概述
参数调优指南
下图展示了关键参数的设置建议和调优技巧：
这个图展示了： - 采样步数: 影响质量和速度的平衡 - CFG Scale: 控制提示词相关性 - 分辨率: 影响生成质量和速度 - 采样器选择: 不同采样器的特点
核心参数
1. Seed（随机种子）
控制随机性，影响图像生成。
- 类型: 整数
- 范围: 任意整数
- 默认值: 随机
graph LR
A[固定seed] --> B[可重复生成]
C[随机seed] --> D[每次不同]
style A fill:#e1ffe1
style B fill:#fff4e1
style C fill:#e1ffe1
style D fill:#fff4e1
- 固定seed: 用于测试和比较
- 随机seed: 用于探索和创作
- 记录seed: 保存优秀的seed值
2. Steps（采样步数）
控制采样过程的步数。
- 类型: 整数
- 范围: 1-100+
- 推荐值: 15-30
graph TD
A[Steps: 10] -->|快速但质量低| B[Steps: 20]
B -->|平衡| C[Steps: 30]
C -->|高质量但慢| D[Steps: 50+]
style A fill:#ffe1e1
style B fill:#e1ffe1
style C fill:#fff4e1
style D fill:#ffe1e1
- 快速生成: 10-15步
- 标准质量: 20-25步
- 高质量: 30-40步
- 极致质量: 50+步
3. CFG（提示词相关性）
控制对提示词的遵循程度。
- 类型: 浮点数
- 范围: 1.0-20.0
- 推荐值: 6.0-9.0
graph TD
A[CFG: 3-5] -->|创造性但可能偏离| B[CFG: 6-8]
B -->|平衡| C[CFG: 9-12]
C -->|严格遵循但可能僵硬| D[CFG: 15+]
style A fill:#ffe1e1
style B fill:#e1ffe1
style C fill:#fff4e1
style D fill:#ffe1e1
- 创造性: 5.0-7.0
- 标准: 7.0-8.0
- 严格: 8.0-10.0
- 非常严格: 10.0+
4. Denoise（去噪强度）
控制图像修改程度（用于图生图）。
- 类型: 浮点数
- 范围: 0.0-1.0
- 推荐值: 0.5-0.8
graph TD
A[Denoise: 0.2-0.3] -->|轻微修改| B[Denoise: 0.5-0.7]
B -->|标准修改| C[Denoise: 0.7-0.8]
C -->|大幅修改| D[Denoise: 0.9+]
style A fill:#e1ffe1
style B fill:#fff4e1
style C fill:#fff4e1
style D fill:#ffe1e1
- 轻微调整: 0.2-0.3
- 风格转换: 0.5-0.7
- 内容修改: 0.7-0.8
- 重新生成: 0.9-1.0
5. Sampler（采样器）
控制采样算法。
- euler: 快速，质量好
- euler_a: 更快，质量稍低
- dpmpp_2m: 高质量，速度中等
- dpmpp_sde: 高质量，速度慢
- lcm: 超快速，需要特殊模型
graph TD
A[快速采样器] -->|euler, euler_a| B[平衡采样器]
B -->|dpmpp_2m| C[高质量采样器]
C -->|dpmpp_sde, dpmpp_2m_sde| D[超快速采样器]
D -->|lcm| E[生成]
style A fill:#e1ffe1
style B fill:#fff4e1
style C fill:#ffe1e1
style D fill:#ffe1e1
style E fill:#fff4e1
- 速度优先: euler, euler_a
- 质量优先: dpmpp_2m, dpmpp_sde
- 平衡: dpmpp_2m
- 超快速: lcm
6. Scheduler（调度器）
控制采样步长调度。
- normal: 标准调度
- karras: Karras调度，质量更好
- exponential: 指数调度
- sgm_uniform: SGM均匀调度
- 标准: normal
- 高质量: karras
- 实验: exponential, sgm_uniform
参数组合策略
策略1: 速度优先
{
"steps": 15,
"cfg": 7.0,
"sampler_name": "euler",
"scheduler": "normal"
}
策略2: 质量优先
{
"steps": 30,
"cfg": 8.0,
"sampler_name": "dpmpp_2m",
"scheduler": "karras"
}
策略3: 平衡策略
{
"steps": 20,
"cfg": 7.5,
"sampler_name": "dpmpp_2m",
"scheduler": "normal"
}
工作流特定参数
文生图工作流
{
"steps": 20,
"cfg": 7.5,
"sampler_name": "dpmpp_2m",
"scheduler": "normal",
"denoise": 1.0
}
图生图工作流
{
"steps": 20,
"cfg": 7.5,
"sampler_name": "dpmpp_2m",
"scheduler": "normal",
"denoise": 0.6
}
图像修复工作流
{
"steps": 25,
"cfg": 7.5,
"sampler_name": "dpmpp_2m",
"scheduler": "normal",
"denoise": 0.4
}
参数调优流程
流程图
graph TD
A[开始] --> B[设置基础参数]
B --> C[生成测试图像]
C --> D{评估结果}
D -->|质量不足| E[增加steps]
D -->|效果不理想| F[调整cfg]
D -->|速度太慢| G[减少steps]
D -->|效果满意| H[记录参数]
E --> C
F --> C
G --> C
H --> I[完成]
style A fill:#e1ffe1
style B fill:#fff4e1
style C fill:#fff4e1
style D fill:#ffe1f5
style E fill:#e1ffe1
style F fill:#e1ffe1
style G fill:#e1ffe1
style H fill:#e1ffe1
style I fill:#e1ffe1
调优步骤
使用推荐的默认参数开始。
生成测试图像，观察效果。
评估图像质量、速度、效果。
根据评估结果调整参数。
重复步骤2-4，直到满意。
记录满意的参数组合。
常见问题
Q1: Steps设置多少合适？
A: 根据需求，快速用15，标准用20，高质量用30+。
Q2: CFG值如何调整？
A: 从7.5开始，效果不理想增加，太僵硬降低。
Q3: 哪个采样器最好？
A: dpmpp_2m是平衡选择，速度用euler，质量用dpmpp_sde。
Q4: Denoise值如何设置？
A: 轻微修改0.2-0.3，风格转换0.5-0.7，大幅修改0.7-0.8。
Q5: 如何找到最佳参数？
A: 使用调优流程，迭代测试，记录有效参数。
最佳实践
实践1: 从默认开始
使用推荐的默认参数开始调优。
实践2: 一次调整一个参数
一次只调整一个参数，观察效果。
实践3: 记录参数组合
记录有效的参数组合，方便复用。
实践4: 建立参数库
为不同场景建立参数库。
实践5: 持续优化
持续测试和优化参数。
扩展阅读
更新日志
- 2026-01-26: 初始版本创建