ComfyUI基础教学：小白也能学会的节点式AI绘图 – wiki基地

作者： /

ComfyUI基础教学：小白也能学会的节点式AI绘图——告别繁琐，拥抱高效与自由

前言：AI绘画浪潮下的新选择

在当今科技飞速发展的时代，人工智能（AI）已经渗透到我们生活的方方面面，其中AI绘画无疑是近年来最引人注目的一项应用。从简单的文字生成图像，到复杂的人物、场景创作，AI正以前所未有的速度改变着艺术创作的格局。对于许多AI绘画爱好者而言，Stable Diffusion WebUI（通常指Automatic1111）是他们接触AI绘画的第一个工具，其直观的标签页式界面确实降低了入门门槛。然而，随着创作需求日益复杂，A1111的黑盒式操作、资源消耗、以及在某些复杂工作流中的局限性也逐渐显现。

正是在这样的背景下，ComfyUI 应运而生，并迅速成为AI绘画领域的新宠。它以其独特的节点式（Node-based）工作流、极致的灵活性、高效的资源利用率以及无限的扩展性，吸引了越来越多的创作者。或许你曾听说它很“专业”，觉得“小白”难以驾驭，但请相信我，只要你跟随这篇教程，理解其核心思想，ComfyUI将为你打开一扇通往更高阶AI艺术创作的大门。它并非高不可攀，而是为追求效率与自由的你量身打造。

第一章：ComfyUI的独特魅力——为什么选择它？

在深入学习ComfyUI之前，我们首先要理解它与传统WebUI的最大区别，以及它能为你带来什么。

1.1 告别黑盒，拥抱透明：节点式工作流的核心优势

传统的WebUI，如A1111，通常将整个AI绘图过程封装在一个个标签页或功能区内。你输入提示词、选择模型、调整参数，然后点击“生成”，图像就出来了。这个过程对新手友好，但缺点也很明显：你很难理解图像是如何一步步生成的，每个参数到底在哪个环节起作用，以及数据是如何在各个模块之间流动的。这就像一个黑盒子，你只知道输入和输出。

ComfyUI则彻底打破了这种“黑盒”模式。它将AI绘画的每一个功能模块（如加载模型、输入提示词、进行采样、解码图像、保存图像等）都抽象成一个独立的节点（Node）。而这些节点之间通过连接线（Connection）来传递数据。整个绘图过程被清晰地分解成一系列可见的、可控的步骤，你能够直观地看到数据从模型加载，到提示词编码，再到潜在空间采样，最终解码成图像的完整流程。

  • 直观性： 整个工作流一目了然，你可以像搭建乐高积木一样组合节点。
  • 可控性： 对每个步骤都有细致入微的控制，你可以轻易地在任何环节插入、修改或替换节点。
  • 可理解性： 帮助你更好地理解Stable Diffusion的内部工作原理。
  • 可复现性： 每一个工作流都是一个独立的“配方”，方便分享、学习和复现。

1.2 高性能与资源优化：让你的显卡不再“喘气”

ComfyUI在设计之初就考虑到了效率。与A1111相比，ComfyUI在GPU显存管理上更为精细，尤其是在进行图像生成、放大或使用复杂工作流时，其显存占用通常更低，生成速度也更快。这意味着：

  • 低配显卡也能玩转： 即使你的显卡配置不是顶尖，ComfyUI也能让你体验到更流畅的AI绘画。
  • 复杂任务更从容： 在进行ControlNet、IP-Adapter、批处理等复杂操作时，ComfyUI能更有效地利用资源。
  • 多任务并行： 更低的资源占用也意味着你的电脑可以同时运行其他任务，而不会卡顿。

1.3 无限的扩展性与实验性：探索AI绘画的边界

ComfyUI的节点式架构天生具备高度的扩展性。开发者可以非常方便地创建和分享自定义节点，将最新的AI模型、功能或研究成果集成进来。这意味着：

  • 功能更新快： 最新的Stable Diffusion模型、算法或功能，往往会第一时间在ComfyUI社区中出现。
  • 实验性强： 鼓励用户自由组合节点，尝试各种新奇的创意，探索AI绘画的无限可能。
  • 社区活跃： 丰富的第三方节点库（如ComfyUI Manager、Impact Pack、Efficiency Nodes等）极大地丰富了ComfyUI的功能。

