ComfyUI完整使用教程与指南

ComfyUI是一款基于节点的Stable Diffusion图形界面工具，允许用户通过拖拽节点构建AI图像生成工作流。该教程介绍了其核心特点包括节点化设计、高度可定制性、批量处理和API接口支持。安装部分详细说明了Windows和Linux系统的安装步骤，以及推荐配置要求。基础节点部分分类解析了加载节点、文本编码、采样节点等核心功能，并提供了CheckpointLoaderSimple、CLIP

坚持学习前端日记

623人浏览 · 2026-03-18 00:37:43

坚持学习前端日记 · 2026-03-18 00:37:43 发布

ComfyUI完整使用教程与指南

1. ComfyUI简介

ComfyUI是一个基于节点的Stable Diffusion图形界面，通过拖拽节点和连接线的方式构建复杂的AI图像生成工作流。

1.1 核心特点

节点化设计：通过节点和连接线构建工作流
高度可定制：支持自定义节点和工作流
批量处理：支持队列和批量生成
API接口：提供完整的HTTP API
跨平台：支持Windows、Linux、macOS

2. 安装与配置

2.1 系统要求

组件	最低配置	推荐配置
操作系统	Windows 10+ / Linux / macOS 10.15+	Windows 11 / Ubuntu 20.04+
CPU	Intel i5 8代+	Intel i7 10代+ / AMD Ryzen 7
内存	16GB	32GB+
显卡	NVIDIA GTX 1060 6GB	NVIDIA RTX 3060 12GB+
显存	6GB	12GB+
存储	20GB SSD	50GB+ NVMe SSD

2.2 安装步骤

Windows安装

# 1. 克隆仓库
git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI

# 2. 创建虚拟环境
python -m venv venv
venv\Scripts\activate

# 3. 安装依赖
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
pip install -r requirements.txt

# 4. 启动ComfyUI
python main.py --listen 0.0.0.0 --port 8188

Linux安装

# 1. 克隆仓库
git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI

# 2. 创建虚拟环境
python3 -m venv venv
source venv/bin/activate

# 3. 安装依赖
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
pip install -r requirements.txt

# 4. 启动ComfyUI
python main.py --listen 0.0.0.0 --port 8188

2.3 目录结构

ComfyUI/
├── models/                          # 模型文件目录
│   ├── checkpoints/                  # 检查点模型（主模型）
│   │   ├── v1-5-pruned-emaonly.safetensors
│   │   └── sd_xl_base_1.0.safetensors
│   ├── vae/                         # VAE模型
│   │   └── vae-ft-mse-840000.safetensors
│   ├── lora/                        # LoRA模型
│   │   └── detail_tweaker.safetensors
│   ├── embeddings/                   # 文本嵌入（Textual Inversion）
│   │   └── negative_hand.safetensors
│   ├── controlnet/                   # ControlNet模型
│   │   ├── control_v11p_sd15_canny.pth
│   │   └── control_v11p_sd15_openpose.pth
│   ├── ipadapter/                    # IP-Adapter模型
│   ├── upscale_models/               # 放大模型
│   ├── clip_vision/                 # CLIP视觉模型
│   └── hypernetworks/               # 超网络模型
├── custom_nodes/                    # 自定义节点
├── input/                          # 输入文件目录
├── output/                         # 输出文件目录
│   ├── images/                      # 图片输出
│   └── videos/                      # 视频输出
├── workflows/                       # 工作流保存目录
├── main.py                         # 主程序
├── server.py                        # 服务器程序
└── requirements.txt                 # 依赖列表

3. 基础节点详解

3.1 核心节点分类

节点类型	功能	常用节点
加载节点	加载模型、VAE、CLIP	CheckpointLoaderSimple, VAELoader, CLIPLoader
文本编码	将文本转换为嵌入	CLIPTextEncode, CLIPTextEncodeSDXL
采样节点	生成图像	KSampler, KSamplerAdvanced
解码节点	潜空间解码	VAEDecode
保存节点	保存输出	SaveImage, SaveImageWebP
图像处理	图像后处理	ImageScale, ImageUpscaleWithModel
条件节点	条件控制	ControlNetApply, IPAdapterAdvanced

