ComfyUI入门教程：可视化玩转Stable Diffusion

哈喽！大家好，很高兴又见面了，我是golang学习网的一名作者，今天由我给大家带来一篇《ComfyUI入门教程：可视化玩转Stable Diffusion》，本文主要会讲到等等知识点，希望大家一起学习进步，也欢迎大家关注、点赞、收藏、转发! 下面就一起来看看吧！

需先安装ComfyUI环境并启动服务，再加载Stable Diffusion模型，接着构建含CheckpointLoaderSimple、CLIPTextEncode、KSampler、VAEDecode和SaveImage的节点工作流，配置采样参数后执行生成，最后可保存JSON工作流并调试优化。

如果您希望快速上手ComfyUI并利用其节点式界面生成Stable Diffusion图像，则需理解其与传统WebUI在工作流构建上的根本差异。以下是开始使用ComfyUI的具体操作路径：

一、安装ComfyUI基础环境

ComfyUI依赖Python运行时及特定版本的PyTorch，需确保系统满足最低依赖要求，避免因CUDA版本不匹配导致加载模型失败。

1、从GitHub官方仓库克隆ComfyUI项目：git clone https://github.com/comfyanonymous/ComfyUI。

2、进入ComfyUI目录后，执行python main.py启动服务，默认监听本地127.0.0.1:8188端口。

3、在浏览器中访问http://127.0.0.1:8188，确认界面正常加载且无红色报错提示。

二、加载Stable Diffusion模型文件

ComfyUI不自带模型，必须手动将已下载的.safetensors或.ckpt格式模型文件放入指定目录，否则所有生成节点将显示“模型未找到”错误。

1、将模型文件复制到ComfyUI根目录下的models/checkpoints/子目录中。

2、刷新浏览器页面后，在节点面板中右键选择Load Checkpoint节点，下拉列表中应出现对应模型名称。

3、点击该节点，确认右侧参数面板中ckpt_name字段已正确显示模型文件名。

三、构建首个文本到图像工作流

ComfyUI通过连接不同功能节点形成数据流，文本生成图像流程需至少包含模型加载、CLIP文本编码、采样器和VAE解码四个核心环节。

1、在空白画布上右键，依次添加CheckpointLoaderSimple、CLIPTextEncode（两次）、KSampler、VAEDecode和SaveImage节点。

2、将CheckpointLoaderSimple的CLIP输出连接至第一个CLIPTextEncode的clip输入，将VAE输出连接至VAEDecode的vae输入。

3、在两个CLIPTextEncode节点的text字段中分别填入正向提示词与负向提示词，再将它们的conditioning输出分别连入KSampler的positive和negative输入端口。

四、配置采样参数并执行生成

KSampler节点控制图像生成的核心算法行为，其参数直接影响输出质量与风格稳定性，必须根据所用模型类型选择匹配的采样器与步数。

1、在KSampler节点中，将steps设为20–30，cfg值设为7–8，sampler_name选择euler或dpmpp_2m。

2、确认KSampler的latent_image输入连接自EmptyLatentImage节点（需额外添加），并设置目标宽高为512×512或768×768。

3、点击画布顶部的Queue Prompt按钮，观察右下角日志区域是否出现executing字样及后续进度条。

五、保存与调试常用技巧

工作流可导出为JSON文件复用，同时支持实时修改节点参数并重新排队，无需重启服务即可验证不同设置效果。

1、点击画布右键菜单中的Save (as)，将当前布局保存为my_first_workflow.json。

2、修改任意CLIPTextEncode中的提示词后，再次点击Queue Prompt，系统将基于新文本重跑整个流程。

3、若生成图像模糊或结构异常，优先检查KSampler的denoise值是否被误设为过低（如0.1以下），应保持在0.8–1.0区间。

以上就是《ComfyUI入门教程：可视化玩转Stable Diffusion》的详细内容，更多关于的资料请关注golang学习网公众号！