ComfyUI

Knotenbasierte Stable Diffusion-Oberfläche mit ComfyUI auf Clore.ai

Knotenbasierte Oberfläche für Stable Diffusion mit maximaler Flexibilität auf CLORE.AI-GPUs.

Alle Beispiele können auf GPU-Servern ausgeführt werden, die über CLORE.AI Marketplace.

Serveranforderungen

Parameter

Minimum

Warum ComfyUI?

Knotenbasierter Workflow - Visuelle Programmierung zur Bildgenerierung
Maximale Kontrolle - Feinabstimmung jedes Schrittes der Pipeline
Effizient - Niedrigerer VRAM-Verbrauch als Alternativen
Erweiterbar - Großes Ökosystem an benutzerdefinierten Knoten
Workflow-Sharing - Import/Export als JSON

Schnelle Bereitstellung auf CLORE.AI

Docker-Image:

yanwk/comfyui-boot:cu126-slim

Ports:

22/tcp
8188/http

Umgebung:

CLI_ARGS=--listen 0.0.0.0

Überprüfen, ob es funktioniert

Nach der Bereitstellung finden Sie Ihre http_pub URL in Meine Bestellungen:

# Prüfen, ob die UI erreichbar ist (kann beim ersten Start 5–10 Min dauern)
curl https://your-http-pub.clorecloud.net/

Wenn Sie länger als 15 Minuten HTTP 502 erhalten, prüfen Sie:

Server hat 16GB+ RAM
Server hat 8 GB+ VRAM für SDXL, 16 GB+ für FLUX
Netzwerkgeschwindigkeit ist ausreichend zum Herunterladen von Modellen

Zugriff auf Ihren Dienst

Wenn auf CLORE.AI bereitgestellt, greifen Sie auf ComfyUI über die http_pub URL:

Weboberfläche: https://your-http-pub.clorecloud.net/
API: https://your-http-pub.clorecloud.net/prompt
WebSocket: wss://your-http-pub.clorecloud.net/ws

Alle localhost:8188 Die untenstehenden Beispiele funktionieren, wenn über SSH verbunden. Für externen Zugriff ersetzen Sie durch Ihre https://your-http-pub.clorecloud.net/ URL.

Installation

Verwendung von Docker (empfohlen)

docker run -d --gpus all \
  -p 8188:8188 \
  -v comfyui-data:/root \
  -e CLI_ARGS="--listen 0.0.0.0" \
  yanwk/comfyui-boot:cu126-slim

Manuelle Installation

# Repository klonen
git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI

# Virtuelle Umgebung erstellen
python -m venv venv
source venv/bin/activate

# PyTorch mit CUDA installieren
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu124

# Anforderungen installieren
pip install -r requirements.txt

# Ausführen
python main.py --listen 0.0.0.0

Verzeichnisstruktur

ComfyUI/
├── models/
│   ├── checkpoints/     # SD-Modelle (.safetensors)
│   ├── loras/           # LoRA-Modelle
│   ├── vae/             # VAE-Modelle
│   ├── controlnet/      # ControlNet-Modelle
│   ├── upscale_models/  # Upscaler
│   └── clip/            # CLIP-Modelle
├── input/               # Eingabebilder
├── output/              # Generierte Bilder
└── custom_nodes/        # Erweiterungen

Modelle herunterladen

Stable Diffusion Checkpoints

cd ComfyUI/models/checkpoints

# SDXL Basis
wget https://huggingface.co/stabilityai/stable-diffusion-xl-base-1.0/resolve/main/sd_xl_base_1.0.safetensors

# SDXL Refiner
wget https://huggingface.co/stabilityai/stable-diffusion-xl-refiner-1.0/resolve/main/sd_xl_refiner_1.0.safetensors

# SD 1.5 (kleiner, schneller)
wget https://huggingface.co/runwayml/stable-diffusion-v1-5/resolve/main/v1-5-pruned.safetensors

