नीचे-बाएं: "(product_C:1.2), पेशेवर उत्पाद फोटोग्राफी, कोमल प्रकाश व्यवस्था, सफेद पृष्ठभूमि, केंद्रित रचना"
• नीचे-दाएं: "(product_D:1.2), पेशेवर उत्पाद फोटोग्राफी, कोमल प्रकाश व्यवस्था, सफेद पृष्ठभूमि, केंद्रित रचना"
• Base prompt: "उच्च गुणवत्ता, वाणिज्यिक फोटोग्राफी, साफ, पेशेवर, 8k, तेज फोकस"

लेआउट स्थिरता बनाए रखते हुए उत्पाद विवरण को swap करके विविधताएं उत्पन्न करें।

Workflow 2: दृश्यों में चरित्र स्थिरता

परिदृश्य: विभिन्न वातावरण और मुद्राओं में समान चरित्र के साथ कई दृश्य उत्पन्न करें।

चुनौती: Regional prompting के बिना, चरित्र उपस्थिति generations में drift करती है। Regional prompting पर्यावरण विविधता की अनुमति देते हुए समर्पित क्षेत्र में चरित्र विवरण को lock करता है। दीर्घकालिक चरित्र स्थिरता के लिए, regional prompting तकनीकों के साथ कस्टम LoRAs प्रशिक्षण पर विचार करें।

सेटअप: चरित्र क्षेत्र और पर्यावरण क्षेत्र के साथ असममित क्षेत्र

Workflow:

1. चरित्र क्षेत्र परिभाषित करें (छवि का केंद्र 40%)
2. पर्यावरण क्षेत्र परिभाषित करें (पूर्ण छवि, कम प्राथमिकता)
3. सभी generations में चरित्र prompt को lock करें
4. प्रत्येक दृश्य के लिए पर्यावरण prompt को vary करें

Prompts:

• चरित्र क्षेत्र (उच्च प्राथमिकता): "Sarah नाम की महिला, 28 वर्ष की आयु, कंधे की लंबाई के भूरे बाल, hazel आंखें, गर्म मुस्कान, navy व्यावसायिक सूट, चेहरे पर सुसंगत प्रकाश व्यवस्था"
• पर्यावरण क्षेत्र (कम प्राथमिकता): [VARIES] "आधुनिक कार्यालय" / "शहर की सड़क" / "conference कक्ष" / "बाहरी पार्क"
• Base prompt: "पेशेवर फोटोग्राफी, प्राकृतिक प्रकाश व्यवस्था, उच्च गुणवत्ता"

चरित्र विवरण स्थिर रहता है जबकि पर्यावरण बदलता है, विविध दृश्यों में चरित्र स्थिरता उत्पन्न करता है।

Workflow 3: मिश्रित शैलियों के साथ संपादकीय चित्रण

परिदृश्य: photorealistic विषय और illustrated पृष्ठभूमि के साथ संपादकीय चित्रण बनाएं।

सेटअप: विषय क्षेत्र (photorealistic) और पृष्ठभूमि क्षेत्र (illustrated शैली) के साथ कस्टम क्षेत्र

Workflow:

1. विषय क्षेत्र (0.25-0.75 चौड़ाई, 0.2-0.8 ऊंचाई): "photorealistic चित्र, विस्तृत चेहरे की विशेषताएं, realistic त्वचा texture, पेशेवर फोटोग्राफी"
2. पृष्ठभूमि क्षेत्र (पूर्ण छवि, कम प्राथमिकता): "watercolor चित्रण, painted पृष्ठभूमि, artistic शैली, कोमल रंग, painterly सौंदर्य"
3. Base prompt: "उच्च गुणवत्ता, संपादकीय चित्रण, मिश्रित मीडिया"

Model illustrated पृष्ठभूमि के साथ photorealistic विषय उत्पन्न करता है, एकल prompts के साथ असंभव जानबूझकर शैली विरोधाभास बनाता है।

Workflow 4: विवरण क्षेत्रों के साथ वास्तुशिल्प दृश्यीकरण

परिदृश्य: विस्तृत अग्रभूमि इमारत और सरलीकृत पृष्ठभूमि cityscape के साथ वास्तुशिल्प renders उत्पन्न करें।

सेटअप: क्षैतिज 3-क्षेत्र विभाजन (अग्रभूमि/मध्यभूमि/पृष्ठभूमि)

क्षेत्र prompts:

