Stable Diffusion
המדריך המלא — ComfyUI, SDXL, Flux ו-LoRA

מה זה Stable Diffusion ולמה הוא מהפכני?

Stable Diffusion הוא מודל Open Source ליצירת תמונות מטקסט שניתן להריץ מקומית על המחשב שלך — ללא תשלום, ללא מנוי, ללא מגבלות תוכן. שוחרר ב-2022 על ידי Stability AI ושינה לחלוטין את עולם יצירת תמונות AI.

בשונה מ-Midjourney (שרת, בתשלום) או DALL-E (API בתשלום), SD רץ אצלך בבית. אף אחד לא רואה את הפרומפטים שלך, אין הגבלות על כמות התמונות, ואפשר לשנות כל היבט של תהליך היצירה.

איך עובד Diffusion Process?

תהליך ה-Diffusion (הפצה) עובד בשני שלבים:

השוואה מהירה — SD vs Midjourney

ה-Bottom line: אם אתה רוצה שליטה מקצועית, LoRA על פנים, ControlNet לתנוחות, batch generation — SD הוא הבחירה. אם אתה רוצה תמונות יפות מיד ב-2 שניות ללא הגדרות — Midjourney.

מה אפשר לעשות עם Stable Diffusion?

• txt2img — יצירת תמונה מטקסט (הפונקציה הבסיסית)
• img2img — עריכת תמונה קיימת לפי Prompt
• Inpainting — עריכה של אזור ספציפי בתמונה
• Outpainting — הרחבת גבולות תמונה לחלקים חדשים
• ControlNet — שמירה על תנוחה/עומק/קווים בשינוי סגנון
• LoRA Training — אימון מודל על פנים/סגנון ספציפי
• API / Automation — הפקת מאות תמונות בסקריפט Python

התקנה — ComfyUI ו-A1111

קיימות שתי אפשרויות עיקריות: ComfyUI (מומלץ — מבוסס Node Graph, עוצמתי, גמיש) ו-AUTOMATIC1111 (A1111 — ממשק קלאסי, קל יותר למתחילים). נסביר את שניהם.

ComfyUI — ההתקנה המומלצת

# שלב 1 — ודא Python 3.10–3.11 מותקן
python3 --version

# שלב 2 — שכפל את הריפו
git clone https://github.com/comfyanonymous/ComfyUI
cd ComfyUI

# שלב 3 — התקן תלויות
pip install -r requirements.txt

# שלב 4 — הורד מודל SDXL (1.8GB)
# הנח ב: models/checkpoints/dreamshaper_xl.safetensors

# שלב 5 — הפעל
python main.py --listen
# פתח בדפדפן: http://localhost:8188

AUTOMATIC1111 — ממשק קלאסי

# Mac / Linux:
git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui
cd stable-diffusion-webui
./webui.sh

# Windows:
git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui
cd stable-diffusion-webui
webui-user.bat

# פתח ב: http://127.0.0.1:7860

מודלים, Checkpoints ו-VAE

הלב של Stable Diffusion הוא ה-Checkpoint model — קובץ .safetensors שמכיל את משקלי הרשת העצבית. כל checkpoint נותן סגנון ואיכות שונים. הורד אותם מ-Civitai.com ו-HuggingFace.co.

Checkpoint Models — השוואה מלאה

VAE — מה זה ולמה חשוב?

ה-VAE (Variational Autoencoder) הוא ה"מתרגם" בין Latent Space (מרחב הלטנטי הפנימי של המודל) לתמונות פיקסל. כשה-VAE גרוע — תמונות יוצאות עם צבעים רוויים מדי, פרצופים מטושטשים, ועיניים מוזרות.

• SDXL VAE (sdxl_vae.safetensors) — ה-VAE הרשמי ל-SDXL. הורד בנפרד ושמור ב-models/vae/
• vae-ft-mse-840000 — VAE מעולה ל-SD 1.5

ControlNet Models

• controlnet-canny-sdxl-1.0 — זיהוי קווי מתאר (Canny Edge)
• controlnet-depth-sdxl-1.0 — שמירת עומק 3D
• controlnet-openpose-sdxl-1.0 — שמירת תנוחת גוף
• ip-adapter-plus_sdxl_vit-h — העברת סגנון ופנים

LoRA Models

קבצי LoRA (.safetensors, 50–200MB) מוסיפים סגנונות ספציפיים מעל ה-Checkpoint הראשי. שמור ב-models/loras/.