# Realistic Vision (fotorealistisch)
wget https://huggingface.co/SG161222/Realistic_Vision_V6.0_B1_noVAE/resolve/main/Realistic_Vision_V6.0_B1_fp16.safetensors

VAE

cd ComfyUI/models/vae

# SDXL VAE
wget https://huggingface.co/stabilityai/sdxl-vae/resolve/main/sdxl_vae.safetensors

# SD 1.5 VAE (bessere Farben)
wget https://huggingface.co/stabilityai/sd-vae-ft-mse-original/resolve/main/vae-ft-mse-840000-ema-pruned.safetensors

LoRAs

cd ComfyUI/models/loras

# Herunterladen von CivitAI oder HuggingFace
# Legen Sie .safetensors-Dateien hier ab

Grundlegender Workflow

Text zu Bild

Knoten hinzufügen:
- Checkpoint laden → Modell auswählen
- CLIP Text Encode (x2) → positive & negative Prompts
- Leeres latentes Bild → Abmessungen einstellen
- KSampler → alles verbinden
- VAE-Decodierung → latent zu Bild
- Bild speichern → Ausgabe
Verbinden:

[Checkpoint] → MODEL → [KSampler]
[Checkpoint] → CLIP → [CLIP Text Encode +]
[Checkpoint] → CLIP → [CLIP Text Encode -]
[Checkpoint] → VAE → [VAE Decode]
[Text Encode +] → CONDITIONING → [KSampler]
[Text Encode -] → CONDITIONING → [KSampler]
[Empty Latent] → LATENT → [KSampler]
[KSampler] → LATENT → [VAE Decode]
[VAE Decode] → IMAGE → [Save Image]

Bild zu Bild

Ersetzen Leeres latentes Bild mit:

Bild laden → Ihr Quellbild
VAE-Enkodierung → in Latent umwandeln
Anpassen entrauschen im KSampler (0.5–0.8)

ComfyUI Manager

ComfyUI Manager ist eine essentielle Erweiterung die eine GUI zum Installieren, Aktualisieren und Verwalten benutzerdefinierter Knoten hinzufügt. Es ist der Standardweg, ComfyUI zu erweitern.

Installation

cd ComfyUI/custom_nodes
git clone https://github.com/ltdrdata/ComfyUI-Manager.git
# ComfyUI neu starten — ein "Manager"-Button erscheint in der Werkzeugleiste

Verwendung von ComfyUI Manager

Nach dem Neustart erscheint ein Manager Button oben rechts in der ComfyUI-Oberfläche.

Hauptfunktionen:

Funktion

Wie zuzugreifen ist

Benutzerdefinierte Knoten installieren

Manager → Install Custom Nodes

Alle Knoten aktualisieren

Manager → Update All

Knoten deaktivieren/aktivieren

Manager → Custom Nodes Manager

Fehlende Knoten installieren

Manager → Install Missing Custom Nodes

Modellinformationen abrufen

Manager → Model Manager

Snapshot wiederherstellen

Manager → Snapshot Manager

Workflow: Installation eines neuen Node-Pakets

Klicken Manager Schaltfläche
Auswählen Install Custom Nodes
Nach Name suchen (z. B. "FLUX", "AnimateDiff")
Klicken Installieren auf dem gewünschten Paket
Klicken Neustarten wenn dazu aufgefordert
Neue Knoten erscheinen im Rechtsklick-Hinzufügen-Menü

Fehlende Knoten automatisch installieren: Wenn Sie ein Workflow-JSON importieren, das Knoten verwendet, die Sie nicht haben, erkennt Manager diese und bietet an, sie automatisch zu installieren via Install Missing Custom Nodes.

Knoten aktuell halten

# Von der CLI (Alternative zur GUI):
cd ComfyUI/custom_nodes/ComfyUI-Manager
git pull

# Oder verwenden Sie Manager → Update All in der UI

FLUX-Workflow in ComfyUI

FLUX verwendet eine andere Knotenstruktur als Standard-SD-Modelle. Unten ist ein vollständiger FLUX.1-dev-Workflow.

