企业官网建设流程全解析

这次我们来看一个 ComfyUI 的展示项目，核心目标很直接：利用 ComfyUI 这个强大的节点式 AI 绘画工具，生成以假乱真、难以分辨的“真人”级别图像。对于很多刚接触 AI 绘画的朋友来说，Stable Diffusion WebUI 可能更直观，但 ComfyUI 在流程控制、显存优化和批量任务上有着独特的优势，尤其是在追求极致真实感和复杂工作流时。

这个项目的重点不是概念多复杂，而是能不能在你的电脑上跑起来，以及如何通过一套有效的工作流，从零开始生成一张足以让人惊呼“这是真人吗？”的图片。我们将重点关注 ComfyUI 的本地部署门槛、显存占用、工作流加载方式，以及如何通过调整参数来逼近真实感。如果你关心本地部署、显存优化、工作流复用和批量生成，这篇文章可以直接收藏。

本文会带你完成从零部署 ComfyUI（以流行的秋叶整合包为例），加载一个专门用于生成高真实感人像的工作流，并进行从文生图到图生图的全流程测试。我们会重点关注启动是否顺利、显存占用如何、生成效果是否稳定，以及如何排查常见的端口冲突、模型缺失等问题。

1. 核心能力速览

2. 适用场景与使用边界

这个工具适合谁？

• AI 绘画爱好者与研究者：希望深入理解 Stable Diffusion 生成流程，进行精细化参数调控。
• 内容创作者与设计师：需要快速生成高质量、风格统一的人像素材，用于概念图、插画背景等。
• 电商或自媒体从业者：寻求低成本生成产品模特图或人物素材，但需注意最终用途的合规性。
• 开发者：希望通过 ComfyUI 的 API 将 AI 绘画能力集成到自己的应用或自动化流程中。

能解决什么问题？

1. 流程可视化与可复现：将复杂的生成过程拆解为节点，每一步都清晰可见，工作流（json文件）可保存、分享、复用。
2. 显存效率优化：节点式架构允许更灵活的内存管理，在一些场景下比 WebUI 更节省显存，适合处理高分辨率或批量任务。
3. 生成质量与可控性：通过串联多个模型（如基础模型、VAE、LoRA）、ControlNet 等节点，实现对图像细节、姿态、风格的强控制，从而逼近“真人”效果。

不适合什么场景？

• 追求极致简单点击即用：相比 WebUI 的一键生成，ComfyUI 需要一定的节点连接和理解成本。
• 硬件资源极其有限：如果显卡显存低于 4GB，运行大多数现代大模型会非常吃力，体验不佳。
• 需要即时的、移动端的应用：ComfyUI 主要为本地或服务器部署设计。

版权、隐私与安全边界（必须阅读）

• 肖像权与隐私：生成高度逼真的人像时，应避免生成与真实人物高度相似的肖像，以免侵犯他人肖像权。切勿将生成的图像用于冒充真人、诽谤或欺诈。
• 素材版权：用于图生图的参考图片，务必确保你拥有其版权或已获得明确授权。使用未经授权的明星、网红照片作为参考是高风险行为。
• 合规使用：生成的内容不得用于制作色情、暴力、仇恨言论等违法或违背公序良俗的用途。在将生成图像用于商业发布前，务必进行严格的内容审核。
• 模型授权：使用的大模型、LoRA 等需遵守其开源协议（如 CreativeML OpenRAIL-M），部分模型可能有商业使用限制。

