ComfyUI 入门教程

本教程旨在帮助新手快速上手 ComfyUI，一个强大的基于节点的 Stable Diffusion WebUI。

什么是 ComfyUI？

ComfyUI 是一个基于节点的图形用户界面，用于生成 AI 图像。它通过可视化的工作流方式连接各种模块，让你能够：

灵活组合：自由连接不同的模型、采样器、VAE 等
精确控制：每个参数都可以独立调整
工作流复用：保存和分享你的生成流程
高效生成：相比 WebUI 更低的内存占用

安装 ComfyUI

方法一：独立安装（推荐）

bash

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

# 2. 创建虚拟环境（可选但推荐）
python3 -m venv venv
source venv/bin/activate  # Windows: venv\Scripts\activate

# 3. 安装依赖
pip install -r requirements.txt

# 4. 启动
python main.py

方法二：使用整合包

下载整合包（秋葉aaaki 等），解压即用，适合不想折腾的用户。

访问地址

启动后打开浏览器访问：http://127.0.0.1:8188

界面介绍

┌─────────────────────────────────────────────────────────────┐
│  菜单栏 [Queue Prompt] [Clear] [Load] [Save] [Manager]      │
├──────┬──────────────────────────────────────────────────────┤
│      │                                                      │
│ 节点 │                     画布区域                          │
│ 库   │                                                      │
│      │        [KSampler]───[VAE Decode]───[Save Image]     │
│      │            │                                          │
│      │        [CLIP Text Encode]                            │
│      │            │                                          │
│      │        [CLIP Vision Encode]                          │
├──────┴──────────────────────────────────────────────────────┤
│  [Queue Prompt] 状态栏                                       │
└─────────────────────────────────────────────────────────────┘

核心区域

区域	说明
节点库	左侧面板，包含所有可用节点
画布	中间区域，拖拽连接节点构建工作流
队列	底部，显示生成任务进度
图片查看	点击输出端口查看生成的图片

快捷键

快捷键	功能
`Ctrl + Enter`	执行队列
`Ctrl + S`	保存工作流
`Ctrl + L`	加载工作流
`Space`	拖动画布
`Ctrl + 滚轮`	缩放画布
`A`	全选
`Delete`	删除选中

基础工作流

1. 基础文生图

┌─────────────────────────────────────────────┐
│                                             │
│  CLIP Text Encode (正面)                     │
│         │                                   │
│         ▼                                   │
│  KSampler ──► VAE Decode ──► Save Image     │
│         │                                   │
│         ▼                                   │
│  CLIP Text Encode (负面)                     │
│         │                                   │
│         ▼                                   │
│   Load Checkpoint                            │
│                                             │
└─────────────────────────────────────────────┘

步骤：

从节点库拖入 Load Checkpoint（加载基础模型）
拖入 CLIP Text Encode (Prompt)，输入正向提示词
再拖入一个 CLIP Text Encode，输入负向提示词
拖入 KSampler，连接各节点
拖入 VAE Decode 和 Save Image
点击 Queue Prompt

2. 图生图

Load Checkpoint ──► KSampler
                      │
                      ▼
Load Image ──► VAE Encode ──┘
                      │
                      ▼
                 VAE Decode ──► Save Image

3. ControlNet 控制

┌─────────────────────────────────────────────┐
│                                             │
│   Load Checkpoint ──► CLIP Text Encode      │
│           │                                  │
│           ▼                                  │
│   Load ControlNet ──► Apply ControlNet      │
│           │                        │        │
│           ▼                        ▼        │
│   Load Image ─────────► KSampler ──┘        │
│                                     │        │
│                                     ▼       E Decode     │
 │
│                               VA│                                     │        │
│                                     ▼        │
│                               Save Image     │
│                                             │
└─────────────────────────────────────────────┘

