ComfyUI 文生图保姆级教程:从零搭建 AI 绘画工作流
ComfyUI 作为第三代 AI 绘画工具的代表,凭借可视化的节点式工作流设计,在灵活性与可控性上超越了传统的图形界面工具。其核心优势在于每个生成步骤均以节点形式呈现,用户通过调整连线和参数即可精确控制生成逻辑。此外,ComfyUI 生成的图片内嵌完整工作流信息,支持通过拖入图片直接还原原始节点与参数,极大提升了社区交流与复用的效率。
01安装与环境配置
ComfyUI 提供多种安装方式以适应不同用户的需求。对于国内新手用户,推荐使用秋叶整合包,该版本内置中文界面、预置模型及网络配置工具,解压运行即可使用。对于习惯命令行操作的用户,可通过 Git 克隆官方仓库并安装依赖,或者使用 Python 包管理器进行快速部署。
- 秋叶整合包
前往 B 站搜索并下载最新版本,解压后双击启动器即可运行,适合 Windows 与 Mac 用户。 - 官方源码安装
使用 Git 克隆仓库后,通过 pip 安装 requirements.txt 中的依赖,运行 main.py 启动服务。 - 包管理器安装
在已有 Python 环境下,使用 uv 等工具执行 pip install comfyui,随后运行 comfyui launch。
02核心模型对比与选择
选择合适的模型是搭建工作流的基础。当前主流模型主要分为 SDXL、Pony、Flux 和 SD3.5 四大系列,它们在画质、显存需求和生态成熟度上各有侧重。新手通常建议从 SDXL 系列入手,而追求极致画质的用户可考虑 Flux 系列。
| 对比维度 | SDXL 系列 | Pony 系列 | Flux 系列 | SD3.5 系列 |
|---|---|---|---|---|
| 画质上限 | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐⭐⭐(二次元专精) | ⭐⭐⭐⭐⭐⭐⭐⭐⭐(当前天花板) | ⭐⭐⭐⭐⭐ |
| 出图速度 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐ |
| 显存需求 | 低(8GB 起步) | 中(8GB 起步) | 高(12GB 起步,推荐 16GB+) | 中(12GB 起步) |
| 生态资源 | 极丰富(LoRA 超过 10 万) | 丰富(社区优质微调多) | 增长中(LoRA 数量尚在建设) | 较少 |
| 适合风格 | 通用、日常出图 | 二次元、动漫插画 | 写实、专业创作 | 通用、新架构尝试 |
四大主流模型系列核心参数对比
03搭建基础文生图工作流
ComfyUI 的文生图逻辑遵循一条标准流水线:加载模型、编码提示词、采样生成、解码图像并保存。理解这一流程对于自定义工作流至关重要。默认界面已包含基础的文生图结构,用户只需加载模型并连接节点即可运行。
- 加载模型
使用 Checkpoint 加载器节点加载 .safetensors 格式的大模型。 - 文本编码
利用 CLIP 文本编码器分别处理正面与负面提示词。 - 采样生成
通过 KSampler 节点进行去噪生成,需设置步数、CFG 等关键参数。 - 图像输出
使用 VAE 解码器将 Latent 数据转为像素图像,最后保存至本地。
节点连接的正确性决定了工作流能否运行。Checkpoint 加载器的 model 输出连接至 KSampler,clip 输出连接至两个文本编码器,vae 输出连接至 VAE 解码器。KSampler 的 latent 输出连接至解码器,解码后的 image 输出连接至保存节点。
04进阶技巧与常见问题
- 拖图还原工作流
将 ComfyUI 生成的图片直接拖入画布,可自动还原其包含的所有节点与参数信息。 - 降低显存占用
对于显存不足的用户,可使用 GGUF 量化版模型(如 Q4_K_M),或在启动时添加 --lowvram 参数。 - 安装自定义节点
推荐安装 ComfyUI Manager,通过界面直接搜索并安装 Impact Pack、ControlNet 等常用扩展。
针对生成速度慢的问题,可通过降低分辨率、减少采样步数或使用 Lightning/Turbo 版本模型来优化。若模型下载速度缓慢,建议使用 Hugging Face 镜像站或国内网盘分享的整合资源。掌握节点连接逻辑与参数调节规律,是发挥 ComfyUI 潜力的关键。
当前文章无评论,是时候发表评论了