3. 环境准备与前置条件

在开始之前，请确保你的系统满足以下基本条件。我们将以 Windows 系统使用秋叶 ComfyUI 整合包为例进行说明，这是目前对新手最友好的方式。

1. 操作系统：Windows 10 或 Windows 11（64位）。macOS 和 Linux 用户可通过官方仓库或 Docker 方式安装。
2. Python 环境：整合包已内置，无需单独安装。手动部署需要 Python 3.10 或 3.11。
3. 显卡与驱动：
   • NVIDIA 显卡：确保已安装最新版的 NVIDIA 显卡驱动。建议安装 CUDA 11.8 或 12.1 版本（整合包通常已包含或自动匹配）。
   • AMD 显卡：可使用 DirectML 版本整合包，但性能和兼容性可能不如 CUDA 版本。
   • Intel 显卡：支持，但需要特定配置，新手不推荐。
   • CPU 模式：无显卡或显存不足时可用，但生成速度极慢，仅用于测试工作流逻辑。
4. 磁盘空间：至少准备 20GB 可用空间。其中 ComfyUI 本体约 2-3GB，而模型文件（大模型、VAE、LoRA、ControlNet）是占用大头，一个主流大模型（如 SDXL）可能超过 6GB，建议预留 50GB 以上空间用于存放模型。
5. 虚拟内存：如果物理内存（RAM）小于 16GB，建议将系统虚拟内存（页面文件）设置得大一些（例如 16GB-32GB），以防止在处理大图时出现内存不足错误。
6. 网络环境：首次启动可能需要下载缺失的节点依赖或模型，需保证网络通畅。部分模型需要从 Hugging Face 等平台下载，请自行确保访问能力。

4. 安装部署与启动方式

我们选择秋叶 ComfyUI 整合包作为演示，因为它集成了常用插件、管理器，并提供了便捷的一键启动脚本。

步骤 1：下载整合包

• 从可靠的来源获取“秋叶 ComfyUI 整合包”最新版（例如 v9.5）。通常是一个压缩包文件。
• 将其解压到一个英文路径的文件夹中，例如D:\ComfyUI_windows。路径中不要包含中文或特殊字符。

步骤 2：放置模型文件

• ComfyUI 的模型文件默认存放在ComfyUI_windows\ComfyUI\models目录下。
• 你需要将下载好的大模型（.safetensors或.ckpt文件）放入models\checkpoints文件夹。
• 将 VAE 文件放入models\vae。
• 将 LoRA 文件放入models\loras。
• 将 ControlNet 文件放入models\controlnet。
• 对于“真人”效果，推荐使用诸如chilloutmix、realisticVision、majicmix等擅长真实人像的大模型。

步骤 3：一键启动

• 进入解压后的文件夹，找到启动器或run_nvidia_gpu.bat（对于N卡）文件。
• 双击运行。首次运行会初始化环境，可能需要几分钟。
• 启动成功后，命令行窗口会保持打开，并显示类似Running on local URL: http://127.0.0.1:8188的信息。

步骤 4：访问 WebUI

• 打开浏览器（推荐 Chrome 或 Edge），在地址栏输入http://127.0.0.1:8188。
• 如果端口 8188 被占用，启动脚本可能会自动尝试其他端口（如 8189, 8190），请以命令行窗口输出的实际 URL 为准。
• 成功访问后，你将看到 ComfyUI 的节点式编辑界面。

备选启动方式：命令行启动如果你使用的是手动安装的 ComfyUI，可以通过命令行启动：

# 进入 ComfyUI 目录 cd /path/to/ComfyUI # 使用 Python 启动主程序 python main.py --port 8188 # 或使用低显存模式（会牺牲一些速度） python main.py --lowvram --port 8188

5. 功能测试与效果验证

成功启动并打开 ComfyUI 界面后，我们开始核心的功能测试。目标是加载一个高真实感人像工作流并生成图片。

5.1 加载“真人”工作流

1. 获取工作流文件：从社区（如 Civitai、开源社区）下载一个专门为真实人像优化的工作流 JSON 文件。例如，一个可能命名为realistic_portrait_workflow.json的文件。
2. 导入工作流：在 ComfyUI 界面中，点击右侧的Load（加载）按钮，选择下载好的 JSON 文件。界面会自动加载所有节点和连接。
3. 检查节点与模型：加载后，仔细查看工作流中的关键节点：
   • Checkpoint Loader：确认它加载的是你已放入checkpoints文件夹的真实人像大模型（如chilloutmix）。
   • VAE Loader：确认 VAE 模型已正确设置或已自动选择。
   • CLIP Text Encode：这里是输入正向和反向提示词的地方。
   • KSampler：核心采样器，控制采样步数、CFG 等参数。
   • Save Image：图片输出节点。