3.2 常用节点详解

3.2.1 CheckpointLoaderSimple

功能：加载检查点模型

参数：

{
    "ckpt_name": "v1-5-pruned-emaonly.safetensors"  # 模型文件名
}

输出：

MODEL: 模型
CLIP: CLIP模型
VAE: VAE模型

3.2.2 CLIPTextEncode

功能：将文本提示转换为嵌入向量

参数：

{
    "text": "a beautiful sunset over the ocean",  # 提示词
    "clip": ["1", 1]  # CLIP模型引用
}

输出：

CONDITIONING: 条件嵌入

3.2.3 KSampler

功能：执行采样过程生成图像

参数：

{
    "seed": 123456789,              # 随机种子，-1表示随机
    "steps": 20,                    # 采样步数
    "cfg": 7.0,                    # CFG Scale
    "sampler_name": "euler",         # 采样器名称
    "scheduler": "normal",            # 调度器
    "denoise": 1.0,                # 去噪强度
    "model": ["1", 0],             # 模型引用
    "positive": ["2", 0],           # 正向提示词
    "negative": ["3", 0]            # 负向提示词
}

采样器选项：

euler: Euler采样器，快速
euler_a: Euler Ancestral采样器
dpmpp_2m: DPM++ 2M采样器
dpmpp_2m_sde: DPM++ 2M SDE采样器
ddim: DDIM采样器
uni_pc: UniPC采样器

调度器选项：

normal: 正常调度
karras: Karras调度
exponential: 指数调度
sgm_uniform: SGM均匀调度

3.2.4 VAEDecode

功能：将潜空间解码为图像

参数：

{
    "samples": ["4", 0],  # 采样器输出
    "vae": ["1", 2]       # VAE模型引用
}

输出：

IMAGE: 解码后的图像

3.2.5 SaveImage

功能：保存生成的图像

参数：

{
    "filename_prefix": "ComfyUI",  # 文件名前缀
    "images": ["5", 0]            # 图像引用
}

4. 完整工作流案例

4.1 基础文生图工作流

workflow = {
    "1": {
        "class_type": "CheckpointLoaderSimple",
        "inputs": {
            "ckpt_name": "v1-5-pruned-emaonly.safetensors"
        }
    },
    "2": {
        "class_type": "CLIPTextEncode",
        "inputs": {
            "text": "a beautiful sunset over the ocean, highly detailed, 8k, masterpiece",
            "clip": ["1", 1]
        }
    },
    "3": {
        "class_type": "CLIPTextEncode",
        "inputs": {
            "text": "low quality, blurry, ugly, deformed",
            "clip": ["1", 1]
        }
    },
    "4": {
        "class_type": "KSampler",
        "inputs": {
            "seed": 123456789,
            "steps": 20,
            "cfg": 7.0,
            "sampler_name": "euler",
            "scheduler": "normal",
            "denoise": 1.0,
            "model": ["1", 0],
            "positive": ["2", 0],
            "negative": ["3", 0]
        }
    },
    "5": {
        "class_type": "VAEDecode",
        "inputs": {
            "samples": ["4", 0],
            "vae": ["1", 2]
        }
    },
    "6": {
        "class_type": "SaveImage",
        "inputs": {
            "filename_prefix": "text_to_image",
            "images": ["5", 0]
        }
    }
}

