How do I install and run ComfyUI on Windows, macOS, or Linux?

Follow the official repo and the community wiki for platform-specific steps, model folder locations, and dependencies. After installation, launch the local server and open ComfyUI in your browser to start wiring nodes.,.

What’s the simplest ComfyUI workflow for text-to-image?

Load a checkpoint, encode positive and negative prompts with CLIP, run a KSampler, decode with VAE, then save the image. This chain is the foundation for how to use ComfyUI effectively for most generations.,.

How do I use SDXL in ComfyUI?

Use an SDXL checkpoint with dual text encoders, then optionally add a refiner pass for better detail. Run at 1024×1024 with balanced CFG (around 5–7) and an efficient sampler like DPM++ 2M Karras..

Can I add ControlNet and LoRA in the same ComfyUI workflow?

Yes. Load your LoRA and ControlNet nodes, connect them to the model and KSampler conditionings, and tune weights (e.g., 0.6–0.8 for LoRA, ~0.5–1.2 for ControlNet). Watch VRAM usage and reduce resolution or steps if you hit OOM.

Why are my ComfyUI images low‑contrast or washed out?

Try a different VAE, lower CFG, or switch samplers. Some VAEs produce more faithful color and contrast; small adjustments can fix washed-out results quickly.

Jak používat ComfyUI: Praktický průvodce krok za krokem pro začátečníky

Pokud jste slyšeli, že ComfyUI je „založené na uzlech a super výkonné“, ale cítili jste se zastrašeni všemi těmi boxy a dráty, nejste sami. Dobrá zpráva: jakmile se naučíte několik základních konceptů – checkpoints, encoders, samplers a decoders – budete vytvářet image workflows jako profík. Tento praktický průvodce vás provede tím, jak používat ComfyUI od instalace až po vaše první SDXL obrázky, plus workflows pro ControlNet, LoRAs a ladění kvality/výkonu.

Na konci budete přesně vědět, jak používat ComfyUI k vytváření konzistentních, opakovatelných a flexibilních generací obrázků bez dohadů.

Co je ComfyUI a proč jej používat?

ComfyUI je vizuální rozhraní pro Stable Diffusion založené na uzlech, které vám umožňuje navrhovat image pipeline krok za krokem. Namísto jediného tlačítka „Generate“ propojujete uzly – každý z nich zpracovává odlišný úkol, jako je načítání modelu, kódování textu, sampling latentů nebo dekódování finálního obrázku. Je to rychlé, modulární a transparentní – ideální pro učení, experimentování a produkční workflows.

Rychlý start: Instalace a spuštění ComfyUI

Windows/macOS/Linux: Postupujte podle oficiálního repozitáře a komunitních instalačních příruček. Můžete použít manuální instalaci (Python + závislosti) nebo balíčkové metody v závislosti na vaší platformě a GPU. ComfyUI wiki poskytuje podrobné nastavení pro Windows, macOS (včetně Apple Silicon) a Linux.

Modely: Umístěte své Stable Diffusion checkpoints (např. SDXL base/refiner nebo SD 1.5) do složky models/checkpoints. Vložte VAE soubory do models/vae, LoRAs do models/loras, ControlNet modely do models/controlnet.

Spuštění: Spusťte startovací skript pro váš OS; ComfyUI se otevře ve vašem prohlížeči. Plátno je místo, kde budete propojovat uzly dohromady.

Tip: Udržujte své GPU ovladače a CUDA toolkit aktuální pro nejlepší výkon.

Základní koncept: Minimální Text‑to‑Image Workflow

Základní text-to-image flow v ComfyUI (styl SD 1.5) vypadá takto:

Načtení modelu

Uzel: Checkpoint Loader

Výstup: UNet, CLIP a VAE komponenty

Kódování promptů

Uzel: CLIP Text Encode (Positive)

Uzel: CLIP Text Encode (Negative)

Výstup: Conditioning embeddings pro guidance

Generování latentů

Uzel: KSampler

Vstupy: UNet, pozitivní/negativní conditioning, seed, steps, sampler (např. DPM++ 2M Karras) a CFG scale

Výstup: Latent image

Dekódování obrázku

Uzel: VAE Decode

Výstup: Image

Uložení výstupu

Uzel: Save Image

Tento základní graf – Checkpoint → CLIP (pos/neg) → KSampler → VAE Decode → Save – je základem pro téměř vše, co budete v ComfyUI dělat.

