核心概念

ComfyUI是一个基于节点的Stable Diffusion界面，理解其核心概念对于有效使用ComfyUI至关重要。本教程将介绍ComfyUI的核心概念和工作原理。

简介

学习目标

预计学习时间

20分钟

核心概念

模型类型架构

下图展示了ComfyUI中常用的模型类型及其关系：

这个图展示了主要的模型类型： - Checkpoint: 主模型，包含UNet、CLIP和VAE - LoRA: 轻量级适配器，用于风格和角色 - ControlNet: 控制模型，用于精确控制 - VAE: 变分自编码器，用于编解码 - Embedding: 文本嵌入，用于特殊词汇

1. 节点（Node）

节点是ComfyUI的基本构建单元，每个节点执行特定的功能。

每个节点包含： - 输入端口: 接收数据 - 输出端口: 输出数据 - 参数: 配置节点行为

2. 数据类型（Data Types）

ComfyUI使用多种数据类型，通过不同颜色的端口标识：

3. 数据流（Data Flow）

数据在节点之间流动，形成工作流：

CheckpointLoaderSimple
├── MODEL ──────────────┐
├── CLIP ───┬────────────┼── KSampler ─── VAEDecode ─── SaveImage
└── VAE ────┴────────────┘               │
                                          └── samples ──┘

4. 工作流（Workflow）

工作流是由多个节点连接而成的完整流程：

5. 采样（Sampling）

采样是图像生成的核心过程：

  1. 初始化: 创建随机噪声
  2. 迭代: 逐步去噪
  3. 条件化: 根据提示词引导
  4. 解码: 转换为实际图像

6. 潜在空间（Latent Space）

潜在空间是图像的压缩表示：

7. VAE（变分自编码器）

VAE用于在图像和潜在空间之间转换：

8. CLIP（文本编码器）

CLIP将文本转换为数值表示：

工作流执行机制

执行顺序

  1. 拓扑排序: 确定节点执行顺序
  2. 依赖检查: 确保所有输入就绪
  3. 并行执行: 独立节点并行执行
  4. 结果传递: 输出传递给下游节点

执行优化

常见工作流模式

基础文生图

CheckpointLoader → CLIPTextEncode → KSampler → VAEDecode → SaveImage

图生图

ImageLoad → VAEEncode → KSampler → VAEDecode → SaveImage

图像修复

ImageLoad + Mask → KSampler → VAEDecode → SaveImage

LoRA融合

CheckpointLoader → LoraLoader → KSampler → VAEDecode → SaveImage

最佳实践

节点组织

数据流设计

性能优化

常见问题

Q1: 为什么节点无法连接？

A: 端口类型不匹配，检查端口颜色是否相同。

Q2: 工作流执行顺序是什么？

A: ComfyUI自动根据依赖关系确定执行顺序。

Q3: 如何理解数据流？

A: 数据从输出端口流向输入端口，按依赖关系传递。

Q4: 潜在空间是什么？

A: 潜在空间是图像的压缩表示，用于高效生成。

Q5: VAE和CLIP有什么区别？

A: VAE处理图像和潜在空间，CLIP处理文本和条件。

下一步

理解核心概念后，您可以：

  1. 学习工作流原理
  2. 了解节点系统
  3. 掌握数据流理解

相关资源

更新日志