这节课我们继续去学习 Controlnet 预处理器中的脸部与姿势预处理器，这也是我们在应用 Controlnet 时最常用的一种控制方式之一，应用姿势能让我们生成的图象与输入的脸部与姿势数据保持一致性。
一、DW 姿势预处理器
①先容：从图象中提炼手部、身体、脸部姿势信息并生成骨架图；
②检测手部、身体、脸部：这不用说了吧，关掉就不会生成此部位骨架图，开启就会生成此部位骨架图；
③BBox 检测：边界框检测器，用于检测图象中的对象并标识其位置（比如用来框选空姐在图中的位置）；
④姿势预估：姿势预估模型，通过此模型提炼人/动物的姿势特征，也是我们这个预处理器最重要的算法；
⑤姿势关键点：用来保存姿势关键点成 json 文件和给姿势关键点脸部上色的，左键点住向外拖就能看到“保存姿势关键点”和“姿势关键点脸部上色”。
⑥对应模型：
SD1.5 模型：control_v11p_sd15_openpose、t2iadapter_openpose_sd14v1
SDXL 模型：暂无
⑦成果预览：
二、Openpose 姿势预处理器
①先容：从图象中提炼手部、身体、脸部姿势信息并生成骨架图，成果不如 DW 姿势预处理器；
②检测手部、身体、脸部：同 DW 姿势预处理器；
③对应模型：
SD1.5 模型：control_v11p_sd15_openpose、t2iadapter_openpose_sd14v1
SDXL 模型：暂无
④成果预览：
三、Dense 姿势预处理器
①先容：通过不同色彩来区分人体部位，达到控制姿势的成果。实际上 Dense 应该归类为语义分割（我们后面会讲），从控制成果上来说不如我们说过的 DW 姿势 灵活；
②模型：有两个模型 r50 和 r101，我们用 r50 就可以，这个检测的成果最好；
③色彩映照：色彩映照是一种将数据值映照到色彩的过程，通过色彩映照，可以应用不同的色彩来表示数据的不同数值。这些色彩来自于预定义的调色板，我们这里选择的就相当于另一个调色板（色彩映照不改变图象的细节或数据本身，只是改变了用来表示数据的色彩）；
④对应模型：
SD1.5 模型：controlnetFor_v10
SDXL 模型：暂无
⑤成果预览：
⑥说个题外知识：
如果有同学们了解过字节开源的 Magic Animate 可能会对处理后的图象眼熟。没错，字节的这个项目就用到了 DensePose，我们给一个图片和 DensePose 就能得到一个视频（如下）；
青龙大佬做了这个项目的整合包，也有 ComfyUI 作者写了这个项目的插件，让我们可以在 ComfyUI 上应用，也有个部署在 Hugging Face 上的可以免费应用。感兴趣的可以研究一下，我就不多先容了（建议应用青龙大佬的整合包，更方便一些）。
青龙大佬的整合包： https://www.bilibili.com/video/BV13b4y1j71m/?
ComfyUI-MagicAnimate 插件： https://github.com/thecooltechguy/ComfyUI-MagicAnimate
Hugging Face 体验地址： https://huggingface.co/spaces/zcxu-eric/magicanimate
注意：显存至少 12GB；
四、MediaPipe 脸部网格预处理器
①先容：通过对图象人脸识别实现脸部稳定，比如我们要生成一个有特定表情的人物，但是关键词并不能详细的描述出来，我们就可以找一张这个表情的图象进行识别。现在用的比较少，DW 姿势预处理器完全可以代替；
②最大脸部数量：指定最大检测的脸部个数（最多识别 50 个）；
③最小置信度：指定判定为脸部的最小阈值（数值不是越大越好，识别成果，取决于加载图象的质量）；
④对应模型：
SD1.5 模型：control_v2p_sd15_mediapipe_face
SDXL 模型：暂无
⑤成果预览：
五、AnimaIPose 动物姿势预处理器
①先容：从图象中提炼动物骨骼姿势；
②BBox 检测：边界框检测器，用于检测图象中的对象并标识其位置（比如用来框选萨摩耶在图中的位置）
③姿势预估：姿势预估模型，通过此模型提炼人/动物的姿势特征，也是我们这个预处理器最重要的算法；
④对应模型：
SD1.5 模型：control_sd15_animal_openpose_fp16
SDXL 模型：暂无
⑤成果预览：