dafs - 文鑫AI

python main.py --lowvram --reserve-vram

智能模型卸载机制

ComfyUI实现了基于引用计数的模型自动卸载逻辑，当显存不足时会优先卸载未使用的模型：

# 模型卸载实现（comfy/model_management.py L568-595）
def free_memory(memory_required, device, keep_loaded=[]):
    # 按优先级排序可卸载模型
    for x in sorted(can_unload):
        i = x[-1]
        logging.debug(f"Unloading {current_loaded_models[i].model.model.__class__.__name__}")
        if current_loaded_models[i].model_unload(memory_to_free):
            unloaded_model.append(i)

计算加速：从算法到硬件优化

注意力机制优化

ComfyUI提供多种注意力优化选项，可通过命令行启用：

# 注意力优化参数（comfy/cli_args.py L109-114）
attn_group = parser.add_mutually_exclusive_group()
attn_group.add_argument("--use-split-cross-attention", action="store_true", help="使用拆分交叉注意力优化")
attn_group.add_argument("--use-quad-cross-attention", action="store_true", help="使用二次交叉注意力优化")
attn_group.add_argument("--use-pytorch-cross-attention", action="store_true", help="使用PyTorch 2.0交叉注意力")
attn_group.add_argument("--use-flash-attention", action="store_true", help="使用FlashAttention")

Nvidia用户推荐启用xFormers加速：

python main.py --xformers

AMD用户（ROCm 6.4+）可启用PyTorch内置优化：

python main.py --use-pytorch-cross-attention

混合精度计算

通过调整模型精度可显著提升速度并降低显存占用：

# 精度设置参数（comfy/cli_args.py L63-70）
fpunet_group.add_argument("--fp16-unet", action="store_true", help="UNet使用FP16")
fpunet_group.add_argument("--bf16-unet", action="store_true", help="UNet使用BF16")
fpunet_group.add_argument("--fp8_e4m3fn-unet", action="store_true", help="UNet权重使用FP8")

推荐配置（Nvidia Ada Lovelace及以上）：

python main.py --fp16-unet --bf16-vae --fp8_e4m3fn-text-enc

多GPU部署：设备管理与负载均衡

设备检测与配置

ComfyUI支持多种计算设备，包括Nvidia GPU、AMD GPU、Intel XPU等：

# 设备检测逻辑（comfy/model_management.py L169-188）
def get_torch_device():
    if directml_enabled:
        return directml_device
    if cpu_state == CPUState.MPS:
        return torch.device("mps")
    if cpu_state == CPUState.CPU:
        return torch.device("cpu")
    else:
        if is_intel_xpu():
            return torch.device("xpu", torch.xpu.current_device())
        elif is_ascend_npu():
            return torch.device("npu", torch.npu.current_device())
        elif is_mlu():
            return torch.device("mlu", torch.mlu.current_device())
        else:
            return torch.device(torch.cuda.current_device())

多GPU配置方法

虽然ComfyUI目前未实现自动多GPU负载均衡，但可通过环境变量和命令行参数指定设备：

指定主GPU：

CUDA_VISIBLE_DEVICES=0 python main.py --highvram

const greeting = "Hello World"; console.log(greeting); // 打印问候语

if(!defined('InEmpireCMS')) { exit(); } session_start(); //------------------ 参数开始 ------------------ //应用的APPID $app_id=$appr[$ss]; //应用的APPKEY $app_secret=$appr['appkey']; //成功授权后的回调地址 $my_url=$ReturnUrlQz."e/memberconnect/qq/loginend.php"; //------------------ 参数结束 ------------------ //state参数用于防止CSRF攻击，成功授权后回调时会原样带回 $_SESSION['state']=md5(uniqid(rand(),TRUE)); //拼接URL $gotologinurl="https://graph.qq.com/oauth2.0/authorize?response_type=code&client_id=".$app_id."&redirect_uri=".urlencode($my_url)."&state=".$_SESSION['state'];

def hello_python(): print("Hello Python") # 默认按 Python 高亮

ComfyUI 是目前最灵活的 Stable Diffusion 图形界面之一，它采用节点式工作流设计，让你可以像搭积木一样自由组合各种 AI 处理模块。很多新手初次打开 ComfyUI 时会被满屏的节点和连线劝退，但其实只要理解了核心概念，搭建一个基础的文生图工作流只需要 5 个关键节点。

