Giải pháp tự động sửa chữa khuôn mặt với After Detailer (adetailer) là hướng dẫn kỹ thuật dành cho người dùng Stable Diffusion, AUTOMATIC1111 WebUI, học viên thiết kế đồ họa, kiến trúc sư diễn họa và người làm hình ảnh AI cần xử lý lỗi mặt mờ, mắt lệch, tay lỗi, chi tiết nhân vật kém sắc nét sau khi render ảnh.
Trong suốt hơn 10 năm trực tiếp quản trị hệ thống máy trạm đồ họa, hỗ trợ render, xử lý lỗi phần mềm, khôi phục dữ liệu và tối ưu workflow hình ảnh cho hàng ngàn dự án thiết kế tại Arcline Academy, tôi nhận ra rằng lỗi hình ảnh AI không chỉ đến từ prompt. Rất nhiều lỗi đến từ độ phân giải thấp, vùng mặt quá nhỏ, sai thông số denoising, thiếu ControlNet, thiếu backup file và cấu hình máy trạm chưa ổn định.
After Detailer, thường gọi là ADetailer, là một extension cho Stable Diffusion WebUI có chức năng tự động phát hiện vùng cần sửa, tạo mask và inpaint lại khu vực đó. Theo mô tả từ kho mã nguồn chính thức, ADetailer là tiện ích thực hiện automatic masking and inpainting cho Stable Diffusion WebUI, tương tự Detection Detailer nhưng tập trung vào tự động hóa quy trình phát hiện và hoàn thiện chi tiết.
After Detailer là gì?
After Detailer là tiện ích mở rộng dùng trong AUTOMATIC1111 Stable Diffusion WebUI để tự động phát hiện các vùng hay bị lỗi như khuôn mặt, bàn tay hoặc toàn thân nhân vật. Sau khi phát hiện, công cụ tạo vùng mask và thực hiện inpaint để sửa chi tiết.
Điểm mạnh của Giải pháp tự động sửa chữa khuôn mặt với After Detailer (adetailer) nằm ở khả năng tiết kiệm thời gian. Thay vì gửi từng ảnh sang tab inpaint, vẽ mask thủ công quanh khuôn mặt, chỉnh từng thông số rồi generate lại, người dùng có thể để ADetailer xử lý tự động theo thiết lập có sẵn.
Trong thực tế làm việc với ảnh AI, nhất là ảnh nhân vật toàn thân, ảnh thời trang, ảnh concept kiến trúc có người, ảnh minh họa game hoặc anime, khuôn mặt thường chỉ chiếm một vùng rất nhỏ. Khi số pixel dành cho mặt quá ít, model khó dựng mắt, mũi, môi và cấu trúc da chính xác.
Ảnh toàn thân: khuôn mặt nhỏ, dễ bị mờ hoặc méo.
Ảnh nhóm nhiều người: các mặt phụ thường sai chi tiết.
Ảnh thời trang: gương mặt và tay cần đẹp để không phá bố cục.
Ảnh concept art: chi tiết nhân vật cần đồng nhất với phong cách tổng thể.
Ảnh render phục vụ portfolio: cần chất lượng đủ tốt để đưa vào bài trình bày.
Giải pháp tự động sửa chữa khuôn mặt với After Detailer (adetailer) không phải là phép màu thay thế hoàn toàn kỹ năng prompt, model, LoRA hay ControlNet. Nó là công cụ hậu xử lý thông minh, giúp sửa những vùng quan trọng mà quy trình generate ban đầu chưa làm tốt.
Vì sao khuôn mặt trong Stable Diffusion thường bị lỗi?
Khuôn mặt bị lỗi trong Stable Diffusion thường xuất hiện khi ảnh có bố cục toàn thân, camera xa, nhiều nhân vật hoặc độ phân giải thấp. Với các model đời cũ, nếu tạo ảnh quá lớn không đúng cách, ảnh có thể phát sinh lỗi lặp nhân vật, méo cơ thể hoặc sai chi tiết.
Khi khuôn mặt chỉ chiếm vài chục pixel, model không có đủ dữ liệu thị giác để tạo mắt, mũi, miệng rõ ràng. Kết quả thường là mặt nhòe, mắt lệch, miệng méo, da bệt hoặc biểu cảm không tự nhiên.
Người dùng truyền thống sẽ sửa bằng cách gửi ảnh sang Inpaint, vẽ mask quanh mặt, chọn Inpaint masked, giữ nội dung gốc, đặt vùng xử lý là Only masked, rồi chỉnh denoising strength. ADetailer tự động hóa gần như toàn bộ quy trình này.