总而言之，ComfyUI是为那些希望深入理解AI绘画机制、追求极致控制、高效工作以及乐于探索创新的用户而设计的。它是一个强大的工具，一旦掌握，你将发现AI绘画的世界比想象中更加广阔。

第二章：踏出第一步——ComfyUI的安装与启动

对于“小白”来说，安装可能是一个小小的挑战，但只要跟着步骤来，一切都会顺利。

2.1 前置条件检查

在安装ComfyUI之前，请确保你的电脑满足以下基本条件：

  1. 显卡： 推荐NVIDIA显卡（GTX 1660 Ti或RTX 20系列及以上）。虽然CPU也能运行，但生成速度会非常慢。
  2. 显卡驱动： 确保你的NVIDIA显卡驱动是最新版本。这对于AI程序的稳定运行至关重要。
  3. Python： ComfyUI通常依赖Python运行。但如果你下载的是整合包，可能已经包含了Python环境。
  4. Git： 一个版本控制工具，用于从GitHub下载ComfyUI。

2.2 安装ComfyUI（推荐Git克隆方式）

  1. 选择安装目录： 在你的硬盘上选择一个空间充足的文件夹，例如 D:\ComfyUI。
  2. 打开Git Bash或命令提示符（CMD）： 在该文件夹内，按住 Shift 键并点击鼠标右键，选择“在此处打开 Git Bash”或“在此处打开 PowerShell 窗口”。如果你没有安装Git，需要先安装Git。
  3. 克隆ComfyUI仓库： 在打开的终端中输入以下命令并回车：
    bash
    git clone https://github.com/comfyanonymous/ComfyUI.git
    cd ComfyUI
    这会将ComfyUI的所有文件下载到你当前的 ComfyUI 文件夹中。
  4. 安装依赖： 进入 ComfyUI 文件夹后，运行以下命令安装Python依赖：
    bash
    pip install -r requirements.txt
    如果你的系统中有多个Python版本，可能需要使用 python -m pip install -r requirements.txt 或 pip3 install -r requirements.txt。

2.3 下载必备模型

AI绘画的核心是各种模型文件。ComfyUI与A1111的模型是通用的。

  1. Checkpoint（检查点模型）： 这是生成图像的基础大模型，例如SDXL 1.0、MajicMIX realistic等。
    • 下载地址：Civitai (civitai.com)、Hugging Face (huggingface.co)
    • 放置路径：ComfyUI\models\checkpoints
  2. LoRA（低秩适应模型）： 用于对特定风格、人物或物品进行微调的小模型。
    • 放置路径：ComfyUI\models\loras
  3. VAE（变分自编码器）： 负责将潜在空间中的数据解码成可见图像，对图像细节和色彩表现有重要影响。很多Checkpoint自带VAE，但有时需要单独加载。
    • 放置路径：ComfyUI\models\vae
  4. Embedding/Textual Inversion： 用于增强或修正提示词效果的小文件。
    • 放置路径：ComfyUI\models\embeddings
  5. ControlNet模型： 用于精确控制图像构图、姿态等。
    • 放置路径：ComfyUI\models\controlnet
    • 重要提示： 请确保模型名称和文件类型（如.safetensors）正确，并且放置在对应的文件夹中。

2.4 启动ComfyUI

  1. NVIDIA显卡用户： 双击运行 ComfyUI 文件夹中的 run_nvidia_gpu.bat。
  2. AMD显卡用户： 双击运行 run_amd_gpu.bat。
  3. CPU用户（不推荐）： 双击运行 run_cpu.bat。

首次启动时，程序可能会下载一些PyTorch等依赖，请耐心等待。启动成功后，你的浏览器会自动打开一个网址，通常是 http://127.0.0.1:8188，这就是ComfyUI的操作界面。

