ComfyUI 文生图工作流

在 ComfyUI 中构建文生图工作流：加载默认工作流、安装 SD1.5 检查点、编写提示词，并了解每个节点的作用。

本篇目的主要带你初步了解 ComfyUI 的文生图的工作流，并初步了解一些 ComfyUI 相关节点的功能和使用。

在本篇文档中我们将完成以下内容：

• 完成一次文生图工作流
• 简单了解扩散模型原理
• 了解工作流中的节点的功能和作用
• 初步了解 SD1.5 模型

我们将会先进行文生图工作流的运行，然后进行相关内容的讲解，请按你的需要选择对应部分开始。

ComfyUI 中的文生图是什么？

文生图(Text to Image) ，是 AI 绘图中的基础流程，通过输入文本描述来生成对应的图片，它的核心是 扩散模型。

在文生图过程中我们需要以下条件：

• 画家： 绘图模型
• 画布： 潜在空间
• **对画面的要求（提示词）：**提示词，包括正向提示词（希望在画面中出现的元素）和负向提示词（不希望在画面中出现的元素）

这个文本到图片图片生成过程，可以简单理解成你把你的绘图要求(正向提示词、负向提示词)告诉一个画家(绘图模型)，画家会根据你的要求，画出你想要的内容。

ComfyUI 文生图工作流示例讲解

1. 开始开始前的准备

请确保你已经在 ComfyUI/models/checkpoints 文件夹至少有一个 SD1.5 的模型文件，如果你还不了解如何安装模型，请参开始 ComfyUI 的 AI 绘图之旅章节中关于模型安装的部分说明。

你可以使用下面的这些模型：

• v1-5-pruned-emaonly-fp16.safetensors
• Dreamshaper 8
• Anything V5

2. 加载文生图工作流

请下载下面的图片，并将图片拖入 ComfyUI 的界面中，或者使用菜单 工作流（Workflows） -> 打开（Open） 打开这个图片以加载对应的 workflow

也可以从菜单 工作流（Workflows） -> 浏览工作流示例（Browse example workflows） 中选择 Text to Image 工作流

3. 加载模型，并进行第一次图片生成

在完成了对应的绘图模型安装后，请参考下图步骤加载对应的模型，并进行第一次图片的生成

请对应图片序号，完成下面操作

1. 请在Load Checkpoint 节点使用箭头或者点击文本区域确保 v1-5-pruned-emaonly-fp16.safetensors 被选中，且左右切换箭头不会出现null 的文本
2. 点击 Queue 按钮，或者使用快捷键 Ctrl + Enter(回车) 来执行图片生成

等待对应流程执行完成后，你应该可以在界面的**保存图像（Save Image）**节点中看到对应的图片结果，可以在上面右键保存到本地

如果生成结果不满意，可以多运行几次图片生成，因为每次运行图片生成，KSampler 根据 seed 参数会使用不同的随机种子，所以每次生成的结果都会有所不同

4. 开始你的尝试

你可以尝试修改CLIP Text Encoder处的文本

其中连接到 KSampler 节点的Positive为正向提示词，连接到 KSampler 节点的Negative为负向提示词

下面是针对 SD1.5 模型的一些简单提示词原则

• 尽量使用英文
• 提示词之间使用英文逗号 , 隔开
• 尽量使用短语而不是长句子
• 使用更具体的描述
• 可以使用类似 (golden hour:1.2) 这样的表达来提升特定关键词的权重，这样它在画面中出现的概率会更高，1.2 为权重，golden hour 为关键词
• 可以使用类似 masterpiece, best quality, 4k 等关键词来提升生成质量

下面是几组不同的 prompt 示例，你可以尝试使用这些 prompt 来查看生成的效果，或者使用你自己的 prompt 来尝试生成

1. 二次元动漫风格

正向提示词：

anime style, 1girl with long pink hair, cherry blossom background, studio ghibli aesthetic, soft lighting, intricate details

masterpiece, best quality, 4k

负向提示词：

low quality, blurry, deformed hands, extra fingers

2. 写实风格

正向提示词：

(ultra realistic portrait:1.3), (elegant woman in crimson silk dress:1.2), 
full body, soft cinematic lighting, (golden hour:1.2), 
(fujifilm XT4:1.1), shallow depth of field, 
(skin texture details:1.3), (film grain:1.1), 
gentle wind flow, warm color grading, (perfect facial symmetry:1.3)

负向提示词：

(deformed, cartoon, anime, doll, plastic skin, overexposed, blurry, extra fingers)

3. 特定艺术家风格

正向提示词：

fantasy elf, detailed character, glowing magic, vibrant colors, long flowing hair, elegant armor, ethereal beauty, mystical forest, magical aura, high detail, soft lighting, fantasy portrait, Artgerm style

负向提示词：

blurry, low detail, cartoonish, unrealistic anatomy, out of focus, cluttered, flat lighting

文生图是如何工作的？

整个文生图的过程，我们可以理解成是扩散模型的反扩散过程，我们下载的 v1-5-pruned-emaonly-fp16.safetensors 是一个已经训练好的可以 从纯高斯噪声生成目标图片的模型，我们只需要输入我们的提示词，它就可以通随机的噪声降噪生成目标图片。