Lỗi độ phân giải: mặt quá nhỏ so với kích thước ảnh.
Lỗi prompt: mô tả nhân vật thiếu rõ ràng hoặc xung đột.
Lỗi model: model không chuyên về chân dung hoặc chi tiết người.
Lỗi denoising: thông số quá thấp không sửa được, quá cao làm biến dạng.
Lỗi workflow: không dùng ControlNet hoặc không kiểm tra mask preview.
Trong môi trường đào tạo tại Arcline Academy, tôi luôn nhắc học viên rằng công cụ AI không thay thế tư duy kỹ thuật. Người dùng cần hiểu cơ chế mask, inpaint, denoising, seed, sampler và cấu hình GPU để kiểm soát kết quả thay vì bấm generate ngẫu nhiên.
Cài đặt After Detailer trên AUTOMATIC1111 WebUI
Để dùng Giải pháp tự động sửa chữa khuôn mặt với After Detailer (adetailer), bạn cần có AUTOMATIC1111 Stable Diffusion WebUI đang hoạt động. Kho chính thức AUTOMATIC1111 hướng dẫn cài đặt WebUI bằng Python 3.10.6, Git và chạy file webui-user.bat trên Windows.
AUTOMATIC1111 hỗ trợ cài extension qua thư mục extensions hoặc qua tab Extensions trong giao diện WebUI. Wiki chính thức của AUTOMATIC1111 mô tả extension là hình thức tiện lợi hơn của user scripts và có thể được cài vào thư mục extensions của webui.
Cách cài ADetailer trên Windows hoặc Mac thường gồm các bước sau:
Mở AUTOMATIC1111 WebUI.
Vào tab Extensions.
Chọn Install from URL.
Dán repository chính thức: https://github.com/Bing-su/adetailer.git.
Nhấn Install và chờ cài đặt hoàn tất.
Vào tab Installed, nhấn Apply and restart UI.
Kiểm tra mục ADetailer trong txt2img hoặc img2img.
Nếu cài trên Google Colab, một số notebook đã tích hợp sẵn tùy chọn ADetailer trong phần Extension. Tuy nhiên, người dùng nên kiểm tra phiên bản notebook, phiên bản WebUI và khả năng tương thích thư viện để tránh lỗi thiếu package hoặc lỗi không hiện tab.
Với máy trạm render tại Arcline Academy, quy trình cài extension luôn đi kèm kiểm tra Python, Git, CUDA, driver NVIDIA, phiên bản torch và dung lượng ổ đĩa. Điều này giúp hạn chế lỗi vặt khi học viên chạy AI, render 3D, inpaint hoặc batch generate ảnh số lượng lớn.
Cách sử dụng After Detailer trong txt2img
Trong tab txt2img, người dùng chỉ cần mở mục ADetailer, bật Enable ADetailer, chọn model phát hiện phù hợp rồi generate ảnh. Với nhu cầu sửa mặt, lựa chọn phổ biến là face_yolo8n.pt hoặc model face_yolo tương ứng.
Quy trình cơ bản:
Viết prompt và negative prompt như bình thường.
Đặt kích thước ảnh phù hợp với model.
Bật ADetailer.
Chọn face_yolo nếu cần sửa mặt.
Giữ thiết lập mặc định ở lần chạy đầu tiên.
Generate ảnh và so sánh vùng mặt trước – sau.
Khi dùng Giải pháp tự động sửa chữa khuôn mặt với After Detailer (adetailer), không nên chỉnh quá nhiều thông số ngay từ đầu. Hãy chạy với thiết lập mặc định để biết lỗi nằm ở prompt, model, mask hay denoising. Sau đó mới tinh chỉnh từng phần.
Nếu kết quả mặt vẫn mờ, hãy tăng nhẹ inpaint denoising strength. Nếu mặt bị đổi quá khác so với ảnh gốc, hãy giảm denoising hoặc dùng ControlNet để giữ cấu trúc. Nếu không phát hiện được mặt, hãy giảm detection confidence threshold hoặc đổi từ YOLO 8n sang YOLO 8s.
Cách sử dụng After Detailer trong img2img
Trong img2img, ADetailer hữu ích khi bạn đã có ảnh gốc và muốn cải thiện chi tiết mà không thay đổi toàn bộ bố cục. Đây là workflow rất phù hợp cho ảnh concept, ảnh nhân vật, ảnh thời trang, ảnh diễn họa hoặc ảnh đã được chọn từ nhiều lần generate.
