本教程专为初学者设计，详细介绍了 2024 年最新版的SD ComfyUI的使用方法。通过逐步指导，让你无需任何基础，快速学会并使用这一强大的AI绘图工具。

ComfyUI就像拥有一支神奇魔杖，可以轻松创造出令人惊叹的AI生成艺术。从本质上讲，ComfyUI是构建在Stable Diffusion之上的基于节点的图形用户界面(GUI)，而Stable Diffusion是一种最先进的深度学习模型，可以根据文本描述生成图像。 但ComfyUI真正特别之处在于，它如何让像你这样的艺术家释放创造力，将你最疯狂的想法变为现实。

想象一下有一块数字画布，你可以通过连接不同的节点来构建自己独特的图像生成工作流，每个节点代表一个特定的功能或操作。 就像为你的AI生成杰作构建一个视觉食谱!

WebUI是Stable Diffusion的默认GUI。让我们对比一下ComfyUI的优缺点:

✅ 使用ComfyUI的好处:

1. 轻量级: 运行速度快，效率高。
2. 灵活性: 高度可配置以满足你的需求。
3. 透明度: 数据流可见，易于理解。
4. 易于分享: 每个文件代表一个可重现的工作流。
5. 适合原型开发: 使用图形界面而不是编码来创建原型。

❌ 使用ComfyUI的缺点:

1. 界面不一致: 每个工作流可能有不同的节点布局。
2. 操作门槛较高：由于ComfyUI采用节点式的工作流，对于初学者来说可能需要一段时间来熟悉和掌握。
3. 生态相对较小：尽管ComfyUI的基本功能齐全，但在插件和扩展工具方面，其生态可能不如webui丰富。不够现在很多插件也都是先支持ComfyUI了。这个后续的生态会不断完善，不是什么大问题

这边推荐和WebUI一样使用秋叶大佬的一键整合包安装ComfyUI非常简单

解压到你想要安装 ComfyUI 的本地目录。

这一步主要查看 A绘图启动器 是否能正常运行，解压后的文件夹中找到 A绘图启动器.exe文件，双击即可启动秋叶的ComfyUI整合包，启动后应该会自动根据你的系统语言进行显示。

打开后是这样的

在设置中可以修改我们的语言

下载了模型的小伙伴记得把模型放在这个文件夹内

我们点击启动，能看到这个页面就是安装成功啦

进入到 ComfyUI 根目录，找到这个「Models」文件夹，双击进去。

进来之后你就会看到以模型名称命名的文件夹，如 Checkpoints（大模型）、Loras、controlnet 、vae等，我们只需要进入对应的文件夹，把正确的模型安装进去即可。

如果你有使用过WebUI并且有下载过模型，我们就可以把WebUI下载过的模型共享给ComfyUI

节省我们的空间，

同样，我们还是打开 ComfyUI 根目录，找到这个「extra_model_paths.yaml.example」文件：

打开刚刚修改后缀的文件，修改路径，把base_path改成你sdwebui的安装路径

再次启动 comfyUI 就可以看到已经可以使用 WebUI 中的模型

初次运行ComfyUI，一启动便会看到一个预设的工作流程，这通常是一个入门级的文本到图像的工作流。让我们借此机会对构成这个工作流的基础节点进行一番简要说明。

在ComfyUI中，节点和节点之间的链接以相同颜色链接即可，熟悉常用工作流之后，大概就能明白节点的链接逻辑了

K采样器可以类比为一个“厨师”，是SD出图流程中的核心节点，所有节点载入，数据输入，参数配置，最后都会汇总到K采样器，它会结合载入的模型，提示词的输入以及Latent输入，进行采样计算，输出得到最终图像

• input model：从模型加载节点接收的Unet模型。
• positive：由CLIP模型编码的正向提示词。
• negative：由CLIP模型编码的负向提示词。
• latent_image：潜在空间中的图像，可以是一个预先存在的潜在图像节点，也可以是空的。

Latent，即潜空间，可以理解为SD内部流程中的图像格式，如果我们将图像作为输入，则需要通过VAE编码将其转换为Latent数据，在最后输出时，我们也需要通过VAE解码将其转换为像素空间，也就是我们最终图像

2、Checkpoint加载器

可以类比为菜系，选择写实的大模型，厨师就会做写实风格的“菜”

checkpoint 也就是大模型，这个节点是起始点，需要选择相应的大模型，以及vae输入给采样器，clip则连接正反向提示词 其中VAE可以直接使用大模型的vae去链接，也可以单独使用vae解码节点，来选择自定义的vae