SDXL Workflow: Base + (Volitelný) Refiner

SDXL používá duální text encoders a často těží z refiner pass.

Načtení SDXL Base: Použijte SDXL‑kompatibilní checkpoint. Mnoho SDXL šablon zahrnuje dva CLIP encoders (pro velký/malý kontext). Zadejte pozitivní i negativní prompty.

KSampler (Base): Generujte latenty při 1024×1024 (nebo váš cíl). Uložte latenty nebo dekódované obrázky.

Volitelný Refiner: Načtěte SDXL Refiner checkpoint a spusťte další KSampler pass conditioned na base výstup, poté dekódujte pomocí VAE.

Tento dvoufázový proces může výrazně zlepšit detaily a koherenci při vyšších rozlišeních.

Praktické cvičení: Vytvořte svůj první ComfyUI Graph

Začněte od šablony: V postranním panelu načtěte vestavěný text-to-image příklad.

Nahraďte checkpoint: Vyberte svůj SDXL nebo SD 1.5 model.

Napište svůj prompt: Použijte Positive a Negative CLIP uzly. Příklad:

Positive: “cinematic portrait, soft studio lighting, 85mm lens, highly detailed, film grain”

Negative: “blurry, low-res, deformed, extra fingers, watermark”

KSampler nastavení:

Steps: 20–35 pro rovnováhu rychlosti/kvality

Sampler: DPM++ 2M Karras (spolehlivý) nebo Euler a (rychlý)

CFG: 4.5–7.5 (vyšší tlačí prompt silněji, ale může přesytit)

Seed: Opravte jej pro reprodukovatelnost; měňte pro zkoumání

Rozlišení: Pro SD 1.5 začněte na 512×512 nebo 768×768. Pro SDXL funguje dobře 1024×1024.

Decode a Save: Přidejte VAE Decode → Save Image. Klikněte na Queue Prompt pro generování.

Pochopení klíčových uzlů (jednoduše)

Checkpoint Loader: Načte váš diffusion model (UNet), text encoder(y) (CLIP) a VAE. Představte si to jako váš „engine + language brain + image translator.“

CLIP Text Encode: Převede váš prompt na numerické embeddings, kterým model rozumí. Použijte pozitivní i negativní text encoders.

KSampler: Srdce image synthesis. Odstraňuje šum latentního šumu vedený vaším promptem a sampler metodou v průběhu několika kroků.

VAE Decode: Převede finální latenty na zobrazitelný obrázek. Záměna VAEs mění věrnost barev/kontrastu.

Save Image: Zapíše výstup na disk s metadaty, abyste mohli později znovu vytvořit výsledky.

Pro hlubší ponor do těchto stavebních bloků se podívejte na rozpisky vhodné pro začátečníky a vysvětlení uzlů.

Vylepšení: LoRA, ControlNet a Image‑to‑Image

Použijte LoRA pro kontrolu stylu nebo subjektu

Přidejte LoRA Loader uzel a připojte jej k vaší model branch.

Síla: Začněte kolem 0.6–0.8; upravte na základě intenzity stylu nebo overfittingu.

Více LoRAs: Řetězte nebo slučujte, ale dávejte pozor na konflikty; snižte sílu při stohování.

Přidejte ControlNet pro přesnou kompozici

ControlNet uzly vám umožňují řídit kompozici pomocí vstupní mapy (Canny, Depth, OpenPose atd.).

Typický flow: Načtěte ControlNet model → Předzpracujte svůj guide image (např. Canny edge) → Zadejte ControlNet conditioning do KSampler spolu s vaším text conditioning.

Váha: 0.5–1.2 je dobrý začátek. Příliš vysoká může přemoci váš prompt.