常用节点详解

加载类

节点	功能	常用参数
`Load Checkpoint`	加载基础模型	选择 .safetensors/.ckpt
`Load LoRA`	加载 LoRA 模型	模型路径、强度
`Load ControlNet`	加载 ControlNet	模型选择
`Load CLIP`	单独加载 CLIP	配合 Text Encoder 使用
`Load VAE`	加载自定义 VAE	文件路径

采样类

节点	功能	常用参数
`KSampler`	核心采样器	seed、steps、cfg、sampler、scheduler
`KSamplerAdvanced`	高级采样	支持噪波控制、分步脚本

KSampler 参数详解：

python

seed:           # 随机种子，相同种子+参数=相同结果
steps:          # 采样步数，20-50 常用
cfg:            # 提示词引导强度，5-12 常用，越高越贴近提示词
sampler:        # 采样器算法
  - euler       # 快速，效果好
  - euler_a     # 细节丰富
  - dpm2         # 质量高，速度慢
  - ddim         # 快速，适合低步数
scheduler:      # 调度器
  - normal       # 标准
  - karras       # karras 噪声调度，质量提升

编码类

节点	功能
`CLIP Text Encode`	文本编码为向量
`CLIP Vision Encode`	图像编码（用于 IP-Adapter）
`VAE Encode`	图像编码为潜在空间
`VAE Decode`	潜在空间解码为图像

图像处理类

节点	功能
`Load Image`	加载本地图像
`Save Image`	保存图像
`Image Scale`	缩放图像
`Image Crop`	裁剪图像
`Image Blend`	图像混合
`Image Remove Background`	移除背景

辅助类

节点	功能
`CLIP Set Last Layer`	设置 CLIP 层数
`Random Noise`	自定义噪波
`CLIP Skip`	跳过 CLIP 层
`Preview Image`	预览图像

实用工作流示例

示例 1：基础文生图工作流

json

{
  "last_version": 4,
  "nodes": [
    {
      "id": 4,
      "type": "KSampler",
      "pos": [600, 300],
      "size": [315, 370],
      "flags": {},
      "order": 0,
      "mode": 0,
      "inputs": [
        {"name": "model", "type": "MODEL", "link": 5},
        {"name": "positive", "type": "CONDITIONING", "link": 6},
        {"name": "negative", "type": "CONDITIONING", "link": 7},
        {"name": "latent_image", "type": "LATENT", "link": 8}
      ],
      "outputs": [
        {"name": "LATENT", "type": "LATENT", "links": [9]}
      ],
      "properties": {
        "Seed": 123456789,
        "steps": 20,
        "cfg": 7,
        "sampler_name": "euler",
        "scheduler": "normal",
        "denoise": 1
      }
    },
    {
      "id": 5,
      "type": "CLIP Text Encode (Prompt)",
      "pos": [200, 300],
      "size": [350, 150],
      "flags": {},
      "order": 1,
      "inputs": [
        {"name": "clip", "type": "CLIP", "link": 10}
      ],
      "outputs": [
        {"name": "CONDITIONING", "type": "CONDITIONING", "links": [6]}
      ],
      "properties": {
        "prompt": "1girl, beautiful, detailed eyes, sunset background, cinematic lighting"
      }
    },
    {
      "id": 6,
      "type": "CLIP Text Encode (Prompt)",
      "pos": [200, 500],
      "size": [350, 150],
      "flags": {},
      "order": 2,
      "inputs": [
        {"name": "clip", "type": "CLIP", "link": 11}
      ],
      "outputs": [
        {"name": "CONDITIONING", "type": "CONDITIONING", "links": [7]}
      ],
      "properties": {
        "prompt": "bad quality, worst quality, blurry, deformed, ugly"
      }
    },
    {
      "id": 1,
      "type": "Load Checkpoint",
      "pos": [50, 300],
      "size": [140, 250],
      "flags": {},
      "order": 3,
      "outputs": [
        {"name": "MODEL", "type": "MODEL", "links": [5]},
        {"name": "CLIP", "type": "CLIP", "links": [10, 11]},
        {"name": "VAE", "type": "VAE", "links": null}
      ],
      "widgets": [
        {"name": "ckpt_name", "type": "COMBO", "config": ["realisticVision_v51.safetensors"]}
      ]
    },
    {
      "id": 2,
      "type": "VAE Decode",
      "pos": [950, 300],
      "size": [210, 100],
      "flags": {},
      "order": 4,
      "inputs": [
        {"name": "samples", "type": "LATENT", "link": 9},
        {"name": "vae", "type": "VAE", "link": 12}
      ],
      "outputs": [
        {"name": "IMAGE", "type": "IMAGE", "links": [13]}
      ]
    },
    {
      "id": 3,
      "type": "Save Image",
      "pos": [1200, 300],
      "size": [230, 100],
      "flags": {},
      "order": 5,
      "inputs": [
        {"name": "images", "type": "IMAGE", "link": 13}
      ]
    },
    {
      "id": 7,
      "type": "Empty Latent Image",
      "pos": [200, 800],
      "size": [240, 100],
      "flags": {},
      "order": 6,
      "outputs": [
        {"name": "LATENT", "type": "LATENT", "links": [8]}
      ],
      "properties": {
        "width": 512,
        "height": 768
      }
    }
  ],
  "links": [
    [5, "MODEL", 4, "model"],
    [6, "CONDITIONING", 4, "positive"],
    [7, "CONDITIONING", 4, "negative"],
    [8, "LATENT", 4, "latent_image"],
    [9, "LATENT", 2, "samples"],
    [10, "CLIP", 5, "clip"],
    [11, "CLIP", 6, "clip"],
    [12, "VAE", 2, "vae"],
    [13, "IMAGE", 3, "images"]
  ]
}