5.2 文生图测试

测试目的：验证工作流的基本文生图能力，生成一张基础的真实感人像。

操作步骤：

1. 在CLIP Text Encode (Positive)节点中，输入详细的正向提示词，例如：

   masterpiece, best quality, photorealistic, 1girl, beautiful detailed face, detailed eyes, professional photography, soft lighting, (high detailed skin:1.2), film grain

2. 在CLIP Text Encode (Negative)节点中，输入反向提示词，过滤不良特征：

   (worst quality, low quality:1.4), (bad anatomy), (inaccurate limb:1.2), bad composition, inaccurate eyes, extra digit, fewer digits, (extra arms:1.2), (deformed fingers:1.2), text, signature, watermark

3. 在KSampler节点中，设置基本参数：
   • steps: 20-30（步数越高，细节可能越好，但耗时越长）
   • cfg: 7-9（控制提示词相关性）
   • sampler_name:DPM++ 2M Karras或Euler a（常用采样器）
   • scheduler:karras或normal
   • seed: 可以固定一个数字（如123456）以便复现，或留空随机生成。
4. 在Empty Latent Image节点中，设置初始分辨率，例如width: 512,height: 768。初次测试建议从 512x512 或 512x768 开始。
5. 点击界面最右侧的Queue Prompt按钮开始生成。

预期结果与判断：

• 命令行窗口会显示生成进度。
• 生成完成后，图片会显示在Save Image节点预览窗口，并自动保存到ComfyUI\output目录。
• 成功标准：生成一张无明显扭曲、崩坏，且具有较高真实感的人像图片。皮肤纹理、光影、发丝细节应较为自然。
• 常见失败：
  • 黑图/纯色图：可能是 VAE 未正确加载。检查VAE Loader节点或在大模型加载节点中尝试切换 VAE。
  • 图像扭曲畸形：提示词冲突或 CFG 值过高/过低。调整提示词和 CFG。也可能是分辨率比例过于极端。
  • 显存不足报错：降低分辨率、减少批处理大小、启用--lowvram模式或使用 Tiled VAE 等省显存插件。

5.3 图生图与细节优化测试

测试目的：验证工作流在图生图模式下的能力，并对生成的人像进行细节精修。

操作步骤：

1. 准备参考图：在Load Image节点上传一张真人照片（确保你有权使用）。这将作为图生图的起点。
2. 连接节点：将Load Image节点的IMAGE输出连接到VAEEncode节点，再将VAEEncode的输出连接到KSampler的latent_image输入。这取代了Empty Latent Image节点。
3. 调整降噪强度：在KSampler节点中，denoise参数控制参考图的影响程度。1.0表示完全重绘，0.5以下则保留更多原图特征。对于真人优化，可以从0.6-0.8开始尝试。
4. 使用 ControlNet 增强控制（如果工作流包含）：在图生图基础上，可以加入ControlNet节点（如openpose控制姿态，depth控制景深，canny控制边缘）。将参考图也输入到ControlNet预处理节点，并将其输出连接到KSampler的positive和negative条件输入。
5. 高清修复：为了获得更高清细节，可以在KSampler后接一个Latent Upscale节点放大潜空间图像，再连接一个KSampler (High Res Fix)进行二次细化采样。或者使用Ultimate SD Upscale等插件节点。

预期结果与判断：

• 成功标准：生成的图片在保留参考图大致构图或姿态的基础上，融合了提示词描述的特征，并且画质、真实感相比原图或文生图结果有提升。
• 细节优化：通过调整denoise、ControlNet权重，可以平衡“像参考图”和“符合提示词”之间的关系。

5.4 LoRA 模型应用测试

测试目的：测试工作流集成特定风格或特征的 LoRA 模型的能力，例如为生成的人像添加特定发型、妆容或艺术风格。

操作步骤：

1. 在工作流中找到LoraLoader节点。如果原始工作流没有，可以从节点菜单中添加。
2. 在LoraLoader节点中，选择你已放入models\loras文件夹的 LoRA 文件（例如detailed_eyes.safetensors）。
3. 将LoraLoader节点的MODEL和CLIP输出，分别连接到Checkpoint Loader下游的MODEL和CLIP输入线路上（通常需要插入一个CLIPTextEncode节点之前）。
4. 在正向提示词中加入该 LoRA 的触发词（Trigger Word），例如，。触发词通常在 LoRA 发布页有说明。
5. 调整LoraLoader节点的strength_model和strength_clip（通常设为相同的值，如 0.8），控制 LoRA 的影响强度。