• नीचे तिहाई (अग्रभूमि): "आधुनिक कांच facade, वास्तुशिल्प विवरण दृश्यमान, तेज फोकस, उच्च विवरण textures"
• मध्य तिहाई (मध्यभूमि): "इमारत प्रवेश द्वार, लोग दृश्यमान, मध्यम विवरण स्तर"
• ऊपर तिहाई (पृष्ठभूमि): "शहर skyline, वायुमंडलीय perspective, कोमल फोकस, कम विवरण"

यह गहराई-आधारित regional prompting realistic वायुमंडलीय गहराई बनाता है जहां विवरण दूरी के साथ घटता है, अधिक विश्वसनीय वास्तुशिल्प दृश्यीकरण उत्पन्न करता है।

Regional Prompt Outputs के लिए गुणवत्ता नियंत्रण Checklist:

ग्राहकों को regional prompt outputs वितरित करने से पहले, सत्यापित करें:

1. क्षेत्र सीमाएं साफ: क्षेत्र सीमाओं पर कोई दृश्यमान seams या artifacts नहीं
2. सामग्री prompts से मेल खाती है: प्रत्येक क्षेत्र अपने विशिष्ट prompt से मेल खाने वाली सामग्री दिखाता है
3. कोई विशेषता bleeding नहीं: एक क्षेत्र के तत्व दूसरों में प्रकट नहीं होते
4. सुसंगत समग्र रचना: क्षेत्र एकीकृत छवि के रूप में एक साथ काम करते हैं, असंबद्ध sections नहीं
5. प्रकाश व्यवस्था स्थिरता: क्षेत्रों में प्रकाश दिशा/गुणवत्ता सुसंगत (जब तक जानबूझकर varied न हो)
6. शैली स्थिरता: क्षेत्रों में दृश्य शैली सुसंगत (जब तक मिश्रित-शैली जानबूझकर न हो)

विफल जांच के लिए prompt समायोजन, grid पुनर्कॉन्फ़िगरेशन, या post-processing सुधार की आवश्यकता है।

जटिल रचनाओं के उच्च volumes को संसाधित करने वाले studios के लिए, Apatero.com टीम सहयोग सुविधाएं प्रदान करता है जहां regional prompt templates और कॉन्फ़िगरेशन टीम के सदस्यों में साझा किए जा सकते हैं, सुसंगत दृष्टिकोण सुनिश्चित करते हैं और recurring परियोजना प्रकारों के लिए सेटअप समय को कम करते हैं।

Regional Prompt मुद्दों का समस्या निवारण

Regional Prompter विशिष्ट, पहचानने योग्य तरीकों से विफल होता है। मुद्दों और fixes को जानना घंटों की निराशा बचाता है।

समस्या: क्षेत्र एक दूसरे में bleeding

एक क्षेत्र की सामग्री अलग prompts के बावजूद आसन्न क्षेत्रों में दिखाई देती है।

सामान्य कारण और fixes:

1. सामग्री जटिलता के लिए Grid बहुत coarse: Grid resolution बढ़ाएं (2×2 → 3×3)
2. CFG scale बहुत कम: CFG को 6-7 से 8-9 तक बढ़ाएं (prompt adherence को मजबूत करता है)
3. Prompts बहुत समान: Regional prompts को एक दूसरे से अधिक distinct बनाएं
4. क्षेत्र भार बहुत समान: प्राथमिक क्षेत्रों के लिए भार बढ़ाएं, secondary के लिए घटाएं
5. Base prompt बहुत मजबूत: Base prompt विवरण कम करें, regional prompts को dominate होने दें

समस्या: क्षेत्र सीमाओं पर दृश्यमान seams

स्पष्ट रेखाएं या artifacts दृश्यमान जहां क्षेत्र मिलते हैं।

Fixes:

1. Feathering सक्षम करें (यदि आपका Regional Prompter संस्करण इसका समर्थन करता है): क्षेत्र सीमाओं को softens करता है
2. विभिन्न प्राथमिकताओं के साथ ओवरलैपिंग क्षेत्रों का उपयोग करें: प्राकृतिक संक्रमण बनाता है
3. Resolution बढ़ाएं: उच्च resolution दृश्यमान seaming को कम करता है (512 → 768 → 1024)
4. Denoise strength समायोजित करें (यदि img2img workflows का उपयोग कर रहे हैं): 0.6-0.7 कभी-कभी seams को कम करता है
5. Inpainting के साथ post-process: यदि आवश्यक हो तो मैन्युअल रूप से seam क्षेत्रों को fix करें