Image‑to‑Image nebo Inpainting

Nahraďte počáteční šum latentním obrazem pomocí VAE Encode.

Upravte denoise strength v KSampler pro kontrolu, kolik z původního obrázku zůstane.

Pro inpainting použijte mask input a inpaint‑aware sampler pipeline.

Ladění kvality: Prompty, CFG, Samplery a Seedy

Prompt engineering: Používejte stručné deskriptory, ne odstavce. Pořadí je méně důležité než jasnost, ale kritické atributy mějte vpředu.

CFG scale:

Nízká (3–5): Kreativnější, menší adherence k promptu

Střední (6–8): Vyvážené

Vysoká (9–12): Silná adherence, může vytvářet artefakty

Výběr sampleru:

DPM++ 2M Karras: Čistý, spolehlivý

Euler a: Rychlý a expresivní, skvělý pro náhledy

UniPC / Heun / DDIM: Stojí za testování; výsledky se liší podle modelu

Seedy:

Pevný seed = reprodukovatelné výsledky

Měnit seed = prozkoumávat rozmanitost

Tipy pro výkon pro plynulé rendery

VRAM budgeting: Snižte rozlišení, steps nebo batch size, pokud narazíte na OOM. SDXL při 1024×1024 může vyžadovat 8–12 GB VRAM v závislosti na uzlech.

Half precision: Povolte fp16 tam, kde je podporováno, pro velké úspory paměti s zanedbatelnou ztrátou kvality.

Tiling a latent upscalers: Generujte menší, poté upscale pomocí latent upscaler uzlu nebo image upscaler modelu pro úsporu VRAM.

Caching: Opakovaně používejte CLIP encodings a dekódované VAEs mezi spuštěními, když se prompty nemění.

Vyhněte se zbytečným branches: Extra odpojené uzly stále spotřebovávají paměť, když jsou spuštěny ve stejné frontě.

Organizace Workflows jako profík

Group nodes: Používejte frames/labels k organizaci sekcí (Prompt, Model, Sampler, Output atd.).

Parameter panels: Vytvořte „control“ uzly (např. prázdné prompt boxy, slidery) nahoře pro snadné ladění.

Save/share: Exportujte svůj workflow JSON a uchovávejte si poznámku o použitých modelech pro reprodukovatelnost.

Versioning: Uchovávejte oddělené grafy pro SD 1.5, SDXL a speciální pipelines (anime, photoreal, depth-to-image atd.).

Řešení běžných problémů

Černé nebo prázdné obrázky:

Špatné VAE nebo chybějící VAE Decode

Denoise příliš nízké (např. <0.2 v img2img)

Vybledlé barvy:

Zkuste jiné VAE; některá VAEs znatelně zlepšují kontrast

Snižte CFG nebo změňte sampler

Nic se nemění mezi spuštěními:

Seed je pevný; povolte randomize nebo nastavte nový seed

Nedostatek paměti (OOM):

Snižte rozlišení, steps nebo batch size; přepněte na fp16

Zavřete ostatní GPU aplikace; zjednodušte ControlNet/LoRA stacks

Model nenalezen / červený uzel:

Ověřte cesty k souborům a složky modelů; potvrďte přípony souborů

Učte se rychleji s předem vytvořenými Workflows

Video návody a série pro začátečníky mohou urychlit vaši learning curve s ready-to-run grafy, které můžete pozastavit a rozebrat. Písemné tutoriály a wikis poskytují vysvětlení uzlů a aktualizované kroky instalace, abyste byli aktuální.

Pokročilé: Modularizace a rozšíření vašich grafů

API/Externí uzly: Některé tutoriály se zabývají připojením ComfyUI k externím AI službám prostřednictvím speciálních uzlů, což umožňuje hybridní pipelines a offloading náročných úkolů.

Node libraries a extensions: Prozkoumejte komunitní uzly pro schedulers, upscalers a preprocessing (pose, depth, segmentation). Vždy zkontrolujte kompatibilitu s vaší ComfyUI verzí.

SDXL refiners a chained samplers: Spusťte staged denoising (base → refiner) nebo dokonce více samplers pro stylistické blending.

