ComfyUI

在 Clore.ai 上使用 ComfyUI 的节点式 Stable Diffusion 界面

基于节点的 Stable Diffusion 界面，在 CLORE.AI GPU 上拥有极致灵活性。

所有示例都可以在通过以下方式租用的 GPU 服务器上运行 CLORE.AI 市场.

服务器要求

参数	最低	推荐
内存	16GB	32GB以上
显存	8GB（SDXL）	12GB+
网络	500Mbps	1Gbps+
启动时间	5-10 分钟	-

启动时间： 首次启动会下载依赖和模型（取决于网络速度，需 5-10 分钟）。此时出现 HTTP 502 是正常的。

重要： 使用 FLUX 模型的 ComfyUI 需要 16GB+ VRAM。对于带 ControlNet 的 SDXL，请确保至少有 10GB VRAM。

为什么选择 ComfyUI？

• 基于节点的工作流 - 用于图像生成的可视化编程

• 最大控制 - 对流水线的每一步进行精细调整

• 高效 - 比其他方案更低的 VRAM 占用

• 可扩展 - 庞大的自定义节点生态系统

• 工作流共享 - 以 JSON 导入/导出

在 CLORE.AI 上快速部署

Docker 镜像：

yanwk/comfyui-boot:cu130-slim

端口：

22/tcp
8188/http

环境变量：

CLI_ARGS=--listen 0.0.0.0

验证是否正常工作

部署后，找到你的 http_pub URL 在 我的订单:

# 检查 UI 是否可访问（首次运行可能需要 5-10 分钟）
curl https://your-http-pub.clorecloud.net/

如果 15 分钟以上仍然出现 HTTP 502，请检查：

1. 服务器拥有 16GB+ RAM

2. 服务器为 SDXL 配备 8GB+ VRAM，为 FLUX 配备 16GB+ VRAM

3. 网络速度足以下载模型

访问你的服务

在 CLORE.AI 上部署时，请通过以下方式访问 ComfyUI： http_pub URL：

• Web UI： https://your-http-pub.clorecloud.net/

• API： https://your-http-pub.clorecloud.net/prompt

• WebSocket： wss://your-http-pub.clorecloud.net/ws

全部 localhost:8188 以下示例在通过 SSH 连接时可用。对于外部访问，请替换为你的 https://your-http-pub.clorecloud.net/ URL。

安装

使用 Docker（推荐）

docker run -d --gpus all \\
  -p 8188:8188 \\
  -v comfyui-data:/root \\
  -e CLI_ARGS="--listen 0.0.0.0" \\
  yanwk/comfyui-boot:cu130-slim

手动安装

# 克隆仓库
git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI

# 创建虚拟环境
python -m venv venv
source venv/bin/activate

# 安装带 CUDA 的 PyTorch
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu128

# 安装依赖
pip install -r requirements.txt

# 运行
python main.py --listen 0.0.0.0

目录结构

ComfyUI/
├── models/
│   ├── checkpoints/     # SD 模型（.safetensors）
│   ├── loras/           # LoRA 模型
│   ├── vae/             # VAE 模型
│   ├── controlnet/      # ControlNet 模型
│   ├── upscale_models/  # 放大模型
│   └── clip/            # CLIP 模型
├── input/               # 输入图像
├── output/              # 生成图像
└── custom_nodes/        # 扩展

下载模型

Stable Diffusion 检查点

cd ComfyUI/models/checkpoints

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

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

# SD 1.5（更小、更快）
wget https://huggingface.co/runwayml/stable-diffusion-v1-5/resolve/main/v1-5-pruned.safetensors

# Realistic Vision（照片级真实感）
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（颜色更好）
wget https://huggingface.co/stabilityai/sd-vae-ft-mse-original/resolve/main/vae-ft-mse-840000-ema-pruned.safetensors

LoRA

cd ComfyUI/models/loras

# 从 CivitAI 或 HuggingFace 下载
# 将 .safetensors 文件放在这里

基础工作流

文生图

1. 添加节点：

   • 加载检查点 → 选择模型

   • CLIP 文本编码 （x2）→ 正向与负向提示词

   • 空潜空间图像 → 设置尺寸

   • KSampler → 连接全部

   • VAE 解码 → 潜空间转图像

   • 保存图像 → 输出

2. 连接：

[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]

图生图

替换 空潜空间图像 为：

1. 加载图像 → 你的源图像

2. VAE 编码 → 转换为潜空间

3. 调整 降噪 在 KSampler 中（0.5-0.8）

ComfyUI 管理器

ComfyUI Manager 是一个 必备扩展 它提供一个用于安装、更新和管理自定义节点的 GUI。它是扩展 ComfyUI 的标准方式。

安装

cd ComfyUI/custom_nodes
git clone https://github.com/ltdrdata/ComfyUI-Manager.git
# 重启 ComfyUI — 工具栏中会出现一个“Manager”按钮