3、CLIP文本编码器

简单比喻就是“菜谱”，把你最想吃的都写在这里“厨师”就会按照这个菜谱做菜

CLIP节点则需要输入提示词，其中CLIP节点需要两个，一个作为正向提示词链接K采样器，一个作为负向提示词链接采样器

4、空白潜空间图像

可以理解为菜的分量

使用空latent建立潜空间图像，这里主要用于控制图像尺寸和批次数量的

5、VAE解码

• input samples：已经通过采样器去噪的潜在空间图像。
• vae：可以是大模型自带的VAE，也可以是独立的VAE模型。
• output IMAGE：输出的图像可以连接到保存节点或预览节点，以便用户查看或保存生成的图像。

前面已经提到对于Latent潜空间图像和输出的像素图像之间，需要进行一次转换，VAE解码节点则是对这个过程转换的节点

6、保存图像

顾名思义，即保存当前生成的图像，保存的图像除了在当前页面能看到以外，也可以在本地文件夹目录（x:\xxx\ComfyUI根目录\output）下看到所有生成的图片

默认流程整体就这么简单，输入提示词，点击添加提示词队列，即可生成你的第一张ComfyUI图片了

1. 同样，我们先打开文生图基础流程，我们这个基础上把图生图流程加进去；
2. 我们“右键——新建节点——图像——加载图像”，然后把图片传上去；

3. 我们在加载图像上鼠标点击住“图像”往外拉，松开然后选择“VAE 解码”；

4. 我们再把“VAE 解码的 Latent”和“采样器的 Latent”链接，“VAE”连接到“VAE 加载器”；

5.如果我们还需要调整图片的尺寸和大小，这时候我们右键画布

把潜空间图形放大添加到画布中，如何左边在连上我们的vae编码，右边连上采样器的潜空间图像

如果你不需要调整原图尺寸就可以不用添加这一步，comfyui会默认原图尺寸

6. 有些内置的模型没有vae或者我们想自己添加vae我们可以添加：加载vae节点

这个节点vae分别连接到vae编码和vae解码

7. 最后我们完整的图生图工作流就搭建好啦

最后不要忘了把重绘幅度调整一下

我这边选择大模型：flat2DAnimerge大模型试试效果，由于我没有修改原图尺寸所以我没有用到潜空间图像放大这个节点。可以看到效果非常的准确。

第四节：ComfyUI安装插件教程

安装插件的方法有两种，一种是使用 Terminal 安装，另一种是手动导入安装。如果你对命令行工具比较熟悉，我会推荐你使用第一种方法。如果你不想使用命令行，可以考虑手动的方式。

我以安装ComfyUI-Manager这个插件为例向大家展示如何安装插件

ComfyUI-Manager 是 ComfyUI 的一个基础管理插件，通过它我们可以很方便的管理其它插件、模型、依赖的程序包，以及了解 ComfyUI 社区的最新消息，是新手小白必备的插件。

插件的官方地址：GitHub - ltdrdata/ComfyUI-Manager

我们现演示第一种方法，这个方法的前提是你已经安装了git

我们进入comfyui/custom_nodes这个文件夹，如何输入cmd就可以进入该文件夹路径的终端。

在终端里复制这一段git clone https://github.com/ltdrdata/ComfyUI-Manager.git

后回车即可安装。

由于我这边已经安装过了，所以显示是这个

正常安装是这种效果

方法二：我们在github上直接下载该插件的文件，如何放在刚刚安装插件的路径即可

安装完成后我们重新启动comfyui

启动后我们点击这个manager按钮就是我们安装的插件

有了这个插件后我们安装其他插件就很方便了

我们点击中间最顶上的Custom Nodes Manager

这上面就可以搜索和更新我们的插件

安装完记得重启我们的comfyui

最后一种方法就是使用秋叶整合包安装插件，非常的一目了然，也非常的方便

最后在推荐几款新手必装的一些插件，大家赶紧去试试吧

1. ComfyUI Workspace Manager - Comfyspace comfyui工作空间管理器
2. AIGODLIKE-COMFYUI-TRANSLATION comfyui汉化插件
3. ComfyUI-Crystools 资源监控
4. ComfyUI-WD14-Tagger 提示词反推

