Workflow Face Detailer ComfyUI pour les visages NSFW

Les visages dans les générations NSFW se dégradent de façon caractéristique. Le corps sort parfait, la composition est bien calée, puis vous zoomez sur le visage et il ressemble à une peinture de Picasso. Cela se produit parce que les modèles de la famille SDXL répartissent la résolution de l'espace latent de façon inégale sur la toile. Quand le corps occupe la majeure partie du cadre, le visage ne reçoit qu'une poignée de pixels d'attention pendant l'échantillonnage. Face Detailer corrige cela en recadrant la zone du visage, en l'agrandissant, en régénérant cette seule zone en haute résolution, puis en la recollant. Le résultat est un NSFW photoréaliste où le visage ressemble vraiment à une personne. J'utilise ce workflow sur chaque image de production depuis 18 mois. Voici la configuration exacte.

Réponse rapide : Installez ComfyUI-Impact-Pack depuis le ComfyUI Manager. Téléchargez face_yolov8m.pt comme modèle de détection. Construisez une chaîne KSampler vers VAEDecode vers FaceDetailer avec un denoise autour de 0.4 à 0.5 pour le travail NSFW. Lancez une seconde passe à denoise plus bas (0.3) pour les portraits. Ajoutez un LoRA de visage à l'intérieur du nud FaceDetailer pour la cohérence du personnage.

Pourquoi les visages NSFW se dégradent en premier

Écoutez, la raison de ce phénomène n'a rien de mystérieux dès lors qu'on comprend comment le modèle pense la composition. Les modèles de la famille SDXL travaillent sur une grille latente de 128x128 (qui se décode en une sortie de 1024x1024 pixels). Chaque détail de votre image doit tenir dans cette grille. Quand votre prompt demande une scène NSFW en pied, le corps remplit la majeure partie du cadre, et le visage occupe peut-être une région de 12x12 de la grille latente. Cela représente 144 pixels latents de budget d'attention pour le visage entier. À comparer aux 1 000 pixels latents et plus pour le corps. Le visage est sous-échantillonné au niveau structurel.

Vous en voyez les symptômes ainsi. Des yeux qui ne correspondent pas entre eux. Des dents dignes d'un film d'horreur. Une texture de peau qui ne correspond pas à celle du corps. Des lèvres subtilement fausses. Des cheveux qui manquent du détail qu'ils devraient avoir. Rien de tout cela n'est une défaillance du modèle. C'est un problème de répartition de la résolution, et Face Detailer le résout en accordant au visage sa propre passe de génération dédiée à une résolution effective plus élevée.

Le même problème existe dans le travail non NSFW, ce qui explique pourquoi ADetailer (l'équivalent sous A1111) est devenu un équipement obligatoire pour toute génération photoréaliste. Pour le NSFW en particulier, le problème est pire parce que :

• Les compositions centrées sur le corps éloignent davantage le visage du centre du cadre
• Plus le corps couvre le cadre, moins le visage le couvre
• La plupart des checkpoints NSFW ont moins d'entraînement d'attention sur les traits du visage que les checkpoints de portrait
• Les scènes à plusieurs sujets amplifient le problème car chaque visage reçoit encore moins d'attention

Face Detailer n'est pas optionnel pour le travail de production NSFW en 2026. Quiconque livre des résultats sans lui livre des visages moins bons qu'ils ne devraient l'être.

Installer l'Impact Pack et les modèles YOLO

La configuration est simple mais comporte quelques pièges à connaître. Le déroulé est le suivant :

1. Ouvrez le ComfyUI Manager
2. Cherchez "ComfyUI-Impact-Pack" et installez-le
3. Cherchez "ComfyUI-Impact-Subpack" et installez-le (vous avez besoin des deux)
4. Redémarrez ComfyUI
5. Téléchargez les modèles de détection et de segmentation

L'Impact-Subpack est la partie que la plupart des tutoriels passent sous silence. Il contient l'UltralyticsDetectorProvider qui charge les modèles YOLO, tandis que l'Impact-Pack lui-même contient le nud FaceDetailer. Les deux paquets sont requis et tous deux doivent être installés et à jour. Si vous n'installez que l'Impact-Pack, vous obtiendrez des erreurs obscures à propos de nuds manquants.

Pour le modèle de détection, vous voulez face_yolov8m.pt. Le "m" signifie medium et il offre le meilleur équilibre entre précision de détection et vitesse pour le travail centré sur le visage. La variante plus petite (face_yolov8s.pt) est plus rapide mais rate davantage de visages dans les compositions difficiles. Les variantes plus grandes (l, x) sont marginalement plus précises mais nettement plus lentes.

