CLIP Vision Encode ノードは、ComfyUI の画像エンコーディングノードであり、CLIP Vision モデルを用いて入力画像を視覚的特徴ベクトルに変換します。このノードは、画像とテキストの理解を結びつける重要な橋渡し役であり、さまざまな AI 画像生成および処理ワークフローで広く利用されています。
ノードの機能
- 画像特徴抽出: 入力画像を高次元の特徴ベクトルに変換します
- マルチモーダル連携: 画像とテキストの統合処理の基盤を提供します
- 条件付き生成: 画像に基づく条件付き生成のための視覚的条件を提供します
入力
出力
この出力オブジェクトには以下のプロパティが含まれます:
last_hidden_state: 最終層の隠れ状態image_embeds: 画像埋め込みベクトルpenultimate_hidden_states: 最終層の直前の隠れ状態mm_projected: マルチモーダル投影結果（利用可能な場合）