ComfyUI 入门教程：安装与生成工作流全流程详解-CSDN博客

本文链接：https://blog.csdn.net/m0_45101613/article/details/147934280

一、ComfyUI 简介

ComfyUI 是一款基于图形界面的 Stable Diffusion 前端工具，它使用 Node（节点）方式组织 AI 图像生成流程，使用户可以通过拖拽组件、调整参数来构建可视化的工作流（Workflow）。相比传统的 Web UI 工具，ComfyUI 更注重模块化和可重用性，适合希望深度自定义图像生成过程的用户和开发者。

主要特点：

完全基于图形节点化结构构建工作流；
支持实时预览与参数调节；
支持 SD 1.x 和 SDXL 模型；
社区活跃，支持自定义节点和插件扩展。

目前网络上流传的多数 ComfyUI 安装包均已预置大量模型文件，虽然方便了一部分用户，但也导致压缩包体积庞大，安装过程中因模型过多而引发各种兼容性或依赖问题，不利于初学者快速上手学习和理解 ComfyUI 的运行机制。

为此，我们计划推出一系列教程博客，从官方原始版本出发（不附带多余模型），引导大家从零开始学习 ComfyUI 的安装与使用过程。通过逐步引入所需模型，帮助读者避免初期因系统环境或模型问题而受阻，更专注于掌握 ComfyUI 的核心功能和工作流构建方法。

在开始学习之前先放几张 ComfyUI生成的图片，感受一下 ComfyUI的魅力。

动漫风格

素描风格

虚构风格

二、ComfyUI 安装教程（以 Windows 为例）

1. 安装前准备

系统：Windows 10/11
Python：推荐 Python 3.10.x
显卡支持：建议使用带有 CUDA 支持的 NVIDIA 显卡

2. 安装步骤

下载地址：

Releases · comfyanonymous/ComfyUI · GitHub

选择红色部分下载

鉴于有部分同学无法进入github，本文给出了下载地址：通过网盘分享的文件：ComfyUI_windows_portable_nvidia.7z 链接: 百度网盘请输入提取码百度网盘为您提供文件的网络备份、同步和分享服务。空间大、速度快、安全稳固，支持教育网加速，支持手机端。注册使用百度网盘即可享受免费存储空间https://pan.baidu.com/s/1Tlp6TkSx1-uTNUbp806Pbg 提取码: 2580

1.解压

直接将ComfyUI_windows_portable_nvidia.7z文件解压至任意的磁盘中，解压完成后的文件夹名ComfyUI_windows_portable.

2.运行.bat文件，值得注意的是这个.bat文件知识针对nvidia版本的gpu。

在CMD中运行完成后，会自动打开一个网页。

运行过程

三.创建第一个工作流

在工作流中选择浏览模版，将紫色水晶瓶作为我们的工作流模版，

如果出现以下提示，我们直接下一步就可以，这是因为，我们下载的Comfyui安装包是不带任何模型文件的，我们在后续的工作中加入即可。

进入到工作流界面

从左到右介绍这一个简单的工作流模版

(1)调用大模型文件，我们在日常的深度学习实验中经常会调用别人的模型文件，可以使我们的网络更快收敛。在这里我们直接调用SD1.5通用大模型。当然我们需要先将SD1.5大模型下载至本地，下载链接：https://huggingface.co/stable-diffusion-v1-5/stable-diffusion-v1-5/blob/main/v1-5-pruned-emaonly.safetensors

同样的如果不能魔法下载的，我们也给出了网盘的下载链接：通过网盘分享的文件：v1-5-pruned-emaonly.safetensors 链接: 百度网盘请输入提取码百度网盘为您提供文件的网络备份、同步和分享服务。空间大、速度快、安全稳固，支持教育网加速，支持手机端。注册使用百度网盘即可享受免费存储空间https://pan.baidu.com/s/1X6g3T0MJ8DUfnBCoKluMmw 提取码: 2580

将下载后的大模型放入F:\ComfyUI_windows_portable\ComfyUI\models\checkpoints中。

记得重新启动run_nvidia_gpu.bat文件，.bat文件会自动打开网页我们将进入工作流的编辑中。重复之前的额操作，先在浏览模版中选择一个基础的工作流。

这时在权重加载器中选择刚才我们下载的SD1.5大模型：

(2,3)文本提示词。在CLIP模型中文本提示是图像生成的关键因素，好的提示词可以帮助模型更加准确的生成我们想要的图片。在工作流中提示词分为正向提示词与反向提示词。提示词是分权重的，越靠前的提示词越会得到模型的重视，所以在写提示词时我们需要将这幅图最重要的特征写在最前面。

比如：我们一般希望图片是高清的，质量好的，所以我们在正向提示词中将“杰作，质量高的”放在最前面，在反向提示词中将“低质量的”放在最前面。

总之我们在提示词中首先要抓住主要矛盾，其次在优化细节。

就像我们选择的模版中给出的文本这样的提示词:

(4)K采样器（KSampler）简介

什么是 K 采样器？

在基于扩散模型的图像生成过程中，我们从一张纯噪声图像逐步“去噪”，直到得到最终图像。这个去噪过程称为“采样”（Sampling），而 K采样器（KSampler） 就是 ComfyUI 和其他 Stable Diffusion 框架中用于控制这个过程的核心节点。

它的“去噪策略”与“去噪速度”决定了图像的风格、清晰度、细节程度以及生成速度。

KSampler 的关键参数说明

参数名	含义
`Sampler name`	采样器算法名称（如 Euler, DPM++ 2M 等）
`Scheduler`	时间步调度器，控制采样时如何选择每一步时间点
`Steps`	步数，越高画质越好但耗时增加
`CFG (Classifier-Free Guidance)`	引导系数，决定 prompt 影响程度
`Seed`	随机种子，控制图像是否可复现
`Noise`	初始噪声图像
`Model`	选择使用的基础模型（如 SD 1.5）

常见采样器简析

采样器名称	特点	推荐用途
Euler a	快速、略带随机性	动漫、草图类风格
DPM++ 2M Karras	高质量、均衡稳定	写实图像、高清写实风格
Heun	高细节、锐利	写实和艺术画风
LMS	稳定、对细节友好	需要高还原度的图像
DDIM	稳定且较快	风格稳定、不失细节
DPM++ SDE Karras	高质量、拟真效果好	摄影、写真风格生成