Pour la segmentation, utilisez sam_vit_b_01ec64.pth. SAM (Segment Anything Model) crée un masque précis à l'intérieur de la boîte englobante YOLO, ce qui permet au detailer de fondre la régénération en douceur avec les pixels environnants. La variante "b" est le bon équilibre entre précision et vitesse pour le travail sur visage. Les variantes SAM plus grandes (l, h) sont surdimensionnées pour le detailing de visage.

Chemins de téléchargement :

• face_yolov8m.pt : à placer dans ComfyUI/models/ultralytics/bbox/
• sam_vit_b_01ec64.pth : à placer dans ComfyUI/models/sams/

Si vous ne pouvez pas utiliser le ComfyUI Manager (certains environnements restreints le bloquent), vous pouvez installer manuellement en clonant les dépôts dans ComfyUI/custom_nodes/ et en lançant les scripts d'installation. Assurez-vous que les répertoires disposent des droits d'écriture, sans quoi l'installation échouera silencieusement.

Un piège spécifique à 2026. PyTorch 2.6 a introduit weights_only=True comme valeur par défaut pour torch.load(), ce qui casse le chargement des modèles YOLO car les modèles Ultralytics contiennent des objets Python que le chargeur sécurisé rejette. L'Impact-Subpack dispose d'un contournement qui fixe explicitement weights_only=False pour les chemins de modèles YOLO de confiance, mais si vous voyez une UnpicklingError au démarrage, c'est que votre version d'Impact-Subpack est trop ancienne. Mettez à jour via le ComfyUI Manager et l'erreur devrait disparaître.

Construire la chaîne de nuds Face Detailer

Le workflow Face Detailer de base est une simple chaîne linéaire. Partez de votre pipeline texte vers image habituel (encodage CLIP, KSampler, VAEDecode), et ajoutez le nud FaceDetailer après le VAEDecode. Connectez les entrées :

• image : depuis la sortie de votre VAEDecode
• model : depuis votre CheckpointLoader (le même modèle que dans la génération principale)
• clip : depuis votre CheckpointLoader
• vae : depuis votre CheckpointLoader
• positive : votre prompt positif (généralement le même que le principal)
• negative : votre prompt négatif (généralement le même que le principal)
• bbox_detector : depuis l'UltralyticsDetectorProvider chargeant face_yolov8m.pt
• sam_model_opt : depuis le SAMLoader chargeant sam_vit_b_01ec64.pth (optionnel mais recommandé)

Le nud FaceDetailer compte beaucoup de paramètres mais seule une poignée compte vraiment pour l'usage quotidien :

• bbox_threshold : 0.5 (par défaut). Abaissez-le à 0.3 s'il rate des visages dans les scènes peu éclairées.
• bbox_dilation : 10 (par défaut). Augmente la région de recadrage autour du visage détecté. Des valeurs plus élevées donnent plus de contexte pour la régénération mais font perdre du temps.
• bbox_crop_factor : 3 (par défaut). Le recadrage du visage est agrandi par ce facteur avant la régénération. 3 signifie qu'un visage de 100px devient 300px, est régénéré, puis réduit de nouveau.
• denoise : 0.5 (par défaut). C'est le paramètre majeur. Détaillé plus bas.
• feather : 5 (par défaut). Adoucissement des bords du masque. Lisse la couture entre le visage régénéré et l'image originale.
• sam_dilation_factor : 10 (par défaut). Élargit le masque de segmentation SAM. Des valeurs plus élevées incluent davantage de pixels environnants.

Pour le travail NSFW en particulier, les réglages auxquels je me suis arrêté après beaucoup d'itérations :

• bbox_threshold : 0.4 (capte les visages dans les compositions plus difficiles)
• bbox_dilation : 12 (un peu plus de contexte aide les visages NSFW)
• bbox_crop_factor : 3 (la valeur par défaut est la bonne)
• denoise : 0.42 (plus bas que par défaut, voir la section suivante)
• feather : 8 (un peu plus d'adoucissement pour une couture plus nette)
• sam_dilation_factor : 10 (la valeur par défaut est la bonne)

Ce sont des points de départ. Ajustez selon votre modèle et votre style de prompt spécifiques.

Denoise et CFG pour les visages NSFW

Le denoise est le paramètre que la plupart des gens règlent mal sur Face Detailer. La valeur par défaut de 0.5 est pensée pour un usage général. Pour le travail NSFW où vous voulez que le visage régénéré corresponde au teint et à l'éclairage du corps, un denoise plus bas produit une sortie plus propre.

