爆脖の奇妙生活


さあ，私たちのデートを始めましょう

【教程】StableDiffusion: ComfyUI完全部署指南-以Linux为例

  • ~6.34K 字
  1. 1. 一、克隆项目
  2. 2. 二、Conda环境配置
    1. 2.1. 创建 Python 环境
    2. 2.2. 安装 PyTorch
    3. 2.3. 安装 ComfyUI 依赖
    4. 2.4. 安装ComfyUI Manager
      1. 2.4.1. 新版ComfyUI（自带 Manager，需手动启用）
      2. 2.4.2. 常规手动安装（适用于大多数版本）
  3. 3. 三、下载SDXL模型
  4. 4. 四、运行ComfyUI
    1. 4.1. 推荐启动命令
  5. 5. 五、测试出图
    1. 5.1. 先跑通base模型，不用着急加Refiner
      1. 5.1.1. 1.添加Load Checkpoint（Checkpoint加载器）节点
      2. 5.1.2. 2.添加CLIP encode（CLIP文本编码）节点
      3. 5.1.3. 3.添加Empty Latent Image（空Latent图像）
      4. 5.1.4. 4.添加KSampler（K采样器）
      5. 5.1.5. 5.添加VAE Decode
      6. 5.1.6. 6.运行
    2. 5.2. 加上Refiner
      1. 5.2.1. 1.修改基础K Samper（K采样器）
      2. 5.2.2. 2.添加一个Load Checkpoint（Checkpoint加载器）
      3. 5.2.3. 3.给refiner添加两个CLIP Text Encode（CLIP文本编码）
      4. 5.2.4. 4.添加第二个K Sampler（K采样器）
      5. 5.2.5. 5.连接refiner K Sampler
      6. 5.2.6. 6.修改VAE输出
      7. 5.2.7. 7.运行
  6. 6. 六、下一步学习顺序

想要尝试StableDiffusion绘画的可以看看，这是在本地（本文以Linux为例）部署ComfyUI的流程。

一、克隆项目

项目连接：ComfyUI

到对应项目后，通过下面命令克隆项目，并进入项目文件夹

1
2
git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI

二、Conda环境配置

当前版本的ComfyUI推荐使用python3.13环境，因此这里使用的是3.13，可以根据comfyUI的项目网站，找到推荐的python版本。

创建 Python 环境

1
2
3
4
5
conda create -n comfyui python=3.13 -y
conda activate comfyui

python --version
pip install --upgrade pip wheel setuptools

这里使用 python --version 确认 python 版本。

安装 PyTorch

这里安装 cuda 13.0 pip版本，可以根据实际情况安装其它版本的pytorch。

1
pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu130

测试：

1
2
3
4
5
6
7
python - <<'PY'
import torch
print("Torch:", torch.__version__)
print("CUDA available:", torch.cuda.is_available())
print("CUDA:", torch.version.cuda)
print("GPU:", torch.cuda.get_device_name(0) if torch.cuda.is_available() else "None")
PY

看到下面这行说明安装成功，并可以正常使用 cuda 加速

1
CUDA available: True

下面是我安装到这一步的截图：

image-20260518190804384

安装 ComfyUI 依赖

1
python -m pip install -r requirements.txt

等待依赖安装后即可尝试运行，输入以下命令：

1
python main.py

运行成功截图如下，可以看到：

image-20260518191140699

看到这个就说明，ComfyUI已经启动了，如果使用ssh连接远程服务器，可以在vscode等IDE看到出现了一个端口，选择在浏览器打开即可使用ssh隧道打开对应网页。如果没有使用vscode，仅使用ssh命令行，可以用ip:8188的方式连接。

使用Ctrl+C结束，下面安装ComfyUI Manager

安装ComfyUI Manager

ComfyUI-Manager 是 ComfyUI 生态中最核心、最推荐的必备插件。它相当于一个“应用商店”和“环境管家”，能让你通过图形化界面一键安装、更新和管理成百上千的自定义节点（Custom Nodes），彻底告别繁琐的手动 Git 克隆和依赖修复。

由于近期 ComfyUI 官方进行了架构调整，目前的安装方式主要分为以下几种情况：

新版ComfyUI（自带 Manager，需手动启用）

如果你使用的是最新版本的 ComfyUI，Manager 其实已经内置在核心代码中了，只是默认没有开启。可以通过以下步骤直接启用它：

安装管理器依赖：

1
pip -m install -r manager_requirements.txt

启动时添加参数：

在启动 ComfyUI 时，需要在运行命令后加上 --enable-manager 参数。例如：

1
python main.py --enable-manager

常规手动安装（适用于大多数版本）

如果你的版本较旧，或者习惯传统的安装方式，可以直接将其作为一个普通的自定义节点来安装：

  1. 打开你的 ComfyUI 文件夹，进入 ComfyUI\custom_nodes 目录。
  2. 在此处打开终端（CMD 或 PowerShell）。
  3. 执行 Git 克隆命令（确保电脑已安装 Git）：
    git clone https://github.com/ltdrdata/ComfyUI-Manager comfyui-manager
  4. 重启 ComfyUI，界面上方就会出现 Manager 按钮