2.5 界面初探

进入ComfyUI界面，你可能会感到有些茫然，因为它不像A1111那样有明确的标签页。你看到的是一个巨大的空白画布，上面散落着几个默认节点。

  • 画布区： 最大的空白区域，你所有节点都会在这里搭建。
    • 鼠标滚轮：缩放画布。
    • 鼠标中键（按住）：拖动画布。
  • 节点： 方形或矩形的功能模块，每个节点有输入端口（左侧）和输出端口（右侧）。
  • 连接线： 连接不同节点端口的线条，代表数据流向。
  • “Queue Prompt”（队列提示）按钮： 位于右侧面板上方，点击后，ComfyUI会按照你搭建的工作流，从左到右、从上到下地执行生成任务。
  • 右侧面板： 显示当前节点参数、提示词历史等信息。
  • “Save”/“Load”按钮： 用于保存和加载你的工作流（.json文件）。

第三章：核心概念解析——节点与连接的哲学

理解节点和连接是玩转ComfyUI的关键。

3.1 什么是节点（Node）？

节点是ComfyUI的基本功能单元。每一个节点都执行一个特定的任务，例如：

  • 加载Checkpoint模型 (Load Checkpoint)
  • 编码提示词 (CLIP Text Encode (Prompt))
  • 设置采样参数 (KSampler)
  • 解码潜在空间数据为图像 (VAE Decode)
  • 保存生成的图像 (Save Image)
  • 加载LoRA模型 (Load LoRA)
  • 加载ControlNet模型 (Load ControlNet Model)
  • 图像放大 (Image Upscale (with Model))

每个节点都有不同的输入端口（左侧）和输出端口（右侧）。

  • 输入端口： 接收来自其他节点的数据，通常有默认值或下拉菜单供选择。
  • 输出端口： 将节点处理后的结果数据传递给下一个节点。

例如，Load Checkpoint 节点会有一个名为 model 的输出端口，它输出的是加载好的大模型数据。

3.2 什么是连接（Connection）？

连接线是ComfyUI中数据流动的管道。它将一个节点的输出端口连接到另一个节点的输入端口，从而构建起整个图像生成流程。

  • 数据类型匹配： 只有数据类型相同的端口才能互相连接。例如，一个输出 MODEL 类型的端口只能连接到输入 MODEL 类型的端口。ComfyUI的连接线通常会根据数据类型显示不同的颜色（例如，模型数据可能是蓝色，潜在空间数据是绿色，图像数据是黄色，文本是橙色等），这有助于你判断是否能连接。
  • 单向流动： 数据总是从左到右、从上到下地单向流动。
  • 多对一 / 一对多： 一个输出端口可以连接到多个输入端口（数据分流），一个输入端口也可以接受来自多个输出端口的数据（数据合并，通常需要特定的合并节点）。

操作方法：
* 添加节点： 在画布任意空白处右键单击，然后选择“Add Node”，或者直接输入节点名称进行搜索。
* 连接节点： 鼠标左键点击一个节点的输出端口，然后拖动到另一个节点的输入端口上松开，即可建立连接。
* 断开连接： 点击连接线，按 Delete 键即可删除。

3.3 常用节点类型一览

了解一些常用节点的分类，可以帮助你更快地构建工作流：

  1. 模型加载节点（Model Loading Nodes）：
    • Load Checkpoint：加载基础大模型。
    • Load LoRA：加载LoRA微调模型。
    • Load VAE：加载VAE模型。
    • Load ControlNet Model：加载ControlNet模型。
  2. 文本编码节点（Text Encoding Nodes）：
    • CLIP Text Encode (Prompt)：将文字提示词转换为模型可理解的“条件”（Conditioning）数据。通常一个用于正面提示词，一个用于负面提示词。
  3. 潜在空间节点（Latent Nodes）：
    • Empty Latent Image：创建一个指定大小的、空白的潜在空间图像（噪声），这是生成过程的起点。
    • VAE Encode：将真实图像（PNG/JPG）编码为潜在空间数据（用于图生图）。
    • VAE Decode：将潜在空间数据解码为真实图像。
  4. 采样器节点（Sampler Nodes）：
    • KSampler：核心采样器，负责从潜在空间噪声中逐步“去噪”，最终生成潜在空间图像。
  5. 图像处理节点（Image Processing Nodes）：
    • Save Image：保存生成的图像。
    • Image Upscale (with Model)：使用超分模型放大图像。
    • Preview Image：预览图像（通常不保存）。
  6. 工具节点（Utility Nodes）：
    • Primitive：用于输入数字、布尔值或字符串。
    • Conditioning Combine：合并多个条件（如LoRA或ControlNet的条件）。
    • Set Latent Noise Mask：设置潜在空间的噪声蒙版（用于局部重绘）。