我们可能需要了解下两个概念，

1. 潜在空间： 潜在空间（Latent Space）是扩散模型中的一种抽象数据表示方式，通过把图片从像素空间转换为潜在空间，可以减少图片的存储空间，并且可以更容易的进行扩散模型的训练和减少降噪的复杂度，就像建筑师设计建筑时使用蓝图（潜在空间）来进行设计，而不是直接在建筑上进行设计（像素空间），这种方式可以保持结构特征的同时，又大幅度降低修改成本
2. 像素空间： 像素空间（Pixel Space）是图片的存储空间，就是我们最终看到的图片，用于存储图片的像素值。

如果你想要了解更多扩散模型相关内容，可以阅读下面的文章：

• Denoising Diffusion Probabilistic Models (DDPM)
• Denoising Diffusion Implicit Models (DDIM)
• High-Resolution Image Synthesis with Latent Diffusion Models

ComfyUI 文生图工作流节点讲解

A. 加载模型（Load Checkpoint）节点

这个节点通常用于加载绘图模型, 通常 checkpoint 中会包含 MODEL（UNet）、CLIP 和 VAE 三个组件

• MODEL（UNet）：为对应模型的 UNet 模型, 负责扩散过程中的噪声预测和图像生成,驱动扩散过程
• CLIP：这个是文本编码器,因为模型并不能直接理解我们的文本提示词（prompt）,所以需要将我们的文本提示词（prompt）编码为向量,转换为模型可以理解的语义向量
• VAE：这个是变分自编码器,我们的扩散模型处理的是潜在空间,而我们的图片是像素空间,所以需要将图片转换为潜在空间,然后进行扩散,最后将潜在空间转换为图片

B. 空Latent图像（Empty Latent Image）节点

定义一个潜在空间（Latent Space）,它输出到 KSampler 节点，空Latent图像节点构建的是一个 纯噪声的潜在空间

它的具体的作用你可以理解为定义画布尺寸的大小，也就是我们最终生成图片的尺寸

C. CLIP文本编码器（CLIP Text Encoder）节点

用于编码提示词，也就是输入你对画面的要求

• 连接到 KSampler 节点的 Positive 条件输入的为正向提示词（希望在画面中出现的元素）
• 连接到 KSampler 节点的 Negative 条件输入的为负向提示词（不希望在画面中出现的元素）

对应的提示词被来自 Load Checkpoint 节点的 CLIP 组件编码为语义向量，然后作为条件输出到 KSampler 节点

D. K 采样器（KSampler）节点

K 采样器 是整个工作流的核心，整个噪声降噪的过程都在这个节点中完成，并最后输出一个潜空间图像

KSampler 节点的参数说明如下

参数名称	描述	作用
model	去噪使用的扩散模型	决定生成图像的风格与质量
positive	正向提示词条件编码	引导生成包含指定元素的内容
negative	负向提示词条件编码	抑制生成不期望的内容
latent_image	待去噪的潜在空间图像	作为噪声初始化的输入载体
seed	噪声生成的随机种子	控制生成结果的随机性
control_after_generate	种子生成后控制模式	决定多批次生成时种子的变化规律
steps	去噪迭代步数	步数越多细节越精细但耗时增加
cfg	分类器自由引导系数	控制提示词约束强度（过高导致过拟合）
sampler_name	采样算法名称	决定去噪路径的数学方法
scheduler	调度器类型	控制噪声衰减速率与步长分配
denoise	降噪强度系数	控制添加到潜在空间的噪声强度，0.0保留原始输入特征，1.0为完全的噪声

在 KSampler 节点中，潜在空间使用 seed 作为初始化参数构建随机的噪声,语义向量 Positive 和 Negative 会作为条件输入到扩散模型中

然后根据 steps 参数指定的去噪步数，进行去噪，每次去噪会根据 denoise 参数指定的降噪强度系数，对潜在空间进行降噪，并生成新的潜在空间图像

E. VAE 解码（VAE Decode）节点

将 K 采样器(KSampler) 输出的潜在空间图像转换为像素空间图像

F. 保存图像（Save Image）节点

预览并保存从潜空间解码的图像，并保存到本地ComfyUI/output文件夹下

SD1.5 模型简介

SD1.5(Stable Diffusion 1.5) 是一个由Stability AI开发的AI绘图模型，Stable Diffusion系列的基础版本，基于 512×512 分辨率图片训练，所以其对 512×512 分辨率图片生成支持较好，体积约为4GB，可以在**消费级显卡（如6GB显存）**上流畅运行。目前 SD1.5 的相关周边生态非常丰富，它支持广泛的插件（如ControlNet、LoRA）和优化工具。 作为AI绘画领域的里程碑模型，SD1.5凭借其开源特性、轻量架构和丰富生态，至今仍是最佳入门选择。尽管后续推出了SDXL/SD3等升级版本，但其在消费级硬件上的性价比仍无可替代。

基础信息

• 发布时间：2022年10月
• 核心架构：基于Latent Diffusion Model (LDM)
• 训练数据：LAION-Aesthetics v2.5数据集（约5.9亿步训练）
• 开源特性：完全开源模型/代码/训练数据

优缺点

模型优势：

• 轻量化：体积小，仅 4GB 左右，在消费级显卡上流畅运行
• 使用门槛低：支持广泛的插件和优化工具
• 生态成熟：支持广泛的插件和优化工具
• 生成速度快：在消费级显卡上流畅运行

模型局限：

• 细节处理：手部/复杂光影易畸变
• 分辨率限制：直接生成1024x1024质量下降
• 提示词依赖：需精确英文描述控制效果