三、下载SDXL模型

这里使用hugging face下载SD模型，国内网络环境原因，直接连接hugging face需要有学术网络访问或魔法，这里我使用了学校提供的学术网络访问下载的模型。如果你不在大学做学生或老师，也不再霍格沃兹修读魔法，可以选择hf-mirror下载，这是hugging face的社区镜像，十分完善，速度也很快。也可以访问阿里巴巴达摩院下的魔搭社区，里面也有需要下载的模型。

安装 Hugging Face CLI：

1
pip install -U huggingface_hub

有些模型需要登录：

1
hf auth login

创建模型目录：

1
mkdir -p models/checkpoints models/vae models/loras models/controlnet models/upscale_models

下载 SDXL Base：

1
2
3
hf download stabilityai/stable-diffusion-xl-base-1.0 \
  sd_xl_base_1.0.safetensors \
  --local-dir models/checkpoints

可选，下载 SDXL Refiner：

1
2
3
hf download stabilityai/stable-diffusion-xl-refiner-1.0 \
  sd_xl_refiner_1.0.safetensors \
  --local-dir models/checkpoints

可选，下载 SDXL VAE：

1
2
3
hf download stabilityai/sdxl-vae \
  sdxl_vae.safetensors \
  --local-dir models/vae

目录大概是：

1
2
3
4
5
6
7
8
9
<你的项目>/ComfyUI/models/
├── checkpoints/
│   ├── sd_xl_base_1.0.safetensors
│   └── sd_xl_refiner_1.0.safetensors
├── vae/
│   └── sdxl_vae.safetensors
├── loras/
├── controlnet/
└── upscale_models/

ComfyUI 官方文档说明模型需要放进 models 下对应类型目录，例如 checkpoint、VAE、LoRA 等。

下面为你详细拆解这三者的区别和作用：

stable-diffusion-xl-base-1.0（基础模型）

  • 角色定位：“总设计师”与“构图者”。
  • 核心作用：这是 SDXL 的核心主模型。它的主要任务是根据你的提示词（Prompt）来理解语义，并负责生成图片的整体构图、色彩基调以及大致的画面内容。
  • 日常使用：如果你只想下载一个文件就跑 SDXL，那就是它。单独使用 Base 模型已经能生成质量很高的图片了。

**stable-diffusion-xl-refiner-1.0（精修模型）

  • 角色定位：“后期修图师”与“细节狂魔”。
  • 核心作用：它是一个专门用来“锦上添花”的模型。Refiner 不能凭空从文字生成图片，它必须接收 Base 模型生成的半成品（潜空间特征），然后对画面进行二次加工。它能极大地提升图片的高频细节（比如皮肤纹理、发丝、布料褶皱），让光影过渡更自然，画质更逼真。
  • 日常使用：在 ComfyUI 中，通常会将它串联在 Base 模型之后。如果你觉得 Base 模型直出的图有点“肉”或者不够锐利，加上 Refiner 效果会立竿见影。

sdxl-vae（变分自编码器）

  • 角色定位：“最终翻译官”与“调色盘”。
  • 核心作用：AI 内部运算时使用的是人类看不懂的压缩数据（潜空间 Latent）。VAE 的作用就是充当“解码器”，把这些 AI 的内部数据翻译成我们肉眼可见的最终像素图片。
  • 为什么需要它：SDXL 专用的 VAE 经过了特殊优化，能让生成的图片色彩更鲜艳饱满，对比度更好，且能有效避免画面出现灰蒙蒙、过曝或奇怪的色块伪影。如果不用它（或者用错了老版本的 VAE），生成的图片往往会严重偏色。

** 总结与类比**

为了让你更直观地理解，我们可以把生成一张图的过程比作拍电影：

  1. Base (基础模型) 是导演兼摄影师，负责搭好场景、找好角度，拍出电影的初版样片。
  2. Refiner (精修模型) 是后期特效团队，给样片做高清修复、加细节、调光影，让画面达到影院级质感。
  3. VAE (解码器) 是放映机/显示器，负责把处理好的数字信号完美地呈现在观众眼前，保证颜色不失真。