Le compromis du denoise :

• 0.6 à 0.7 : Changements majeurs du visage. À utiliser pour corriger des visages très abîmés mais risque de dérive du personnage.
• 0.5 : Par défaut. Équilibre la qualité de correction et la cohérence.
• 0.4 à 0.45 : Corrections subtiles. Maintient l'identité du personnage. Idéal pour la production NSFW.
• 0.3 : Affinage mineur uniquement. À utiliser en seconde passe après une première passe à 0.4 à 0.5.
• 0.2 et en dessous : Quasiment aucun changement. Sautez le detailer à ce niveau.

Pour la plupart du travail NSFW, le bon schéma est une seule passe à 0.42. Cela nettoie les problèmes structurels du visage (yeux dépareillés, dents bizarres, proportions cassées) sans changer l'identité du personnage établie par votre prompt et vos LoRA. Si la première passe ne suffit pas, lancez une seconde passe à 0.3 pour affiner davantage.

Le CFG à l'intérieur de FaceDetailer devrait égaler ou dépasser légèrement le CFG de votre génération principale. Pour les workflows RealVisXL, j'utilise un CFG de 7 pour la génération principale et un CFG de 7 à 8 pour le face detailer. Pour Pony Realism, j'utilise un CFG de 5 pour la génération principale et un CFG de 5 à 6 pour le face detailer. Un CFG plus élevé dans le face detailer peut sur-accentuer les tokens du prompt (comme "beautiful eyes"), ce qui mène à des traits exagérés façon anime sur une sortie photoréaliste. Évitez de le pousser trop haut. Le choix du modèle entre ces deux affecte sensiblement les réglages du detailer et je traite les deux dans la comparaison Pony Realism vs RealVisXL.

Le choix du sampler à l'intérieur de FaceDetailer compte moins que pour la génération principale. DPM++ 2M Karras à 20 étapes fonctionne pour la plupart du detailing de visage. Descendre en dessous de 20 étapes commence à se voir dans la qualité du détail du visage.

Ajouter un LoRA à l'intérieur de Face Detailer

Voici l'astuce qui m'a pris un temps embarrassant à apprendre. Le nud FaceDetailer possède sa propre entrée model, ce qui veut dire que vous pouvez lui passer un graphe de modèle différent de celui de votre génération principale. L'application la plus utile est de charger un LoRA spécifique au visage à l'intérieur du detailer sans qu'il affecte votre génération principale.

Le schéma :

1. Génération principale : CheckpointLoader vers KSampler vers VAEDecode
2. Face detailer : CheckpointLoader vers LoraLoader (LoRA de visage) vers connexion à FaceDetailer.model

Le LoRA de visage est appliqué uniquement pendant la passe de régénération du visage. C'est utile quand :

• Vous avez un LoRA de personnage qui aide à la cohérence du visage mais abîme les corps à pleine intensité
• Vous voulez appliquer des LoRA de détail de peau photoréaliste uniquement aux visages, pas aux arrière-plans
• Vous faites du NSFW à personnage cohérent où le visage doit correspondre à une référence à travers de nombreuses images

Pour la cohérence du personnage en particulier, c'est une approche plus fiable que de faire tourner un LoRA de personnage sur la génération entière. Le LoRA de personnage obtient le budget d'échantillonnage complet sur la région du visage, là où ça compte, tandis que le corps est généré sans les biais de forme corporelle du LoRA.

Le poids du LoRA à l'intérieur de FaceDetailer veut généralement être à pleine intensité (0.8 à 1.0) car le visage dispose d'une résolution limitée et vous voulez que le signal du LoRA passe clairement. Si vous empilez plusieurs LoRA (un LoRA de visage et un LoRA de détail), mon guide d'empilement de LoRA couvre les schémas d'équilibrage des poids.

Multi-passes pour les scènes de groupe

Les workflows à un seul visage sont faciles. Les workflows à plusieurs visages demandent un peu plus de configuration car le détecteur trouve tous les visages et les traite par lot, mais les paramètres s'appliquent de façon uniforme. Si vous avez un visage bien éclairé et un visage dans l'ombre, le même denoise peut être bon pour l'un et mauvais pour l'autre.

La solution est le detailing multi-passes avec des réglages différents par passe :

Passe 1 : Detailing agressif pour les cas problématiques (denoise 0.5, tous les visages) Passe 2 : Affinage prudent pour la version la plus propre (denoise 0.3, tous les visages)

Le schéma à deux passes produit de meilleurs résultats que n'importe quel réglage à passe unique car la passe 1 corrige les problèmes structurels majeurs et la passe 2 polit sans introduire de changements. Le temps total par image augmente d'environ 30 pour cent (chaque passe ajoute environ 3 à 5 secondes sur une RTX 4090), mais le gain de qualité est substantiel pour le travail de production.

