ComfyUI新手入门：节点式AI绘画完全教程 – wiki大全

作者： /

ComfyUI新手入门：节点式AI绘画完全教程

在当下蓬勃发展的AI绘画领域，Stable Diffusion无疑是中流砥柱。而ComfyUI，作为Stable Diffusion的一种独特图形用户界面（GUI），正凭借其无与伦比的灵活性和高效性，逐渐成为越来越多AI艺术家的首选工具。如果你厌倦了传统WebUI的固定流程，渴望对AI绘画的生成过程拥有更细致、更直观的掌控，那么ComfyUI将为你打开新世界的大门。

本教程旨在为ComfyUI的初学者提供一个全面的入门指南，从基础概念到实际操作，助你轻松迈入节点式AI绘画的精彩世界。

一、什么是ComfyUI？为何选择它？

ComfyUI是一个基于节点的Stable Diffusion图形用户界面。与AUTOMATIC1111等传统WebUI的线性操作界面不同，ComfyUI将AI绘画的每一个步骤都抽象为独立的“节点”，并通过线条连接这些节点，形成一个可视化的“工作流”（Workflow）。

为什么选择ComfyUI？

  1. 极致的灵活性与控制力： 节点式设计意味着你可以像搭建积木一样，自由组合和调整每一个生成步骤。这让你能够精确控制模型的输入、输出、采样器、编码器等所有参数，实现高度定制化的效果。
  2. 高效与低显存占用： ComfyUI以其高度优化的设计著称，在相同配置下，通常能比其他WebUI更快地生成图像，并显著降低显存（VRAM）的占用，这对于显存有限的用户来说尤为重要。
  3. 工作流的可复用性与分享： 你可以轻松保存和加载整个工作流，方便复用和分享给他人。许多社区成员会分享他们的创意工作流，让你能够站在巨人的肩膀上，快速学习和实验。
  4. 清晰的逻辑与可追溯性： 节点连接的视觉化特性，使得整个图像生成过程的逻辑一目了然。每个节点的输入和输出都清晰可见，便于调试和理解。
  5. 强大的可扩展性： ComfyUI拥有活跃的社区，大量的自定义节点（Custom Nodes）不断涌现，可以实现各种高级功能，如ControlNet、Inpainting、Upscaling、蒙版操作等。

虽然ComfyUI的学习曲线可能比其他WebUI略陡峭，但一旦掌握，它将为你带来前所未有的创作自由和效率提升。

二、ComfyUI的安装与初次启动

1. 系统要求

  • 操作系统： Windows, Linux, macOS
  • 显卡： 推荐NVIDIA RTX系列显卡，显存8GB及以上为佳（虽然ComfyUI对显存要求较低，但更大的显存能处理更复杂的模型和更大的图片）。AMD显卡和Apple Silicon用户也都有相应的安装方法。
  • Python环境： 通常需要Python 3.10或更高版本。

2. 安装方法（以Windows为例）

最简单的方式是下载整合包（Portable Version）或通过GitHub仓库安装。

方法一：下载整合包 (推荐新手)

许多社区或模型下载网站会提供预配置好的ComfyUI整合包，通常包含Python环境和必要的依赖。
1. 前往相关网站（如Civitai、秋叶整合包等）下载最新的ComfyUI整合包。
2. 解压到一个你希望安装的路径（确保路径中不包含中文或特殊字符）。
3. 双击运行 run_nvidia_gpu.bat (NVIDIA显卡) 或 run_cpu.bat (CPU运行，速度较慢) 文件即可启动。

方法二：通过GitHub仓库安装 (适合有一定经验的用户)

  1. 安装Git： 如果没有安装Git，请先安装。
  2. 安装Python： 确保安装了Python 3.10或更高版本，并在安装时勾选“Add Python to PATH”。
  3. 克隆仓库： 打开命令行（CMD或PowerShell），进入你希望安装ComfyUI的目录，运行：
    bash
    git clone https://github.com/comfyanonymous/ComfyUI.git
    cd ComfyUI
  4. 安装依赖： 运行以下命令安装必要的Python库：
    bash
    pip install -r requirements.txt
  5. 启动： 运行 python main.py --cuda (NVIDIA显卡) 或 python main.py (CPU) 即可启动。

