Guohua Diffusion 与ComfyUI可视化工作流搭建指南

Guohua Diffusion 与ComfyUI可视化工作流搭建指南

你是不是也遇到过这种情况：看到别人用AI生成的那些惊艳图片，自己也想试试，但一打开代码或者复杂的命令行界面就头疼？想调整一下画面的某个细节，却不知道从哪下手，感觉像是在开一架没有操作手册的飞机。

别担心，今天咱们就来聊聊怎么把Guohua Diffusion这个强大的图像生成模型，装进ComfyUI这个“可视化操作台”里。简单来说，就是让你能用拖拖拽拽、连一连线的方式，像搭积木一样控制AI画画，完全不用碰代码。这不仅能让你快速上手，还能解锁很多高级玩法，比如精确控制画面构图、风格，甚至修复图片细节。

这篇文章就是为你准备的。我会手把手带你从零开始，在ComfyUI里搭建一个属于你自己的Guohua Diffusion工作流。整个过程就像拼乐高，每一步都有图可看，有按钮可点。等你跟着走完一遍，不仅能生成第一张图，还能理解背后的“积木”是怎么组合的，以后想怎么改就怎么改。

1. 准备工作：安装与启动

在开始搭积木之前，我们得先把“工作台”和“积木块”准备好。这里的工作台就是ComfyUI，积木块就是Guohua Diffusion模型。

1.1 获取ComfyUI

ComfyUI是一个开源的可视化节点工具，获取方式很简单。最推荐的方法是直接从GitHub克隆它的仓库，这样能保证你拿到的是最新版本。

打开你的命令行终端（比如Windows的PowerShell或CMD，Mac/Linux的Terminal），找一个你喜欢的文件夹，然后执行下面的命令：

git clone https://github.com/comfyanonymous/ComfyUI.git

这行命令会把ComfyUI的所有文件下载到你当前的文件夹里。下载完成后，你会看到一个名叫ComfyUI的新文件夹。

1.2 安装依赖与放置模型

进入刚刚下载的ComfyUI文件夹。如果你是Windows用户，直接双击运行文件夹里的run_nvidia_gpu.bat文件（如果你用的是NVIDIA显卡）。这个批处理文件会自动帮你安装Python环境以及所有必需的依赖库，比如PyTorch。

对于Mac或Linux用户，或者想手动安装，可以打开终端，进入ComfyUI目录，运行：

pip install -r requirements.txt

接下来，我们需要把“积木块”放进去。Guohua Diffusion模型文件（通常是一个.safetensors或.ckpt文件）需要被放到正确的位置。在ComfyUI文件夹里，找到或创建这个路径：models/checkpoints/。把你下载好的Guohua Diffusion模型文件复制到这个checkpoints文件夹里。

1.3 启动ComfyUI

依赖安装好、模型也放对位置之后，就可以启动ComfyUI了。再次运行run_nvidia_gpu.bat（Windows）或者在终端里运行：

python main.py

稍等片刻，当你在终端里看到类似 “* Running on http://127.0.0.1:8188” 的输出时，就说明启动成功了。打开你的网页浏览器，访问这个地址（通常是http://127.0.0.1:8188），你就会看到ComfyUI的图形化界面了。一个空白的画布，这就是我们未来的“创作台”。

2. 认识你的工作台：ComfyUI界面初探

第一次打开ComfyUI，你可能会觉得有点空，有点懵。别急，我们来快速认识一下几个关键区域，这就像熟悉一个新软件的工具箱。

界面主要分为三块：

• 左侧节点面板：这里是你的“积木仓库”。所有功能都被封装成一个个“节点”（Node），比如加载模型、输入文字、生成图片等。你可以在这里找到它们。
• 中间画布区域：这是你的“工作台”。你把左侧的节点拖到这里，然后用线把它们连接起来，就构成了一个工作流（Workflow）。
• 右侧预览与控件区域：当你选中画布上的某个节点时，这里会显示该节点的详细设置参数，比如采样步数、图片尺寸等。图片生成后也会在这里显示。

最核心的概念就是“节点”和“连线”。每个节点负责一项具体任务（如“加载模型”），它有输入“插座”和输出“插头”。你需要用线把上一个节点的输出，连接到下一个节点的输入，数据（如图片、参数）就会沿着这条线流动，最终产生结果。理解了这个，你就掌握了ComfyUI的精华。