Pour les scènes NSFW à plusieurs personnages en particulier, vous pouvez aussi lancer le face detailer sur un masque par personnage. Utilisez SAM pour segmenter chaque personnage séparément, puis lancez le face detailer sur chaque région masquée avec des LoRA propres à chaque personnage. C'est plus complexe mais cela vous permet de maintenir plusieurs identités de personnage distinctes dans la même image. La configuration demande plus de nuds mais le workflow reste linéaire.

Pipeline Face Detailer plus agrandissement

Le pipeline de production complet que j'utilise ressemble à ceci :

1. Génération initiale en 1024x1024 (ou votre résolution de base)
2. Passe Face Detailer 1 à denoise 0.42
3. (Optionnel) Passe de detailing des mains pour les corrections de mains
4. Agrandissement à 2048x2048 avec un agrandisseur à modèle (Ultrasharp 4x est mon choix par défaut)
5. Passe Face Detailer 2 à denoise 0.3 sur l'image agrandie
6. (Optionnel) Passe d'amélioration du détail sur la texture du corps

Les étapes 5 et 6 sont là où la magie opère pour le travail de production haut de gamme. Après l'agrandissement, le visage dispose de plus de pixels, et une passe de face detailer à faible denoise peut ajouter du micro-détail (pores, reflets dans les yeux, mèches de cheveux) qui n'était pas possible à la résolution inférieure. C'est la différence entre "une bonne image IA" et "une image IA de qualité photographique".

Temps de génération total sur une RTX 4090 pour ce pipeline complet :

• Génération initiale : 5 à 7 secondes
• Passe Face Detailer 1 : 3 à 4 secondes
• Detailing des mains : 4 à 5 secondes
• Agrandissement : 8 à 12 secondes
• Passe Face Detailer 2 : 4 à 6 secondes (plus de pixels)
• Total : 24 à 34 secondes par image

C'est beaucoup pour une seule image, mais chaque étape ajoute de la qualité et le résultat est véritablement meilleur que si l'on en sautait une. Pour la production par lot, cela donne 100 à 150 images par heure. Pour des plans phares ponctuels, cela vaut la peine de prendre le temps sur chacun.

Téléchargement du workflow

Le fichier JSON complet du workflow pour ce pipeline est simple à assembler à partir des nuds décrits ci-dessus, mais voici quelques conseils de configuration qui font gagner du temps :

• Utilisez le nud Reroute pour garder votre graphe de modèle principal et votre graphe de face detailer visuellement séparés
• Sauvegardez le workflow comme modèle une fois qu'il fonctionne (clic droit puis Save as template)
• Réglez les valeurs par défaut des paramètres de FaceDetailer une fois et clonez le nud quand vous avez besoin de plusieurs passes
• Gardez le bbox_threshold assez bas pour capter les détections limites mais pas au point d'obtenir des faux positifs sur des traits du corps

Pour les personnes qui ne veulent pas assembler tout cela de zéro, le dépôt GitHub de ComfyUI Impact Pack contient des exemples de workflows dans le dossier workflows. L'exemple basic_pipe couvre la configuration standard. Les sites communautaires de workflows comme RunComfy hébergent des configurations plus élaborées, y compris des variantes multi-passes et à personnage cohérent.

Si maintenir ce workflow vous-même ressemble à du travail, c'est légitime. Lewdly.ai exécute le pipeline équivalent automatiquement. Le detailing de visage se produit sur chaque génération sans que le créateur ait à penser aux graphes de nuds. Pour la plupart des créateurs NSFW dont le métier est le contenu et non l'infrastructure, ce niveau d'abstraction est le bon. En toute transparence, je participe à sa construction.

Foire aux questions

Quel denoise devrais-je utiliser dans Face Detailer pour le NSFW ? Pour la plupart du travail NSFW photoréaliste, 0.42 est le point idéal. La valeur par défaut de 0.5 sur-modifie les visages et peut dériver de votre personnage voulu. En dessous de 0.4, c'est trop prudent pour corriger les problèmes structurels. Utilisez 0.42 comme valeur par défaut et ajustez à partir de là.

Pourquoi FaceDetailer échoue-t-il avec une UnpicklingError ? PyTorch 2.6 et plus utilise par défaut weights_only=True pour torch.load(), ce qui rejette les objets Python des modèles YOLO. Mettez à jour Impact-Subpack vers la dernière version. La version actuelle inclut un chargeur corrigé qui gère cela correctement.