Khi dùng img2img, cần phân biệt hai loại denoising. Denoising strength của img2img ảnh hưởng đến toàn bộ hình. Inpaint denoising strength của ADetailer chỉ tác động lên vùng mask mà công cụ phát hiện.
Img2img denoising 0.1 – 0.25: giữ ảnh gốc tốt, chỉ thêm chi tiết nhẹ.
ADetailer denoising 0.35 – 0.55: thường phù hợp để sửa mặt.
ADetailer denoising trên 0.7: có thể thay đổi mạnh cấu trúc vùng mặt.
Denoising quá thấp: mặt vẫn mờ, sửa không đủ lực.
Denoising quá cao: mặt đẹp hơn nhưng có thể lệch phong cách hoặc sai nhân dạng.
Kinh nghiệm thực tế là luôn lưu ảnh gốc trước khi chạy img2img. Nếu tạo hàng loạt ảnh phục vụ khách hàng hoặc đồ án, hãy đặt tên file có cấu trúc rõ ràng: ngày, model, seed, prompt ngắn và phiên bản chỉnh sửa. Đây là thói quen quản trị dữ liệu quan trọng như backup dữ liệu máy trạm render.
Các model phát hiện trong ADetailer nên biết
Giải pháp tự động sửa chữa khuôn mặt với After Detailer (adetailer) hiệu quả hay không phụ thuộc nhiều vào model phát hiện. Mỗi model có mục tiêu khác nhau. Chọn sai model sẽ khiến mask sai vùng, sửa thiếu vùng hoặc làm biến dạng ảnh.
face_yolo: phát hiện và sửa khuôn mặt, dùng nhiều nhất.
hand_yolo: phát hiện bàn tay, dùng khi tay lỗi hoặc ngón tay sai.
person_yolo: phát hiện toàn thân, phù hợp khi cần chỉnh vùng người lớn hơn.
mediapipe_face: dùng cho khuôn mặt nhưng có thể kém ổn định nếu mặt đã lỗi nặng.
YOLO 8n: nhẹ, nhanh, phù hợp máy phổ thông.
YOLO 8s: nặng hơn, có thể phát hiện tốt hơn trong một số trường hợp.
Với máy yếu, chọn model nhẹ giúp tiết kiệm VRAM và thời gian render. Với máy trạm có GPU mạnh, có thể dùng model nặng hơn để tăng khả năng phát hiện. Tuy nhiên, mạnh hơn không có nghĩa là luôn đẹp hơn. Kết quả còn phụ thuộc prompt, model checkpoint, LoRA, sampler và thông số inpaint.
Tại Arcline Academy, khi hướng dẫn học viên làm ảnh AI cho thiết kế, tôi thường yêu cầu test từng nhóm model bằng cùng một seed. Cách này giúp đánh giá đúng hiệu quả của ADetailer thay vì bị nhiễu bởi thay đổi ngẫu nhiên của quá trình generate.
Giải thích các thông số quan trọng của After Detailer
Muốn kiểm soát Giải pháp tự động sửa chữa khuôn mặt với After Detailer (adetailer), bạn cần hiểu các nhóm thông số: detection, mask preprocessing và inpainting. Đây là ba tầng ảnh hưởng trực tiếp đến vùng được sửa và mức độ sửa.
Detection model confidence threshold
Đây là ngưỡng độ tin cậy của model phát hiện. Nếu đặt quá cao, ADetailer có thể bỏ sót mặt nhỏ hoặc mặt nghiêng. Nếu đặt quá thấp, công cụ có thể nhận nhầm vật thể khác thành mặt.
Thiết lập thấp như 0.3 thường giúp phát hiện tốt hơn trong ảnh phức tạp. Tuy nhiên, nếu ảnh có nhiều vật thể tròn, poster, tranh treo tường hoặc mặt người phụ ở nền, cần tăng ngưỡng để tránh sửa nhầm.
Mask min area ratio và mask max area ratio
Hai thông số này giới hạn diện tích mask. Nếu mask quá nhỏ, có thể là phát hiện rác. Nếu mask quá lớn, có thể công cụ đang nhận sai vùng. Với ảnh nhiều nhân vật, thông số này giúp lọc các khuôn mặt phụ không cần sửa.
