ComfyUI

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

面向 Stable Diffusion 的基于节点的界面，在 CLORE.AI GPU 上提供极致灵活性。

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

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 - 微调管道的每个步骤
高效 - 比替代方案更低的显存使用
可扩展 - 大量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:cu126-slim

端口：

22/tcp
8188/http

环境：

CLI_ARGS=--listen 0.0.0.0

验证是否正常运行

部署后，在以下位置查找您的 http_pub URL： 我的订单:

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

如果出现 HTTP 502 超过 15 分钟，请检查：

服务器是否有 16GB+ RAM
服务器具有用于 SDXL 的 8GB+ 显存，FLUX 需要 16GB+
网络速度足以下载模型

访问您的服务

部署在 CLORE.AI 时，通过以下方式访问 ComfyUI： http_pub URL：

Web 界面： 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 下面的示例在通过 SSH 连接时可用。若需外部访问，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:cu126-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/cu124

# 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/              # 生成的图像
└── custom_nodes/        # 扩展

下载模型

Stable Diffusion 检查点

cd ComfyUI/models/checkpoints

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

# SDXL 精炼器
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（照片级写实）
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（更好色彩）
wget https://huggingface.co/stabilityai/sd-vae-ft-mse-original/resolve/main/vae-ft-mse-840000-ema-pruned.safetensors

LoRA 模型

cd ComfyUI/models/loras

# 从 CivitAI 或 HuggingFace 下载
# 将 .safetensors 文件放在此处

基本工作流

文本到图像

添加节点：
- 加载检查点 → 选择模型
- CLIP 文本编码 (x2) → 正负提示词
- 空的潜在图像 → 设置尺寸
- KSampler → 连接全部
- VAE 解码 → 从潜在到图像
- 保存图像 → 输出
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]

图像到图像

替换 空的潜在图像 为：

加载图像 → 你的源图像
VAE 编码 → 转换为潜在表示
调整去噪在 KSampler（0.5-0.8）中

ComfyUI 管理器

ComfyUI 管理器是一个 必要的扩展 它为安装、更新和管理自定义节点添加了 GUI。它是扩展 ComfyUI 的标准方式。

安装

demo.launch(server_name="0.0.0.0", server_port=7860)
git clone https://github.com/ltdrdata/ComfyUI-Manager.git
# 重启 ComfyUI — 工具栏将出现一个 “Manager” 按钮

使用 ComfyUI 管理器

重启后， Manager 按钮会出现在 ComfyUI 界面右上角。

主要功能：

特性

如何访问

安装自定义节点

Manager → Install Custom Nodes

更新所有节点

Manager → Update All

禁用/启用节点

Manager → Custom Nodes Manager

安装缺失的节点

Manager → Install Missing Custom Nodes

获取模型信息

Manager → Model Manager

恢复快照

Manager → Snapshot Manager

工作流：安装新的节点包

点击 Manager 按钮
选择 Install Custom Nodes
按名称搜索（例如："FLUX"、"AnimateDiff"）
点击安装在所需包上
点击 在提示时重启 Restart
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自动安装的选项，使用 Install Missing Custom Nodes.

保持节点更新

# 从命令行（作为 GUI 的替代）：
cd ComfyUI/custom_nodes/ComfyUI-Manager
git pull

# 或在 UI 中使用 Manager → Update All

ComfyUI 中的 FLUX 工作流

FLUX 使用与标准 SD 模型不同的节点结构。下面是完整的 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

保存为 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": ["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 工作流（4 步）

对于 schnell，请在上述 JSON 中更改 KSampler 设置：

num_inference_steps: 4
cfg: 1.0
scheduler: "simple"
模型文件： flux1-schnell.safetensors

或通过 UI 设置：KSampler → steps： 4, cfg： 1.0, sampler： euler, scheduler： simple

关键节点差异：FLUX 与 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

潜在表示

空的潜在图像

EmptySD3LatentImage

额外

—

ModelSamplingFlux

负面提示词

需要

可选（留空）

重要的自定义节点

ComfyUI-FLUX（XLabs-AI）

在 ComfyUI 中为 FLUX 添加 ControlNet 支持：

demo.launch(server_name="0.0.0.0", server_port=7860)
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+ 实用节点：

demo.launch(server_name="0.0.0.0", server_port=7860)
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、蒙版操作

通过 Manager 安装

点击 Manager 按钮
Install Custom Nodes
搜索并安装
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（深度）
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：

加载图像 → Canny 边缘检测器
应用 ControlNet → KSampler
使用姿态/边缘引导生成

放大（Upscaling）

# 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：

在较低分辨率（768x768）生成图像
Upscale Image（模型）节点
可选：用于细节的 img2img 步骤

SDXL + 精炼器

使用 SDXL 基础模型生成（步骤 1-20）
将潜在传递给 SDXL 精炼器（步骤 21-30）
VAE 解码最终结果

键盘快捷键

键

操作

Ctrl+Enter

加入队列提示

Ctrl+Shift+Enter

将提示加入队列（前置）

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

删除所选项

Ctrl+M

静音节点

Ctrl+B

绕过节点

API 使用

队列提示

import json
import urllib.request

# 若需外部访问，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 并加入队列
with open("workflow.json") as f:
    workflow = json.load(f)
queue_prompt(workflow)

进度的 WebSocket

import websocket
import json

# 若需外部访问，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"Step {msg['data']['value']}/{msg['data']['max']}")
    elif msg['type'] == 'executed':
        print("完成！")
        break

性能优化建议

启用 --lowvram 用于 <8GB 显存
尽可能使用 fp16 模型
批量大小 1 用于显存受限时
分块 VAE 用于高分辨率图像
禁用预览 以加快生成速度