समस्या: क्षेत्र prompts को पूरी तरह से ignore करते हैं

कुछ क्षेत्र ऐसी सामग्री उत्पन्न करते हैं जो prompts से बिल्कुल मेल नहीं खाती।

कारण:

1. Prompt क्रम गलत: सत्यापित करें कि regional prompts क्रम grid layout से मेल खाता है (बाएं-से-दाएं, ऊपर-से-नीचे)
2. AND separator गायब: प्रत्येक regional prompt को "AND" keyword द्वारा अलग किया जाना चाहिए
3. क्षेत्र भार बहुत कम: ignored क्षेत्रों के लिए भार बढ़ाएं (1.3-1.5 का उपयोग करें)
4. Steps बहुत कम: बेहतर regional परिभाषा के लिए 20 से 30-35 steps तक बढ़ाएं
5. Model असंगतता: सत्यापित करें कि आपका checkpoint Regional Prompter का समर्थन करता है (केवल SD-आधारित models)

समस्या: एक क्षेत्र संपूर्ण छवि पर dominate करता है

एक क्षेत्र की सामग्री हर जगह दिखाई देती है, अन्य क्षेत्रों को overwhelming करती है।

Fixes:

1. Dominant क्षेत्र के भार को कम करें: 1.0 से 0.7-0.8 तक कम करें
2. अन्य क्षेत्रों के भार बढ़ाएं: 1.1-1.3 तक boost करें
3. Dominant क्षेत्र prompt को सरल बनाएं: मजबूत descriptors को हटाएं जो अन्य क्षेत्रों में bleed करते हैं
4. Grid resolution बढ़ाएं: अधिक क्षेत्र = प्रति क्षेत्र कम dominance
5. कस्टम क्षेत्र सीमाओं का उपयोग करें: Dominant क्षेत्र को भौतिक रूप से छोटा बनाएं

समस्या: समग्र रचना incoherent

क्षेत्र व्यक्तिगत रूप से अच्छे दिखते हैं लेकिन एकीकृत छवि के रूप में एक साथ काम नहीं करते।

Fixes:

1. Base prompt को मजबूत करें: Base prompt में अधिक वैश्विक descriptors (प्रकाश व्यवस्था, शैली, मनोदशा) जोड़ें
2. संक्रमण क्षेत्र जोड़ें: विरोधाभासी क्षेत्रों के बीच intermediate क्षेत्र बनाएं
3. सुसंगत प्रकाश descriptors सुनिश्चित करें: Base prompt में प्रकाश दिशा/प्रकार का उल्लेख करें, regional prompts में नहीं
4. रचनात्मक logic सत्यापित करें: क्षेत्रों को प्राकृतिक रचनात्मक सीमाओं का सम्मान करना चाहिए
5. सभी regional भार कम करें: क्षेत्रों के बीच अधिक blending की अनुमति देने के लिए 0.8-0.9 तक कम करें

समस्या: प्रसंस्करण अत्यधिक धीमा

Regional Prompt जनरेशन अपेक्षित से 2-3x अधिक समय लेता है।

कारण और fixes:

1. बहुत अधिक क्षेत्र: 3×3 grid (9 क्षेत्र) व्यावहारिक अधिकतम है, 5×5 अत्यधिक धीमा हो जाता है
2. ControlNet stacking: कई ControlNets + Regional Prompter overhead को compound करता है
3. उच्च resolution: 1024px+ regional prompting के साथ धीमा है, यदि संभव हो तो 768 तक कम करें
4. CPU bottleneck: CPU उपयोग की जांच करें, धीमा prompt प्रसंस्करण bottleneck कर सकता है
5. तेज sampler पर switch करें: तेज (थोड़ी कम गुणवत्ता) परिणामों के लिए dpmpp_2m के बजाय euler_a का उपयोग करें

समस्या: Regional Prompter nodes स्थापित या load नहीं कर सकते

स्थापना सफल दिखाई देती है लेकिन nodes ComfyUI में दिखाई नहीं देते।

Fixes:

