AI绘画利器：Stable-Diffusion-ComfyUI保姆级教程

作者：Henry说AI发布时间：2024-03-03

AI绘画在今天，已经发展到了炽手可热的地步，相比于过去，无论是从画面精细度，真实性，风格化，还是对于操作的易用性，都有了很大的提升。并且如今有众多的绘画工具可选择。今天我们主要来聊聊基于stable diffusion的comfyUI！

comfyUI具有可分享，易上手，快速出图，以及配置要求不高的特点，comfyUI以节点链接的工作流方式进行绘图，对于整个出图流程也更容易理解。因此comfyUI比较适合新手入门

一、主流AI绘画工具

说到AI绘画工具，现在应该能找出很多，比较主流的有Midjourney（简称MJ），Stable Diffusion（简称SD），DallE，文心一格，Leonardo.Ai等等

Midjourney：https://www.midjourney.com/

Stable Diffusion：https://github.com/AUTOMATIC1111/stable-diffusion-webui

DallE：https://openai.com/dall-e-3

文心一格：https://yige.baidu.com/

Leonardo：https://app.leonardo.ai/

我们对主流AI工具做个简单的对比

还有一些可白嫖的AI绘画站点，大家也可以自行体验一下：
神采AI（每月可白嫖100张）：https://www.promeai.com/zh-CN
ImageFX：https://aitestkitchen.withgoogle.com/tools/image-fx
Meta AI：https://imagine.meta.com/

不同的绘画工具有不同的优劣势，大家可自行探索最适合自己的工具。本文着重介绍Stable Diffusion ComfyUI

二、SD主流 UI

Stable Diffusion因为其开源特性，有着较高的受欢迎程度，并且基于SD的开源社区及教程、插件等，都是所有工具里最多的。基于SD，有不同的操作界面，可以理解为一个工具的不同客户端。目前主流的操作界面有 WebUI和ComfyUI。

WebUI 优点：界面友好，插件丰富，新手小白基本也能秒上手缺点：吃显存，对配置要求较高，出图较慢

2. ComfyUI 优点：性能好，速度快，支持工作流的导入导出分享，对小显存友好（GPU小于3G以下依然可以工作），基于工作流，对出图逻辑理解更清晰缺点：对新手用户不太友好，有一定学习成本

二者各有优缺点，根据自身情况选择即可。我个人更推荐ComfyUI

三、ComfyUI 安装

对于stable-diffusion-webui，我之前有一篇文章有了比较详细的介绍，本文重点介绍ComfyUI的安装部署及使用。

传送门：看完就会！手把手入门开源AI绘图Stable Diffusion

ComfyUI 的节点流程式使用方式，非常便于对SD的绘制过程的理解，并且工作流可以导入导出以及分享，这样对于流程重现以及第三方分享更友好。整体的使用上限更高

详细的安装过程可参考B站详细教程【【AI绘画】ComfyUI整合包发布！解压即用一键启动工作流版界面超多节点 ☆更新 ☆汉化秋叶整合包】 https://www.bilibili.com/video/BV1Ew411776J/?share_source=copy_web&;vd_source=b8d0b2c4c1a84965a2546f0efe2f5759

1. 安装包说明

ComfyUI 开源地址：https://github.com/comfyanonymous/ComfyUI

对于程序员朋友来说，对于github的使用已经非常熟悉了，但考虑到不熟悉github的读者，以及国内对于github的网络环境的不稳定，除了github的clone之外，也推荐使用秋叶整合包，下载地址放在最后自取。

若使用github自行clone项目，需要git、python等必备环境，适合对github已经git和python环境熟悉的朋友使用
若使用秋叶整合包，里面包含了所有运行时需要的环境，因此此方法适合所有人，解压即用

2. 安装文件

网盘（文末自取）中包含以下文件

旧版本：基本不用管了
模型：只有基本的大模型，更多的大模型可自行去国外的C站或国内的liblib站点下载

C站：https://civitai.com/
liblib：https://www.liblib.art/

contronet：提供contronet所需模型文件，控图必须下载
入门工作流：提供基本的入门工作流，导入可直接使用
ComfyUI-aki-v1.2.7.7z：整合包压缩包，下载后解压即可使用

吐槽：国内网盘都是坑，没有会员就慢慢下吧

3. 安装步骤

不同于傻瓜式的安装步骤，这里需要稍微做一些配置，主要是配置模型路径

配置模型路径

这里分两种情况，如果你之前装了webui，并且本身已经下了很多模型了，那么恭喜你，ComfyUI对webui的模型地址做了兼容，可以通过一个配置文件即可与webui共享模型解压后的根目录，有“extra model_paths.yaml.example”文件，我们对这个文件进行修改

修改完成之后，去掉example后缀，保存为yaml文件即可
• 如果你没有装过webui，即首次使用stable diffusion的话，那么直接解压即可，后续下载的模型只需要放在ComfyUI读取的默认路径即可