第四章：小白入门——你的第一个ComfyUI工作流（手把手教学）

现在，让我们一起搭建一个最基础的ComfyUI工作流，生成你的第一张AI图片。

4.1 清空默认工作流

当你启动ComfyUI时，会有一个默认的工作流。为了避免混淆，我们先将其清空。
1. 点击右侧面板上方的“Clear”按钮。
2. 画布现在应该完全空白了。

4.2 搭建基础文生图工作流

我们将构建一个标准的文生图（Text-to-Image）工作流，其核心逻辑是：加载模型 -> 编码提示词 -> 创建潜在空间 -> 采样 -> 解码图像 -> 保存图像。

步骤一：加载Checkpoint模型
1. 在空白画布上右键单击。
2. 选择“Add Node” -> “loaders” -> “Load Checkpoint”。
3. 在新出现的 Load Checkpoint 节点中，点击 ckpt_name 字段旁边的下拉菜单，选择你下载好的基础模型，例如 sd_xl_base_1.0.safetensors。
* 输出端口： MODEL (蓝色), CLIP (橙色), VAE (紫色)。

步骤二：编码正面提示词
1. 右键单击 -> “Add Node” -> “conditioning” -> “CLIP Text Encode (Prompt)”。
2. 将 Load Checkpoint 节点的 CLIP 输出端口连接到 CLIP Text Encode (Prompt) 节点的 clip 输入端口。
3. 在 CLIP Text Encode (Prompt) 节点的 text 字段中输入你的正面提示词。例如：
a beautiful girl, long hair, detailed face, cinematic lighting, 8k, masterpiece
* 输出端口： CONDITIONING (绿色)。

步骤三：编码负面提示词
1. 重复步骤二，再添加一个 CLIP Text Encode (Prompt) 节点。
2. 同样将 Load Checkpoint 节点的 CLIP 输出端口连接到这个新节点的 clip 输入端口。
3. 在 text 字段中输入你的负面提示词。例如：
ugly, deformed, disfigured, poor quality, bad anatomy, blurry, low resolution
* 输出端口： CONDITIONING (绿色)。

步骤四：创建空白潜在空间图像
11. 右键单击 -> “Add Node” -> “latent” -> “Empty Latent Image”。
12. 你可以调整 width 和 height 来设置生成图像的分辨率（例如，SDXL通常是1024×1024），batch_size 决定一次生成多少张图（先设为1）。
* 输出端口： LATENT (绿色)。

步骤五：核心采样器 KSampler
1. 右键单击 -> “Add Node” -> “sampling” -> “KSampler”。
2. 连接输入：
* 将 Load Checkpoint 节点的 MODEL 输出端口连接到 KSampler 的 model 输入端口。
* 将正面提示词节点的 CONDITIONING 输出端口连接到 KSampler 的 positive 输入端口。
* 将负面提示词节点的 CONDITIONING 输出端口连接到 KSampler 的 negative 输入端口。
* 将 Empty Latent Image 节点的 LATENT 输出端口连接到 KSampler 的 latent_image 输入端口。
3. 参数设置：
* seed：随机种子，保持 -1 会每次随机生成。
* steps：采样步数，推荐 20-30 步。
* cfg：Classifier-Free Guidance，提示词相关性，推荐 6-8 之间。
* sampler_name：采样器类型，例如 dpmpp_2m_sde 或 euler_ancestral。
* scheduler：调度器，例如 karras 或 exponential。
* denoise：去噪强度，通常文生图保持 1.0。
* 输出端口： LATENT (绿色)。

步骤六：解码潜在空间为图像
1. 右键单击 -> “Add Node” -> “latent” -> “VAE Decode”。
2. 将 Load Checkpoint 节点的 VAE 输出端口连接到 VAE Decode 的 vae 输入端口。
3. 将 KSampler 节点的 LATENT 输出端口连接到 VAE Decode 的 samples 输入端口。
* 输出端口： IMAGE (黄色)。