预期结果与判断：

• 成功标准：生成的人像明显带有 LoRA 模型所定义的特定特征（如蓝色瞳孔、某种画风），且与整体图像融合自然，不显突兀。
• 强度控制：strength值过高可能导致图像扭曲或过度风格化，需反复调试找到最佳值。

6. 接口 API 与批量任务

ComfyUI 的强大之处在于其无头（Headless）API 能力，可以轻松集成到自动化脚本中。

6.1 启动 API 服务器

默认情况下，通过启动器或python main.py启动时，WebUI 和 API 服务器是同时运行的。API 地址通常为http://127.0.0.1:8188。

6.2 通过 API 执行工作流

首先，你需要获取当前工作流的 JSON 定义。

1. 在 ComfyUI WebUI 中，调整好所有参数。
2. 点击右侧菜单的Save (API Format)按钮，这将下载一个workflow_api.json文件。这个文件包含了所有节点的参数和连接信息。

接下来，使用 Python 脚本调用 API：

import requests import json import io from PIL import Image # ComfyUI 服务器地址 server_address = "http://127.0.0.1:8188" # 1. 加载工作流 API JSON 文件 with open("workflow_api.json", "r", encoding="utf-8") as f: workflow_api = json.load(f) # 2. 准备 API 请求负载 # 注意：prompt 字段就是整个工作流的定义 prompt_data = workflow_api # 你可以在这里动态修改 prompt_data 中的某些节点参数，例如种子、提示词 # 例如，找到 CLIP Text Encode 节点的输入文本并修改 # 这需要你了解工作流 JSON 的结构。 # 3. 提交生成请求 api_endpoint = f"{server_address}/prompt" response = requests.post(api_endpoint, json={"prompt": prompt_data}) response_data = response.json() # 获取本次执行的 prompt_id prompt_id = response_data['prompt_id'] print(f"Prompt ID: {prompt_id}") # 4. 轮询或通过 WebSocket 获取结果（这里使用简单轮询） # 更推荐使用 ComfyUI 提供的客户端库或 WebSocket 方式 history_endpoint = f"{server_address}/history" import time while True: time.sleep(1) # 每秒查询一次 history_response = requests.get(history_endpoint) history_data = history_response.json() if prompt_id in history_data: images_output = history_data[prompt_id]['outputs'] for node_id in images_output: for image_info in images_output[node_id]['images']: filename = image_info['filename'] subfolder = image_info.get('subfolder', '') # 5. 下载生成的图片 image_url = f"{server_address}/view?filename={filename}&subfolder={subfolder}&type=output" image_response = requests.get(image_url) image = Image.open(io.BytesIO(image_response.content)) image.save(f"output_{filename}") print(f"Image saved: output_{filename}") break

6.3 批量任务处理

基于 API，实现批量任务非常简单：

1. 批量提示词：在循环中，每次调用 API 前，修改prompt_data中对应文本节点的text字段，替换为不同的提示词。
2. 批量图片：对于图生图，可以将Load Image节点的image参数替换为不同的 Base64 编码图片数据。更高效的方式是使用LoadImageBatch节点（需安装对应插件）。
3. 目录监控：可以编写一个脚本，监控一个输入目录，每当有新图片放入，就自动触发一次图生图流程，并将结果保存到输出目录。
4. 队列管理：ComfyUI 的/prompt接口本身支持队列，连续提交多个任务会自动排队执行。注意监控服务器资源，避免队列过长导致显存溢出。

7. 资源占用与性能观察

了解资源占用是稳定运行的关键。

观察方法：

• Windows 任务管理器：打开“性能”选项卡，查看 GPU 显存使用情况、GPU 利用率以及 CPU/内存占用。
• NVIDIA-SMI：在命令行输入nvidia-smi，可以更详细地查看每个进程的显存占用。
• ComfyUI 命令行窗口：生成过程中会打印进度和潜在错误信息。