Mask erosion và mask dilation
Mask erosion làm mask nhỏ lại. Mask dilation làm mask nở rộng ra. Nếu ADetailer chỉ sửa phần giữa mặt nhưng bỏ sót viền tóc, tai hoặc cằm, hãy tăng dilation nhẹ. Nếu mask ăn quá nhiều vào tóc hoặc nền, hãy giảm lại.
Inpaint denoising strength
Đây là thông số quan trọng nhất. Denoising thấp giữ ảnh gốc nhưng sửa ít. Denoising cao sửa mạnh nhưng dễ làm mặt khác đi. Với khuôn mặt mờ nhẹ, mức 0.35 – 0.45 thường an toàn. Với mặt lỗi nặng, có thể thử 0.5 – 0.65 nhưng cần kiểm tra kỹ.
Inpaint only masked
Tùy chọn này giúp WebUI tập trung xử lý vùng mask thay vì toàn ảnh. Khi sửa mặt nhỏ, đây là thiết lập rất quan trọng vì nó cho phép vùng mặt được tái tạo ở chất lượng tốt hơn rồi hòa lại vào ảnh tổng thể.
Kết hợp After Detailer với ControlNet
ControlNet là extension quan trọng khi cần điều khiển dáng, đường nét, bố cục hoặc cấu trúc ảnh trong Stable Diffusion. Kho chính thức ControlNet cho Stable Diffusion WebUI mô tả đây là extension giúp WebUI thêm ControlNet vào mô hình Stable Diffusion mà không cần merge model.
Khi kết hợp với ADetailer, ControlNet giúp vùng inpaint không bị tự do quá mức. Điều này đặc biệt quan trọng nếu bạn tăng denoising cao, sửa toàn thân, sửa tay hoặc muốn giữ đường nét ban đầu của ảnh.
ControlNet OpenPose: giữ dáng nhân vật khi sửa vùng người.
ControlNet Tile: giúp chi tiết mới bám tốt hơn vào nội dung gốc.
ControlNet Inpaint: giúp vùng sửa hòa hợp với ảnh tổng thể.
ControlNet Lineart: giữ đường nét chính, phù hợp ảnh anime hoặc minh họa.
Trong thực tế, nếu chỉ sửa mặt nhỏ, bạn có thể chưa cần ControlNet. Nhưng nếu sửa toàn thân, sửa nhân vật trong phối cảnh, sửa ảnh có layout phức tạp hoặc dùng cho đồ án thiết kế, nên dùng ControlNet để giảm rủi ro phá bố cục.
Người học muốn hiểu sâu hơn về điều khiển hình ảnh AI có thể đọc thêm bài ControlNet là gì và cách cài đặt chi tiết. Đây là kiến thức nền rất quan trọng nếu bạn muốn dùng AI trong thiết kế nội thất, concept art, kiến trúc và diễn họa 3D.
ADetailer và Face Restoration khác nhau thế nào?
ADetailer và Face Restoration đều có thể sửa mặt, nhưng cơ chế khác nhau. Face Restoration thường dùng model phục hồi riêng như CodeFormer hoặc GFPGAN. ADetailer dùng quy trình phát hiện, tạo mask và inpaint lại bằng model Stable Diffusion đang sử dụng.
Với người cần giữ phong cách ảnh, ADetailer thường linh hoạt hơn vì có thể dùng prompt, negative prompt, LoRA, ControlNet và thông số inpaint. Face Restoration đôi khi làm mặt quá mịn, quá thật hoặc lệch phong cách so với ảnh gốc.
ADetailer: linh hoạt, kiểm soát bằng prompt, phù hợp workflow AI chuyên sâu.
Face Restoration: nhanh, dễ dùng, nhưng có thể làm lệch style.
Inpaint thủ công: chính xác nhất nhưng tốn thời gian.
Kết hợp nhiều phương pháp: phù hợp khi ảnh có giá trị cao hoặc dùng cho khách hàng.
Nếu bạn làm ảnh hàng loạt, ADetailer tiết kiệm thời gian rõ rệt. Nếu chỉ sửa một ảnh quan trọng, inpaint thủ công vẫn cho quyền kiểm soát tốt hơn. Nếu cần sửa nhanh ảnh tham khảo không quá quan trọng, Face Restoration có thể đủ dùng.
Lỗi thường gặp khi dùng After Detailer và cách xử lý
Giải pháp tự động sửa chữa khuôn mặt với After Detailer (adetailer) mạnh nhưng không tránh khỏi lỗi. Dưới đây là các lỗi phổ biến mà tôi thường gặp khi hỗ trợ học viên và máy trạm đồ họa.
