ControlNet (forza di controllo)
ControlNet è un modulo aggiuntivo che vincola la generazione dell'immagine alla geometria di una figura di supporto, come contorni definiti, mappe di profondità o scheletri di posa. Il parametro di forza (conditioning scale) stabilisce quanto rigidamente l'algoritmo debba seguire questa traccia rispetto alla descrizione testuale.
Noto anche come: ControlNet, conditioning scale, controlnet strength, canny, depth, pose
Prima e dopo: la mia prova




Modello: Stable Diffusion XL 1.0 (przez API fal.ai, 30 kroków, CFG 7,5) + ControlNet canny SDXL. Impostazioni: contorni dall'immagine del test sui passaggi, seed 1411, varia solo conditioning_scale. Data: 14.11.2026.
Prompt: a bronze metal teapot and two cups on a marble table, studio photo
Impostando la forza su 0,3 il modello ha interpretato le linee guida con molta libertà: ha aggiunto una seconda teiera con manico, una ciotola e ha stravolto la disposizione del tavolo. Con un valore di 0,9 la brocca e la tazza sono rimaste esattamente nella posizione originale, con la medesima angolazione e dimensione, mentre dal prompt sono arrivati solo i materiali: bronzo e marmo. Avendo ricavato i contorni con un semplice filtro di rilevamento bordi, la mappa ha catturato anche il rumore delle venature del legno: alzando troppo la forza, questi elementi spuri finiscono per sporcare l'opera finale.
Come si chiama in ciascun generatore
| Generatore | Parametro | Valori | Predefinito |
|---|---|---|---|
| Stability AI (SD 3.5) | Control: Structure / Sketch - control_strengthValore dall'endpoint Structure | 0-1 | 0.7 |
| ComfyUI | ControlNetApplyAdvanced: strength, start_percent, end_percentIntervalli dal codice nodes.py (docs.comfy.org non li riporta) | strength 0.0-10.0 (passo 0.01); start/end 0.0-1.0 (passo 0.001) | strength 1.0; start 0.0; end 1.0 |
| Midjourney | nessuno | - | - |
| FLUX | nessun ControlNet nell'API; composizione tramite bounding boxes (FLUX 3) | box [top, left, bottom, right] su griglia 0-1000 | - |
| Ideogram | nessuno (bbox nei prompt JSON 4.0/4.5) | - | - |
| GPT Image | nessuno | - | - |
- Fonti, verificate il 14.11.2026:
- Stability AI: docs.stability.ai/api-reference/control/structure.md
- ComfyUI: raw.githubusercontent.com/comfyanonymous/ComfyUI/master/nod...
- Midjourney: docs.midjourney.com/hc/en-us/articles/32859204029709-Parame...
- FLUX: docs.bfl.ml/flux_3/flux3_image_overview.md
- Ideogram: docs.ideogram.ai/prompting/text-in-images
- GPT Image: developers.openai.com/api/docs/guides/image-generation
Quando usarlo
- Per cambiare stile, illuminazione o materiali di un catalogo prodotti mantenendo la composizione identica
- Per impostare la posa esatta di un soggetto tramite scheletri OpenPose nella creazione di storyboard e fumetti
- Per ridipingere il rendering di un interno senza alterare la prospettiva architettonica grazie alle mappe di profondità
Errore tipico
Impostare una forza pari a 1,0 o superiore in presenza di una mappa di contorno rumorosa: il sistema ricostruirà con ostinazione anche graffi, venature o imperfezioni involontarie. Un altro errore frequente è associare pesi di ControlNet non allineati all'architettura specifica del modello base caricato, provocando output illeggibili o blocchi nel software.
Esempio pronto da copiare
ComfyUI: Apply ControlNet -> strength = 0.8, start_percent = 0.0, end_percent = 1.0 Stability (Control): /control/structure con "control_strength": 0.7
Domande frequenti
Cosa fa il pre-processore Canny in ControlNet?
Rileva i bordi netti e i dettagli di contorno dell'immagine pilota, imponendo al generatore di disegnare il nuovo soggetto dentro quelle precise sagome.
Qual è il valore ideale di conditioning scale?
Per la maggior parte dei progetti visivi il bilanciamento ideale si attesta tra 0,6 e 0,8: la struttura originale rimane solida senza soffocare la creatività del prompt.
A cosa serve impostare inizio e fine percentuale del controllo?
Permette di applicare la guida solo nelle prime fasi di generazione per stabilire la scena globale, lasciando al modello la libertà di rifinire texture e microdettagli nelle fasi finali.
Quale differenza c'è tra un controllo canny e una mappa depth?
Canny segue i contorni bidimensionali come un disegno a china, mentre Depth calcola la distanza nello spazio tridimensionale, ideale per non distorcere le volumetrie delle stanze.