Erforderliche Dateien

Laden Sie vor dem Ausführen des Workflows herunter:

# FLUX-Modell (dev oder schnell)
cd ComfyUI/models/unet
wget https://huggingface.co/black-forest-labs/FLUX.1-dev/resolve/main/flux1-dev.safetensors

# Text-Encoder
cd ../clip
wget https://huggingface.co/comfyanonymous/flux_text_encoders/resolve/main/clip_l.safetensors
wget https://huggingface.co/comfyanonymous/flux_text_encoders/resolve/main/t5xxl_fp16.safetensors

# VAE
cd ../vae
wget https://huggingface.co/black-forest-labs/FLUX.1-dev/resolve/main/ae.safetensors

FLUX.1-dev Workflow JSON

Speichern als flux_dev_workflow.json und importieren via Laden Button in ComfyUI:

{
  "last_node_id": 12,
  "last_link_id": 20,
  "nodes": [
    {
      "id": 1,
      "type": "UNETLoader",
      "pos": [100, 100],
      "size": [300, 60],
      "inputs": [],
      "outputs": [{"name": "MODEL", "type": "MODEL", "links": [1]}],
      "properties": {},
      "widgets_values": ["flux1-dev.safetensors", "default"]
    },
    {
      "id": 2,
      "type": "DualCLIPLoader",
      "pos": [100, 200],
      "size": [350, 80],
      "inputs": [],
      "outputs": [{"name": "CLIP", "type": "CLIP", "links": [2, 3]}],
      "properties": {},
      "widgets_values": ["clip_l.safetensors", "t5xxl_fp16.safetensors", "flux"]
    },
    {
      "id": 3,
      "type": "CLIPTextEncode",
      "pos": [500, 150],
      "size": [425, 180],
      "inputs": [{"name": "clip", "type": "CLIP", "link": 2}],
      "outputs": [{"name": "CONDITIONING", "type": "CONDITIONING", "links": [4]}],
      "properties": {},
      "widgets_values": ["A stunning photorealistic landscape, golden hour lighting, 8K"]
    },
    {
      "id": 4,
      "type": "EmptySD3LatentImage",
      "pos": [100, 350],
      "size": [300, 100],
      "inputs": [],
      "outputs": [{"name": "LATENT", "type": "LATENT", "links": [5]}],
      "properties": {},
      "widgets_values": [1024, 1024, 1]
    },
    {
      "id": 5,
      "type": "ModelSamplingFlux",
      "pos": [500, 350],
      "size": [300, 80],
      "inputs": [{"name": "model", "type": "MODEL", "link": 1}],
      "outputs": [{"name": "MODEL", "type": "MODEL", "links": [6]}],
      "properties": {},
      "widgets_values": [1.15, 0.5, 1024, 1024]
    },
    {
      "id": 6,
      "type": "KSampler",
      "pos": [850, 250],
      "size": [350, 240],
      "inputs": [
        {"name": "model", "type": "MODEL", "link": 6},
        {"name": "positive", "type": "CONDITIONING", "link": 4},
        {"name": "negative", "type": "CONDITIONING", "link": 7},
        {"name": "latent_image", "type": "LATENT", "link": 5}
      ],
      "outputs": [{"name": "LATENT", "type": "LATENT", "links": [8]}],
      "properties": {},
      "widgets_values": [42, "fixed", 20, 3.5, "euler", "simple", 1.0]
    },
    {
      "id": 7,
      "type": "CLIPTextEncode",
      "pos": [500, 500],
      "size": [300, 60],
      "inputs": [{"name": "clip", "type": "CLIP", "link": 3}],
      "outputs": [{"name": "CONDITIONING", "type": "CONDITIONING", "links": [7]}],
      "properties": {},
      "widgets_values": [""]
    },
    {
      "id": 8,
      "type": "VAELoader",
      "pos": [100, 500],
      "size": [300, 60],
      "inputs": [],
      "outputs": [{"name": "VAE", "type": "VAE", "links": [9]}],
      "properties": {},
      "widgets_values": ["ae.safetensors"]
    },
    {
      "id": 9,
      "type": "VAEDecode",
      "pos": [1250, 300],
      "size": [210, 46],
      "inputs": [
        {"name": "samples", "type": "LATENT", "link": 8},
        {"name": "vae", "type": "VAE", "link": 9}
      ],
      "outputs": [{"name": "IMAGE", "type": "IMAGE", "links": [10]}],
      "properties": {}
    },
    {
      "id": 10,
      "type": "SaveImage",
      "pos": [1500, 300],
      "size": [300, 270],
      "inputs": [{"name": "images", "type": "IMAGE", "link": 10}],
      "outputs": [],
      "properties": {},
      "widgets_values": ["flux_output"]
    }
  ],
  "links": [
    [1, 1, 0, 5, 0, "MODEL"],
    [2, 2, 0, 3, 0, "CLIP"],
    [3, 2, 0, 7, 0, "CLIP"],
    [4, 3, 0, 6, 1, "CONDITIONING"],
    [5, 4, 0, 6, 3, "LATENT"],
    [6, 5, 0, 6, 0, "MODEL"],
    [7, 7, 0, 6, 2, "CONDITIONING"],
    [8, 6, 0, 9, 0, "LATENT"],
    [9, 8, 0, 9, 1, "VAE"],
    [10, 9, 0, 10, 0, "IMAGE"]
  ],
  "groups": [],
  "config": {},
  "extra": {"ds": {"scale": 0.8, "offset": [0, 0]}},
  "version": 0.4
}

