批量处理工作流 - ComfyUI基础知识库

工作流概述

工作流信息

工作流类型: 批量处理
难度等级: 高级
预计执行时间: 取决于batch_size
推荐模型: Stable Diffusion 1.5
ComfyUI版本要求: >= 1.0

功能特点

批量生成图像
自动化处理
提高效率
节省时间
统一质量

适用场景

大量图像生成
批量风格转换
批量图像处理
自动化工作流
数据集生成

工作流结构

批量处理工作流示意图

下图展示了批量处理工作流的完整流程：

这个图展示了： - EmptyLatentImage: 创建空白潜在空间（batch_size控制数量） - KSampler: 批量采样生成 - VAEDecode: 批量解码为图像 - SaveImage: 保存N张图像 - batch_size设置: 1-2（低显存）、4-8（中显存）、8-16（高显存）

节点流程图（Mermaid）

graph TD
    A[CheckpointLoaderSimple] -->|MODEL| B[KSampler]
    A -->|CLIP| C[CLIPTextEncode]
    A -->|CLIP| D[CLIPTextEncode]
    A -->|VAE| E[VAEDecode]

    C -->|CONDITIONING| B
    D -->|CONDITIONING| B

    F[EmptyLatentImage] -->|LATENT| B

    B -->|LATENT| E
    E -->|IMAGE| G[SaveImage]

    H[TextMultiline] -->|TEXT| I[CLIPTextEncode]

    style A fill:#e1f5ff
    style B fill:#fff4e1
    style C fill:#ffe1f5
    style D fill:#ffe1f5
    style E fill:#e1ffe1
    style F fill:#e1ffe1
    style G fill:#ffe1e1
    style H fill:#e1ffe1
    style I fill:#ffe1f5

批量生成流程

graph LR
    A[输入提示词列表] --> B[循环处理] --> C[生成图像] --> D[保存图像]
    B -->|重复| E[下一个提示词] --> B
    C -->|批量| F[多个图像]

    style A fill:#e1ffe1
    style B fill:#fff4e1
    style C fill:#fff4e1
    style D fill:#ffe1e1
    style E fill:#e1ffe1
    style F fill:#ffe1e1

核心节点说明

作用: 创建空白潜在空间
关键参数: batch_size（批处理大小）

CheckpointLoaderSimple: 加载模型
CLIPTextEncode: 编码提示词
KSampler: 执行采样
VAEDecode: 解码潜在空间
SaveImage: 保存图像

使用步骤

步骤1: 准备工作

准备提示词列表
确定batch_size
准备模型文件

步骤2: 加载工作流

打开ComfyUI
点击"Load"按钮
选择工作流JSON文件

步骤3: 配置参数

ckpt_name: v1-5-pruned-emaonly.ckpt

text: beautiful landscape, mountains, sunset, 4k, detailed

text: ugly, blurry, low quality

width: 512
height: 512
batch_size: 4  # 一次生成4张

seed: 123456789
steps: 20
cfg: 8
sampler_name: euler
scheduler: normal
denoise: 1.0

filename_prefix: batch_

步骤4: 执行工作流

点击"Queue Prompt"按钮
等待批量生成完成
查看生成的图像

工作流JSON

基础批量生成

{
  "3": {
    "inputs": {
      "seed": 123456789,
      "steps": 20,
      "cfg": 8,
      "sampler_name": "euler",
      "scheduler": "normal",
      "denoise": 1.0,
      "model": ["4", 0],
      "positive": ["6", 0],
      "negative": ["7", 0],
      "latent_image": ["5", 0]
    },
    "class_type": "KSampler"
  },
  "4": {
    "inputs": {
      "ckpt_name": "v1-5-pruned-emaonly.ckpt"
    },
    "class_type": "CheckpointLoaderSimple"
  },
  "5": {
    "inputs": {
      "width": 512,
      "height": 512,
      "batch_size": 4
    },
    "class_type": "EmptyLatentImage"
  },
  "6": {
    "inputs": {
      "text": "beautiful landscape, mountains, sunset, 4k, detailed",
      "clip": ["4", 1]
    },
    "class_type": "CLIPTextEncode"
  },
  "7": {
    "inputs": {
      "text": "ugly, blurry, low quality",
      "clip": ["4", 1]
    },
    "class_type": "CLIPTextEncode"
  },
  "8": {
    "inputs": {
      "samples": ["3", 0],
      "vae": ["4", 2]
    },
    "class_type": "VAEDecode"
  },
  "9": {
    "inputs": {
      "filename_prefix": "batch_",
      "images": ["8", 0]
    },
    "class_type": "SaveImage"
  }
}

