这次我们来看一个完整的 ComfyUI 本地部署教程。ComfyUI 作为 Stable Diffusion 的重要图形化界面，相比 WebUI 在性能优化、工作流管理和批量任务方面有明显优势，特别适合需要稳定生成和流程复用的用户。
如果你关心本地部署的显存占用、节点工作流搭建、模型管理和出图出视频的完整流程，这篇文章可以直接收藏。我们将从环境准备开始，一步步完成 ComfyUI 的安装、模型配置、节点使用和功能验证，重点解决新手常见问题。
ComfyUI 的核心特点是模块化节点操作，每个生成步骤都可视化，支持工作流保存和批量任务队列。对于 6G 显存以上的显卡，可以流畅运行基础文生图任务；8G 以上显存适合图生视频等高负载任务。我们将使用秋叶整合包进行一键部署，避免复杂的依赖配置。
1. ComfyUI 核心能力速览
| 能力项 | 说明 |
|---|---|
| 项目类型 | 基于节点的工作流式 Stable Diffusion 图形界面 |
| 显存需求 | 最低 4G（基础文生图），推荐 8G+（视频/高分辨率） |
| 启动方式 | 一键启动脚本，自动识别端口，WebUI 访问 |
| 主要功能 | 文生图、图生图、局部重绘、视频生成、ControlNet |
| 工作流支持 | 节点式可视化搭建，支持导入导出 |
| 批量任务 | 支持目录批量处理，队列管理 |
| 模型管理 | 自动识别模型目录，支持多版本切换 |
| 适合场景 | 本地测试、工作流复用、批量生成、流程调试 |
ComfyUI 通过节点连接的方式将生成流程模块化，每个节点代表一个处理步骤（如加载模型、编码提示词、采样解码等），这种设计便于理解生成逻辑和优化流程。
2. 适用场景与使用边界
ComfyUI 适合以下用户群体：
- 需要稳定复现生成效果的内容创作者
- 希望深入理解 Stable Diffusion 工作流程的技术爱好者
- 有批量生成需求的商业用户
- 追求更低显存占用和更高生成效率的用户
典型使用场景包括：
- 文生图/图生图内容创作
- 角色一致性生成（需配合相应节点）
- 视频帧序列生成
- 工作流分享与团队协作
重要边界说明：
- 生成内容需遵守版权法规，避免使用未授权素材
- 人脸生成和替换需确保肖像权合规
- 商业使用前请确认模型许可协议
- 本地部署不涉及云端数据上传，隐私性较好
3. 环境准备与前置条件
在开始安装前，请确认系统环境满足以下要求：
硬件要求：
- GPU：NVIDIA 显卡（推荐 RTX 2060 及以上）
- 显存：最低 4GB，推荐 8GB 以上
- 内存：16GB 及以上
- 磁盘空间：至少 20GB 可用空间（用于模型文件）
软件环境：
- 操作系统：Windows 10/11 64位（本文以 Windows 为例）
- Python：3.8-3.10（整合包已内置）
- CUDA：11.3-11.8（整合包自动匹配）
- 显卡驱动：最新版本为宜
环境检查命令：
# 检查显卡信息 nvidia-smi # 检查 Python 版本（如果已安装） python --version如果使用秋叶整合包，大部分依赖已内置，只需确保显卡驱动正常即可。
4. 安装部署与启动方式
我们采用秋叶 ComfyUI 整合包进行安装，这是最适合新手的部署方案。
4.1 下载与解压
- 从可靠来源下载秋叶 ComfyUI 整合包（通常为 7z 或 zip 格式）
- 解压到英文路径，避免中文目录（如
D:\ComfyUI） - 检查解压后的目录结构应包含：
comfyui.exe（启动脚本）models/（模型存放目录）python_embeded/（内置 Python 环境）output/（输出目录）
4.2 一键启动服务
双击comfyui.exe或启动器.exe，等待命令行窗口出现：
# 正常启动日志示例 * Serving Flask app 'comfyui' * Debug mode: off * Running on all addresses (0.0.0.0) * Running on http://127.0.0.1:8188 * Running on http://[本地IP]:8188看到Running on http://127.0.0.1:8188表示启动成功。
4.3 访问 Web 界面
浏览器打开http://127.0.0.1:8188，看到节点式界面即表示部署成功。
首次启动注意事项：
- 如果端口 8188 被占用，启动器会自动尝试其他端口
- 启动时间可能较长（首次需要初始化环境）
- 如果启动失败，查看命令行窗口的错误信息
5. 模型下载与配置
ComfyUI 需要下载相应的模型文件才能正常工作。
5.1 模型目录结构
在 ComfyUI 根目录下的models文件夹内，按类型存放模型：
models/ ├── checkpoints/ # 大模型（.safetensors 或 .ckpt） ├── vae/ # VAE 模型 ├── loras/ # LoRA 模型 ├── controlnet/ # ControlNet 模型 ├── upscale_models/ # 超分模型 └── clip_vision/ # CLIP 视觉模型5.2 基础模型下载
对于新手，建议先下载一个基础大模型：
- 访问 Hugging Face 或 Civitai 等模型平台
- 下载喜欢的模型文件（如
revAnimated.safetensors） - 将文件放入