FLUX.1-schnell Workflow (4 Schritte)

Für schnell ändern Sie die KSampler-Einstellungen im obigen JSON:

num_inference_steps: 4
cfg: 1.0
scheduler: "simple"
Modell-Datei: flux1-schnell.safetensors

Oder per UI einstellen: KSampler → steps: 4, cfg: 1.0, sampler: euler, scheduler: simple

Wesentliche Knotenunterschiede: FLUX vs SD

Knoten

SD/SDXL

FLUX

Modell-Loader

Checkpoint laden

UNETLoader

Text-Encoder

CLIPTextEncode

DualCLIPLoader + CLIPTextEncode

Latent

Leeres latentes Bild

EmptySD3LatentImage

Extra

—

ModelSamplingFlux

Negativer Prompt

Erforderlich

Optional (leer lassen)

Wesentliche benutzerdefinierte Knoten

Empfohlene Node-Pakete

Node-Paket

GitHub

Einsatzgebiet

ComfyUI-Manager

ltdrdata/ComfyUI-Manager

Alle anderen Knoten installieren & verwalten

ComfyUI-FLUX

XLabs-AI/x-flux-comfyui

FLUX ControlNet-Knoten

was-node-suite

WASasquatch/was-node-suite-comfyui

100+ Hilfsknoten

ComfyUI-Impact-Pack

ltdrdata/ComfyUI-Impact-Pack

Gesichtserkennung, SAM, ADetailer

ComfyUI-Inspire-Pack

ltdrdata/ComfyUI-Inspire-Pack

Erweiterte Sampler, Workflows

ComfyUI-AnimateDiff

Kosinkadink/ComfyUI-AnimateDiff-Evolved

Video-/Animationsgenerierung

ComfyUI-VideoHelperSuite

Kosinkadink/ComfyUI-VideoHelperSuite

Video I/O-Verarbeitung

ComfyUI-GGUF

city96/ComfyUI-GGUF

Quantisierte GGUF-Modelle ausführen

ComfyUI-KJNodes

kijai/ComfyUI-KJNodes

Hilfs- & Maskenknoten

rgthree-comfy

rgthree/rgthree-comfy

Workflow-Hilfen, bessere UI

ComfyUI-FLUX (XLabs-AI)