无论哪种方式，成功启动后，你的浏览器会自动打开ComfyUI的Web界面，通常是 http://127.0.0.1:8188。

三、ComfyUI界面概览

ComfyUI的界面简洁而强大，主要由以下几个区域组成：

  1. 节点工作区 (Canvas)： 这是你构建工作流的主要区域，所有节点都在这里拖拽、连接。
  2. 右侧面板 (Properties/Queue)：
    • Queue Prompt (排队生成): 点击此按钮，ComfyUI将按照工作流进行图像生成。
    • Extra Options (额外选项): 包含加载/保存工作流、清除工作流等功能。
    • Prompt History (提示历史): 记录你每次生成所使用的参数和工作流。
  3. 左侧面板 (Menu/Groups):
    • Load Default (加载默认工作流): 恢复到ComfyUI的默认空白工作流。
    • Save (保存工作流): 将当前工作流保存为JSON文件。
    • Load (加载工作流): 从JSON文件加载工作流。

基本操作：
* 拖拽： 用鼠标中键或右键拖拽，可以移动画布。
* 缩放： 滚动鼠标滚轮可以缩放画布。
* 添加节点： 在空白处双击鼠标，或右键点击选择“Add Node”，会出现节点搜索框。输入节点名称即可添加。
* 连接节点： 拖拽节点的输出端口（右侧小圆点）到另一个节点的输入端口（左侧小圆点）即可连接。

四、理解节点式AI绘画

1. 什么是节点？

在ComfyUI中，每一个节点都代表了AI绘画流程中的一个特定功能或数据。例如：
* Load Checkpoint: 加载Stable Diffusion模型文件。
* CLIP Text Encode: 将文本提示词（Prompt）编码成模型可以理解的向量。
* KSampler: 执行扩散模型的核心采样过程，从噪声中生成图像。
* VAE Decode: 将模型生成的潜在空间图像解码为我们能看到的像素图像。
* Save Image: 将最终图像保存到本地。

节点有输入端口（左侧）和输出端口（右侧），数据流从左向右，一步步处理，最终生成图像。

2. 常见节点类型与功能

  • Loader (加载器): 用于加载模型（Checkpoint）、LoRA、VAE、ControlNet等文件。
  • CLIP (文本编码): 将正向和反向提示词转换为模型可用的表示。
  • Sampler (采样器): 决定图像生成的核心算法，如Euler A、DPM++ 2M Karras等。
  • Model (模型): 通常指Checkpoint加载后，模型本身的一个组件。
  • VAE (变分自编码器): 用于将潜在空间（Latent Space）中的数据转换为像素空间（Pixel Space）的图像，反之亦然。
  • Latent (潜在空间): 指的是图像在模型内部表示的一种压缩形式。许多操作（如采样）都是在这个空间进行的。
  • Image (图像): 像素形式的图像数据。
  • Conditioning (条件): 文本提示词经过CLIP编码后的信息，用于引导图像生成。
  • Primitive (基本数据): 如整数、浮点数、布尔值等，常用于控制其他节点的参数。

五、构建你的第一个AI绘画工作流：文生图 (Text-to-Image)