models/checkpoints/目录 - 重启 ComfyUI 服务（如果正在运行）
5.3 模型加载验证
在 ComfyUI 界面中：
- 右键空白处 → 选择
Load Checkpoint节点 - 点击节点中的模型选择框，应能看到刚下载的模型
- 如果能正常选择，说明模型加载成功
6. 基础工作流搭建与出图测试
我们从最简单的文生图工作流开始，理解节点连接逻辑。
6.1 创建基础文生图流程
在空白画布上依次添加以下节点：
- Load Checkpoint- 加载模型
- CLIP Text Encode (Prompt)- 正向提示词
- CLIP Text Encode (Prompt)- 负向提示词
- Empty Latent Image- 生成空白潜空间图像
- KSampler- 采样器
- VAE Decode- 解码潜空间为图像
- Save Image- 保存图像
6.2 节点连接方式
按以下顺序连接节点：
- Load Checkpoint 的
CLIP输出连接到两个 CLIP Text Encode 的CLIP输入 - Load Checkpoint 的
VAE输出连接到 VAE Decode 的VAE输入 - Load Checkpoint 的
模型输出连接到 KSampler 的模型输入 - 正向 CLIP Text Encode 连接到 KSampler 的
正面提示词 - 负向 CLIP Text Encode 连接到 KSampler 的
负面提示词 - Empty Latent Image 连接到 KSampler 的
潜空间 - KSampler 连接到 VAE Decode 的
潜空间 - VAE Decode 连接到 Save Image 的
图像
6.3 参数设置示例
// CLIP Text Encode (正向提示词) "text": "masterpiece, best quality, 1girl, beautiful detailed eyes" // CLIP Text Encode (负向提示词) "text": "worst quality, low quality, blurry" // Empty Latent Image "width": 512, "height": 512, "batch_size": 1 // KSampler "steps": 20, "cfg": 7, "sampler_name": "euler", "scheduler": "normal"6.4 执行生成
点击右下角Queue Prompt按钮，观察进度条。生成完成后，图像会自动保存到output目录。
7. 常用节点功能详解
掌握核心节点是使用 ComfyUI 的关键。
7.1 图像加载与处理节点
Load Image- 加载本地图像
- 支持 PNG、JPG 等常见格式
- 输出图像数据供其他节点使用
Image Scale- 图像缩放
- 支持多种插值算法
- 可指定精确尺寸或缩放比例
VAE Encode- 将图像编码为潜空间
- 用于图生图流程
- 连接 Load Image 和 KSampler
7.2 ControlNet 相关节点
Load ControlNet Model- 加载 ControlNet 模型
- 需提前将 ControlNet 模型放入
models/controlnet/
Apply ControlNet- 应用 ControlNet 控制
- 连接 Load Image 和 KSampler
- 支持 canny、depth、openpose 等类型
7.3 高级生成节点
KSampler Advanced- 高级采样器
- 支持更精细的参数控制
- 可设置开始/结束步数
Latent Upscale- 潜空间放大
- 在潜空间进行超分，节省显存
- 配合 Upscale Model 使用
7.4 批量处理节点
Image Batch- 图像批量处理
- 加载整个目录的图像
- 每张图像应用相同处理流程
Save Image- 支持批量保存
- 自动按序号命名
- 可指定输出格式和质量
8. 图生视频工作流搭建
ComfyUI 通过帧序列生成支持视频创作。
8.1 基础图生视频流程
- Load Image- 加载初始帧或参考图
- VAE Encode- 编码为潜空间
- KSampler- 设置视频帧数（batch_size）
- VAE Decode- 解码所有帧
- Image Batch to Video- 合成视频文件
8.2 关键参数设置
// Empty Latent Image 或 VAE Encode 后接的节点 "batch_size": 24, // 生成 24 帧 // KSampler 参数 "steps": 20, "cfg": 7, "denoise": 0.8 // denoise 控制帧间变化强度 // Save 节点选择视频格式 "format": "MP4", "fps": 128.3 一致性控制技巧
- 使用较低的 denoise 值（0.6-0.8）保持帧间一致性
- 配合 ControlNet 确保构图稳定
- 使用相同的 seed 值生成相似风格帧
9. 工作流管理与分享
ComfyUI 的工作流可以保存和分享，这是其核心优势。
9.1 保存工作流
点击界面右上角Save按钮：
- 保存为
.json文件 - 包含所有节点连接和参数设置
- 方便下次快速加载