Fügt ControlNet-Unterstützung für FLUX innerhalb von ComfyUI hinzu:

cd ComfyUI/custom_nodes
git clone https://github.com/XLabs-AI/x-flux-comfyui
cd x-flux-comfyui
pip install -r requirements.txt

Fügt Knoten hinzu: Apply ControlNet (FLUX), Load ControlNet Model (FLUX), XFlux Sampler

was-node-suite

Über 100 Hilfsknoten für fortgeschrittene Workflows:

cd ComfyUI/custom_nodes
git clone https://github.com/WASasquatch/was-node-suite-comfyui
cd was-node-suite-comfyui
pip install -r requirements.txt

Wichtige Knoten: Image Batch, Text Operations, Image Analyze, Cache Node, Bus Node, Upscale, Mask-Operationen

Über Manager installieren

Klicken Manager Schaltfläche
Install Custom Nodes
Suchen und installieren
ComfyUI neu starten

Erweiterte Workflows

ControlNet

# ControlNet-Modelle herunterladen
cd ComfyUI/models/controlnet

# Canny
wget https://huggingface.co/lllyasviel/ControlNet-v1-1/resolve/main/control_v11p_sd15_canny.pth

# Depth
wget https://huggingface.co/lllyasviel/ControlNet-v1-1/resolve/main/control_v11f1p_sd15_depth.pth

# OpenPose
wget https://huggingface.co/lllyasviel/ControlNet-v1-1/resolve/main/control_v11p_sd15_openpose.pth

Workflow:

Bild laden → Canny-Kantendetektor
Apply ControlNet → KSampler
Mit Pose-/Kantenführung generieren

Upscaling

# Upscaler herunterladen
cd ComfyUI/models/upscale_models
wget https://github.com/xinntao/Real-ESRGAN/releases/download/v0.1.0/RealESRGAN_x4plus.pth

Workflow:

Bild in niedrigerer Auflösung erzeugen (768x768)
Upscale Image (Model)-Knoten
Optional: img2img-Pass für Details

SDXL + Refiner

Mit SDXL-Basis erzeugen (Schritte 1–20)
Latent an SDXL-Refiner weitergeben (Schritte 21–30)
Finales Ergebnis mit VAE decodieren

Tastaturkürzel

Taste

Aktion

Strg+Enter

Prompt in die Warteschlange

Strg+Shift+Enter

Prompt vorrangig in die Warteschlange

Strg+Z

Rückgängig

Strg+Y

Wiederholen

Strg+S

Workflow speichern

Strg+O

Workflow laden

Strg+A

Alles auswählen

Entfernen

Auswahl löschen

Strg+M

Knoten stummschalten

Strg+B

Knoten umgehen

API-Nutzung

Prompt in die Warteschlange

import json
import urllib.request

# Für externen Zugriff verwenden Sie Ihre http_pub-URL:
SERVER = "your-http-pub.clorecloud.net"
# Oder via SSH: SERVER = "localhost:8188"

def queue_prompt(prompt, server=SERVER):
    data = json.dumps({"prompt": prompt}).encode('utf-8')
    req = urllib.request.Request(f"https://{server}/prompt", data=data)
    urllib.request.urlopen(req)

# Workflow-JSON laden und in die Warteschlange stellen
with open("workflow.json") as f:
    workflow = json.load(f)
queue_prompt(workflow)

WebSocket für Fortschritt

import websocket
import json

# Für externen Zugriff verwenden Sie wss:// mit Ihrer http_pub-URL
ws = websocket.WebSocket()
ws.connect(f"wss://{SERVER}/ws")

while True:
    msg = json.loads(ws.recv())
    if msg['type'] == 'progress':
        print(f"Step {msg['data']['value']}/{msg['data']['max']}")
    elif msg['type'] == 'executed':
        print("Fertig!")
        break

