ComfyUI工作流介绍

ComfyUI作为Stable Diffusion的新一代图形化工作流工具，相比WebUI提供了更灵活的节点式操作方式。让我们深入了解如何充分利用这个强大的工具。

安装与基础配置

1. 1. 基础环境准备

   # 克隆仓库
   git clone https://github.com/comfyanonymous/ComfyUI.git
   cd ComfyUI
   
   # 创建并激活虚拟环境
   conda create -n comfyui python=3.10
   conda activate comfyui
   
   # 安装依赖
   pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
   pip install -r requirements.txt

2. 2. 模型下载与放置

   # 创建必要的目录
   mkdir -p models/checkpoints
   mkdir -p models/vae
   mkdir -p models/loras
   mkdir -p models/embeddings

   将下载的模型文件放置在对应目录：

• • 基础模型(.safetensors/.ckpt) → models/checkpoints/
• • VAE文件 → models/vae/
• • LoRA文件 → models/loras/
• • Textual Inversion文件 → models/embeddings/

python main.py

工作流设计原理

ComfyUI的核心是基于节点的工作流系统，主要包含以下几类节点：

1. 1. 加载节点

• • CheckpointLoaderSimple：加载基础模型
• • VAELoader：加载VAE模型
• • LoraLoader：加载LoRA模型
• • CLIPTextEncode：处理提示词

• • KSampler：核心采样器节点
• • ImageScale：图像缩放
• • ConditioningCombine：合并条件
• • VAEDecode：VAE解码

• • SaveImage：保存图像
• • PreviewImage：预览图像

常用节点详解

1. 1. 文本编码节点（CLIPTextEncode）

   # 正向提示词示例
   positive_prompt = "masterpiece, best quality, ultra detailed, photograph, 8k uhd"
   
   # 负向提示词示例
   negative_prompt = "lowres, bad anatomy, bad hands, missing fingers"

2. 2. 采样器节点（KSampler）

• • Steps：20-30适合大多数场景
• • CFG Scale：建议值7-9
• • Sampler：推荐Euler a或DPM++ 2M Karras
• • Scheduler：推荐Karras或Simple

# VAE编码和解码流程
vae_encode = VAEEncode()
latent = vae_encode(image)
vae_decode = VAEDecode()
result = vae_decode(latent)

实用工作流示例

1. 1. 基础图像生成工作流

   {
     "last_node_id": 8,
   "last_link_id": 8,
   "nodes": [
       {
         "id": 1,
         "type": "CheckpointLoaderSimple",
         "pos": [100, 100],
         "properties": {
           "ckpt_name": "v1-5-pruned.safetensors"
         }
       },
       {
         "id": 2,
         "type": "CLIPTextEncode",
         "pos": [400, 100],
         "properties": {
           "text": "masterpiece, best quality, ultra detailed, (photorealistic:1.2), 8k uhd, beautiful landscape"
         }
       },
       {
         "id": 3,
         "type": "CLIPTextEncode",
         "pos": [400, 250],
         "properties": {
           "text": "lowres, bad anatomy, text, watermark, signature, blurry"
         }
       },
       {
         "id": 4,
         "type": "KSampler",
         "pos": [700, 100],
         "properties": {
           "steps": 25,
           "cfg": 8,
           "sampler_name": "euler_ancestral",
           "scheduler": "karras",
           "seed": 123456789
         }
       },
       {
         "id": 5,
         "type": "VAEDecode",
         "pos": [1000, 100]
       },
       {
         "id": 6,
         "type": "SaveImage",
         "pos": [1300, 100],
         "properties": {
           "filename_prefix": "comfyui_output"
         }
       }
     ],
   "links": [
       [1, "MODEL", 2, "MODEL"],
       [1, "MODEL", 3, "MODEL"],
       [1, "MODEL", 4, "MODEL"],
       [2, "CONDITIONING", 4, "POSITIVE"],
       [3, "CONDITIONING", 4, "NEGATIVE"],
       [4, "LATENT", 5, "LATENT"],
       [5, "IMAGE", 6, "IMAGE"]
     ]
   }
   

2. 2. ControlNet引导工作流

• • 添加ControlNet预处理节点
• • 将控制图像与原始提示词结合
• • 通过权重调节控制强度

• • 使用图像放大节点
• • 添加后处理效果
• • 合并多个生成结果

性能优化技巧

1. 1. 内存管理

• • 使用合适的批处理大小
• • 及时清理未使用的节点
• • 适当降低采样步数

• • 启用xformers优化
• • 使用半精度推理
• • 选择高效的采样器

• • 模块化设计工作流
• • 使用队列管理批量任务
• • 保存常用工作流模板

常见问题解决

1. 1. 显存不足

   # 修改启动参数
   python main.py --cpu-only # CPU模式
   python main.py --lowvram # 低显存模式

2. 2. 模型加载失败

• • 检查模型文件完整性
• • 确认目录结构正确
• • 验证模型兼容性

• • 检查数据类型匹配
• • 确保节点顺序正确
• • 验证必要节点是否缺失

ComfyUI的强大之处在于其灵活性和可扩展性。通过掌握这些基础知识和进阶技巧，你可以构建出适合自己需求的高效工作流。建议从基础工作流开始，逐步添加复杂功能，最终建立起自己的工作流模板库。