Stojí za zmínku: Urychlení Promptingu pomocí Sider.AI

Pokud často iterujete na promptech, referencích nebo popisech, možná budete chtít parťáka pro brainstorming a vylepšování variací. Mimochodem, Sider.AI vám může pomoci rychle navrhnout strukturované prompty, generovat seznamy negativních promptů a shrnout vaše workflow experimenty, abyste neztratili přehled mezi spuštěními. Můžete si to vyzkoušet zde:

Jednoduchý SDXL Starter Workflow (Zkopírujte tento vzor)

Checkpoint Loader (SDXL Base)

CLIP Text Encode (Positive) — “ultra-detailed product photo, softbox lighting, 50mm lens, reflective surface”

CLIP Text Encode (Negative) — “low-res, motion blur, watermark, background clutter”

KSampler: 1024×1024, 28 steps, DPM++ 2M Karras, CFG 5.5, fixed seed

VAE Decode → Save Image

Volitelné add-ons:

Refiner pass s SDXL Refiner checkpoint při 10–15 steps

ControlNet (Depth) s jednoduchou siluetou objektu pro layout

LoRA při 0.6 pro specifickou značku nebo umělecký styl

Klíčové poznatky

Síla ComfyUI pochází z jeho transparency—vytvořte si pipeline uzel po uzlu.

Základní text‑to‑image řetězec je jednoduchý: Checkpoint → CLIP (pos/neg) → KSampler → VAE Decode → Save.

SDXL těží z duálních encoders a volitelného refiner pass pro detaily.

LoRAs a ControlNet vám dávají kontrolu nad stylem a přesnost kompozice.

Laďte CFG, sampler a seed pro kvalitu a konzistenci; spravujte VRAM pomocí fp16 a rozumných rozlišení.

Organizujte workflows a versionujte je pro bezbolestnou iteraci.

Další kroky

Nainstalujte ComfyUI podle instrukcí v repo/wiki a spusťte ukázkový workflow.

Přestavte minimální řetězec od nuly, abyste upevnili základy.

Přidejte ControlNet a LoRA, poté A/B testujte sampler a CFG nastavení.

Uložte a sdílejte svůj workflow JSON s poznámkami o modelech, seedech a parametrech.

Šťastné generování – a vítejte v klidném, ovladatelném světě ComfyUI.

FAQ

Q1:Jak nainstaluji a spustím ComfyUI na Windows, macOS nebo Linux? Postupujte podle oficiálního repozitáře a komunitní wiki pro kroky specifické pro platformu, umístění složek modelů a závislosti. Po instalaci spusťte místní server a otevřete ComfyUI ve svém prohlížeči, abyste mohli začít propojovat uzly.

Q2:Jaký je nejjednodušší ComfyUI workflow pro text-to-image? Načtěte checkpoint, zakódujte pozitivní a negativní prompty pomocí CLIP, spusťte KSampler, dekódujte pomocí VAE a poté uložte obrázek. Tento řetězec je základem pro efektivní používání ComfyUI pro většinu generací.

Q3:Jak používám SDXL v ComfyUI? Použijte SDXL checkpoint s duálními text encoders, poté volitelně přidejte refiner pass pro lepší detaily. Spusťte při 1024×1024 s vyváženým CFG (kolem 5–7) a efektivním samplerem, jako je DPM++ 2M Karras.

Q4:Mohu přidat ControlNet a LoRA ve stejném ComfyUI workflow? Ano. Načtěte své LoRA a ControlNet uzly, připojte je k modelovému a KSampler conditioningu a laďte váhy (např. 0.6–0.8 pro LoRA, ~0.5–1.2 pro ControlNet). Sledujte využití VRAM a snižte rozlišení nebo kroky, pokud narazíte na OOM.

Q5:Proč mají moje ComfyUI obrázky nízký kontrast nebo jsou vybledlé? Zkuste jiné VAE, snižte CFG nebo přepněte samplery. Některá VAEs produkují věrnější barvy a kontrast; malé úpravy mohou rychle opravit vybledlé výsledky.