GPU 要求

A100

最低显存

推荐显存

最小内存

SD 1.5

4GB

8GB

16GB

SDXL

8GB

12GB

16GB

SDXL + ControlNet

10GB

16GB

FLUX

16GB

24GB

32GB

GPU 预设

RTX 3060 12GB（入门）

# 启动并应用优化
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 平铺
# - 20-30 步

最佳适用： SD 1.5、SDXL（有一定限制）

RTX 3090 24GB（理想）

# 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 效果良好
# - 30-50 步

最佳适用： SDXL、ControlNet 工作流，中等 FLUX

RTX 4090 24GB（性能）

# 全速启动
python main.py

# 推荐设置：
# - SDXL：1024x1024，批量 4
# - FLUX dev：1024x1024，批量 1-2
# - 多个 ControlNet 的复杂工作流
# - 为获得高质量建议 50+ 步

最佳适用： FLUX、复杂工作流、批量生成

A100 40GB/80GB（生产）

# 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）

最佳适用： 生产级工作负载、FLUX、高分辨率生成

下载所有所需的检查点

典型 CLORE.AI 市场价格：

GPU

显存

价格/天

SDXL 速度

按小时费率

12GB

$0.15–0.30

~15 秒/图

速度

24GB

$0.30–1.00

~8 秒/图

512x512

24GB

$0.50–2.00

~4 秒/图

40GB

$1.50–3.00

~3 秒/图

价格以美元/天计。费率因提供商而异——请查看 CLORE.AI 市场 A100 40GB

# 使用固定种子以获得一致结果

长时间出现 HTTP 502

检查内存（RAM）： 服务器必须有 16GB+ RAM
检查显存（VRAM）： SDXL 需 8GB+，FLUX 需 16GB+
依赖项下载： 首次运行需 5-10 分钟
模型下载： 大型模型需更长时间

内存不足

# 使用低显存模式运行
python main.py --lowvram

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

黑图（全黑图像）

检查 VAE 是否已加载
尝试不同的 VAE
降低图像大小

生成速度慢

启用 CUDA
使用 fp16 模型
减少步数（20-30 步通常足够）

工作流示例

在 ComfyUI 中导入这些 JSON 工作流：

使用以下方式支付

ControlNet 指南
Real-ESRGAN 放大
Kohya 训练 - 训练自定义 LoRA
- 将重光图像转换为 3D - 更简单的替代方案

上一页Stable Diffusion WebUI 下一页Fooocus

最后更新于7天前

这有帮助吗？

hashtag服务器要求

hashtag为什么选择 ComfyUI？

hashtag在 CLORE.AI 上快速部署

hashtag验证是否正常运行

hashtag访问您的服务

hashtag安装

hashtag使用 Docker（推荐）

hashtag手动安装

hashtag目录结构

hashtag下载模型

hashtagStable Diffusion 检查点

hashtagVAE

hashtagLoRA 模型

hashtag基本工作流

hashtag文本到图像

hashtag图像到图像

hashtagComfyUI 管理器

hashtag安装

hashtag使用 ComfyUI 管理器

hashtag保持节点更新

hashtagComfyUI 中的 FLUX 工作流

hashtag所需文件

hashtagFLUX.1-dev 工作流 JSON

hashtagFLUX.1-schnell 工作流（4 步）

hashtag关键节点差异：FLUX 与 SD

hashtag重要的自定义节点

hashtag推荐的节点包

hashtagComfyUI-FLUX（XLabs-AI）

hashtagwas-node-suite

hashtag通过 Manager 安装

hashtag高级工作流

hashtagControlNet

hashtag放大（Upscaling）

hashtagSDXL + 精炼器

hashtag键盘快捷键

hashtagAPI 使用

hashtag队列提示

hashtag进度的 WebSocket

hashtag性能优化建议

hashtagGPU 要求

hashtagGPU 预设

hashtagRTX 3060 12GB（入门）

hashtagRTX 3090 24GB（理想）

hashtagRTX 4090 24GB（性能）

hashtagA100 40GB/80GB（生产）

hashtag下载所有所需的检查点

hashtag# 使用固定种子以获得一致结果

hashtag长时间出现 HTTP 502

hashtag内存不足

hashtag黑图（全黑图像）

hashtag生成速度慢

hashtag工作流示例

hashtag使用以下方式支付

服务器要求

为什么选择 ComfyUI？

在 CLORE.AI 上快速部署

验证是否正常运行

访问您的服务

安装

使用 Docker（推荐）

手动安装

目录结构

下载模型

Stable Diffusion 检查点

VAE

LoRA 模型

基本工作流

文本到图像

图像到图像

ComfyUI 管理器

安装

使用 ComfyUI 管理器

保持节点更新

ComfyUI 中的 FLUX 工作流

所需文件

FLUX.1-dev 工作流 JSON

FLUX.1-schnell 工作流（4 步）

关键节点差异：FLUX 与 SD

重要的自定义节点

推荐的节点包

ComfyUI-FLUX（XLabs-AI）

was-node-suite

通过 Manager 安装

高级工作流

ControlNet

放大（Upscaling）

SDXL + 精炼器

键盘快捷键

API 使用

队列提示

进度的 WebSocket

性能优化建议

GPU 要求

GPU 预设

RTX 3060 12GB（入门）

RTX 3090 24GB（理想）

RTX 4090 24GB（性能）

A100 40GB/80GB（生产）

下载所有所需的检查点

# 使用固定种子以获得一致结果

长时间出现 HTTP 502

内存不足

黑图（全黑图像）

生成速度慢

工作流示例

使用以下方式支付