注意：上述区别内容由AI生成

四、运行ComfyUI

推荐启动命令

显存8G左右

1
2
3
4
5
6
7
python main.py \
  --listen 127.0.0.1 \
  --port 8188 \
  --lowvram \
  --preview-method none \
  --reserve-vram 1 \
  --enable-manager

显存12G左右

1
2
3
4
5
6
7
python main.py \
  --listen 127.0.0.1 \
  --port 8188 \
  --normalvram \
  --preview-method auto \
  --reserve-vram 1 \
  --enable-manager

显存大于16G

1
2
3
4
5
6
7
python main.py \
  --listen 127.0.0.1 \
  --port 8188 \
  --highvram \
  --preview-method auto \
  --reserve-vram 1 \
  --enable-manager

如果只是你自己在服务器本机使用，也可以直接：

1
python main.py --enable-manager

五、测试出图

运行成功后浏览器如图所示：

image-20260518195826057

先跑通base模型，不用着急加Refiner

1.添加Load Checkpoint（Checkpoint加载器）节点

找到下载的模型点击可以在图形中看到：

image-20260518200146883

2.添加CLIP encode（CLIP文本编码）节点

双击空白处，添加两个CLIP文本编码节点

image-20260518202035687

一个作为正向提示词，写：

1
a cinematic photo of an orange cat wearing an astronaut suit, standing on Mars, Earth in the background, soft lighting, highly detailed, realistic

另一个作为反向提示词，写：

1
low quality, blurry, bad anatomy, distorted hands, extra fingers, watermark, text, logo

然后连接：

image-20260518202207644

3.添加Empty Latent Image（空Latent图像）

添加空latent图像

image-20260518202305652

参数设置：

1
2
3
width: 1024
height: 1024
batch_size: 1

Empty Latent Image 可以理解成设置画布尺寸，官方基础文生图教程也是用它来决定最终生成图像尺寸。

4.添加KSampler（K采样器）

K采样器是调用模型的重要节点。

image-20260518202601105

参数先这样：

1
2
3
4
5
6
seed: 随便，或者点 randomize
steps: 25
cfg: 6
sampler_name: dpmpp_2m
scheduler: karras
denoise: 1.00

参数中，cfg表示，模型有多听话，sampler_name是制定采样器，该参数决定了是哪个“画师”来画这幅画。选dpmpp_2m效果旧不错。

然后连接：

image-20260518202816456

5.添加VAE Decode

添加VAE decode节点和load VAE节点

image-20260518202906400

image-20260518202942195

连接如下:

image-20260518203038059

添加save image

image-20260518203153921

最终节点连接如下图

image-20260518203212186

6.运行

最后点击右上角的运行即可跑通流程，如图为画好图片后的样式：

image-20260518203328355

加上Refiner

保留之前的全部节点，然后进行下面操作

1.修改基础K Samper（K采样器）

参数如下

1
2
3
4
5
steps: 25
cfg: 6
sampler_name: dpmpp_2m
scheduler: karras
denoise: 0.80

注意，这里denoise为0.8，不要为1，因为要留一些空间给refiner细化

2.添加一个Load Checkpoint（Checkpoint加载器）

双击搜索添加后选择refiner模型

3.给refiner添加两个CLIP Text Encode（CLIP文本编码）

一个正向，一个反向。

Refiner 正向可以先复制 Base 的正向提示词：

1
a cinematic photo of an orange cat wearing an astronaut suit, standing on Mars, Earth in the background, soft lighting, highly detailed, realistic

Refiner 反向也复制：

1
low quality, blurry, bad anatomy, distorted hands, extra fingers, watermark, text, logo

都连接到refiner的CLIP上。

4.添加第二个K Sampler（K采样器）

这个作为：Refiner K Sampler。

参数设置：

1
2
3
4
5
steps: 20
cfg: 5
sampler_name: dpmpp_2m
scheduler: karras
denoise: 0.25

这里 denoise 不要太高，refiner 是精修，不是重画。

5.连接refiner K Sampler

如图所示，将正负面条件、模型连接，基础K采样器输出的Latent图像连接到refiner的K采样器上。

image-20260518205233008

6.修改VAE输出

最后把VAE decode 改接refine的输出。最终的节点整理后如图所示。

image-20260518205833408

7.运行

运行后查看输出如图，多次测试后终于出了正常的图像。

image-20260518210036157

六、下一步学习顺序

建议顺序是：

1
2
3
4
5
6
7
8
1. 文生图 txt2img
2. 固定 seed 复现图片
3. 改尺寸做人像/横图
4. 学 img2img 图生图
5. 学 LoRA
6. 学局部重绘 inpaint
7. 再学 Refiner
8. 最后学 ControlNet / 视频
本作品采用 知识共享署名-相同方式共享 4.0 国际许可协议 进行许可
, , ,