参数说明

参数	值	说明
Checkpoint	realisticVision_v51	写实人像模型
分辨率	512×768	9:16 竖图
Seed	123456789	固定种子
Steps	20	采样步数
CFG	7	提示词引导强度
Sampler	euler	快速稳定
正面提示词	1girl, beautiful, detailed eyes...	主体 + 细节
负面提示词	bad quality, worst quality...	基础负面

示例 2：LoRA + ControlNet 工作流

json

{
  "last_version": 4,
  "nodes": [
    {
      "id": 1,
      "type": "Load Checkpoint",
      "pos": [50, 200],
      "size": [140, 250],
      "outputs": [
        {"name": "MODEL", "type": "MODEL", "links": [1]},
        {"name": "CLIP", "type": "CLIP", "links": [2, 3]}
      ]
    },
    {
      "id": 2,
      "type": "Load LoRA",
      "pos": [300, 200],
      "size": [300, 200],
      "inputs": [
        {"name": "model", "type": "MODEL", "link": 1},
        {"name": "clip", "type": "CLIP", "link": 2}
      ],
      "outputs": [
        {"name": "MODEL", "type": "MODEL", "links": [4]},
        {"name": "CLIP", "type": "CLIP", "links": [5]}
      ],
      "properties": {
        "lora_name": "animeLinebase_20.safetensors",
        "strength_model": 0.8,
        "strength_clip": 0.8
      }
    },
    {
      "id": 3,
      "type": "Load ControlNet",
      "pos": [50, 500],
      "size": [140, 200],
      "outputs": [
        {"name": "CONTROL_NET", "type": "CONTROL_NET", "links": [6]}
      ],
      "widgets": [
        {"name": "control_net_name", "type": "COMBO", "config": ["control_v11p_sd15_openpose.pth"]}
      ]
    },
    {
      "id": 4,
      "type": "Apply ControlNet",
      "pos": [650, 200],
      "size": [280, 200],
      "inputs": [
        {"name": "positive", "type": "CONDITIONING", "link": 7},
        {"name": "control_net", "type": "CONTROL_NET", "link": 6},
        {"name": "image", "type": "IMAGE", "link": 8}
      ],
      "outputs": [
        {"name": "CONDITIONING", "type": "CONDITIONING", "links": [9]}
      ],
      "properties": {
        "control_weight": 1.0,
        "start_percent": 0,
        "end_percent": 1
      }
    },
    {
      "id": 5,
      "type": "Load Image",
      "pos": [350, 500],
      "size": [250, 150],
      "outputs": [
        {"name": "IMAGE", "type": "IMAGE", "links": [8, 10]}
      ]
    },
    {
      "id": 6,
      "type": "KSampler",
      "pos": [1000, 200],
      "size": [315, 400],
      "inputs": [
        {"name": "model", "type": "MODEL", "link": 4},
        {"name": "positive", "type": "CONDITIONING", "link": 9},
        {"name": "negative", "type": "CONDITIONING", "link": 11},
        {"name": "latent_image", "type": "LATENT", "link": 12}
      ],
      "outputs": [
        {"name": "LATENT", "type": "LATENT", "links": [13]}
      ],
      "properties": {
        "Seed": 2024,
        "steps": 30,
        "cfg": 8,
        "sampler_name": "euler_a",
        "scheduler": "karras",
        "denoise": 1
      }
    },
    {
      "id": 7,
      "type": "CLIP Text Encode (Prompt)",