9.2 加载工作流
点击Load按钮选择.json文件：
- 自动还原完整工作流
- 需确保所需模型已就位
- 可从社区分享的工作流开始学习
9.3 工作流优化技巧
- 为节点添加有意义的标签（双击节点标题）
- 使用
Group功能将相关节点分组 - 保存多个版本应对不同需求
- 备份重要工作流文件
10. 插件安装与扩展
ComfyUI 有丰富的插件生态，扩展功能强大。
10.1 常用插件推荐
- ComfyUI Manager- 插件管理
- Impact Pack- 高级图像处理
- WAS Node Suite- 实用工具集
- ControlNet Aux- 更多 ControlNet 预处理器
10.2 插件安装方法
方法一：通过 Manager 安装（推荐）
- 安装 ComfyUI Manager 插件
- 重启 ComfyUI
- 在 Manager 界面浏览和安装插件
方法二：手动安装
- 将插件代码克隆到
custom_nodes/目录 - 重启 ComfyUI 服务
- 在节点菜单中确认新功能出现
10.3 插件故障排查
- 插件冲突：一次只安装一个插件测试
- 版本兼容：确认插件支持当前 ComfyUI 版本
- 依赖缺失：查看插件文档安装额外依赖
11. 资源占用与性能优化
合理配置可以显著提升生成效率和稳定性。
11.1 显存占用观察
在生成过程中观察任务管理器：
- 基础文生图（512x512）：4-6GB 显存
- 高分辨率（1024x1024）：8-12GB 显存
- 图生视频（24帧）：12GB+ 显存
11.2 性能优化技巧
降低显存占用：
- 使用
--lowvram参数启动 - 降低生成分辨率（768x768 以下）
- 减少 batch_size 和采样步数
- 使用 CPU 卸载部分计算
提升生成速度：
- 使用 Euler a 等快速采样器
- 适当降低 cfg scale（5-8）
- 启用 xFormers 优化（整合包通常已启用）
11.3 批量任务优化
对于批量生成任务：
- 使用队列功能避免重复加载模型
- 预先调整好所有参数再开始批量
- 监控显存使用，避免溢出中断
12. 常见问题与排查方法
| 问题现象 | 可能原因 | 排查方式 | 解决方案 |
|---|---|---|---|
| 启动后页面打不开 | 端口冲突或服务未启动 | 检查命令行窗口日志 | 更换端口或重新启动 |
| 模型加载失败 | 模型文件损坏或路径错误 | 检查 models 目录结构 | 重新下载模型文件 |
| 生成结果全黑/全绿 | VAE 不匹配或节点连接错误 | 检查 VAE 连接和采样参数 | 添加 VAE 节点或调整参数 |
| 显存不足报错 | 分辨率过高或模型太大 | 观察任务管理器显存占用 | 降低分辨率或使用优化参数 |
| 节点找不到 | 插件未安装或版本不兼容 | 检查 custom_nodes 目录 | 重新安装插件或更新版本 |
| 工作流加载失败 | JSON 文件损坏或节点缺失 | 检查控制台错误信息 | 重新创建工作流或安装缺失节点 |
12.1 启动问题深度排查
端口冲突解决：
# 手动指定端口启动 python main.py --port 8189 # 查看端口占用 netstat -ano | findstr :8188依赖问题解决：
- 确保使用整合包内置 Python 环境
- 避免系统环境变量干扰
- 重新解压整合包尝试纯净安装
12.2 生成质量问题调整
图像模糊：
- 增加采样步数（20-30）
- 尝试不同的采样器（DPM++ 2M Karras）
- 检查提示词是否足够具体
色彩异常：
- 添加 VAE 节点明确指定
- 检查模型是否需要特定 VAE
- 调整 cfg scale 值
13. 最佳实践与使用建议
基于实际使用经验，总结以下最佳实践：
13.1 项目管理规范
目录结构建议：
ComfyUI/ ├── models/ # 模型文件 ├── output/ # 生成结果 ├── workflows/ # 工作流备份 ├── input/ # 输入素材 └── custom_nodes/ # 插件扩展工作流版本管理：
- 为每个项目创建独立工作流文件
- 保存参数调整前后的多个版本
- 添加注释说明特殊设置
13.2 生成参数调优
新手参数起点：
{ "steps": 20, "cfg_scale": 7, "sampler": "Euler a", "scheduler": "normal", "width": 512, "height": 512 }进阶调优方向：
- 根据模型推荐参数调整
- 使用低 cfg 值（3-5）获得创意结果
- 高 cfg 值（10-15）获得精确匹配
13.3 批量任务管理
对于商业级批量生成：
- 建立标准化的输入输出规范
- 使用脚本自动化工作流加载
- 设置生成队列避免资源竞争
- 定期清理输出目录释放空间
13.4 模型资产管理
模型分类存储：
- 按类型（基础模型、LoRA、ControlNet）分类
- 添加版本号和说明文件
- 定期清理不使用的模型
模型测试流程：
- 新模型先进行小图测试
- 验证不同参数下的表现
- 记录最佳参数组合
ComfyUI 的节点式工作流虽然初期学习成本较高，但一旦掌握就能提供远超传统界面的控制精度和复用性。建议从简单文生图开始，逐步尝试图生图、ControlNet 等复杂功能，最终搭建属于自己的自动化生成流水线。