Không thấy tab ADetailer: kiểm tra extension đã cài đúng thư mục chưa, restart UI và restart WebUI.
Không phát hiện khuôn mặt: giảm confidence threshold hoặc đổi model phát hiện.
Mask sai vùng: chỉnh mask area ratio, bật save mask previews để kiểm tra.
Mặt bị đổi quá nhiều: giảm inpaint denoising strength.
Mặt vẫn mờ: tăng denoising nhẹ hoặc dùng model phù hợp hơn.
Chạy quá chậm: giảm batch size, chọn YOLO 8n, kiểm tra VRAM và tắt extension không cần thiết.
Lỗi sau khi update: kiểm tra tương thích WebUI, extension, Python package và driver GPU.
Nếu sau khi update WebUI hoặc extension mà ADetailer lỗi, không nên xóa lung tung toàn bộ thư mục môi trường Python nếu chưa backup. Hãy sao lưu thư mục extensions, models, outputs, embeddings, LoRA và file cấu hình trước khi sửa sâu.
Trường hợp ổ cứng chứa model, checkpoint, LoRA hoặc output ảnh bị lỗi, cần dừng ghi dữ liệu ngay. Việc copy thêm model mới, cài lại phần mềm hoặc render tiếp trên ổ đang lỗi có thể gây ghi đè và làm giảm khả năng khôi phục dữ liệu. Bạn có thể tham khảo thêm bài cứu dữ liệu bị format nhanh nhất hoặc phục hồi dữ liệu ổ cứng để hiểu nguyên tắc xử lý an toàn.
Tối ưu máy trạm khi chạy ADetailer
ADetailer làm tăng thời gian generate vì sau ảnh gốc, WebUI phải chạy thêm bước phát hiện, tạo mask và inpaint. Với batch lớn, thời gian có thể tăng đáng kể. Vì vậy, cấu hình máy trạm rất quan trọng.
Một máy trạm AI ổn định nên có GPU NVIDIA đủ VRAM, SSD tốc độ tốt, RAM hệ thống đủ lớn và driver được kiểm soát phiên bản. Với học viên dùng laptop phổ thông, nên giảm batch size, giảm độ phân giải, dùng model nhẹ và tránh mở quá nhiều phần mềm cùng lúc.
GPU: ưu tiên card NVIDIA có VRAM đủ cho checkpoint, ControlNet và batch.
SSD: nên dùng SSD còn dung lượng trống tốt để tránh lỗi cache và ghi file.
RAM: giúp hệ thống ổn định khi chạy WebUI, Photoshop, SketchUp hoặc 3ds Max cùng lúc.
Backup: lưu model, LoRA, output quan trọng sang ổ phụ hoặc cloud.
Tản nhiệt: kiểm tra nhiệt GPU khi chạy batch dài để tránh treo máy.
Nếu chuột, touchpad hoặc thiết bị ngoại vi lỗi trong lúc thao tác mask, workflow cũng bị ảnh hưởng. Người dùng có thể đọc thêm hướng dẫn khắc phục lỗi chuột double click hoặc cách sửa chuột Logitech để xử lý các sự cố phổ biến khi làm việc đồ họa.
Nếu card đồ họa có dấu hiệu màn hình sọc, driver crash, render treo hoặc WebUI tự tắt khi generate, cần kiểm tra phần cứng trước khi kết luận lỗi phần mềm. Bài sửa card màn hình và nhận biết lỗi VGA là tài liệu phù hợp cho người dùng máy trạm đồ họa.
Quy trình làm việc đề xuất tại Arcline Academy
Với học viên thiết kế, AI không nên được dùng theo kiểu thử may rủi. Một workflow rõ ràng giúp tiết kiệm thời gian, giảm lỗi file và tạo kết quả ổn định hơn.
Bước 1: xác định mục tiêu ảnh: chân dung, toàn thân, concept nội thất, nhân vật hay poster.
Bước 2: chọn checkpoint, LoRA và ControlNet phù hợp.
Bước 3: generate ảnh gốc với seed được lưu lại.
Bước 4: bật ADetailer để sửa mặt hoặc tay.
Bước 5: kiểm tra mask preview nếu kết quả bất thường.
Bước 6: xuất ảnh, đặt tên file có cấu trúc và backup.
Bước 7: chỉnh hậu kỳ trong Photoshop nếu cần trình bày chuyên nghiệp.