כתיבת Prompts לתמונות

Prompt לתמונה עובד אחרת מ-Prompt לטקסט. הוא מבנה תיאורי, לא שאלה. הנוסחה הבסיסית:

[איכות] + [נושא ראשי] + [סגנון] + [תאורה] + [צלם/אמן] + [פרטים נוספים]

Prompt מלא — דוגמה עם הסבר

POSITIVE PROMPT:
(masterpiece, best quality:1.2), ohwx woman,
portrait photography, studio lighting, sharp focus,
bokeh background, wearing elegant suit, confident pose,
Canon EOS R5, f/1.8, 8k, skin texture, photorealistic

NEGATIVE PROMPT:
(worst quality, low quality:1.4), deformed hands,
extra fingers, blurry, watermark, text, jpeg artifacts,
bad anatomy, disfigured, ugly, mutation

משקל מילים — Prompt Weighting

(beautiful:1.3)     # דגש חזק יותר — 30% יותר השפעה
(beautiful:0.7)     # דגש חלש יותר
[fade out]          # אפקט דעיכה
(red:1.2) dress     # הדגשת הצבע בלבד
((very important))  # כפולים = דגש מקסימלי

פרמטרים קריטיים

Quality Tags — רשימת עזר

# איכות גבוהה:
masterpiece, best quality, ultra detailed, 8k, RAW photo

# סגנון ריאליסטי:
photorealistic, hyperrealistic, photography, DSLR, film grain

# תאורה:
studio lighting, golden hour, cinematic lighting,
soft diffused light, dramatic shadows, rim lighting

# סגנון אמנותי:
oil painting, watercolor, digital art, concept art,
anime style, illustration, artstation

ComfyUI Workflows

ComfyUI עובד עם Node Graph — כל שלב ביצירת התמונה מיוצג ב-Node, וה-Nodes מחוברים ב-Wires. זה נותן שקיפות מלאה ושליטה על כל היבט של התהליך.

ה-Nodes הבסיסיים

• CheckpointLoaderSimple — טוען את מודל ה-Checkpoint
• CLIPTextEncode — מקודד את ה-Prompt ל-Embeddings (תמיד שניים: חיובי ושלילי)
• EmptyLatentImage — יוצר תמונה ריקה (Latent) בגודל הרצוי
• KSampler — הלב — מבצע את תהליך ה-Denoising
• VAEDecode — מפענח את ה-Latent לפיקסלים
• SaveImage — שומר את התמונה לדיסק

Workflow — img2img

# במקום EmptyLatentImage:
Load Image → VAEEncode → KSampler (עם denoise: 0.5–0.8)

# denoise 0.3 = שינוי קל (שמר 70% מהתמונה המקורית)
# denoise 0.8 = שינוי גדול (רק 20% מהמקור)

שיתוף Workflows — JSON

כל workflow ב-ComfyUI ניתן לשמירה/טעינה כקובץ JSON. תמצא אלפי workflows ב-comfyworkflows.com ו-openart.ai/workflows. פשוט גרור לממשק.

ControlNet — שליטה מדויקת על מבנה התמונה

ControlNet הוא אחד החידושים המשמעותיים ביותר ב-SD. הוא מאפשר לשלוט על מבנה, תנוחה, עומק ומתאר של התמונה — תוך שמירת הגמישות של הפרומפט. זה מה שמבדיל SD ממיד׳ג׳רני.

סוגי ControlNet ומתי להשתמש

• Canny Edge — מזהה קווי מתאר חדים. מצוין לשמירת צורות: בניינים, מוצרים, לוגואים
• Depth Map — מזהה עומק 3D. מצוין לשמירת מבנה סצנה בשינוי סגנון
• OpenPose — מזהה 18 נקודות גוף. מאפשר העתקת תנוחה לדמות אחרת
• IP-Adapter — Style Transfer — לוקח "essence" מתמונה אחת ומעביר לאחרת
• Lineart — שמירת קווי Lineart. מצוין לאנימציה ואיורים
• Inpaint — שמירת הרקע תוך שינוי אזורים ספציפיים

קוד Python — ControlNet עם Diffusers

from diffusers import StableDiffusionXLControlNetPipeline, ControlNetModel
import torch, cv2, numpy as np
from PIL import Image

# טעינת ControlNet Canny
controlnet = ControlNetModel.from_pretrained(
    "diffusers/controlnet-canny-sdxl-1.0",
    torch_dtype=torch.float16
)

# טעינת Pipeline
pipe = StableDiffusionXLControlNetPipeline.from_pretrained(
    "stabilityai/stable-diffusion-xl-base-1.0",
    controlnet=controlnet,
    torch_dtype=torch.float16
).to("cuda")

# הכנת Canny Edge
image = Image.open("input.jpg")
img_array = np.array(image)
canny = cv2.Canny(img_array, 100, 200)
canny_rgb = np.stack([canny] * 3, axis=-1)
canny_pil = Image.fromarray(canny_rgb)

# יצירת תמונה עם ControlNet
result = pipe(
    prompt="portrait of woman, studio lighting, photorealistic, 8k",
    negative_prompt="blurry, deformed, worst quality",
    image=canny_pil,
    controlnet_conditioning_scale=0.8,   # עוצמת ControlNet
    num_inference_steps=25,
    guidance_scale=7.5
).images[0]

result.save("output_controlnet.png")

IP-Adapter — Style Transfer ו-Face Transfer

IP-Adapter הוא ControlNet מיוחד שלוקח תמונת "רפרנס" ומשתמש בה כמנחה לסגנון או לפנים. מצוין ליצירת תמונות עם אותו אדם בסגנונות שונים.