4.2 图生图工作流

workflow = {
    "1": {
        "class_type": "CheckpointLoaderSimple",
        "inputs": {
            "ckpt_name": "v1-5-pruned-emaonly.safetensors"
        }
    },
    "2": {
        "class_type": "LoadImage",
        "inputs": {
            "image": "input.png",
            "choose file to upload": "image"
        }
    },
    "3": {
        "class_type": "VAEEncode",
        "inputs": {
            "pixels": ["2", 0],
            "vae": ["1", 2]
        }
    },
    "4": {
        "class_type": "CLIPTextEncode",
        "inputs": {
            "text": "enhance details, improve quality",
            "clip": ["1", 1]
        }
    },
    "5": {
        "class_type": "CLIPTextEncode",
        "inputs": {
            "text": "low quality, blurry",
            "clip": ["1", 1]
        }
    },
    "6": {
        "class_type": "KSampler",
        "inputs": {
            "seed": 123456789,
            "steps": 20,
            "cfg": 7.0,
            "sampler_name": "euler",
            "scheduler": "normal",
            "denoise": 0.5,  # 图生图通常使用0.3-0.7
            "model": ["1", 0],
            "positive": ["4", 0],
            "negative": ["5", 0],
            "latent_image": ["3", 0]
        }
    },
    "7": {
        "class_type": "VAEDecode",
        "inputs": {
            "samples": ["6", 0],
            "vae": ["1", 2]
        }
    },
    "8": {
        "class_type": "SaveImage",
        "inputs": {
            "filename_prefix": "image_to_image",
            "images": ["7", 0]
        }
    }
}

4.3 ControlNet工作流

workflow = {
    "1": {
        "class_type": "CheckpointLoaderSimple",
        "inputs": {
            "ckpt_name": "v1-5-pruned-emaonly.safetensors"
        }
    },
    "2": {
        "class_type": "ControlNetLoader",
        "inputs": {
            "control_net_name": "control_v11p_sd15_canny.pth"
        }
    },
    "3": {
        "class_type": "LoadImage",
        "inputs": {
            "image": "control_input.png",
            "choose file to upload": "image"
        }
    },
    "4": {
        "class_type": "CannyEdgeDetection",
        "inputs": {
            "image": ["3", 0],
            "low_threshold": 0.1,
            "high_threshold": 0.2
        }
    },
    "5": {
        "class_type": "ControlNetApply",
        "inputs": {
            "conditioning": ["6", 0],
            "control_net": ["2", 0],
            "image": ["4", 0]
        }
    },
    "6": {
        "class_type": "CLIPTextEncode",
        "inputs": {
            "text": "a beautiful landscape",
            "clip": ["1", 1]
        }
    },
    "7": {
        "class_type": "CLIPTextEncode",
        "inputs": {
            "text": "low quality",
            "clip": ["1", 1]
        }
    },
    "8": {
        "class_type": "KSampler",
        "inputs": {
            "seed": 123456789,
            "steps": 20,
            "cfg": 7.0,
            "sampler_name": "euler",
            "scheduler": "normal",
            "denoise": 1.0,
            "model": ["1", 0],
            "positive": ["5", 0],
            "negative": ["7", 0]
        }
    },
    "9": {
        "class_type": "VAEDecode",
        "inputs": {
            "samples": ["8", 0],
            "vae": ["1", 2]
        }
    },
    "10": {
        "class_type": "SaveImage",
        "inputs": {
            "filename_prefix": "controlnet",
            "images": ["9", 0]
        }
    }
}

4.4 LoRA工作流

workflow = {
    "1": {
        "class_type": "CheckpointLoaderSimple",
        "inputs": {
            "ckpt_name": "v1-5-pruned-emaonly.safetensors"
        }
    },
    "2": {
        "class_type": "LoraLoader",
        "inputs": {
            "lora_name": "detail_tweaker.safetensors",
            "strength_model": 0.8,
            "strength_clip": 0.8
        }
    },
    "3": {
        "class_type": "CLIPTextEncode",
        "inputs": {
            "text": "a beautiful sunset, detailed",
            "clip": ["2", 1]
        }
    },
    "4": {
        "class_type": "CLIPTextEncode",
        "inputs": {
            "text": "low quality",
            "clip": ["2", 1]
        }
    },
    "5": {
        "class_type": "KSampler",
        "inputs": {
            "seed": 123456789,
            "steps": 20,
            "cfg": 7.0,
            "sampler_name": "euler",
            "scheduler": "normal",
            "denoise": 1.0,
            "model": ["2", 0],
            "positive": ["3", 0],
            "negative": ["4", 0]
        }
    },
    "6": {
        "class_type": "VAEDecode",
        "inputs": {
            "samples": ["5", 0],
            "vae": ["1", 2]
        }
    },
    "7": {
        "class_type": "SaveImage",
        "inputs": {
            "filename_prefix": "lora",
            "images": ["6", 0]
        }
    }
}