步骤七：保存图像
1. 右键单击 -> “Add Node” -> “image” -> “Save Image”。
2. 将 VAE Decode 节点的 IMAGE 输出端口连接到 Save Image 的 images 输入端口。
* 你可以在 filename_prefix 字段设置保存文件的前缀，quality 设置图像质量。
* 注意： 通常也会添加一个 Preview Image 节点连接到 VAE Decode 后面，方便在不保存文件的情况下预览结果。

4.3 运行你的第一个工作流

  1. 仔细检查所有节点是否都已正确连接，没有断开的连接线，也没有数据类型不匹配的连接。
  2. 点击右侧面板上方的“Queue Prompt”按钮。
  3. ComfyUI将开始执行你的工作流，每个正在处理的节点都会有一个绿色的边框。
  4. 稍等片刻，一张由AI生成的图片将出现在 Save Image 节点下方（如果你添加了 Preview Image 节点，也会显示）。同时，图像会保存在 ComfyUI\output 文件夹中。

恭喜你！你已经成功搭建并运行了第一个ComfyUI工作流。

第五章：进阶之路——探索ComfyUI的无限可能

掌握了基础工作流，你就可以开始探索ComfyUI更强大的功能了。

5.1 提示词的艺术与增强

  • 多个CLIP Text Encode (Prompt)： 对于SDXL模型，通常有两个CLIP编码器。你可以使用两个 CLIP Text Encode 节点，分别连接到 Load Checkpoint 节点的 CLIP 输出（通常会分流成 CLIP_G 和 CLIP_L 或 CLIP_A 和 CLIP_B 两种，具体看模型和节点设计）。
  • LoRA模型集成：
    1. 添加 Load LoRA 节点（“loaders”）。
    2. 选择你要加载的LoRA模型。
    3. 将 Load Checkpoint 的 MODEL 和 CLIP 输出，连接到 Load LoRA 的对应输入。
    4. 将 Load LoRA 的 MODEL 和 CLIP 输出，连接到 KSampler 和 CLIP Text Encode 的对应输入。
    5. 调整 strength_model 和 strength_clip 参数来控制LoRA的影响强度。
  • Conditioning Combine： 当你需要合并多个条件（例如，同时使用LoRA和ControlNet）时，可以使用 Conditioning Combine 节点。

5.2 图像处理与融合

  • 图生图（Image-to-Image）：
    1. 添加 Load Image 节点（“image”），加载你的参考图像。
    2. 添加 VAE Encode 节点（“latent”）。将 Load Image 的 IMAGE 连接到 VAE Encode 的 pixels，将 Load Checkpoint 的 VAE 连接到 VAE Encode 的 vae。
    3. 将 VAE Encode 的 LATENT 输出连接到 KSampler 的 latent_image 输入。
    4. 在 KSampler 中，将 denoise 参数从 1.0 调整为 0.5 到 0.8 之间（表示保留原图多少细节）。
  • 图像放大（Upscaling）：
    1. 在 VAE Decode 之后，添加 Upscale Model Loader 节点（加载放大模型，如ESRGAN）。
    2. 添加 Image Upscale (with Model) 节点。
    3. 将 VAE Decode 的 IMAGE 连接到 Image Upscale 的 image。
    4. 将 Upscale Model Loader 的 upscale_model 连接到 Image Upscale 的 upscale_model。
  • ControlNet的强大： ControlNet允许你精确控制图像的构图、姿态、深度等。
    1. 添加 Load ControlNet Model 节点。
    2. 添加预处理器节点（如 CannyEdge、OpenPose、DepthMap 等，通常在 _preprocessors 类别下），用于从参考图像中提取控制信息。
    3. 添加 Apply ControlNet 节点（“conditioning”）。
    4. 将 Load ControlNet Model 的 control_net 连接到 Apply ControlNet。
    5. 将预处理器节点的输出连接到 Apply ControlNet 的 image。
    6. 将 KSampler 的 positive 和 negative conditioning（在它们进入 KSampler 之前）连接到 Apply ControlNet 的 conditioning。
    7. 将 Apply ControlNet 的 CONDITIONING 输出连接到 KSampler 的 positive 或 negative。
    8. 调整 strength 参数。