3. 搭建第一个工作流：从文字到图片

理论说再多不如动手做一遍。我们现在就来搭建一个最基础的文生图流程，生成你的第一张AI图片。

3.1 放置核心节点

在画布空白处点击右键，会弹出节点搜索和选择菜单。我们需要找到并添加以下几个核心节点：

1. 加载模型：搜索 “Load Checkpoint” 并点击。这个节点负责从我们刚才放的checkpoints文件夹里读取Guohua Diffusion模型。
2. 输入提示词：搜索 “CLIP Text Encode (Prompt)” 并点击，我们需要添加两个。一个用于输入正向提示词（你希望画面里有什么），另一个用于输入反向提示词（你希望画面里避免什么）。通常我们叫它们CLIP Text Encode Positive和CLIP Text Encode Negative。
3. 设置采样器：搜索 “KSampler” 并点击。这个节点是生成过程的核心控制器，决定了如何从噪声中一步步“画”出图片。
4. 解码图片：搜索 “VAE Decode” 并点击。采样器生成的是潜空间里的数据，这个节点负责把它解码成我们能看的真实图片。
5. 保存/预览图片：搜索 “Save Image” 或 “Preview Image” 并点击。Save Image会把图片保存到硬盘，Preview Image只在右侧预览。

3.2 连接节点，让数据流动

现在你的画布上有了几个独立的“积木”，下一步就是用线把它们按逻辑连接起来。连接顺序体现了数据处理的管道：

1. 将Load Checkpoint节点输出的MODEL和CLIP，分别用线连接到两个CLIP Text Encode节点的clip输入口。
2. 将Load Checkpoint节点输出的MODEL，连接到KSampler节点的model输入口。
3. 将Load Checkpoint节点输出的VAE，连接到VAE Decode节点的vae输入口。
4. 将CLIP Text Encode (Positive)节点的输出CONDITIONING，连接到KSampler节点的positive输入口。
5. 将CLIP Text Encode (Negative)节点的输出CONDITIONING，连接到KSampler节点的negative输入口。
6. 将KSampler节点输出的LATENT，连接到VAE Decode节点的samples输入口。
7. 最后，将VAE Decode节点输出的IMAGE，连接到Save Image节点的images输入口。

连接完成后，你的工作流应该看起来像一条有分支但方向清晰的流水线。

3.3 配置参数并生成

现在我们来设置内容，让AI知道我们想要什么。

1. 点击Load Checkpoint节点，在右侧面板的ckpt_name下拉菜单里，选择你放入的Guohua Diffusion 模型文件。
2. 点击CLIP Text Encode (Positive)节点，在右侧的文本框中输入正向提示词，例如：masterpiece, best quality, 1girl, beautiful, detailed eyes, in a garden, sunshine。
3. 点击CLIP Text Encode (Negative)节点，输入反向提示词，例如：lowres, bad anatomy, worst quality, low quality。
4. 点击KSampler节点，配置关键参数：
   • steps：采样步数，建议从20开始。步数越多，细节可能越好，但速度越慢。
   • cfg：提示词相关性，建议从7开始。值越高，AI越听从你的提示词。
   • sampler_name：采样器名称，例如euler或dpmpp_2m都是不错的选择。
   • scheduler：调度器，例如normal。
   • seed：随机种子。保持默认（0）会每次随机生成，固定一个数字（如123456）可以复现相同结果。
5. 点击Save Image节点，可以设置图片保存的文件名前缀。

一切就绪！点击画布下方的Queue Prompt按钮，静静等待几秒到几十秒（取决于你的电脑配置）。如果一切正常，你将在右侧看到生成的图片，并且图片已经保存到ComfyUI输出目录了。

4. 进阶技巧：让工作流更强大

生成了第一张图，你可能已经感受到了可视化工作流的直观。但这只是开始，ComfyUI真正的威力在于其灵活性和控制力。我们来给它加装几个“高级组件”。

4.1 使用LoRA模型微调风格

Guohua Diffusion本身风格可能比较固定。如果你想生成特定画风（比如水墨风、赛博朋克）或特定角色，可以借助LoRA模型。LoRA是一个小型的附加模型，能微调大模型的行为。

1. 将你的LoRA模型文件（.safetensors）放入models/loras/文件夹。
2. 在画布右键，搜索并添加Lora Loader节点。
3. 将这个节点插入到Load Checkpoint和KSampler之间。具体连接是：将Load Checkpoint的MODEL和CLIP输出，连接到Lora Loader的对应输入；再将Lora Loader的MODEL和CLIP输出，连接到后续节点。
4. 在Lora Loader节点的右侧面板，选择你添加的LoRA文件，并可以调整strength_model和strength_clip（通常设为0.5-1.0）来控制其影响强度。