首先我们来到基础的文生图页面

复制一个加载模型，一个选base一个选refiner

这个时候我们发现一个问题，就是两个模型怎么共用一套提示词呢

我们可以按一以下步骤设置

1.我们右键把全部clip文本编码节点，把他转换为文本输入

改完以后就是这样

2.我们在空白画布上添加两个基元也叫“primitive元节点” ，右键——添加节点——工具——基元

一个坐正向提示词一个做负面提示词。我们可以在基元中添加提示词并且链接到对应的文本编码，正面提示词连正面文本编码，负面提示词链接负面文本编码

如何我们在复制一对clip文本编码器链接refiner模型

这样就实现了两个模型控制使用同一个提示词

由于refiner模型需要在base之后使用，所以我们需要在base的采样器后面在添加一个refiner模型的采样器，把base采样器的latent输出作为refiner采样器的输入

最后我们再把refiner采样器的latent输出链接到vae解码节点

所以完整的工作流就是这样，想要完整工作流的小伙伴也可以扫码右边二维码加群获取哦

我们可以对比使用refiner细化后和仅使用base的效果

下图是通过refiner细化后的图片

下图是未使用refiner的图片，可以看到图片细节差了非常大，所以使用refiner模型细化还是非常有效果的

我们加载上次图生图的工作流

当时我们加载图像的遮罩输出是空的，这次我们把它利用起来

我们可以点住它往外面拉，然后选择VAE内部编码器

这个和普通的vae编码相比就多了个遮罩，这个遮罩延展的意思和ps的羽化蒙版差不多。大一点融合效果比较好，小一点比较融合效果比较生硬。

有了这个VAE我们就可以把原来的VAE编码的线都改到新的vae编码(重绘)上

然后我们右键点击图像选择在遮罩编辑器中打开

比如我在人物眼睛上涂了一下，然后提示词修改一下，改成闭眼

点击加入队列生成，我们就可以把人物的眼睛重绘啦。

AI扩图流程

我们如果想对图像四周进行重绘进行扩图，这时候我们就用到一个“外补画板”节点，“右键——新建节点——图像——外补画板”

上下左右是设置向外扩散尺寸的，羽化和 VAE 内补编码的遮罩延展一个意思。

3. 这个节点是连接在“加载图像”和“VAE 内补编码器”节点之间，如下图所示：

提示词我写上画框，加入队列生成后的图像确实加上了画框，使用起来还是非常简单的

我们在WebUI中使用controlnet都是通过插件，而插件中包含了预处理器和模型。而在comfyui中我们是预处理和模型分开搭建的，接下来就让我们看看如何搭建吧

首先我们先加载我们的默认工作流

我们可以在空白区域按照以下方法添加我们的预处理器

还有一种方法就是安装预处理器插件来添加我们的预处理器节点

Controlnet 预处理器插件：

1. 插件地址： https://github.com/Fannovel16/comfyui_controlnet_aux.git
2. 如果安装后，运行 ComfyUI 显示无法导入插件
3. 请运行“ComfyUI\custom_nodes\comfyui_controlnet_aux”目录下的“install.bat”文件

有了这个插件后可以更方便的管理和添加我们的预处理器

有了预处理器节点后，我们从节点的左边拖出加载图像

右边再拉出预览图像，这样我们预处理这一块就搭建好啦，运行后的效果正好对应了我们webui中的💥按钮

然后我们梳理逻辑，这经过canny预处理器处理过后的图像我们应该需要发给controlnet对应的canny模型。所以我们按下图加载ControlNet模型，模型记得选择canny对应的。

我们看到加载controlnet模型右边有个节点，我们拖出来选择controlnet应用。看到这个是不是很熟悉，很想Webui中的controlnet控制强度。右边的图像节点接受的是前面经过canny预处理后的节点

我们在看右边的条件，ControlNet 应用会对条件进行加工处理，在其中加入当前 ControlNet 提取到的控制信息。所以需要把它们连接到“CLIP 文本编码器”节点的输出条件，

而左边的输出条件链接的就是K采样器的正面条件（正面提示词）

以上这些连完就完成了最基本的Contnet工作流，以下就是完整的工作流。

我们在“Controlnet 应用”后面再串联个“Controlnet 应用”就可以了，其余的该连 Controlnet 模型的连模型，该连 Controlnet 预处理器的连预处理器。

补充：comfyui自带的controlnet应用是比较简单的。如果想要使用高级的Controlnet

我们可以在管理器中安装这个扩展

安装完重启刷新后我们就可以使用功能更丰富的controlnet应用了，这样看是不是和WebUI更相似了呢

1. 强度：就是我们用来控制权重的，
2. 开始时间：我们在绘图时，Controlnet 什么时候进行控制；
3. 结束时间：我们在绘图时，Controlnet 什么时候结束控制；