Performance-Tipps

--lowvram aktivieren für <8 GB VRAM
Verwenden Sie fp16 Modelle wenn möglich
Batch-Größe 1 für begrenzten VRAM
Gekacheltes VAE für hochauflösende Bilder
Vorschau deaktivieren für schnellere Generierung

GPU-Anforderungen

Modell

Minimaler VRAM

Empfohlener VRAM

Min. RAM

SD 1.5

4GB

8GB

16GB

SDXL

8GB

12GB

16GB

SDXL + ControlNet

10GB

16GB

FLUX

16GB

24GB

32GB

GPU-Voreinstellungen

RTX 3060 12GB (Budget)

# Start mit Optimierungen
python main.py --lowvram --force-fp16

# Empfohlene Einstellungen:
# - SDXL: 768x768, Batch 1
# - SD 1.5: 512x512, Batch 4
# - VAE-Tiling verwenden
# - 20–30 Schritte

Am besten geeignet für: SD 1.5, SDXL (mit Einschränkungen)

RTX 3090 24GB (Optimal)

# Standardstart
python main.py --force-fp16

# Empfohlene Einstellungen:
# - SDXL: 1024x1024, Batch 2
# - FLUX schnell: 1024x1024, Batch 1
# - ControlNet + SDXL funktioniert gut
# - 30–50 Schritte

Am besten geeignet für: SDXL, ControlNet-Workflows, moderates FLUX

RTX 4090 24GB (Performance)

# Volle Geschwindigkeit starten
python main.py

# Empfohlene Einstellungen:
# - SDXL: 1024x1024, Batch 4
# - FLUX dev: 1024x1024, Batch 1-2
# - Komplexe Workflows mit mehreren ControlNets
# - 50+ Schritte für Qualität

Am besten geeignet für: FLUX, komplexe Workflows, Batch-Generierung

A100 40GB/80GB (Produktion)

# Maximale Leistung
python main.py --highvram

# Empfohlene Einstellungen:
# - SDXL: 1024x1024, Batch 8+
# - FLUX: 1024x1024, Batch 2-4
# - Mehrere Modelle gleichzeitig geladen
# - Hochauflösende Ausgaben (2048x2048)

Am besten geeignet für: Produktions-Workloads, FLUX, hochauflösende Generierung

Kostenabschätzung

Typische CLORE.AI-Marktplatzpreise:

GPU

VRAM

Preis/Tag

SDXL Geschwindigkeit

RTX 3060

12GB

$0.15–0.30

~15 Sek./Bild

RTX 3090

24GB

$0.30–1.00

~8 Sek./Bild

RTX 4090

24GB

$0.50–2.00

~4 Sek./Bild

A100

40GB

$1.50–3.00

~3 Sek./Bild

Preise in USD/Tag. Die Tarife variieren je nach Anbieter — prüfen Sie CLORE.AI Marketplace auf aktuelle Preise.

Fehlerbehebung

HTTP 502 über lange Zeit

Prüfe RAM: Server muss 16GB+ RAM haben
Prüfe VRAM: 8GB+ für SDXL, 16GB+ für FLUX
Abhängigkeiten herunterladen: Erster Lauf dauert 5–10 Min.
Modell-Download: Große Modelle dauern länger

Kein Speicher mehr

# Mit Low-VRAM-Modus ausführen
python main.py --lowvram

# Oder fp16 erzwingen
python main.py --force-fp16

Schwarze Bilder

Überprüfe, dass VAE geladen ist
Probiere verschiedene VAE aus
Bildgröße reduzieren

Langsame Generierung

CUDA aktivieren
fp16-Modelle verwenden
Schritte reduzieren (20–30 sind oft ausreichend)

Workflow-Beispiele

Importiere diese JSON-Workflows in ComfyUI:

Nächste Schritte

ControlNet Anleitung
Real-ESRGAN-Upscaling
Kohya Training - Eigene LoRAs trainieren
Fooocus - Einfachere Alternative

