【AI绘画】ComfyUI 零基础入门：基本功能-CSDN博客

本文链接：https://blog.csdn.net/A2421417624/article/details/142086385

大家好，我是每天分享AI应用的彤姐！

在AI绘画领域，Stable Diffusion 因其开源特性而受到广泛的关注和支持，背后聚拢了一大批的应用开发者和艺术创作者，是AI绘画领域当之无愧的王者。

目前使用 Stable Diffusion 进行创作的工具主要有两个：Stable Diffusion WebUI 和 ComfyUI。

ComfyUI 虽然出来的晚一点，但是它的可定制性很强，可以让创作者搞出各种新奇的玩意，通过工作流的方式，也可以实现更高的自动化水平，发展势头特别迅猛，但是 ComyUI 的上手门槛有点高，对 Stable Diffusion 以及各种扩展能力的原理需要有一定的理解，动手能力要求也比较高。

但是但是从解放生产力以及工业化批量生产的角度看，ComfyUI 具备更广阔的应用前景，因此从这篇文章开始，我将开始介绍一些 ComfyUI 的概念和使用方法，让大家更快的掌握 ComfyUI 的使用技巧，创作出自己独特的艺术作品。

安装部署

安装部署已经在之前的文章介绍过：ComfyUI 零基础入门：安装部署

使用ComfyUI

ComfyUI 的使用界面就是一个工作流配置面板，ComfyUI 将图片生成任务分成了多个步骤，这些步骤串起来就是一个工作流。在 ComfyUI 的侧边有一个浮动的管理菜单，可以做一些基础的管理操作。

在这里插入图片描述

管理菜单

我们先看一下侧边栏的管理菜单，这里我对相关操作都做了一个标注，再重点说下常用的几个：

Queue Prompt：将当前工作流加入队列，也就是执行当前工作流，开始生成图片、视频等。

Save：保存工作流，可以将当前工作流以Json格式保存到本地电脑，方便以后使用或者分享给别的用户。

Load：从本地电脑选择带有工作流的图片或者Json格式的工作流文件，加载工作流信息，并作为当前工作流进行展示。

在这里插入图片描述

工作流

工作流是由一个个操作节点连接起来的，每个节点会完成一个独立的操作，比如加载模型、编码提示词等，上游节点的输出会作为下游节点的输入，直到最后一个节点输出最终的内容。节点的输入除了来自上游节点的输出，还有一些来自用户的输入，节点可能会包含一些输入框或者选择框，比如SD基础模型选择框、提示词输入框等等。

ComfyUI 默认会加载一个简单的工作流，这是一个最基础的工作流，可以让我们清晰的了解工作流的组织方式和图片的生成过程。我将按照从左到右的顺序进行介绍：

在这里插入图片描述

Load Checkpoint：这个节点用来加载 Stable Diffusion 基础模型，基础模型是生成图片必需的，不同的基础模型可能擅长生成不同事物或者风格的图片，比如这里的 realisticVisionV51_v51VAE 擅长生成真实视觉图像。国内用户可以在 https://liblib.art 下载自己喜欢或者需要的基础模型。

这个节点有三个输出：MODEL、CLIP和VAE，MODEL就是从硬盘加载到的SD基础模型，用于后续采样处理，CLIP是文本到图像的映射模型，用来编码文本提示词，VAE是图像数据解码器，用于最终生成可见的图像。

CLIP Text Encode（Prompt）：文本编码器。目前人工智能的背后就是大量的向量计算，文本编码器就是把文字转换成向量，然后再进行各种复杂的运算。这里有两个文本编码器，分别对应正向提示词和反向提示词，它们都有一个clip输入，接收 Load Checkpoint 节点从SD基础模型中提取出的CLIP模型，用于编码提示词。编码后的内容会作为采样器的采样条件。同一个词语在不同的SD基础模型中可能对应到不同的向量数据，因此CLIP模型是从SD基础模型中提取出来的。

KSampler：K采样器。这是生成图片的核心组件，主要用来实现SD模型的反向扩散过程，反向扩散是从一张完全噪音图（电视没有信号的画面）开始，通过采样逐步去除噪音，最终生成图片的过程。这个节点有很多参数，也就是有很多输入，其中：