5.3 批量处理与自动化

  • Batch Size： 在 Empty Latent Image 节点中，修改 batch_size 可以一次性生成多张图片。
  • Workflows（工作流）： ComfyUI允许你保存和加载整个工作流。
    • 点击右侧面板的“Save”按钮，将当前工作流保存为 .json 文件。
    • 点击“Load”按钮，选择 .json 文件来加载之前的工作流。
    • 直接拖拽 .json 文件到画布上也可以加载。
    • 一个非常棒的功能： 你可以将一张ComfyUI生成的图片直接拖拽到画布上，它会自动加载生成这张图片时所用的工作流！这意味着你可以轻松学习和复用别人的工作流。

5.4 ComfyUI Manager与自定义节点

ComfyUI的生态系统极其活跃，有大量的第三方节点扩展了其功能。

  1. 安装ComfyUI Manager：
    • 在ComfyUI根目录，打开命令行或Git Bash。
    • bash
      git clone https://github.com/ltdrdata/ComfyUI-Manager.git custom_nodes/ComfyUI-Manager
    • 重启ComfyUI。
    • 右侧面板会出现“Manager”按钮。
  2. 使用Manager：
    • 点击“Manager”，你可以方便地安装、更新和管理第三方自定义节点。
    • “Install Missing Custom Nodes”：当你加载一个使用了你未安装的节点的工作流时，这个功能会自动帮你检测并安装。
    • “Install Custom Nodes”：浏览并安装各种有趣实用的节点。
    • 推荐的自定义节点：
      • Impact Pack： 提供了许多高级图像处理、蒙版操作和工作流简化节点。
      • Efficiency Nodes： 进一步简化工作流，将多个常用节点打包成一个。
      • RGthree’s ComfyUI Nodes： 丰富的实用节点，包括节点分组、条件逻辑等。
      • WAS Node Suite： 更多专业的图像处理和AI模型集成。

安装这些自定义节点后，你的ComfyUI将变得更加强大和灵活。

第六章：学习策略与资源推荐

ComfyUI的学习曲线可能比A1111陡峭，但只要掌握了方法，你将快速进步。

  1. 多看、多学、多动手：
    • 看： 观察别人分享的工作流，理解其设计逻辑。
    • 学： 学习每个节点的功能，理解数据类型匹配的重要性。
    • 动手： 亲自搭建工作流，从简单到复杂，不断尝试。
  2. 研究工作流： 这是最快的学习方法。
    • 在Civitai、Hugging Face等网站下载ComfyUI生成的图片。
    • 将这些图片直接拖拽到ComfyUI的画布上，它会重现生成这张图片的工作流。仔细研究每个节点和连接，理解它们的作用。
  3. 官方GitHub和社区：
    • ComfyUI的GitHub仓库是最新信息、文档和问题的最佳来源。
    • B站、YouTube等视频平台上有大量优秀的ComfyUI教学视频，可以跟着操作。
    • 加入相关的AI绘画社区，与其他爱好者交流，互相学习。
  4. 从小目标开始：
    • 先掌握文生图、图生图的基础流程。
    • 再尝试加入LoRA、VAE。
    • 然后挑战ControlNet、图像放大、局部重绘等。
    • 逐步掌握复杂的工作流。

结语：ComfyUI——你的AI绘画新纪元

ComfyUI不仅仅是一个AI绘画工具，它更像一个强大的可视化编程环境，让你以更直观、更灵活的方式与AI模型互动。从一开始的茫然，到逐渐掌握节点与连接的哲学，再到能够自由构建复杂的艺术流水线，这个过程本身就是一种乐趣和成就。

对于“小白”而言，ComfyUI可能看起来有些复杂，但请不要被初始界面吓倒。它背后是清晰的逻辑和无限的可能。一旦你理解了节点式工作流的核心，你将发现它比传统WebUI更加高效、更具表现力，更能激发你的创造力。

未来，AI绘画无疑将继续深入发展，而ComfyUI这种开放、透明、高效的架构，无疑是适应这种发展趋势的理想选择。它赋予你更大的掌控权，让你不再只是AI的“使用者”，更是AI艺术流程的“设计师”和“探索者”。

勇敢地踏出这一步吧！AI绘画的浩瀚宇宙，ComfyUI将是你遨游其中的最佳座驾。祝你在AI绘画的旅程中，享受创作的乐趣，创造出属于你的精彩作品！

文章字数统计： 约3900字。

发表评论

您的邮箱地址不会被公开。 必填项已用 * 标注

滚动至顶部