VorherigeStable Diffusion WebUI NächsteFooocus

Zuletzt aktualisiert vor 1 Tag

War das hilfreich?

hashtagServeranforderungen

hashtagWarum ComfyUI?

hashtagSchnelle Bereitstellung auf CLORE.AI

hashtagÜberprüfen, ob es funktioniert

hashtagZugriff auf Ihren Dienst

hashtagInstallation

hashtagVerwendung von Docker (empfohlen)

hashtagManuelle Installation

hashtagVerzeichnisstruktur

hashtagModelle herunterladen

hashtagStable Diffusion Checkpoints

hashtagVAE

hashtagLoRAs

hashtagGrundlegender Workflow

hashtagText zu Bild

hashtagBild zu Bild

hashtagComfyUI Manager

hashtagInstallation

hashtagVerwendung von ComfyUI Manager

hashtagKnoten aktuell halten

hashtagFLUX-Workflow in ComfyUI

hashtagErforderliche Dateien

hashtagFLUX.1-dev Workflow JSON

hashtagFLUX.1-schnell Workflow (4 Schritte)

hashtagWesentliche Knotenunterschiede: FLUX vs SD

hashtagWesentliche benutzerdefinierte Knoten

hashtagEmpfohlene Node-Pakete

hashtagComfyUI-FLUX (XLabs-AI)

hashtagwas-node-suite

hashtagÜber Manager installieren

hashtagErweiterte Workflows

hashtagControlNet

hashtagUpscaling

hashtagSDXL + Refiner

hashtagTastaturkürzel

hashtagAPI-Nutzung

hashtagPrompt in die Warteschlange

hashtagWebSocket für Fortschritt

hashtagPerformance-Tipps

hashtagGPU-Anforderungen

hashtagGPU-Voreinstellungen

hashtagRTX 3060 12GB (Budget)

hashtagRTX 3090 24GB (Optimal)

hashtagRTX 4090 24GB (Performance)

hashtagA100 40GB/80GB (Produktion)

hashtagKostenabschätzung

hashtagFehlerbehebung

hashtagHTTP 502 über lange Zeit

hashtagKein Speicher mehr

hashtagSchwarze Bilder

hashtagLangsame Generierung

hashtagWorkflow-Beispiele

hashtagNächste Schritte

Serveranforderungen

Warum ComfyUI?

Schnelle Bereitstellung auf CLORE.AI

Überprüfen, ob es funktioniert

Zugriff auf Ihren Dienst

Installation

Verwendung von Docker (empfohlen)

Manuelle Installation

Verzeichnisstruktur

Modelle herunterladen

Stable Diffusion Checkpoints

VAE

LoRAs

Grundlegender Workflow

Text zu Bild

Bild zu Bild

ComfyUI Manager

Installation

Verwendung von ComfyUI Manager

Knoten aktuell halten

FLUX-Workflow in ComfyUI

Erforderliche Dateien

FLUX.1-dev Workflow JSON

FLUX.1-schnell Workflow (4 Schritte)

Wesentliche Knotenunterschiede: FLUX vs SD

Wesentliche benutzerdefinierte Knoten

Empfohlene Node-Pakete

ComfyUI-FLUX (XLabs-AI)

was-node-suite

Über Manager installieren

Erweiterte Workflows

ControlNet

Upscaling

SDXL + Refiner

Tastaturkürzel

API-Nutzung

Prompt in die Warteschlange

WebSocket für Fortschritt

Performance-Tipps

GPU-Anforderungen

GPU-Voreinstellungen

RTX 3060 12GB (Budget)

RTX 3090 24GB (Optimal)

RTX 4090 24GB (Performance)

A100 40GB/80GB (Produktion)

Kostenabschätzung

Fehlerbehebung

HTTP 502 über lange Zeit

Kein Speicher mehr

Schwarze Bilder

Langsame Generierung

Workflow-Beispiele

Nächste Schritte