4.2 精准控制构图：使用ControlNet

如果你想精确控制生成人物的姿势、画面的线条结构，或者想根据一张草图来生成图片，ControlNet是必不可少的工具。

1. 将ControlNet模型（如control_v11p_sd15_openpose.pth用于姿势控制）放入models/controlnet/文件夹。
2. 在画布右键，搜索并添加ControlNet Apply节点。
3. 你还需要一个预处理节点来从图片中提取控制信息。例如，对于姿势控制，可以搜索添加OpenPose Pose Keypoint Preprocessor。
4. 连接方式稍复杂：你需要将一张姿势参考图输入给预处理节点，预处理节点输出姿势信息给ControlNet Apply节点，同时ControlNet Apply节点还需要接收来自主模型的positiveconditioning信息，最后将其新的conditioning输出给KSampler的positive输入。这通常需要查阅具体ControlNet的工作流示例。

4.3 高清修复与放大

默认生成的图片可能尺寸有限。ComfyUI可以轻松实现高清放大。

1. 使用高清修复节点：搜索并添加Latent Upscale或Image Upscale with Model节点。你可以把它接在KSampler之后，VAE Decode之前（对潜空间放大）或之后（对图片放大）。选择放大算法（如nearest-exact,bilinear,lanczos）和放大倍数。
2. 使用专门的放大模型：更高质量的方法是使用如4x-UltraSharp.pth这样的超分辨率模型。你需要将其放入models/upscale_models/，然后使用Load Upscale Model和Image Upscale with Model节点组合进行放大。

4.4 管理复杂提示词与工作流

当你的提示词很长，或者工作流节点很多时，画布会变得杂乱。

• 提示词管理：你可以使用CLIP Text Encode (Prompt)节点上的那个小图标（通常像一张纸），将当前提示词保存为一个预设，下次直接加载。
• 工作流管理：点击界面上的Save按钮，可以将当前整个画布上的节点连接关系保存为一个.json工作流文件。点击Load可以加载它。这是分享和备份你复杂工作流的绝佳方式。
• 使用节点组：你可以框选多个节点，右键选择Collapse to Group，将它们折叠成一个自定义的“大节点”，简化视图。

5. 常见问题与小贴士

刚开始玩，难免会遇到些小麻烦。这里有几个常见问题的排查思路和实用建议。

• 生成图片全黑或全灰：首先检查VAE模型是否正确加载。有些模型需要特定的VAE，尝试在Load Checkpoint节点里更换或清空VAE设置。其次，检查提示词是否过于简单或矛盾。
• 报错“CUDA out of memory”：这是显存不足。尝试在KSampler里减小图片尺寸（如从512x768降到512x512），或者减少batch_size。也可以使用Empty Latent Image节点后接一个VAE Encode节点的方式来处理大图，但这更高级一些。
• 图片质量不佳：调整KSampler的steps（增加到30-50）、cfg（调整到6-9），或者尝试不同的sampler_name和scheduler组合。提示词的质量也至关重要，尽量具体、详细。
• 节点太多找不到：多用右键菜单的搜索功能（快捷键通常是Ctrl+F）。记住常用节点的名字，如KSampler,CLIP Text Encode,VAE Decode。
• 提升生成速度：如果速度慢，确保在Load Checkpoint中加载的是GPU版本的模型。也可以尝试在启动命令中添加--force-fp16参数来使用半精度浮点数，但可能会轻微影响质量。

整体用下来，ComfyUI就像给Guohua Diffusion这类大模型装上了一套可视化的遥控器和仪表盘。一开始看着一堆节点和连线可能会觉得复杂，但一旦理解了“数据从左边流到右边”这个基本逻辑，剩下的就是按需挑选和组合“功能模块”了。它最大的好处是直观和灵活，你做的任何调整都能立刻体现在工作流图上，方便理解和分享。

从简单的文生图，到融入LoRA微调风格，再到用ControlNet精准控制，最后进行高清放大，你可以像搭积木一样，逐步构建出非常复杂和强大的图像生成流水线。这个过程本身也充满了探索的乐趣。建议你先从最基础的流程跑通，生成几张满意的图片，然后再尝试一个一个地添加高级节点，每次只改变一个变量，这样能清楚地知道每个“积木”到底起了什么作用。玩得开心！

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。