گره `BasicScheduler` برای محاسبه دنباله‌ای از مقادیر سیگما برای مدل‌های انتشار بر اساس زمان‌بند (scheduler)، مدل و پارامترهای نویززدایی ارائه‌شده طراحی شده است. این گره به‌صورت پویا تعداد کل گام‌ها را بر اساس ضریب نویززدایی (denoise) تنظیم می‌کند تا فرآیند انتشار را دقیق‌تر کند و «دستورالعمل‌های» دقیقی برای مراحل مختلف در فرآیندهای نمونه‌گیری پیشرفته که نیاز به کنترل دقیق دارند (مانند نمونه‌گیری چندمرحله‌ای) ارائه دهد.

## ورودی‌ها

| پارامتر | نوع داده | نوع ورودی | پیش‌فرض | محدوده | توصیف استعاری | هدف فنی |
| ----------- | ------------- | ---------- | ------- | --------- | ------------------------------ | ---------------------------- |
| `مدل` | MODEL | ورودی | - | - | **نوع بوم**: جنس بوم‌های مختلف به فرمول‌های رنگ متفاوتی نیاز دارد | شیء مدل انتشار، مبنای محاسبه سیگما را تعیین می‌کند |
| `زمان‌بندی` | COMBO[STRING] | ویجت | - | 9 گزینه | **تکنیک ترکیب**: انتخاب نحوه تغییر غلظت رنگ | الگوریتم زمان‌بندی، نحوه کاهش نویز را کنترل می‌کند |
| `گام‌ها` | INT | ویجت | 20 | 1-10000 | **تعداد ترکیب**: تفاوت دقت 20 بار ترکیب در مقابل 50 بار | گام‌های نمونه‌گیری، بر کیفیت تولید و سرعت تأثیر می‌گذارد |
| `کاهش نویز` | FLOAT | ویجت | 1.0 | 0.0-1.0 | **شدت خلق**: کنترل سطح از تنظیم دقیق تا بازآفرینی کامل | قدرت نویززدایی، از سناریوهای بازآفرینی جزئی پشتیبانی می‌کند |

### انواع زمان‌بند (Scheduler)

بر اساس کد منبع `comfy.samplers.SCHEDULER_NAMES`، از 9 زمان‌بند زیر پشتیبانی می‌کند:

| نام زمان‌بند | ویژگی‌ها | موارد استفاده | الگوی کاهش نویز |
| -------------------- | -------------------- | ---------------------------- | ---------------------------- |
| **normal** | خطی استاندارد | سناریوهای عمومی، متعادل | کاهش یکنواخت |
| **karras** | انتقال نرم | کیفیت بالا، جزئیات غنی | کاهش غیرخطی نرم |
| **exponential** | کاهش نمایی | تولید سریع، کارایی | کاهش سریع نمایی |
| **sgm_uniform** | یکنواخت SGM | بهینه‌سازی مدل خاص | کاهش بهینه‌شده SGM |
| **simple** | زمان‌بندی ساده | آزمایش سریع، استفاده پایه | کاهش ساده‌شده |
| **ddim_uniform** | یکنواخت DDIM | بهینه‌سازی نمونه‌گیری DDIM | کاهش خاص DDIM |
| **beta** | توزیع بتا | نیازهای توزیع خاص | کاهش تابع بتا |
| **linear_quadratic | خطی-درجه دوم | بهینه‌سازی سناریوهای پیچیده | کاهش تابع درجه دوم |
| **kl_optimal** | بهینه KL | بهینه‌سازی نظری | کاهش بهینه‌شده واگرایی KL |

## خروجی‌ها

| پارامتر | نوع داده | نوع خروجی | توصیف استعاری | معنی فنی |
| --------- | --------- | ----------- | ---------------------- | -------------------------------- |
| `sigmas` | SIGMAS | خروجی | **نمودار دستور رنگ**: لیست دقیق غلظت رنگ برای استفاده گام‌به‌گام | دنباله سطح نویز، فرآیند نویززدایی مدل انتشار را هدایت می‌کند |

## نقش گره: دستیار ترکیب رنگ هنرمند

تصور کنید یک هنرمند هستید که می‌خواهد از ترکیبی آشفته از رنگ (نویز) یک تصویر واضح خلق کند. `BasicScheduler` مانند **دستیار حرفه‌ای ترکیب رنگ** شما عمل می‌کند که وظیفه‌اش آماده‌سازی مجموعه‌ای از دستورالعمل‌های دقیق غلظت رنگ است:

### گردش کار

- **گام ۱**: استفاده از رنگ با غلظت ۹۰٪ (سطح نویز بالا)
- **گام ۲**: استفاده از رنگ با غلظت ۸۰٪
- **گام ۳**: استفاده از رنگ با غلظت ۷۰٪
- **...**
- **گام نهایی**: استفاده از رنگ با غلظت ۰٪ (بوم تمیز، بدون نویز)

### مهارت‌های ویژه دستیار رنگ

**روش‌های مختلف ترکیب (زمان‌بند)**:

- **روش ترکیب "karras"**: غلظت رنگ بسیار نرم تغییر می‌کند، مانند تکنیک سایه‌زنی هنرمند حرفه‌ای
- **روش ترکیب "exponential"**: غلظت رنگ به سرعت کاهش می‌یابد، مناسب برای خلق سریع
- **روش ترکیب "linear"**: غلظت رنگ به طور یکنواخت کاهش می‌یابد، پایدار و قابل کنترل

**کنترل دقیق (گام‌ها)**:

- **۲۰ بار ترکیب**: نقاشی سریع، اولویت با کارایی
- **۵۰ بار ترکیب**: نقاشی دقیق، اولویت با کیفیت

**شدت خلق (نویززدایی)**:

- **۱.۰ = خلق کامل جدید**: شروع کامل از یک بوم خالی
- **۰.۵ = نیمه‌تبدیل**: حفظ نیمی از نقاشی اصلی، تبدیل نیمی دیگر
- **۰.۲ = تنظیم دقیق**: فقط انجام تنظیمات جزئی روی نقاشی اصلی

### همکاری با سایر گره‌ها

`BasicScheduler` (دستیار رنگ) → آماده‌سازی دستورالعمل → `SamplerCustom` (هنرمند) → نقاشی واقعی → اثر نهایی

> این مستند با هوش مصنوعی تهیه شده است. اگر خطایی دیدید یا پیشنهادی برای بهبود دارید، خوشحال می‌شویم مشارکت کنید! [ویرایش در GitHub](https://github.com/Comfy-Org/embedded-docs/blob/main/comfyui_embedded_docs/docs/BasicScheduler/fa.md)