ComfyUI的默认工作流就是一个文生图的例子，但我们可以从头开始构建，以便更好地理解。

目标： 输入文本提示词，生成一张图片。

步骤：

  1. 清空画布： 如果画布上有节点，右键点击空白处，选择 Clear 或 Load Default。
  2. 添加 Load Checkpoint 节点： 双击画布或右键 Add Node -> loaders -> Load Checkpoint。
    • 在节点中选择你下载好的Stable Diffusion模型文件（例如：sd_xl_base_1.0.safetensors）。
    • 这个节点有三个输出：MODEL, CLIP, VAE。
  3. 添加 CLIP Text Encode (Prompt) 节点 (正向提示词)：
    • Add Node -> conditioning -> CLIP Text Encode (Prompt)。
    • 将 Load Checkpoint 的 CLIP 输出连接到此节点的 clip 输入。
    • 在 CLIP Text Encode (Prompt) 节点的文本框中输入你的正向提示词，例如：masterpiece, best quality, a beautiful girl, long hair, blue eyes, smiling, in a garden, sunlight。
    • 此节点输出 CONDITIONING。
  4. 添加另一个 CLIP Text Encode (Prompt) 节点 (反向提示词)：
    • 同样添加一个 CLIP Text Encode (Prompt) 节点。
    • 将 Load Checkpoint 的 CLIP 输出连接到此节点的 clip 输入。
    • 在文本框中输入你的反向提示词，例如：bad anatomy, ugly, deformed, extra limbs, watermark, text, signature。
    • 此节点输出另一个 CONDITIONING。
  5. 添加 KSampler 节点： Add Node -> sampling -> KSampler。
    • KSampler 是图像生成的核心。连接以下输入：
      • Load Checkpoint 的 MODEL 连接到 KSampler 的 model。
      • 正向提示词节点的 CONDITIONING 连接到 KSampler 的 positive。
      • 反向提示词节点的 CONDITIONING 连接到 KSampler 的 negative。
    • 在 KSampler 节点中设置参数：
      • seed: 随机种子，可以设置为固定值或-1（随机）。
      • steps: 采样步数，通常20-30步。
      • cfg: Classifier Free Guidance，控制提示词影响力，通常6-8。
      • sampler_name: 采样器，如 dpmpp_2m_sde 或 euler_a。
      • scheduler: 调度器，如 karras 或 exponential。
      • denoise: 去噪强度，文生图通常为1.0。
    • KSampler 输出 LATENT。
  6. 添加 Empty Latent Image 节点： Add Node -> latent -> Empty Latent Image。
    • 此节点定义了生成图像的尺寸和批次大小。
    • 设置 width 和 height (例如：1024×1024 或 512×768)。
    • 将 Empty Latent Image 的 LATENT 输出连接到 KSampler 的 latent_image 输入。
  7. 添加 VAE Decode 节点： Add Node -> latent -> VAE Decode。
    • 将 Load Checkpoint 的 VAE 输出连接到 VAE Decode 的 vae 输入。
    • 将 KSampler 的 LATENT 输出连接到 VAE Decode 的 samples 输入。
    • VAE Decode 输出 IMAGE。
  8. 添加 Save Image 节点： Add Node -> image -> Save Image。
    • 将 VAE Decode 的 IMAGE 输出连接到 Save Image 的 images 输入。

现在，你的第一个文生图工作流就搭建完成了！点击右侧面板的 Queue Prompt 按钮，ComfyUI就会开始生成图像，并在 Save Image 节点下显示结果。

六、扩展你的创作能力：更多节点与工作流

掌握了基础的文生图，你就可以开始探索ComfyUI的更多强大功能：

  1. 图生图 (Image-to-Image / Img2Img)：

    • 核心思路： 加载一张初始图像，结合文本提示词和去噪强度，引导AI基于原图生成新图像。
    • 关键节点： Load Image (加载原始图像), VAE Encode (将图像编码为潜在空间数据), KSampler (设置较低的 denoise 值，如0.5-0.7)。
    • 工作流： Load Image -> VAE Encode -> KSampler (使用编码后的潜在图像作为输入) -> VAE Decode -> Save Image。

  2. SDXL模型的使用：

    • SDXL模型通常需要两个CLIP模型来编码提示词（CLIP Text Encode (Prompt)节点），一个用于基础，一个用于Refiner。
    • 确保你的 Load Checkpoint 节点加载的是SDXL模型。
    • 连接两个 CLIP Text Encode 节点到 KSampler 的 positive 和 negative 输入。

  3. ControlNet：

    • 功能： 精准控制图像的构图、姿态、边缘、深度等，让AI生成更符合你预期的图片。
    • 关键节点： Load ControlNet Model (加载ControlNet模型), ControlNet Apply (将ControlNet应用到模型), Load Image (加载ControlNet引导图，如线稿、骨骼图)。
    • 工作流： 将Load ControlNet Model的输出连接到ControlNet Apply，将Load Image的输出连接到ControlNet Apply的image输入。再将ControlNet Apply的输出连接到KSampler的model输入。