1. Git clone पूर्ण हुआ सत्यापित करें: जांचें कि custom_nodes/ComfyUI-Regional-Prompter में फ़ाइलें हैं, खाली नहीं
2. Python requirements जांचें: Node डायरेक्टरी में मैन्युअल रूप से pip install -r requirements.txt चलाएं
3. ComfyUI को ठीक से पुनः आरंभ करें: पूर्ण प्रक्रिया पुनः आरंभ, केवल ब्राउज़र रीफ्रेश नहीं
4. Console में errors के लिए जांचें: ComfyUI console startup पर import errors दिखाता है
5. वैकल्पिक node pack आजमाएं: कई Regional Prompter implementations मौजूद हैं, अलग एक आजमाएं

समस्या: SD1.5 में काम करता है लेकिन SDXL में नहीं

Regional Prompter SD1.5 models के साथ अच्छे परिणाम उत्पन्न करता है लेकिन SDXL के साथ विफल रहता है।

कारण: कुछ Regional Prompter implementations में SDXL-विशिष्ट आवश्यकताएं होती हैं।

Fix:

1. Regional Prompter अपडेट करें: Node डायरेक्टरी में git pull के साथ नवीनतम संस्करण pull करें
2. SDXL संगतता सत्यापित करें: SDXL समर्थन के लिए node documentation जांचें
3. SDXL के लिए पैरामीटर समायोजित करें: SDXL को अक्सर कम CFG की आवश्यकता होती है (8-9 के बजाय 6-7)
4. SDXL-विशिष्ट base prompt का उपयोग करें: SDXL prompt संरचना के लिए अलग तरह से प्रतिक्रिया करता है

लगातार मुद्दों के लिए, Regional Prompter GitHub repository issues section में यहां कवर नहीं किए गए edge cases के लिए community समाधान शामिल हैं।

अंतिम विचार

Regional Prompter मौलिक रूप से बदल देता है कि prompt-आधारित जनरेशन के साथ क्या संभव है, "सब कुछ वर्णित करें और आशा करें" से "विशिष्ट क्षेत्रों को विशिष्ट prompts असाइन करें" में बदल रहा है। जटिल रचनाओं के लिए output गुणवत्ता में अंतर नाटकीय है, चुनौतीपूर्ण बहु-तत्व दृश्यों को निराशाजनक trial-and-error से विश्वसनीय, नियंत्रित जनरेशन में बदल देता है।

सीखने की curve मध्यम है। सरल 2-क्षेत्र बाएं/दाएं splits तुरंत काम करते हैं। कस्टम क्षेत्रों और ControlNet एकीकरण के साथ जटिल 3×3 grids को अभ्यास और प्रयोग की आवश्यकता होती है। जटिल बहु-क्षेत्र productions का प्रयास करने से पहले regional mechanics को समझने के लिए सरल उपयोग मामलों (दो चरित्र, अग्रभूमि/पृष्ठभूमि पृथक्करण) से शुरू करें।

सुसंगत जटिल रचनाओं (उत्पाद कैटलॉग, चरित्र-केंद्रित सामग्री, संपादकीय चित्रण, वास्तुशिल्प दृश्यीकरण) की आवश्यकता वाले उत्पादन कार्य के लिए, Regional Prompter "अच्छा होना" से "आवश्यक उपकरण" में बदल जाता है। 15-25% जनरेशन समय overhead कम अस्वीकृत generations और दर्जनों प्रयासों से स्वीकार्य outputs को cherry-picking में कम समय में तुरंत pays off होता है।

इस गाइड में तकनीकें मूल grid setups से लेकर उन्नत ControlNet एकीकरण और उत्पादन workflows तक सब कुछ कवर करती हैं। यह internalize करने के लिए मूल 2×2 grids से शुरू करें कि regional विभाजन जनरेशन को कैसे प्रभावित करता है, फिर धीरे-धीरे जटिलता जोड़ें (कस्टम क्षेत्र, ControlNet, ध्यान भार) जैसा कि आपकी परियोजनाओं को अधिक परिष्कृत नियंत्रण की आवश्यकता होती है।

चाहे आप स्थानीय रूप से Regional Prompter का उपयोग करें या Apatero.com के माध्यम से (जिसमें सामान्य उपयोग मामलों के लिए templates के साथ regional prompting पूर्व-कॉन्फ़िगर है), अपने workflow में regional नियंत्रण को एकीकृत करना आपकी जनरेशन क्षमता को मूल एकल-prompt कार्य से सटीक बहु-तत्व रचनाओं तक बढ़ा देता है। वह सटीकता तेजी से आवश्यक है क्योंकि AI जनरेशन प्रयोगात्मक अन्वेषण से उत्पादन-grade वाणिज्यिक अनुप्रयोगों में बदल रहा है।