ComfyUI 如何部署 Docker 镜像到生产环境

大家好，我是白日梦想家 Nexmoe。近期，我将一套基于 Docker 打包的 ComfyUI 弹性 Serverless 应用进行了开源，该应用具备完整的前后端分离架构以及用户友好的界面。

在完成 ComfyUI 工作流的开发后，把它部署到生产环境是一件较为棘手的事情。因此，我开源了一套案例，以供大家学习参考。

Demo：https://hadoop.nexmoe.com/

开源地址：nexmoe/serverless-comfyui: 一个基于 Docker 的 ComfyUI 弹性 Serverless 应用，提供完整的前后端分离架构和用户友好的界面。

项目特点

完整的 Docker 化部署方案
现代化的前端界面
模块化的后端架构
简单的配置和使用方式

架构图

项目结构

comfy-docker/ ├── frontend/ # Next.js 前端项目 │ ├── src/ # 源代码 │ └── .env # 环境配置 ├── backend/ # ComfyUI 后端 │ ├── checkpoints/ # 模型检查点 │ ├── controlnet/ # ControlNet 模型 │ ├── custom_nodes/ # 自定义节点 │ └── loras/ # LoRA 模型 └── bruno/ # API 测试文件

frontend/ 目录结构如下，模型和自定义节点需要自行下载安装

. ├── Dockerfile ├── checkpoints │ └── dreamshaperXL_sfwV2TurboDPMSDE.safetensors ├── controlnet │ ├── sai_xl_canny_256lora.safetensors │ └── sai_xl_depth_256lora.safetensors ├── custom_nodes │ ├── ComfyUI-Custom-Scripts │ ├── ComfyUI-WD14-Tagger │ ├── ComfyUI_Comfyroll_CustomNodes │ ├── comfyui-art-venture │ └── comfyui_controlnet_aux ├── docker-compose.yml ├── loras │ └── StudioGhibli.Redmond-StdGBRRedmAF-StudioGhibli.safetensors ├── provisioning.sh // 自定义脚本 └── sanhua.json // 工作流

环境要求

Docker & Docker Compose
NVIDIA GPU（当前演示工作流需要 12G 显存以上）
足够的磁盘空间（100G~200G）用于存储模型

快速开始

后端本地测试

进入后端 Dockerfile 目录

cd backend

下载模型文件

请参考：https://gongjiyun.com/docs/tutorials/comfyui.html#下载模型和扩展

构建 Docker 镜像

docker build -t gongji/comfyui:0.1 .

运行 Docker 容器

docker run -it --rm --gpus all -p 3000:3000 -p 8188:8188 --name comfyui gongji/comfyui:0.1

容器启动后可以访问：

ComfyUI 界面：http://localhost:8188
API 接口：http://localhost:3000/docs

前端本地测试

进入前端目录

cd frontend

配置环境变量

cp .env.example .env # 编辑 .env 文件配置必要的环境变量

安装依赖并启动

pnpm install pnpm dev

ComfyUI Docker 部署到 Serverless 弹性平台

请参考共绩科技的 ComfyUI 部署文档

API 文档

项目使用 Bruno 进行 API 测试和文档管理，相关文件位于 bruno/ 目录。

ComfyUI API 调用示例

以下是调用 ComfyUI API 的示例代码（参考 frontend/src/app/api/route.ts）：

async function generateImage(imageUrl: string) { // 1. 准备 prompt 数据 const promptData = { ...promptob }; // 从 JSON 文件导入基础 prompt promptData.prompt["30"].inputs.image = imageUrl; // 修改输入图片 // 2. 设置请求选项 const url = `${process.env.GONGJI_ENDPOINT}/prompt`; const options = { method: 'POST', headers: { 'content-type': 'application/json' }, body: JSON.stringify(promptData) }; // 3. 发送请求 const response = await fetch(url, options); const data = await response.json(); // 4. 错误处理 if (response.status !== 200) { throw new Error(response.statusText); } // 5. 处理返回的图片数据 if (data.images && data.images.length > 0) { return data.images[0]; // 返回 base64 格式的图片数据 } else { throw new Error('没有返回有效的图片数据'); } }

主要步骤说明：

准备 Prompt： - 从 JSON 文件导入基础 prompt 配置 - 根据需要修改 prompt 中的参数（如输入图片）
发送请求： - 使用 POST 方法 - Content-Type 设置为 application/json - 请求体为序列化后的 prompt 数据
处理响应： - 检查响应状态码 - 解析返回的 JSON 数据 - 提取生成的图片（base64 格式）
错误处理： - 记录错误日志 - 抛出适当的错误信息