  4. LoRA/Embeddings (Textual Inversion)：

    • 功能： 引入特定风格、人物或概念。
    • 关键节点： LoraLoader (加载LoRA文件)。
    • 工作流： LoraLoader 节点通常放置在 Load Checkpoint 之后，它的 MODEL 和 CLIP 输出连接到后续的 KSampler 和 CLIP Text Encode 节点。

  5. Inpainting/Outpainting (修复/拓展)：

    • 功能： 局部修改图像或扩展图像边界。
    • 关键节点： Load Image (加载原图和蒙版图), VAE Encode (for inpaint) (特殊的编码节点), Set Latent Noise Mask (应用蒙版)。

  6. Upscaling (图像放大)：

    • 功能： 提升图像分辨率和细节。
    • 关键节点： Image Upscale (by) 或 Image Upscale (with Model) (使用ESRGAN等超分模型)。
    • 工作流： VAE Decode -> Image Upscale -> Save Image。

七、ComfyUI高级功能与使用技巧

  1. ComfyUI Manager：

    • 这是ComfyUI生态中一个非常重要的自定义节点，几乎是必装。
    • 安装： 在ComfyUI根目录的 custom_nodes 文件夹中，克隆或下载 ComfyUI-Manager 的GitHub仓库。重启ComfyUI后，右侧面板会出现 Manager 按钮。
    • 功能： 一键安装/更新自定义节点、模型、查找缺失节点、更新ComfyUI等，极大地简化了管理。

  2. 工作流的保存与加载：

    • 保存： 点击右侧面板的 Save，将当前工作流保存为.json文件。
    • 加载： 点击右侧面板的 Load，选择.json文件。
    • 拖拽加载： 更便捷的方式是，将图片生成后的.png文件（通常包含工作流元数据）直接拖拽到ComfyUI画布中，它会自动还原生成该图片时的工作流。

  3. 节点分组 (Group)：

    • 右键点击画布，选择 Add Group，可以创建彩色区域，将相关节点归类，保持工作流整洁。
    • 点击分组标题，可以折叠或展开分组内容。

  4. 自定义节点 (Custom Nodes)：

    • ComfyUI强大的扩展性主要来自于自定义节点。通过ComfyUI Manager，你可以浏览和安装各种强大的自定义节点，实现各种复杂功能。

  5. 优化建议：

    • 批量生成： 在 Empty Latent Image 节点中调整 batch_size 可以一次性生成多张图片。
    • 启用TAESD (如果可用): 某些模型（如SDXL Turbo）支持TAESD，可以显著加速VAE解码过程，大幅提升生成速度。
    • 善用缓存： ComfyUI会缓存一些计算结果，如果你只是修改了采样参数，前面的节点可能不会重新计算。
    • 理解错误信息： 当出现红色节点或错误提示时，仔细阅读信息，通常能找到问题所在（例如模型未加载、节点连接错误）。

  6. 社区资源：

    • Civitai： 不仅有海量模型，很多图片在详情页会附带ComfyUI工作流（通常是PNG Info中的JSON数据）。
    • GitHub/Reddit： ComfyUI的官方仓库和相关社区是获取最新信息、自定义节点和寻求帮助的好地方。

八、结语

ComfyUI虽然初看起来有些复杂，但其背后的节点式逻辑一旦理解，你会发现它提供的自由度是无与伦比的。它不仅是Stable Diffusion的高效运行平台，更是一个让你深入理解AI绘画底层机制的强大工具。

从文生图开始，一步步探索图生图、ControlNet、LoRA，以及各种自定义节点，你会逐渐构建出属于自己的复杂工作流，实现前所未有的创作可能。耐心、实践和探索是掌握ComfyUI的关键。现在，是时候打开你的ComfyUI，开始你的节点式AI绘画之旅了！

滚动至顶部