【2025最新】ComfyUI零基础全安装部署教程｜云端+本地部署全指南

AI设计酷卡

于 2025-05-12 19:36:06 发布

阅读量1.3k

点赞数 25

CC 4.0 BY-SA版权

文章标签： stable diffusion 人工智能 AIGC AI作画

本文链接：https://blog.csdn.net/2401_84815950/article/details/147903273

所以应该如何部署ComfyUI，现在主流的部署方式主要是云端和本地，云端的平台有比如LibLib，端脑云等等，整体上来说各个平台的功能都是差不多的，第二是在本地部署，本地部署有很多种方式，比如有官方的整合包，秋风的整合包等等，但是对显卡性能有一定的要求（至少要4G显存）并且最好是Windows系统

接下来我们打开ComfyUI，如果是在LibLib部署，你应该会看到这个画面：

这些按钮分别是：

如果你是在本地部署，你应该会看到这个画面（我这个是旧版）：

这些按钮分别是：

一般本地部署是点击这个bat文件打开：

这个窗口就是本地部署ComfyUI的控制台，不要关掉它：

所以如何打开ComfyUI呢，云端部署寻找到关键词比如ComfyUI：

本地部署先找到默认名字叫ComfyUI_windows_portable的文件夹，当然这个是windows，并且我使用的是官方版本，也有可能叫其他名字，里面应该有这些文件：

如果你点击的是run_nvidia_gpu.bat，那么它会调用Nvidia的GPU生图，如果你点击的是run_cpu.bat，那么它会调用CPU生图，如果你没有看见.bat的后缀，那么是因为你没有打开文件资源管理器中的查看中的文件后缀名的选项。点击这两个.bat文件之后就会去到图片七的那个界面。

OK，我们回到这个界面：

我们可以先学习最基础的文生图的工作流，现在我们可以先不管本地和云端的区别，尝试搭建一个最基础文生图工作流，我这里使用的是Flux模型，模型的原理是通过文本编码器（如CLIP）转化为高维语义向量，捕捉关键词的关联性，之后根据文本语义，从纯噪声中一步步“去噪”，最终生成目标图像。

现在我们先找到Checkpoint加载器（简易）

将他拖进画布，这里有一个小技巧：双击画布可以启用搜索功能

在这个页面里可以搜索节点并预览节点，我使用的模型是Flux1的社区整合版，如果你是本地部署还没有下载模型或VAE和clip的话，请移步到我的主页，这个整合版Flux1是自带VAE和clip文本编码器的。VAE也就是变分自编码器（它的原理你可以想象一下你想做蛋糕，但是你没有具体的蛋糕配方，而是有一位经验丰富的糕点师傅，他不但能复制出你喜欢的蛋糕，还能做出各种略有差异但都美味的蛋糕，具体来说：编码器观察蛋糕后，并不输出一个固定的配方，而是给出一个“概率分布”——比如说面粉的量可能在某个平均值附近波动，鸡蛋的数量也是如此，然后，解码器每次从这个配方的“可能性范围”中随机抽取一组数值（就像随机抽取各原料的具体量），跟据这些略有不同的数值来重现蛋糕，这样，每次“做蛋糕”时，虽然蛋糕看起来都非常相似（因为都遵循了大致的风格），但又不会完全一样，增加了新意和多样性。

现在我们加载好模型了，接下来我们先把clip连上，但是首先我们先搞懂这个clip的理念。想象你有一大本字典，每个词都有一个隐秘的代码。CLIP 文本编码器就像是一个“翻译器”，它将输入的自然语言（比如一句话或一个标签）翻译成这种隐藏的代码。这个代码不是随意的，而是经过精心训练的，能捕捉文本中的语义信息，并与图像描述中的视觉概念相对应。也就是说，当你输入“一个穿红色连衣裙的女孩”，编码器就会把它翻译成一个固定长度的数字向量，而这个向量反映了“红色”、“连衣裙”、“女孩”等关键概念。

现在我们知道了clip是用来处理我们给出的提示词的，提示词必须是英文，我们寻找到clip文本编码器

顾名思义就是导入你的提示词并使用clip编码成大模型可以看懂的模样，我们需要两个clip文本编码器，因为K采样器需要一个正面条件和一个负面条件，所以我们需要两个编码器，现在将clip从加载器连出来

*OR*

接下来我们将条件导入进K采样器，K采样器的首先进入加噪阶段：根据设定的随机种子（seed）和降噪强度（denoise），K采样器向潜在图像添加噪声，部分“擦除”原始图像内容，之后就是去噪阶段：利用提供的模型（如Stable Diffusion）以及正向和负向提示词，引导模型逐步去除噪声，恢复图像细节。

我们观察K采样器，可以发现它一个有四个接口，分别是模型，正面条件，负面条件和latent

还有一些变量，具体可以看图：