使用 ComfyUI Manager

重启后， Manager 按钮会出现在 ComfyUI 界面的右上角。

主要特性：

功能	如何访问
安装自定义节点	Manager → 安装自定义节点
更新所有节点	Manager → 更新全部
禁用/启用节点	Manager → 自定义节点管理器
安装缺失节点	Manager → 安装缺失的自定义节点
获取模型信息	Manager → 模型管理器
恢复快照	Manager → 快照管理器

工作流：安装新的节点包

1. 点击 Manager 按钮

2. 选择 安装自定义节点

3. 按名称搜索（例如“FLUX”、“AnimateDiff”）

4. 点击 安装 在所需的节点包上

5. 点击 重启 在提示时

6. 新节点会出现在右键添加菜单中

自动安装缺失节点： 当你导入使用你没有的节点的工作流 JSON 时，Manager 会检测到它们，并提供通过以下方式自动安装： 安装缺失的自定义节点.

保持节点更新

# 通过 CLI（GUI 的替代方式）：
cd ComfyUI/custom_nodes/ComfyUI-Manager
git pull

# 或在 UI 中使用 Manager → 更新全部

---

ComfyUI 中的 FLUX 工作流

FLUX 使用与标准 SD 模型不同的节点结构。以下是完整的 FLUX.1-dev 工作流。

所需文件

在运行工作流之前，下载：

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

# 文本编码器
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 工作流 JSON

另存为 flux_dev_workflow.json 并通过以下方式导入 加载 ComfyUI 中的按钮：

{
  "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": ["令人惊叹的照片级真实风景，黄金时刻光照，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 工作流（4 步）

对于 schnell，请修改上方 JSON 中的 KSampler 设置：

• 推理步数: 4

• cfg: 1.0

• 调度器: "simple"

• 模型文件： flux1-schnell.safetensors

或者通过 UI 设置：KSampler → 步数： 4，cfg： 1.0，采样器： euler，调度器： simple

关键节点差异：FLUX vs SD

节点	SD/SDXL	FLUX
模型加载器	加载检查点	UNETLoader
文本编码器	CLIPTextEncode	DualCLIPLoader + CLIPTextEncode
潜空间	空潜空间图像	EmptySD3LatentImage
额外	—	ModelSamplingFlux
负向提示词	必需	可选（留空）

---

必备自定义节点

推荐的节点包

节点包	GitHub	使用场景
ComfyUI-Manager	ltdrdata/ComfyUI-Manager	安装并管理所有其他节点
ComfyUI-FLUX	XLabs-AI/x-flux-comfyui	FLUX ControlNet 节点
was-node-suite	WASasquatch/was-node-suite-comfyui	100+ 实用节点
ComfyUI-Impact-Pack	ltdrdata/ComfyUI-Impact-Pack	人脸检测、SAM、ADetailer
ComfyUI-Inspire-Pack	ltdrdata/ComfyUI-Inspire-Pack	高级采样器、工作流
ComfyUI-AnimateDiff	Kosinkadink/ComfyUI-AnimateDiff-Evolved	视频 / 动画生成
ComfyUI-VideoHelperSuite	Kosinkadink/ComfyUI-VideoHelperSuite	视频 I/O 处理
ComfyUI-GGUF	city96/ComfyUI-GGUF	运行量化的 GGUF 模型
ComfyUI-KJNodes	kijai/ComfyUI-KJNodes	实用与遮罩节点
rgthree-comfy	rgthree/rgthree-comfy	工作流辅助，更好的 UI

ComfyUI-FLUX（XLabs-AI）

在 ComfyUI 中为 FLUX 添加 ControlNet 支持：

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

添加节点： 应用 ControlNet（FLUX）, 加载 ControlNet 模型（FLUX）, XFlux 采样器

was-node-suite

用于高级工作流的 100 多个实用节点：

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

关键节点：图像批处理、文本操作、图像分析、缓存节点、总线节点、放大、遮罩操作

通过 Manager 安装

1. 点击 Manager 按钮

2. 安装自定义节点

3. 搜索并安装

4. 重启 ComfyUI

高级工作流

ControlNet

# 下载 ControlNet 模型
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

工作流：

1. 加载图像 → Canny 边缘检测器

2. 应用 ControlNet → KSampler

3. 使用姿态/边缘引导生成

放大

# 下载放大器
cd ComfyUI/models/upscale_models
wget https://github.com/xinntao/Real-ESRGAN/releases/download/v0.1.0/RealESRGAN_x4plus.pth