5. 参数详解与调优

5.1 采样参数

Seed（种子）

作用：控制随机性，相同种子产生相同结果
范围：-1（随机）到4294967295
建议：
- 调试时使用固定种子
- 批量生成时使用不同种子

Steps（步数）

作用：采样迭代次数，影响质量和速度
范围：10-150
建议：
- 快速预览：10-15步
- 标准质量：20-30步
- 高质量：40-50步
- 超过50步收益递减

CFG Scale（无分类器引导缩放）

作用：控制提示词的强度
范围：1.0-30.0
建议：
- 默认：7.0
- 创意生成：5.0-8.0
- 严格遵循提示词：10.0-15.0
- 过高会导致图像失真

Denoise（去噪强度）

作用：控制图像变化程度
范围：0.0-1.0
建议：
- 文生图：1.0
- 图生图：0.3-0.7
- 图像编辑：0.1-0.3

5.2 采样器选择

采样器	特点	适用场景	速度
euler	快速，简单	快速预览	⭐⭐⭐⭐⭐⭐
euler_a	更自然	通用场景	⭐⭐⭐⭐⭐
dpmpp_2m	平衡	高质量生成	⭐⭐⭐⭐
dpmpp_2m_sde	高质量	精细细节	⭐⭐⭐
ddim	稳定	视频生成	⭐⭐⭐
uni_pc	新型	实验性	⭐⭐⭐

5.3 提示词工程

正向提示词结构

[主体描述] + [风格修饰] + [质量修饰] + [技术参数]

示例：
"a beautiful sunset over the ocean, oil painting style, highly detailed, 8k resolution, masterpiece, best quality"

负向提示词结构

[质量负面] + [内容负面] + [技术负面]

示例：
"low quality, blurry, ugly, deformed, bad anatomy, watermark, signature"

常用修饰词

质量修饰：

masterpiece - 杰作
best quality - 最佳质量
highly detailed - 高度细节
8k, 4k - 分辨率
sharp focus - 清晰焦点

风格修饰：

oil painting - 油画风格
watercolor - 水彩风格
anime style - 动漫风格
photorealistic - 照片写实
digital art - 数字艺术

负面修饰：

low quality - 低质量
blurry - 模糊
ugly - 丑陋
deformed - 变形
bad anatomy - 解剖错误
watermark - 水印
signature - 签名

6. 模型管理

6.1 主模型（Checkpoints）

Stable Diffusion 1.5系列

v1-5-pruned-emaonly.safetensors - 标准模型
v1-5-inpainting.safetensors - 修复模型
dreamshaper_8.safetensors - 艺术风格

Stable Diffusion XL系列

sd_xl_base_1.0.safetensors - SDXL基础模型
sd_xl_refiner_1.0.safetensors - SDXL细化模型

下载地址

Hugging Face: https://huggingface.co/stabilityai
Civitai: https://civitai.com
模型放置：ComfyUI/models/checkpoints/

6.2 LoRA模型

功能：微调模型，添加特定风格或概念

使用方法：

下载LoRA模型到models/lora/
使用LoraLoader节点加载
设置强度参数（0.0-1.0）

常用LoRA：

detail_tweaker - 细节增强
add_more_details - 增加细节
epi_noiseoffset - 噪声优化

6.3 VAE模型

功能：变分自编码器，影响图像解码质量

常用VAE：

vae-ft-mse-840000.safetensors - 标准VAE
vae-ft-mse-560000-ema-pruned.safetensors - 优化VAE

放置位置：ComfyUI/models/vae/

6.4 ControlNet模型

功能：通过控制图像引导生成

常用ControlNet：

control_v11p_sd15_canny.pth - 边缘检测
control_v11p_sd15_openpose.pth - 姿态控制
control_v11p_sd15_depth.pth - 深度图
control_v11p_sd15_seg.pth - 分割图