本教程将带你从零开始，一步步搭建出你的第一个 ComfyUI 文生图工作流，并详细解释每个节点的作用与参数含义。

💡

前置要求

请确保你已经成功安装了 ComfyUI 并能正常启动。如果尚未安装，请先阅读我们的环境搭建教程。

一、理解核心概念

在动手之前，我们需要了解 ComfyUI 工作流的三个核心要素：

节点（Node）：每个节点代表一个独立的功能单元，如加载模型、编写提示词、采样生成等。
连线（Link）：节点之间通过彩色连线传递数据，颜色对应数据类型（如黄色=MODEL、紫色=LATENT、绿色=CONDITIONING）。
执行顺序：ComfyUI 会根据连线关系自动推导执行顺序，无需手动排列。

ComfyUI 节点工作流示意图 — 图 1：ComfyUI 节点式工作流的基本组成结构

二、五个关键节点详解

一个最基础的文生图工作流由以下 5 个节点组成：

2.1 Load Checkpoint（加载模型）

这是整个工作流的起点，负责加载 Stable Diffusion 的权重文件（.safetensors 或 .ckpt）。该节点会输出三个接口：

MODEL：UNet 扩散模型，用于实际的图像去噪生成
CLIP：文本编码器，将你的提示词转换为模型可理解的向量
VAE：变分自编码器，负责潜空间与像素空间之间的转换

2.2 CLIP Text Encode（提示词编码）

你需要创建两个此节点，分别用于正向提示词（你想要的画面）和反向提示词（你不希望出现的元素）。它们接收 CLIP 输入，输出 CONDITIONING 数据。

2.3 Empty Latent Image（空白潜空间图像）

设置生成图片的尺寸（如 512×512、768×768）和批量大小。该节点输出一张纯噪声的潜空间图像作为采样的起点。

2.4 KSampler（K 采样器）

这是工作流的核心引擎，接收 MODEL、正向/反向 CONDITIONING 和 LATENT 四个输入，通过迭代去噪生成最终结果。关键参数包括：

seed：随机种子，决定生成结果的可复现性
steps：采样步数，越高细节越丰富但耗时更长
cfg：提示词引导系数，建议 7~12 之间
sampler_name：采样算法，推荐 euler_a 或 dpmpp_2m
scheduler：调度器，通常选 normal
denoise：去噪强度，文生图设为 1.0