多提示词批量生成

{
  "3": {
    "inputs": {
      "seed": 123456789,
      "steps": 20,
      "cfg": 8,
      "sampler_name": "euler",
      "scheduler": "normal",
      "denoise": 1.0,
      "model": ["4", 0],
      "positive": ["6", 0],
      "negative": ["7", 0],
      "latent_image": ["5", 0]
    },
    "class_type": "KSampler"
  },
  "4": {
    "inputs": {
      "ckpt_name": "v1-5-pruned-emaonly.ckpt"
    },
    "class_type": "CheckpointLoaderSimple"
  },
  "5": {
    "inputs": {
      "width": 512,
      "height": 512,
      "batch_size": 1
    },
    "class_type": "EmptyLatentImage"
  },
  "6": {
    "inputs": {
      "text": "beautiful landscape, mountains, sunset",
      "clip": ["4", 1]
    },
    "class_type": "CLIPTextEncode"
  },
  "7": {
    "inputs": {
      "text": "ugly, blurry, low quality",
      "clip": ["4", 1]
    },
    "class_type": "CLIPTextEncode"
  },
  "8": {
    "inputs": {
      "samples": ["3", 0],
      "vae": ["4", 2]
    },
    "class_type": "VAEDecode"
  },
  "9": {
    "inputs": {
      "filename_prefix": "batch_",
      "images": ["8", 0]
    },
    "class_type": "SaveImage"
  }
}

批量处理策略

策略1: 单次批量

graph LR
    A[设置batch_size=4] --> B[一次生成4张] --> C[保存4张图像]

    style A fill:#e1ffe1
    style B fill:#fff4e1
    style C fill:#ffe1e1

策略2: 多次批量

graph LR
    A[设置batch_size=2] --> B[第一次生成2张] --> C[第二次生成2张] --> D[第三次生成2张] --> E[共6张]

    style A fill:#e1ffe1
    style B fill:#fff4e1
    style C fill:#fff4e1
    style D fill:#fff4e1
    style E fill:#ffe1e1

策略3: 提示词循环

graph LR
    A[提示词1] --> B[生成] --> C[保存]
    D[提示词2] --> E[生成] --> F[保存]
    G[提示词3] --> H[生成] --> I[保存]

    style A fill:#e1ffe1
    style B fill:#fff4e1
    style C fill:#ffe1e1
    style D fill:#e1ffe1
    style E fill:#fff4e1
    style F fill:#ffe1e1
    style G fill:#e1ffe1
    style H fill:#fff4e1
    style I fill:#ffe1e1

参数配置指南

关键参数说明

1-2: 低显存，慢速
2-4: 标准配置，平衡
4-8: 高显存，快速
8+: 需要大显存

固定seed: 生成相似图像
随机seed: 每次生成不同图像
seed范围: 使用不同seed生成不同图像

batch_size vs 显存: batch_size越大需要越多显存
steps vs 速度: steps越多质量越好但越慢
sampler vs 速度: 不同采样器速度不同

示例结果

示例1: 批量风景

batch_size: 4
提示词: beautiful landscape, mountains, sunset
seed: 随机
结果: 4张不同风景图像

示例2: 批量肖像

batch_size: 2
提示词: portrait of beautiful woman, detailed
seed: 随机
结果: 2张不同肖像图像

示例3: 多提示词

提示词1: landscape, mountains
提示词2: portrait, woman
提示词3: anime style, girl
结果: 3张不同风格图像

自动化技巧

技巧1: 脚本自动化

# 使用脚本自动执行工作流
for i in {1..10}; do
  python batch_generate.py --prompt "prompt_$i" --seed $RANDOM
done

技巧2: 提示词文件

# prompts.txt
beautiful landscape, mountains, sunset
portrait of beautiful woman, detailed
anime style, girl, vibrant colors
abstract art, geometric shapes

技巧3: 参数变化

graph LR
    A[基础参数] --> B[变化1<br/>seed变化] --> C[变化2<br/>cfg变化] --> D[变化3<br/>steps变化] --> E[生成多种结果]

    style A fill:#e1ffe1
    style B fill:#fff4e1
    style C fill:#fff4e1
    style D fill:#fff4e1
    style E fill:#ffe1e1

优化建议

性能优化

合理batch_size: 根据显存设置batch_size
减少steps: 提高速度
使用快速采样器: euler或lcm
降低分辨率: 使用较小分辨率

质量优化

增加steps: 提高质量
使用高质量采样器: dpmpp_2m
改进提示词: 使用更好的提示词
使用LoRA: 添加LoRA增强

效率优化

自动化脚本: 使用脚本自动化
批量处理: 使用批量处理
并行处理: 利用多GPU
任务队列: 使用任务队列

常见问题

Q1: batch_size设置多少合适？

A: 根据显存大小，通常2-4，大显存可以8+。

Q2: 如何批量生成不同提示词？

A: 修改提示词后多次执行，或使用脚本自动化。

Q3: 批量生成显存不足怎么办？

A: 减小batch_size，降低分辨率，使用低显存模式。

Q4: 如何自动化批量处理？

A: 使用脚本或插件自动化执行工作流。

Q5: 批量生成速度慢怎么办？

A: 减少steps，使用快速采样器，增加batch_size。

变体工作流

变体1: 大批量

batch_size: 8
steps: 15
用途: 快速大量生成

变体2: 高质量批量

batch_size: 2
steps: 30
用途: 高质量批量生成

变体3: 多样化批量

使用不同提示词
使用不同seed
用途: 生成多样化图像

扩展阅读

更新日志

2026-01-26: 初始版本创建