model 来自Load Checkpoint节点输出的MODEL，也就是SD基础模型，采样将在这个模型上进行；
positive 来自正向提示词编码器，向量数据格式，采样时将以此为条件，尽量保留和此向量接近的噪音数据；
negative 来自反向提示词编码器，向量数据格式，采样时将以此为条件，尽量去除和此向量接近的噪音数据；
latent_image 是一个空的图像空间，用于在其中存储生成的图片数据，它来自于 Empty Latent Image 节点，这个节点提供指定宽高和数量的空图像空间。之所以用Latent这个词，是因为采样产生的图像数据还不是真正的图像格式，是一种图片数据的压缩格式，称为潜空间图像。
seed 是生成图片的种子，每次使用不同的种子就会引入不同的随机特征，同样的参数就可以生成主题相同但变化无穷的图像。使用完全相同的参数和种子将生成完全相同的图像。
steps 采样步数，根据使用的SD基础模型和采样方法，这个数值可能需要进行调整，一般是20-30步。一些快速出图模型，可能只需要1-8步，比如LCM、Turbo、Lightning等模型。
cfg 无分类器指导尺度，无分类器就是仅依靠文本提示词，指导尺度就是控制文本提示对图像生成的影响力。值越大，生成的图像越贴合提示词，值越小自由发挥的越多。一般使用6-8，具体最优值取决于使用的SD模型和个人偏好。
sampler_name 采样器，反向扩散时去除噪音的方法，不同的方法对速度和质量会有不同的影响。默认选择的是 euler，兼顾了生成图片的质量和速度，质量要求高时建议选择 dpmpp 类的采样器。关于采样器，我这里有一篇详细介绍，感兴趣的同学可以去看看：https://xiaobot.net/post/055d0d28-51f4-462b-9224-a0faf139ff46
scheduler 采样调度器。控制在整个采样过程的时间线上每一步降噪的幅度。如果对默认的调度器不满意，可以试试 karras，它可以让生成获得更高的采样效率和图片质量。
denoise 去噪幅度，最大1.0。越高的值代表初始噪音保留的越少，图像特征越清晰；越低的值代表初始噪音保留的较多，图像更抽象或者有某种艺术效果。生成图片时要一起考虑提示词、图像尺寸、采样策略等因素的影响。

VAE Decode：采样器生成的图片数据是一种特殊的压缩格式，和真正的图片数据格式不同，要获取真正的图片数据，我们还需要VAE解码。

VAE解码需要使用一个VAE模型，VAE模型一般包含在SD基础模型中（这里的例子中就是如此），也可以使用单独的VAE模型。这个节点的vae输入需要的就是VAE模型。
另外这个节点还需要输入待解码的数据，也就是采样器的输出 LATENT 连接到本节点的 samples 输入上。

Save Image：保存图片并展示。这个节点会将图片保存到硬盘中，默认是：ComfyUi/output。节点有一个filename_prefix的参数，代表保存图片路径的前缀，可以在其中包含目录，比如 simple/test，就会保存到 simple 目录中，以 test 为图片文件名的前缀。

添加节点

默认的工作流是一个最简单的文生图工作流，如果你要使用图生图、或者ControlNet，还需要引入更多个节点。

添加节点有两种方式：

在 ComfyUI 操作界面的空白处，点击鼠标右键，在弹出的菜单中点击 Add Node，这里有一些内置的节点分类，比如采样、加载器、潜空间、图片等等，可以根据需要一层层查找。

在这里插入图片描述

如果你对节点比较熟悉，可以在 ComfyUI 操作界面的空白处双击左键，在弹出的搜索框中，填入关键词进行搜索，点击对应的结果即可添加节点到工作流面板。

在这里插入图片描述

怎么将新加入的节点添加到工作流？

你需要根据需求，将新节点的输出连接到其它节点的输入，或者将其它节点的输出连接到新节点的输入。连接方法就是在一个节点的输出项上点击鼠标左键，然后拖动到另一个节点的输入项上。针对某个节点，其输入项一般在节点的左侧，输出项一般在节点的右侧。

比如下图中的 VAE Decode 节点，其输入项 samples 连接到 KSampler 节点的输出项 LATENT，输出项 IMAGE 连接到 Save Image 节点的输入项 Images。

在这里插入图片描述

怎么将手动输入转换成其它节点输入？

有些节点的参数默认是手动输入的，你可能想从其它的节点自动填入这个参数，或者想和其它的节点共享一个参数值，这时候我们就可以把这个输入框转换为外部输入。比如这个提示词的节点，在节点上点击右键，在弹出的菜单中点击“Convert input to …”，即可选择把某些参数转换为外部输入项，能够将其它节点的输出项连接到这个输入项。注意输入和输出的数据格式必须匹配才能连接。

在这里插入图片描述

用好ComfyUI

用好 ComfyUI：

首先需要对 Stable Diffusion 的基本概念有清晰的理解，熟悉 ComfyUI 的基本使用方式；
然后需要在实践过程中不断尝试、不断加深理解，逐步掌握各类节点的能力和使用方法，提升综合运用各类节点进行创作的能力。

以上就是本文的主要内容，如有问题，欢迎留言交流。

写在最后

感兴趣的小伙伴，赠送全套AIGC学习资料，包含AI绘画、AI人工智能等前沿科技教程和软件工具，具体看这里。

在这里插入图片描述

AIGC技术的未来发展前景广阔，随着人工智能技术的不断发展，AIGC技术也将不断提高。未来，AIGC技术将在游戏和计算领域得到更广泛的应用，使游戏和计算系统具有更高效、更智能、更灵活的特性。同时，AIGC技术也将与人工智能技术紧密结合，在更多的领域得到广泛应用，对程序员来说影响至关重要。未来，AIGC技术将继续得到提高，同时也将与人工智能技术紧密结合，在更多的领域得到广泛应用。

在这里插入图片描述