Puis-je lancer Face Detailer sans SAM ? Oui. L'entrée sam_model_opt est optionnelle. Sans SAM, vous obtenez un masque rectangulaire de boîte englobante au lieu d'une segmentation précise. La qualité est légèrement inférieure car la régénération affecte plus de pixels environnants que nécessaire, mais le résultat reste utilisable dans la plupart des cas.

Ai-je besoin d'un LoRA de visage pour la cohérence du personnage ? Pas strictement. Si votre prompt et votre seed sont cohérents, les visages seront à peu près cohérents d'une génération à l'autre. Un LoRA de visage resserre cela de façon significative. Le schéma du LoRA intégré à FaceDetailer que j'ai décrit donne les meilleurs résultats car le LoRA n'affecte que la région du visage.

Quelle est la différence entre Face Detailer et ADetailer ? ADetailer est l'équivalent sous A1111/Forge de la même idée. Le FaceDetailer de ComfyUI (de l'Impact Pack) offre plus d'options de configuration mais fonctionne sur le même principe. Tous deux détectent un visage, le recadrent, l'agrandissent, le régénèrent et le recollent. La qualité est à peu près équivalente. ComfyUI vous donne plus de contrôle sur le workflow.

Devrais-je lancer Face Detailer avant ou après l'agrandissement ? Les deux. Passe 1 avant l'agrandissement (corrige les problèmes structurels à faible coût). Passe 2 après l'agrandissement à denoise plus bas (ajoute du détail au visage en résolution supérieure). Ce schéma à deux passes autour de l'agrandissement est le standard de production pour une sortie haut de gamme.

Face Detailer fonctionne-t-il avec les modèles Flux ? Oui. Le nud FaceDetailer est agnostique au modèle. Il fonctionne avec Flux, SDXL, Pony et tout autre modèle de diffusion pris en charge par ComfyUI. Les performances sont plus lentes sur Flux car l'étape de génération sous-jacente est plus lente.

Comment empêcher Face Detailer de changer l'identité du personnage ? Baissez le denoise (0.35 à 0.42), gardez le CFG modéré (5 à 7), et évitez dans le prompt positif du detailer les tokens qui changent les traits du personnage. Si vous utilisez un LoRA de personnage, appliquez-le à l'intérieur de FaceDetailer à pleine intensité pour ancrer l'identité.

Pourquoi ma sortie Face Detailer paraît-elle trop lissée ? Un denoise trop élevé associé à un modèle ayant un biais de peau lisse produit des visages trop lissés. Descendez le denoise à 0.4. Ajoutez "skin texture, pores, natural skin" au prompt positif. Réduisez les poids des LoRA de beauté à l'intérieur du detailer.

Puis-je détailler les mains avec le même nud ? L'Impact Pack est livré avec un modèle de détection hand_yolov8s.pt et le même nud FaceDetailer peut cibler les mains en remplaçant l'entrée bbox_detector. Il existe aussi un HandDetailer dédié dans certaines versions de l'Impact Pack. Les deux fonctionnent de façon similaire. Le detailing des mains veut généralement un denoise plus élevé (0.5 à 0.6) que celui du visage car les problèmes structurels y sont plus sévères.

Le bon modèle mental

Face Detailer n'est pas un amplificateur de qualité, c'est un répartiteur de résolution. La raison pour laquelle il fonctionne, c'est que les modèles IA ont un budget d'attention fixe par pixel et que les régions de visage dans les compositions centrées sur le corps en sont affamées. En recadrant et en régénérant, vous donnez au visage son propre budget d'attention complet à une résolution effective plus élevée. Une fois que vous avez intégré cela, les bons réglages deviennent évidents. Un denoise plus bas préserve ce que le modèle a déjà bien fait. Un denoise plus élevé corrige les problèmes structurels mais risque la dérive du personnage. Le multi-passes consiste simplement à faire tourner le budget deux fois avec des priorités différentes.

Ce workflow est mon réglage par défaut pour le travail de production NSFW depuis 18 mois et c'est sincèrement le plus gros gain de qualité que j'aie jamais ajouté à un pipeline. Si vous ne faites pas tourner Face Detailer sur chaque image NSFW photoréaliste que vous générez, vous laissez beaucoup de qualité sur la table. La configuration prend 30 minutes la première fois. La différence de qualité est permanente.

Les ressources de référence incluent le GitHub de l'Impact Pack, le tutoriel du ComfyUI Wiki sur Face Detailer, et le workflow face detailer publié par ThinkDiffusion qui offre une référence visuelle claire pour le graphe de nuds.