      "pos": [700, 500],
      "size": [350, 150],
      "outputs": [
        {"name": "CONDITIONING", "type": "CONDITIONING", "links": [7]}
      ],
      "properties": {
        "prompt": "anime style, 1girl, full body, dancing pose, detailed background"
      }
    },
    {
      "id": 8,
      "type": "CLIP Text Encode (Prompt)",
      "pos": [700, 700],
      "size": [350, 150],
      "outputs": [
        {"name": "CONDITIONING", "type": "CONDITIONING", "links": [11]}
      ],
      "properties": {
        "prompt": "photo, realistic, 3d render, low quality"
      }
    },
    {
      "id": 9,
      "type": "Empty Latent Image",
      "pos": [1000, 700],
      "size": [240, 100],
      "outputs": [
        {"name": "LATENT", "type": "LATENT", "links": [12]}
      ],
      "properties": {
        "width": 512,
        "height": 768
      }
    },
    {
      "id": 10,
      "type": "VAE Decode",
      "pos": [1350, 200],
      "size": [210, 100],
      "inputs": [
        {"name": "samples", "type": "LATENT", "link": 13},
        {"name": "vae", "type": "VAE", "link": null}
      ]
    },
    {
      "id": 11,
      "type": "Save Image",
      "pos": [1600, 200],
      "size": [230, 100]
    }
  ]
}

效果说明

组件	作用
LoRA (0.8)	添加动漫风格
ControlNet OpenPose	保持人物姿势
euler_a + karras	细节更丰富
CFG 8	增强风格表现

示例 3：批量生成脚本

python

# batch_generator.py - 批量生成不同种子的图片
import os
import json

def create_batch_workflow(seeds, output_dir="output"):
    """为每个种子生成工作流文件"""
    
    base_workflow = {
        "last_version": 4,
        "nodes": [
            {
                "id": 1, "type": "Load Checkpoint",
                "pos": [50, 200],
                "outputs": [{"name": "MODEL"}, {"name": "CLIP"}]
            },
            {
                "id": 4, "type": "KSampler",
                "pos": [500, 200],
                "properties": {
                    "steps": 25,
                    "cfg": 7,
                    "sampler_name": "euler",
                    "denoise": 1
                }
            },
            {
                "id": 2, "type": "CLIP Text Encode (Prompt)",
                "pos": [200, 200],
                "properties": {"prompt": "your positive prompt here"}
            },
            {
                "id": 3, "type": "CLIP Text Encode (Prompt)",
                "pos": [200, 400],
                "properties": {"prompt": "negative prompt"}
            }
        ]
    }
    
    os.makedirs(output_dir, exist_ok=True)
    
    for i, seed in enumerate(seeds):
        workflow = json.loads(json.dumps(base_workflow))
        workflow["nodes"][1]["properties"]["Seed"] = seed
        
        filename = f"{output_dir}/seed_{seed}.json"
        with open(filename, 'w') as f:
            json.dump(workflow, f, indent=2)
        
        print(f"Created: {filename}")