2.5 VAE Decode（VAE 解码）

将 KSampler 输出的潜空间结果解码回像素图像，得到最终的 PNG/JPG 图片。

⚠️

常见错误

如果生成结果全黑或全灰，通常是 VAE Decode 节点的 VAE 输入未正确连接，或者加载的 Checkpoint 不包含内置 VAE。请检查连线是否完整。

三、通过 Python API 调用工作流

除了 GUI 操作，ComfyUI 还提供了 REST API，方便你用 Python 脚本批量提交生成任务。以下是完整的 API 调用示例：

import json
import urllib.request

# ComfyUI API 地址
COMFYUI_URL = "http://127.0.0.1:8188/prompt"

# 定义工作流 JSON（简化版文生图）
workflow = {
    "3": {
        "class_type": "KSampler",
        "inputs": {
            "seed": 42,
            "steps": 20,
            "cfg": 8.0,
            "sampler_name": "euler_a",
            "scheduler": "normal",
            "denoise": 1.0,
            "model": ["4", 0],
            "positive": ["6", 0],
            "negative": ["7", 0],
            "latent_image": ["5", 0]
        }
    },
    "4": {
        "class_type": "CheckpointLoaderSimple",
        "inputs": {
            "ckpt_name": "v1-5-pruned.safetensors"
        }
    },
    "5": {
        "class_type": "EmptyLatentImage",
        "inputs": {
            "width": 512,
            "height": 512,
            "batch_size": 1
        }
    },
    "6": {
        "class_type": "CLIPTextEncode",
        "inputs": {
            "text": "beautiful landscape, sunset, mountains",
            "clip": ["4", 1]
        }
    },
    "7": {
        "class_type": "CLIPTextEncode",
        "inputs": {
            "text": "blurry, low quality, watermark",
            "clip": ["4", 1]
        }
    },
    "8": {
        "class_type": "VAEDecode",
        "inputs": {
            "samples": ["3", 0],
            "vae": ["4", 2]
        }
    },
    "9": {
        "class_type": "SaveImage",
        "inputs": {
            "filename_prefix": "ComfyUI_Output",
            "images": ["8", 0]
        }
    }
}

# 发送请求到 ComfyUI
payload = json.dumps({"prompt": workflow}).encode("utf-8")
req = urllib.request.Request(
    COMFYUI_URL,
    data=payload,
    headers={"Content-Type": "application/json"}
)
response = urllib.request.urlopen(req)
print(json.loads(response.read()))

上述代码中，每个数字键（"3"、"4"...）代表一个节点 ID，class_type 指定节点类型，inputs 中的数组引用格式 ["节点ID", 输出索引] 表示连线关系。

四、自定义节点开发入门

如果现有节点无法满足需求，你可以编写自定义节点。以下是一个最简单的自定义节点模板：

# custom_nodes/my_custom_node.py

class MyCustomNode:
    @classmethod
    def INPUT_TYPES(cls):
        return {
            "required": {
                "image": ("IMAGE",),
                "brightness": ("FLOAT", {
                    "default": 1.0,
                    "min": 0.0,
                    "max": 3.0,
                    "step": 0.05
                }),
            }
        }

    RETURN_TYPES = ("IMAGE",)
    FUNCTION = "adjust_brightness"
    CATEGORY = "MyCustomNodes"

    def adjust_brightness(self, image, brightness):
        # image 是 torch.Tensor, shape: [B, H, W, C]
        result = (image * brightness).clamp(0.0, 1.0)
        return (result,)

# 注册节点映射
NODE_CLASS_MAPPINGS = {
    "MyCustomBrightness": MyCustomNode
}

NODE_DISPLAY_NAME_MAPPINGS = {
    "MyCustomBrightness": "亮度调节 🔆"
}

将上述文件放入 ComfyUI/custom_nodes/ 目录，重启 ComfyUI 后即可在右键菜单的 MyCustomNodes 分类下找到「亮度调节 🔆」节点。

💡

调试技巧

开发自定义节点时，建议使用 python main.py --listen 启动 ComfyUI，这样修改代码后只需刷新浏览器即可看到变化，无需完全重启。

五、总结与下一步

恭喜你！到这里你已经掌握了 ComfyUI 基础工作流的全部核心知识。让我们回顾一下要点：

ComfyUI 的核心是节点 + 连线的数据流模型
文生图最少需要 5 个节点：Load Checkpoint → CLIP Encode ×2 → Empty Latent → KSampler → VAE Decode
可以通过 Python API 实现自动化批量生成
自定义节点扩展了 ComfyUI 的无限可能性

接下来推荐你学习以下内容来进一步提升：

ControlNet 精确控制教程 — 用线稿/深度图引导 AI 生成
LoRA 模型加载与微调指南 — 让 AI 学会特定风格或角色
高级采样器对比测试 — 找到最适合你的采样策略

「ComfyUI 的学习曲线虽然陡峭，但一旦跨过门槛，你会发现它比任何 WebUI 都更强大、更自由。」—— 社区创作者 @PixelDreamer

欢迎回来

创建账号