Học viên muốn phát triển kỹ năng AI song song với thiết kế có thể học thêm nền tảng diễn họa, ánh sáng, bố cục và vật liệu trong chuyên mục 3D Rendering & Visualization. Đây là hướng đi thực tế vì AI chỉ thật sự mạnh khi người dùng hiểu mỹ thuật, kỹ thuật và mục tiêu thiết kế.
Khi nào nên dùng và khi nào không nên dùng ADetailer?
Nên dùng Giải pháp tự động sửa chữa khuôn mặt với After Detailer (adetailer) khi bạn tạo ảnh nhân vật toàn thân, ảnh nhiều nhân vật, ảnh batch số lượng lớn, ảnh có khuôn mặt nhỏ hoặc cần tăng chất lượng chi tiết mà không muốn inpaint thủ công từng ảnh.
Không nên phụ thuộc hoàn toàn vào ADetailer nếu prompt sai, model không phù hợp, ảnh gốc quá lỗi hoặc bố cục đã hỏng. Công cụ này sửa chi tiết, không cứu được toàn bộ một workflow thiếu nền tảng.
Nên dùng: ảnh mặt nhỏ, ảnh batch, ảnh toàn thân, ảnh cần sửa nhanh.
Cân nhắc: ảnh có nhiều nhân vật phụ, dễ nhận nhầm vùng.
Không nên lạm dụng: ảnh yêu cầu nhân dạng chính xác tuyệt đối.
Nên inpaint thủ công: ảnh khách hàng quan trọng, ảnh cần kiểm soát từng chi tiết.
Với dữ liệu đồ án, model AI, thư viện LoRA và output đã chọn, hãy backup định kỳ. Nếu xảy ra lỗi ổ cứng SSD/HDD, bad sector, format nhầm hoặc xóa nhầm file, tuyệt đối không ghi thêm dữ liệu vào ổ. Hãy tìm chuyên gia hoặc đọc thêm giải pháp cứu dữ liệu máy tính để giảm rủi ro mất file vĩnh viễn.
Trung tâm Arcline Academy luôn xem công nghệ là nền tảng hỗ trợ học tập thiết kế, không phải công cụ trang trí. Người học được định hướng từ tư duy mỹ thuật, phần mềm, phần cứng, quản trị dữ liệu đến quy trình làm việc thực tế. Nếu bạn muốn học bài bản từ thiết kế, diễn họa, render đến ứng dụng AI trong hình ảnh, có thể tham khảo khóa học thiết kế nội thất tại Arcline Academy để xây dựng nền tảng nghề nghiệp bền vững.
1. After Detailer có bắt buộc phải dùng khi tạo ảnh bằng Stable Diffusion không?
Không bắt buộc. Tuy nhiên, nếu bạn thường tạo ảnh nhân vật toàn thân, ảnh nhiều người hoặc ảnh có khuôn mặt nhỏ, After Detailer giúp tiết kiệm rất nhiều thời gian so với inpaint thủ công từng ảnh.
2. Nên chọn model nào trong ADetailer để sửa mặt?
Với nhu cầu phổ biến, nên bắt đầu bằng face_yolo. Nếu model nhẹ không phát hiện tốt, có thể thử bản nặng hơn. Khi sửa tay, dùng hand_yolo. Khi sửa vùng người lớn hơn, dùng person_yolo nhưng cần cẩn thận vì vùng inpaint rộng dễ làm đổi ảnh.
3. Vì sao bật ADetailer làm thời gian generate chậm hơn?
Vì WebUI phải chạy thêm bước phát hiện vùng lỗi, tạo mask và inpaint lại vùng đó. Nếu dùng batch lớn, ControlNet hoặc model nặng, thời gian xử lý sẽ tăng. Hãy giảm batch size, dùng model nhẹ và kiểm tra VRAM GPU.
4. ADetailer có sửa được bàn tay lỗi trong Stable Diffusion không?
Có thể hỗ trợ nhưng không nên kỳ vọng tuyệt đối. Bàn tay là vùng khó vì nhiều khớp, nhiều ngón và dễ biến dạng. Với ảnh quan trọng, nên kết hợp hand_yolo, ControlNet, inpaint thủ công và prompt rõ ràng.
5. Khi lỗi ổ cứng chứa model AI hoặc ảnh output thì nên làm gì?
Hãy dừng ghi dữ liệu ngay, không cài lại WebUI lên ổ đang lỗi, không copy thêm checkpoint hoặc output mới vào ổ đó. Nếu dữ liệu quan trọng, nên tìm chuyên gia khôi phục dữ liệu để tránh ghi đè và mất file vĩnh viễn.