from diffusers import StableDiffusionXLPipeline
from ip_adapter import IPAdapterPlusXL

pipe = StableDiffusionXLPipeline.from_pretrained(
    "stabilityai/stable-diffusion-xl-base-1.0",
    torch_dtype=torch.float16
).to("cuda")

ip_adapter = IPAdapterPlusXL(
    pipe,
    image_encoder_path="h94/IP-Adapter/models/image_encoder",
    ip_ckpt="ip-adapter-plus_sdxl_vit-h.bin",
    device="cuda"
)

ref_image = Image.open("face_reference.jpg")

images = ip_adapter.generate(
    pil_image=ref_image,
    prompt="portrait, oil painting style, Van Gogh",
    negative_prompt="worst quality, blurry",
    scale=0.6,       # עוצמת ה-IP-Adapter
    num_samples=1,
    num_inference_steps=30,
    seed=42
)

Flux.1 — המודל הטוב ביותר ב-2025

Flux.1 שוחרר ב-2024 על ידי Black Forest Labs (המייסדים המקוריים של Stable Diffusion) ומייצג קפיצת מדרגה משמעותית באיכות. 12 מיליארד פרמטרים, ארכיטקטורת Transformer (לא U-Net), ותמונות ריאליסטיות ברמה שלא נראתה קודם.

Flux.1 Dev vs Schnell vs Pro

GGUF Quantization — Flux על 8GB VRAM

GGUF quantization מאפשר להריץ Flux.1 גם על כרטיסים עם 8GB VRAM על ידי דחיסת המשקלים מ-BF16 ל-Q4_K_S (4-bit). איכות מעט נמוכה יותר, אבל נגישה לרוב המשתמשים.

# הורד Flux.1 Schnell GGUF (8GB):
# https://huggingface.co/city96/FLUX.1-schnell-gguf
# בחר: flux1-schnell-Q4_K_S.gguf (~8.3GB)

# ComfyUI — השתמש ב-UNETLoader במקום CheckpointLoader:
# models/unet/flux1-schnell-Q4_K_S.gguf

# הגדרות מומלצות ל-Flux Schnell:
# Steps: 4  |  CFG: 1  |  Sampler: euler  |  Scheduler: simple

5 פרויקטים מעשיים

הפרויקטים מסודרים לפי רמת קושי — מתחיל עד מתקדם. כל פרויקט כולל מה צריך, מה ה-Workflow, ואיפה להתחיל.

import requests, json, random

COMFY_URL = "http://127.0.0.1:8188"

def generate_image(prompt, seed=None):
    seed = seed or random.randint(0, 2**32)
    workflow = {
        "3": {"class_type": "KSampler",
              "inputs": {"seed": seed, "steps": 25, "cfg": 7,
                         "sampler_name": "dpmpp_2m", "scheduler": "karras",
                         "denoise": 1.0, "model": ["4", 0],
                         "positive": ["6", 0], "negative": ["7", 0],
                         "latent_image": ["5", 0]}},
        "4": {"class_type": "CheckpointLoaderSimple",
              "inputs": {"ckpt_name": "dreamshaper_xl.safetensors"}},
        "5": {"class_type": "EmptyLatentImage",
              "inputs": {"width": 1024, "height": 1024, "batch_size": 1}},
        "6": {"class_type": "CLIPTextEncode",
              "inputs": {"text": prompt, "clip": ["4", 1]}},
        "7": {"class_type": "CLIPTextEncode",
              "inputs": {"text": "worst quality, blurry", "clip": ["4", 1]}},
        "8": {"class_type": "VAEDecode",
              "inputs": {"samples": ["3", 0], "vae": ["4", 2]}},
        "9": {"class_type": "SaveImage",
              "inputs": {"images": ["8", 0], "filename_prefix": "batch"}}
    }
    r = requests.post(f"{COMFY_URL}/prompt",
                      json={"prompt": workflow})
    return r.json()

prompts = [f"portrait of person {i}, studio lighting" for i in range(100)]
for i, p in enumerate(prompts):
    generate_image(p, seed=i)
    print(f"Generated {i+1}/100")

גיליון עזר — Cheat Sheet מלא

Sampler Comparison — איזה Sampler לבחור?

CFG Scale Guide

Resolution Best Practices

Common Errors — תיקון שגיאות נפוצות

Quality Tags — רשימה מהירה

# Positive — תמיד להוסיף בתחילת ה-Prompt:
(masterpiece, best quality:1.2), ultra detailed, 8k

# Photography:
RAW photo, DSLR, sharp focus, f/1.8, Canon EOS R5

# Lighting:
studio lighting, golden hour, cinematic, rim light

# Faces:
detailed eyes, perfect skin, natural makeup

# Negative — תמיד להוסיף:
(worst quality, low quality:1.4), deformed,
extra fingers, bad anatomy, watermark, text,
blurry, duplicate, mutation, ugly