# 使用
create_batch_workflow([123, 456, 789, 1000, 9999])

使用方法

bash

# 1. 保存为 batch_generator.py
# 2. 修改 prompt 为你的提示词
# 3. 运行
python batch_generator.py

# 4. 在 ComfyUI 中依次加载并生成

快速上手步骤

1. 启动 ComfyUI
   python main.py

2. 新建空白工作流

3. 按顺序添加节点：
   Load Checkpoint → CLIP Text Encode → KSampler → VAE Decode → Save Image

4. 连接节点：
   Checkpoint.MODEL → KSampler.model
   Checkpoint.CLIP → TextEncode.clip
   TextEncode.CONDITIONING → KSampler.positive
   TextEncode.NEGATIVE → KSampler.negative
   KSampler.LATENT → VAE.samples
   Checkpoint.VAE → VAE.vae
   VAE.IMAGE → Save.images

5. 设置参数：
   - 尺寸: 512×512
   - 步数: 20-30
   - CFG: 7-8
   - Sampler: euler / euler_a

6. 点击 "Queue Prompt" 生成

进阶方向

自定义节点开发 - Python 编程
ControlNet 高级应用 - 姿态、深度、线稿控制
IP-Adapter - 图像风格迁移
Inpainting/Outpainting - 局部编辑
高清修复 - Tile Diffusion、Ultimate SD Upscale

教程持续更新中，有问题欢迎反馈。

ComfyUI 入门教程

目录

什么是 ComfyUI？

安装 ComfyUI

方法一：独立安装（推荐）

方法二：使用整合包

访问地址

界面介绍

核心区域

快捷键

基础工作流

1. 基础文生图

2. 图生图

3. ControlNet 控制

常用节点详解

加载类

采样类

编码类

图像处理类

辅助类

实用工作流示例

示例 1：基础文生图工作流

参数说明

示例 2：LoRA + ControlNet 工作流

效果说明

示例 3：批量生成脚本

使用方法

快速上手步骤

推荐资源

模型下载

扩展节点

工作流参考

进阶方向

ComfyUI 入门教程 ​

目录 ​

什么是 ComfyUI？ ​

安装 ComfyUI ​

方法一：独立安装（推荐） ​

方法二：使用整合包 ​

访问地址 ​

界面介绍 ​

核心区域 ​

快捷键 ​

基础工作流 ​

1. 基础文生图 ​

2. 图生图 ​

3. ControlNet 控制 ​

常用节点详解 ​

加载类 ​

采样类 ​

编码类 ​

图像处理类 ​

辅助类 ​

实用工作流示例 ​

示例 1：基础文生图工作流 ​

参数说明 ​

示例 2：LoRA + ControlNet 工作流 ​

效果说明 ​

示例 3：批量生成脚本 ​

使用方法 ​

快速上手步骤 ​

推荐资源 ​

模型下载 ​

扩展节点 ​

工作流参考 ​

进阶方向 ​

ComfyUI 入门教程

目录

什么是 ComfyUI？

安装 ComfyUI

方法一：独立安装（推荐）

方法二：使用整合包

访问地址

界面介绍

核心区域

快捷键

基础工作流

1. 基础文生图

2. 图生图

3. ControlNet 控制

常用节点详解

加载类

采样类

编码类

图像处理类

辅助类

实用工作流示例

示例 1：基础文生图工作流

参数说明

示例 2：LoRA + ControlNet 工作流

效果说明

示例 3：批量生成脚本

使用方法

快速上手步骤

推荐资源

模型下载

扩展节点

工作流参考

进阶方向