模型路径checkpoint模型（大模型）models/checkpoints/lora模型models/loras/controlNet模型models/controlnet/vae模型models/vae/

2. 启动

启动“A 绘世启动器.exe”即可。启动后进行主界面，就可以开始ComfyUI的探索之旅了

若是用github自行安装的朋友，还需要下载“插件管理器”，方便后续安装插件（秋叶整合包已经包含了插件管理器），安装步骤如下分三步：
命令行窗口中运行：cd D:\COMFYUI路径XXXX\custom_nodes
继续运行：git clone https://github.com/ltdrdata/ComfyUI-Manager.git
重启 ComfyUI

4. 汉化

整合包可以直接点击右边设置小按钮，并对语言设为中文即可
非整合包需自行下载汉化插件，通过插件管理器搜索AIGODLIKE-ComfyUI-Translation安装即可，或类似下载插件管理器的方式在custom_nodes下git clone https://github.com/AIGODLIKE/AIGODLIKE-ComfyUI-Translation.git后重启ComfyUI

5. 学习参考

ComfyUI由于工作流的导入导出的便利，使得工作流可以互相分享学习，甚至直接使用。目前有很多工作流分享的站点，可以通过导入其他人的工作流进行学习和实践，对自身学习会非常有帮助

ComfyUI官方示例：https://comfyanonymous.github.io/ComfyUI_examples/
基础工作流示范：https://github.com/wyrde/wyrde-comfyui-workflows
comfyworkflows：https://comfyworkflows.com/
esheep（国内站点，访问快）：https://www.esheep.com/

6. 插件安装

使用其他人的工作流时，我们往往会发现他们使用了某些我们并没有的节点，导致出现节点缺失的现象，这种情况下，需要我们安装缺失的节点。以下是几种安装插件的常见方式

1、有KX上网环境推荐直接通过界面中的管理器安装缺失节点即可，若没有KX上网，这个过程会很痛苦

2、使用整合包推荐通过启动器安装：版本管理--安装新插件--搜索插件--点击安装

3、单独下载插件：单独下载插件包解压到:comfyui 安装根目录lcustom nodes目录下（与前文提到的安装插件管理器方法一致），然后重启即可。

四、文生图工作流

在首次使用ComfyUI时，启动后就可以看到它默认提供的一个工作流，其实就是一个非常基础的文生图工作流，我们就以这个工作流对基础节点做个简单的介绍

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

1、K采样器

K采样器是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
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

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

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Latent

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

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

五、图生图工作流

使用过WebUI的小伙伴可能要问了，文生图我懂了，那图生图怎么做呢？其实很简单，加一个图像载入节点作为数据输入就好了。前面提到，像素空间到潜空间需要做一次转换，所以我们就需要“加载图像”和“VAE编码”两个节点。

1. 加载图像

2. VAE编码

通过简单地加两个节点，即把工作流改为了最基础的图生图模式，如以下工作流就是一个简单通过动漫大模型把真人转动漫的工作流，其中K采样器的降噪也就是对应WebUI中的重绘幅度，这个值越大生成图像越靠近提示词，越小则越靠近参考图像，我这里用的 0.6，看情况调整即可

六、Lora

在Stable Diffusion中，Lora可谓是灵魂级别的东西，有了Lora，让模型训练的成本陡然下降，任何人都可以训练出一个自己想要的Lora模型。Lora输入SD中的微调模型，它可以通过训练素材实现主体风格的控制，或画面特征的控制，通过训练Lora，我们可以得到画风Lora，人物Lora，物体Lora等。

lora 是对大模型的后续微调，所以我们在ComfyUI中添加lora只需要在大模型后面新加Lora节点即可

我们可以直接通过右键checkpoint加载节点即可添加lora节点

当然 lora 不仅仅控制风格，可以把人物、衣服等进行炼制，控制出图的人物形象，控制出图人物的穿着都是可以的，这里推荐大家去C站寻宝吧，总有一款你喜欢的，如果没有也可以自己炼制哦。

我们以上面的图生图工作流为例，对整体工作流添加lora节点添加宫崎骏画风lora，于是我们就得到了真人转宫崎骏动漫画风的图片

七、ControlNet

SD相比于其他AI绘图工具的强大之处就在于它的控图能力，SD的控图依赖于它的ControNet模型（模型下载参考前文介绍），这是对于使用SD控图不得不得掌握的技能，结合大模型，Lora模型，和ControlNet，三者结合能更好的创造出你所想的画面

ControINet 有独立的控制图像，通过对图像的预处理，再结合提示词进行生成图像 不同的预处理可以对生成的图像进行不同的控制，一般有风格约束、线条约束、姿态约束、景深控制等，不管是WebUI还是ComfyUI，都有强大ControlNet，这里不详细介绍ControlNet，主要讲下如何在ComfyUI中使用ControlNet，后续可能专门写一篇ControlNet的详细介绍

因此，在使用ControlNet时，需要添加几个关键节点：预处理器、ControlNet应用、ControlNet加载器、加载图像、预览图像、VAE解码