放置位置：ComfyUI/models/controlnet/

7. 高级功能

7.1 批量生成

# 批量生成不同种子的图像
seeds = [123456789, 987654321, 555555555]

for seed in seeds:
    workflow["4"]["inputs"]["seed"] = seed
    workflow["6"]["inputs"]["filename_prefix"] = f"batch_{seed}"
    
    response = requests.post(
        f"{comfyui_url}/prompt",
        json={"prompt": workflow, "client_id": f"batch_{seed}"}
    )

7.2 图像放大

workflow = {
    # ... 前面的节点 ...
    "7": {
        "class_type": "ImageUpscaleWithModel",
        "inputs": {
            "upscale_method": "nearest-exact",
            "image": ["6", 0],
            "model": "4x-UltraSharp.pth",
            "factor": 2.0
        }
    },
    "8": {
        "class_type": "SaveImage",
        "inputs": {
            "filename_prefix": "upscaled",
            "images": ["7", 0]
        }
    }
}

7.3 图像修复

workflow = {
    "1": {
        "class_type": "CheckpointLoaderSimple",
        "inputs": {
            "ckpt_name": "v1-5-inpainting.safetensors"
        }
    },
    "2": {
        "class_type": "LoadImage",
        "inputs": {
            "image": "input.png",
            "choose file to upload": "image"
        }
    },
    "3": {
        "class_type": "LoadImageMask",
        "inputs": {
            "image": "mask.png",
            "choose file to upload": "image"
        }
    },
    "4": {
        "class_type": "VAEEncodeForInpaint",
        "inputs": {
            "pixels": ["2", 0],
            "vae": ["1", 2],
            "mask": ["3", 0],
            "grow_mask_by": 6
        }
    },
    "5": {
        "class_type": "CLIPTextEncode",
        "inputs": {
            "text": "restore the damaged area",
            "clip": ["1", 1]
        }
    },
    "6": {
        "class_type": "KSampler",
        "inputs": {
            "seed": 123456789,
            "steps": 20,
            "cfg": 7.0,
            "sampler_name": "euler",
            "scheduler": "normal",
            "denoise": 1.0,
            "model": ["1", 0],
            "positive": ["5", 0],
            "negative": ["5", 1],
            "latent_image": ["4", 0]
        }
    },
    "7": {
        "class_type": "VAEDecode",
        "inputs": {
            "samples": ["6", 0],
            "vae": ["1", 2]
        }
    },
    "8": {
        "class_type": "SaveImage",
        "inputs": {
            "filename_prefix": "inpaint",
            "images": ["7", 0]
        }
    }
}

8. 性能优化

8.1 内存优化

# 启动参数
python main.py --listen 0.0.0.0 --port 8188 --fp16-vae --directml

参数说明：

--fp16-vae: 使用FP16 VAE，减少显存
--directml: 使用DirectML加速（Windows）
--xformers: 使用xformers加速
--force-fp16: 强制FP16精度

8.2 批处理优化

# 使用KSamplerAdvanced进行批量处理
workflow = {
    "1": {
        "class_type": "KSamplerAdvanced",
        "inputs": {
            "add_noise": "enable",
            "noise_seed": 123456789,
            "steps": 20,
            "cfg": 7.0,
            "sampler_name": "euler",
            "scheduler": "normal",
            "start_at_step": 0,
            "end_at_step": 20,
            "return_with_leftover_noise": "disable",
            "model": ["1", 0],
            "positive": ["2", 0],
            "negative": ["3", 0]
        }
    }
}

9. 最佳实践

9.1 工作流组织

模块化设计：将复杂工作流分解为子模块
命名规范：使用有意义的节点ID和文件名
版本控制：保存工作流的不同版本
文档记录：为工作流添加注释和说明

9.2 质量控制

参数调优：逐步调整参数，观察效果
种子控制：使用固定种子进行对比测试
批量验证：生成多个样本选择最佳结果
迭代优化：基于结果不断改进工作流

9.3 错误处理

try:
    response = requests.post(f"{comfyui_url}/prompt", json=payload)
    response.raise_for_status()
except requests.exceptions.RequestException as e:
    print(f"请求失败: {e}")
except json.JSONDecodeError as e:
    print(f"JSON解析失败: {e}")