影响因素与优化建议：

1. 分辨率：这是影响显存占用的最大因素。将Empty Latent Image的宽高从 1024x1024 降至 512x512，显存占用可能减少一半以上。建议从低分辨率开始测试。
2. 批处理大小：在Empty Latent Image节点中，batch_size大于 1 会一次性生成多张图，显存占用线性增加。除非必要，建议设为 1。
3. 模型大小：SD1.5 模型（约 2GB）比 SDXL 模型（约 6GB）显存占用小。选择适合你硬件的基础模型。
4. ControlNet 与 LoRA：每增加一个 ControlNet 或 LoRA 节点，都会增加显存开销。同时使用多个时需特别注意。
5. 高清修复与放大：Latent Upscale和二次采样会显著增加显存和耗时。可以考虑在生成低分辨率满意结果后，使用外部工具（如 Real-ESRGAN）进行后期放大。
6. --lowvram模式：在启动命令中加入此参数，会以时间换空间，降低峰值显存占用，适合显存紧张的显卡。
7. 使用 CPU 卸载：一些插件（如ComfyUI-Impact-Pack）支持将部分模块（如 VAE 解码）卸载到 CPU 运行，能有效降低显存峰值。

典型场景估算（仅供参考，实际以测试为准）：

• RTX 3060 12GB：运行 SD1.5 模型，生成 512x768 图像，显存占用约 3-4GB；开启一个 ControlNet，可能增至 5-6GB；进行 2x 高清修复，可能接近或超过 10GB。
• RTX 4060 8GB：运行 SD1.5 模型，生成 512x512 图像通常无压力；尝试 768x768 或开启复杂工作流时需谨慎，建议启用--lowvram。

8. 常见问题与排查方法

9. 最佳实践与使用建议

为了获得稳定、高效的“真人”图像生成体验，遵循以下实践建议：

1. 从小开始，逐步迭代：首次测试新工作流或模型时，务必从低分辨率（如 512x512）、低步数（20步）、默认采样器开始。成功后再逐步提高分辨率、步数，添加 ControlNet、LoRA 等复杂节点。
2. 建立项目文件夹结构：规范目录管理，避免混乱。

   Your_Project/ ├── workflows/ # 存放不同的工作流 JSON 文件 ├── inputs/ # 存放图生图的源图片 ├── outputs/ # ComfyUI 默认输出目录，可按日期或项目建立子文件夹 ├── models/ # 模型库（可软链接到 ComfyUI 的 models 目录） └── scripts/ # 存放批量处理的 Python 脚本

3. 善用“队列”和“历史”：ComfyUI 界面可以连续提交多个任务到队列。利用Save (API Format)保存成功的工作流配置。历史记录可以帮助你回溯和复现好的生成结果。
4. 提示词工程：对于真实感人像，提示词需要细致。描述肤色（pale skin,tanned skin）、光照（studio lighting,sunlight）、细节（detailed pupils,fine hair）等。反向提示词务必包含常见的低质量标签。
5. 参数备份：当得到一组满意的参数（模型、提示词、采样器、CFG、种子、LoRA强度等）时，及时保存工作流文件，或在笔记中记录关键参数。
6. 合规与伦理审查：在将任何生成图像用于公开或商业用途前，进行人工审查。确保图像内容安全，不侵犯他人权益，不违反平台政策。对于高度逼真的人像，考虑添加水印或说明其为 AI 生成。
7. 性能监控：在长时间进行批量任务时，监控 GPU 温度和显存占用，避免硬件过热或系统不稳定。

通过 ComfyUI 生成以假乱真的“真人”图像，是一个结合了工具使用、参数调试和艺术感觉的过程。秋叶整合包大大降低了入门门槛，而节点式的工作流让你能清晰地掌控每一个生成环节。从加载一个现成的工作流开始，理解每个节点的作用，然后尝试修改参数、替换模型、添加控制网络，最终打造出属于你自己的高真实感图像生成管线。记住，关键不是追求一次成功，而是在迭代中积累经验，在控制中实现创意。