工作流：

1. 以较低分辨率生成图像（768x768）

2. 放大图像（模型）节点

3. 可选：进行 img2img 细节增强

SDXL + Refiner

1. 使用 SDXL 基础模型生成（步数 1-20）

2. 将潜变量传递给 SDXL refiner（步数 21-30）

3. VAE 解码最终结果

键盘快捷键

按键	操作
Ctrl+Enter	排队提示词
Ctrl+Shift+Enter	将提示词加入队列（前端）
Ctrl+Z	撤销
Ctrl+Y	重做
Ctrl+S	保存工作流
Ctrl+O	加载工作流
Ctrl+A	全选
Delete	删除所选
Ctrl+M	静音节点
Ctrl+B	旁路节点

API 使用

排队提示词

import json
import urllib.request

# 进行外部访问时，请使用你的 http_pub URL：
SERVER = "your-http-pub.clorecloud.net"
# 或通过 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)

# 加载工作流 JSON 并排队
with open("workflow.json") as f:
    workflow = json.load(f)
queue_prompt(workflow)

用于进度的 WebSocket

import websocket
import json

# 进行外部访问时，请使用带有你的 http_pub URL 的 wss://
ws = websocket.WebSocket()
ws.connect(f"wss://{SERVER}/ws")

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

性能提示

1. 启用 --lowvram 适用于 <8GB VRAM

2. 尽可能使用 fp16 模型

3. 批量大小 1 适用于有限 VRAM

4. 分块 VAE 适用于高分辨率图像

5. 禁用预览 用于更快生成

GPU 要求

模型	最低 VRAM	推荐 VRAM	最低 RAM
SD 1.5	4GB	8GB	16GB
SDXL	8GB	12GB	16GB
SDXL + ControlNet	10GB	16GB	16GB
FLUX	16GB	24GB	32GB

GPU 预设

RTX 3060 12GB（预算型）

# 以优化参数启动
python main.py --lowvram --force-fp16

# 推荐设置：
# - SDXL：768x768，批量 1
# - SD 1.5：512x512，批量 4
# - 使用 VAE 分块
# - 20-30 步

最适合： SD 1.5、SDXL（有限制）

RTX 3090 24GB（最佳）

# 标准启动
python main.py --force-fp16

# 推荐设置：
# - SDXL：1024x1024，批量 2
# - FLUX schnell：1024x1024，批量 1
# - ControlNet + SDXL 效果很好
# - 30-50 步

最适合： SDXL、ControlNet 工作流、中等 FLUX

RTX 4090 24GB（性能型）

# 全速启动
python main.py

# 推荐设置：
# - SDXL：1024x1024，批量 4
# - FLUX dev：1024x1024，批量 1-2
# - 带有多个 ControlNet 的复杂工作流
# - 50+ 步以保证质量

最适合： FLUX、复杂工作流、批量生成

A100 40GB/80GB（生产型）

# 最大性能
python main.py --highvram

# 推荐设置：
# - SDXL：1024x1024，批量 8+
# - FLUX：1024x1024，批量 2-4
# - 同时加载多个模型
# - 高分辨率输出（2048x2048）

最适合： 生产工作负载、FLUX、高分辨率生成

成本估算

CLORE.AI 市场的典型费率：

GPU	显存	价格/天	SDXL 速度
RTX 3060	12GB	$0.15–0.30	~15 秒/图
RTX 3090	24GB	$0.30–1.00	~8 秒/图
RTX 4090	24GB	$0.50–2.00	~4 秒/图
A100	40GB	$1.50–3.00	~3 秒/图

价格为美元/天。费率因提供商而异——请查看 CLORE.AI 市场 以获取当前费率。

故障排查

长时间出现 HTTP 502

1. 检查 RAM： 服务器必须有 16GB+ RAM

2. 检查 VRAM： SDXL 需要 8GB+，FLUX 需要 16GB+

3. 依赖项下载中： 首次运行需要 5-10 分钟

4. 模型下载中： 大型模型需要更长时间

内存不足

# 以低 VRAM 模式运行
python main.py --lowvram

# 或强制 fp16
python main.py --force-fp16

黑图像

• 检查 VAE 是否已加载

• 尝试不同的 VAE

• 减小图像尺寸

生成缓慢

• 启用 CUDA

• 使用 fp16 模型

• 减少步数（20-30 通常就足够）

工作流示例

在 ComfyUI 中导入这些 JSON 工作流：

• 基础 txt2img

• SDXL + Refiner

• ControlNet Canny

• AnimateDiff 视频

下一步

• ControlNet 指南

• Real-ESRGAN 超分辨率放大

• Kohya 训练 - 训练自定义 LoRA

• Fooocus - 更简单的替代方案