ComfyUI-WD-Timm-Tagger：基于 timm 的 WD v3 图像标签神器，RTX 5090 实测速度提升 24 倍，彻底告别打标瓶颈

在 ComfyUI 工作流中，图像自动打标（Tagging）是 LoRA 训练、数据集整理及提示词反向工程的关键环节。然而，传统的 ComfyUI-WD14-Tagger 往往因推理速度慢而成为批量处理的瓶颈。ComfyUI-WD-Timm-Tagger 是一个基于 timm 库优化的自定义节点，专为 WD v3 系列模型设计，提供极致的打标速度与灵活性。

• GitHub：https://github.com/bedovyy/ComfyUI-WD-Timm-Tagger

实测数据显示，在 RTX 5090 上处理 291 张图像，该节点仅需 9.34 秒，相比传统节点快了 24 倍以上！无论是大规模数据集清洗，还是实时生图辅助，它都能让你的工作流飞起来。

核心亮点：极速、兼容、灵活

1. 极致性能，批量处理无压力

• 24倍提速：得益于 timm 库的高效实现与硬件加速优化，推理速度呈指数级提升。
• 批量支持：原生支持图像批次输入，通过调整 batch_size 进一步挖掘 GPU 潜力，大幅缩短大规模任务耗时。
• 低延迟体验：即使是单张图像打标，也能实现毫秒级响应，无缝融入实时生成工作流。

2. 全面支持 WD v3 主流模型

内置并自动管理多种高性能 tagging 模型，涵盖不同架构与场景：

• Eva02 Large (wd-eva02-large-tagger-v3)：综合性能最强，推荐首选。
• ViT Large / ViT (wd-vit-large-tagger-v3, wd-vit-tagger-v3)：视觉 Transformer 架构，平衡速度与精度。
• SwinV2 (wd-swinv2-tagger-v3)：滑动窗口 Transformer，擅长捕捉局部细节。
• ConvNext (wd-convnext-tagger-v3)：卷积神经网络架构，稳健可靠。
• Pixai / OppaiOracle：特定社区优化模型，满足特殊需求。
• 自定义模型：只需将模型文件夹放入 models/wd_taggers/，即可自动识别并使用。

3. 精细化控制，满足专业需求

• 双阈值调节：
  • general_threshold：控制通用标签（如 “1girl”, “outdoors”）的置信度门槛。
  • character_threshold：控制角色标签（如特定动漫人物名）的置信度门槛，避免误标。
• 标签过滤：支持 exclude_tags 参数，一键排除不需要的标签（如 “watermark”, “text”）。
• 评级前置：可选 add_rating，在输出字符串前添加安全评级（如 “safe”, “questionable”）。
• 精度选择：支持 auto, bf16, fp16，根据显卡特性优化显存占用与计算速度。

4. 开箱即用，自动管理

• 自动下载：首次使用时，节点会自动从 Hugging Face 下载所需模型至 models/wd_taggers/，无需手动配置。
• 标准输出：
  • STRING：格式化的逗号分隔标签字符串，可直接连接 CLIP Text Encode。
  • RAW：包含 ratings, character, general 详细分数的字典，便于后续逻辑判断或调试。

快速开始

1. 安装节点

cd ComfyUI/custom_nodes/
git clone https://github.com/your-repo/ComfyUI-WD-Timm-Tagger.git
cd ComfyUI-WD-Timm-Tagger
pip install -r requirements.txt

重启 ComfyUI。

2. 使用示例

1. 加载图像：使用 Load Image 或 Image Batch 节点输入图片。
2. 添加 Tagger 节点：搜索并添加 ComfyUI-WD-Timm-Tagger。
3. 连接输入：将图像连接到 image 端口。
4. 配置参数：
   • model_name: 选择 eva02 (推荐)。
   • dtype: 选择 bf16 (若显卡支持) 或 fp16。
   • general_threshold: 默认 0.35，可根据需要调整。
   • character_threshold: 默认 0.75，角色识别敏感时可降低。
5. 获取输出：将 STRING 输出连接到 CLIP Text Encode (Prompt) 的 text 端口，即可用于生图或训练。

3. 性能对比实测 (RTX 5090, 291 张图像)

💡 提示：对于大批量图像处理，建议适当增加 batch_size（如 8, 16, 32），以充分利用 GPU 并行计算能力。