10. 常见问题与解决方案

10.1 显存不足

问题：CUDA out of memory
解决：

减少batch size
降低分辨率
使用FP16精度
减少采样步数

10.2 生成速度慢

问题：生成时间过长
解决：

减少采样步数
使用更快的采样器
启用xformers加速
升级硬件

10.3 质量不佳

问题：生成图像质量差
解决：

增加采样步数
调整CFG Scale
优化提示词
使用更好的模型

通过以上完整教程，你可以全面了解ComfyUI的使用方法、参数配置、模型管理和最佳实践，从而有效地集成到Dify或其他应用中。

腾讯云开发者社区

腾讯云面向开发者汇聚海量精品云计算使用和开发经验，营造开放的云计算技术生态圈。

更多推荐

Elasticsearch复杂数据类型终极指南：从入门到精通

Elasticsearch作为功能强大的搜索引擎，支持多种复杂数据类型，让开发者能够灵活处理各种结构化和非结构化数据。本文将带你全面了解Elasticsearch中的复杂数据类型，从基础概念到实际应用，助你轻松掌握数据建模的核心技巧。## 内部对象：构建层级化数据结构在Elasticsearch中，对象类型（Object）是最基础的复杂数据类型之一，用于表示具有嵌套关系的数据。例如，我们可

腾讯云开发者社区

终极指南：Flink SQL连接器版本管理从混乱到有序的升级之路

Apache Flink作为流处理领域的佼佼者，其SQL连接器的版本管理一直是开发者面临的核心挑战。本文将系统讲解Flink SQL连接器版本管理的最佳实践，帮助你轻松应对版本兼容性问题，实现从混乱到有序的升级之旅。## 连接器版本管理的常见痛点 😫在Flink应用开发中，连接器版本管理常常让开发者头疼不已。不同版本的连接器可能导致各种兼容性问题，例如API变更、功能差异甚至运行时错误。

腾讯云开发者社区

如何快速搭建Neon无服务器PostgreSQL：面向初学者的完整指南

Neon是一款革命性的无服务器PostgreSQL解决方案，它通过分离存储和计算层，实现了自动扩缩容、类代码式数据库分支以及零级扩展能力。本指南将帮助你从零开始搭建Neon开发环境，体验这款创新数据库的强大功能。## 准备工作：环境要求与依赖项在开始搭建Neon环境前，请确保你的系统满足以下要求：- Linux操作系统（推荐Ubuntu 20.04+或Debian 11+）- Git

腾讯云开发者社区

所有评论(0)

查看更多评论

坚持学习前端日记

@qq_43505774

已为社区贡献4条内容

ComfyUI完整使用教程与指南

坚持学习前端日记

ComfyUI完整使用教程与指南

1. ComfyUI简介

1.1 核心特点

2. 安装与配置

2.1 系统要求

2.2 安装步骤

Windows安装

Linux安装

2.3 目录结构

3. 基础节点详解

3.1 核心节点分类

3.2 常用节点详解

3.2.1 CheckpointLoaderSimple

3.2.2 CLIPTextEncode

3.2.3 KSampler

3.2.4 VAEDecode

3.2.5 SaveImage

4. 完整工作流案例

4.1 基础文生图工作流

4.2 图生图工作流

4.3 ControlNet工作流

4.4 LoRA工作流

5. 参数详解与调优

5.1 采样参数

Seed（种子）

Steps（步数）

CFG Scale（无分类器引导缩放）

Denoise（去噪强度）

5.2 采样器选择

5.3 提示词工程

正向提示词结构

负向提示词结构

常用修饰词

6. 模型管理

6.1 主模型（Checkpoints）

Stable Diffusion 1.5系列

Stable Diffusion XL系列

下载地址

6.2 LoRA模型

6.3 VAE模型

6.4 ControlNet模型

7. 高级功能

7.1 批量生成

7.2 图像放大

7.3 图像修复

8. 性能优化

8.1 内存优化

8.2 批处理优化

9. 最佳实践

9.1 工作流组织

9.2 质量控制

9.3 错误处理

10. 常见问题与解决方案

10.1 显存不足

10.2 生成速度慢

10.3 质量不佳

所有评论(0)

温馨提示：您尚未绑定手机号

坚持学习前端日记