模型存放位置在“ComfyUI_windows_portable\ComfyUI\models\loras”目录下，如果你是和 Web UI 共用的模型，那就放在“sd-webui\models\Lora”目录下。

如果不知道怎么与WebUI共享模型的小伙伴可以看我们的第二节有详细介绍。

在使用上比较简单，我们在默认的文生图工作流空白处“右键-新建节点-加载器-LoRA 加载器”；

连接也非常简单，我们左侧模型和clip链接大模型加载器的模型和clip，右侧的模型链接k采样器，clip链接文本编码器，虽然有两个CLIP 文本编码器，但是经过测试只练正向关键词的CLIP 文本编码器就可以了

我们选择像素风模型试一下效果，可以看到成功使用Lora模型改变了画风。

我们还可以像在WebUI上调整Lora模型的权重：

回到“LoRA 加载器”节点上。除了选择模型外还有两个可以设置参数的地方，模型强度、CLIP 强度。至于我们设置哪个参数能达到控制权重的效果，完全取决于模型的训练方式。所以我们在不知道受哪个参数影响的情况下，我们可以对两个参数都进行调节，而 Web UI 上是把两个参数整合在一起了。

使用多个Lora非常简单，只需要把多个Lora加载器串联起来

虽然使用多个Lora串联非常简单，但是我们使用多个 Lora 模型 的时候就会让流程图更复杂、更乱，调节权重也比较麻烦，我们可以使用一个插件帮我们解决。

⑩efficiency-nodes-comfyui（效率节点）： https://github.com/jags111/efficiency-nodes-comfyui.git

我们直接在管理器中安装完成后重启就可以使用。

我们直接把三个比较重要的高效节点加载出来

“LoRA 堆”节点

【输入模式】和控制权重有关，在这个节点我们可以通过调节一个参数就能控制权重了，如果我们把输入模式改为高级，Lora 权重就会分成模型强度、CLIP 强度；

【Lora 数量】用来调节我们使用几个 Lora 模型的，当前数值是 3，我们就有三个 Lora 可选；

剩下的权重和选择Lora模型就不用过多介绍了，大家肯定都知道。

效率加载器

我们需要操作的地方有：大模型选择、VAE 模型选择、Lora 模型（不使用选无，如果只使用一个就可以在这个节点选择，多个情况下就使用我们上面说的 Lora 堆节点）、正反提示词、宽高、批次；

K 采样器

基本上一样，没什么大的区别。

很明显的看出减少了很多的连接，非常的高效而且使用体验上更接近WebUI

这个插件可不止用来帮我们解决 Lora 模型的连接的问题，他能帮我们简化很多节点的连接，包括我们之前讲的多个 ControlNet 使用，也能减少连接步骤。

Insightface是comfyui非常重要的插件，没有insightface我们的IP-adapter或者InstantID都用不了，所以大家一定要安装上。

首先，访问以下GitHub仓库：

https://github.com/Gourieff/Assets/tree/main/Insightface

在这个仓库中，你可以看到多个版本的InsightFace文件。根据你的Python版本选择相应的文件下载。例如，如果你的Python版本是3.10，则下载对应的文件。

要查看你的Python版本，可以进入ComfyUI的虚拟Python环境。双击虚拟环境图标，打开终端窗口。在终端中，你可以看到Python版本号。

1. 选择下载路径：将下载的文件保存到刚刚打开python.exe同级目录中，确保路径中不包含中文字符，以避免潜在的错误。

1. 进入ComfyUI根目录：打开终端，输入命令行进入ComfyUI的根目录。

我们输入以下命令

python.exe -m pip install insightface

如之前安装失败请先卸载：

python.exe -m pip uninstall insightface

然后更新pip：

python.exe -m pip install -U pip

通过whl文件重新安装InsightFace：

python.exe -m pip install insightface-0.7.3-cp311-cp311-win_amd64.whl

安装成功后我们的python_embeded文件夹内就会有insightface文件

使用秋叶启动器安装就比较简单了，直接按下图步骤操作即可。如果秋叶启动器安装失败也是可以用上面的手动方法安装的

为了帮助大家更好地掌握 ComfyUI，我在去年花了几个月的时间，撰写并录制了一套ComfyUI的基础教程，共六篇。这套教程详细介绍了选择ComfyUI的理由、其优缺点、下载安装方法、模型与插件的安装、工作流节点和底层逻辑详解、遮罩修改重绘/Inpenting模块以及SDXL工作流手把手搭建。

由于篇幅原因，本文精选几个章节，详细版点击下方卡片免费领取