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.

Comment utiliser ComfyUI : Un guide pratique, étape par étape, pour les débutants

Si vous avez entendu dire que ComfyUI est « basé sur des nœuds et super puissant », mais que vous vous êtes senti intimidé par toutes les boîtes et tous les fils, vous n'êtes pas seul. La bonne nouvelle : une fois que vous aurez appris quelques concepts de base (checkpoints, encodeurs, samplers et décodeurs), vous créerez des flux de travail d'image comme un pro. Ce guide pratique vous explique comment utiliser ComfyUI, de l'installation à vos premières images SDXL, en passant par les flux de travail pour ControlNet, les LoRA et le réglage de la qualité/performance.

À la fin, vous saurez exactement comment utiliser ComfyUI pour créer des générations d'images cohérentes, reproductibles et flexibles sans tâtonnement.

Qu'est-ce que ComfyUI et pourquoi l'utiliser ?

ComfyUI est une interface visuelle, basée sur des nœuds, pour Stable Diffusion qui vous permet de concevoir votre pipeline d'image étape par étape. Au lieu d'un simple bouton « Générer », vous connectez des nœuds, chacun gérant une tâche distincte telle que le chargement d'un modèle, l'encodage de texte, l'échantillonnage de latents ou le décodage de l'image finale. C'est rapide, modulaire et transparent, parfait pour l'apprentissage, l'expérimentation et les flux de travail de production.

Démarrage rapide : Installer et lancer ComfyUI

Windows/macOS/Linux : Suivez le dépôt officiel et les guides d'installation de la communauté. Vous pouvez utiliser l'installation manuelle (Python + dépendances) ou les méthodes packagées en fonction de votre plateforme et de votre GPU. Le wiki ComfyUI fournit une configuration étape par étape pour Windows, macOS (y compris Apple Silicon) et Linux.

Modèles : Placez vos checkpoints Stable Diffusion (par exemple, SDXL base/refiner ou SD 1.5) dans le dossier models/checkpoints. Mettez les fichiers VAE dans models/vae, les LoRA dans models/loras, les modèles ControlNet dans models/controlnet.

Lancement : Exécutez le script de démarrage pour votre système d'exploitation ; ComfyUI s'ouvre dans votre navigateur. Le canvas est l'endroit où vous connecterez les nœuds ensemble.

Conseil : Gardez vos pilotes GPU et votre toolkit CUDA à jour pour de meilleures performances.

Concept de base : Le flux de travail minimal Texte-Image

Le flux de base texte-image de ComfyUI (style SD 1.5) ressemble à ceci :

Charger le modèle

Nœud : Checkpoint Loader

Sortie : Composants UNet, CLIP et VAE

Encoder les prompts

Nœud : CLIP Text Encode (Positif)

Nœud : CLIP Text Encode (Négatif)

Sortie : Intégrations de conditionnement pour le guidage

Générer des latents

Nœud : KSampler

Entrées : UNet, conditionnement positif/négatif, seed, steps, sampler (par exemple, DPM++ 2M Karras) et CFG scale

Sortie : Image latente

Décoder l'image

Nœud : VAE Decode

Sortie : Image

Sauvegarder la sortie

Nœud : Save Image

Ce graphe de base (Checkpoint → CLIP (pos/neg) → KSampler → VAE Decode → Save) est la base de presque tout ce que vous ferez dans ComfyUI.

Flux de travail SDXL : Base + (Optionnel) Refiner

SDXL utilise des encodeurs de texte doubles et bénéficie souvent d'un passage de refiner.

Charger SDXL Base : Utilisez un checkpoint compatible SDXL. De nombreux modèles SDXL incluent deux encodeurs CLIP (pour un contexte grand/petit). Fournissez des prompts positifs et négatifs.

KSampler (Base) : Générez des latents à 1024×1024 (ou votre cible). Sauvegardez les latents ou les images décodées.

Refiner optionnel : Chargez le checkpoint SDXL Refiner et exécutez un passage KSampler supplémentaire conditionné sur la sortie de base, puis décodez avec VAE.

Ce processus en deux étapes peut améliorer considérablement les détails et la cohérence à des résolutions plus élevées.

Prise en main : Construisez votre premier graphe ComfyUI

Commencez à partir d'un modèle : Dans la barre latérale, chargez un exemple intégré de texte-image.

Remplacez le checkpoint : Sélectionnez votre modèle SDXL ou SD 1.5.

Écrivez votre prompt : Utilisez les nœuds CLIP Positif et Négatif. Exemple :

Positif : « portrait cinématique, éclairage de studio doux, objectif 85 mm, très détaillé, grain de film »

Négatif : « flou, basse résolution, déformé, doigts supplémentaires, filigrane »

Paramètres KSampler :

Steps : 20–35 pour un équilibre vitesse/qualité

Sampler : DPM++ 2M Karras (fiable) ou Euler a (rapide)

CFG : 4.5–7.5 (plus élevé pousse le prompt plus fort, mais peut sursaturer)

Seed : Fixez-le pour la reproductibilité ; variez-le pour l'exploration

Résolution : Pour SD 1.5, commencez à 512×512 ou 768×768. Pour SDXL, 1024×1024 fonctionne bien.

Décoder et sauvegarder : Ajoutez VAE Decode → Save Image. Cliquez sur Queue Prompt pour générer.

Comprendre les nœuds clés (en langage clair)

Checkpoint Loader : Charge votre modèle de diffusion (UNet), encodeur(s) de texte (CLIP) et VAE. Considérez-le comme votre « moteur + cerveau linguistique + traducteur d'image ».

CLIP Text Encode : Convertit votre prompt en intégrations numériques que le modèle comprend. Utilisez les encodeurs de texte positifs et négatifs.

KSampler : Le cœur de la synthèse d'image. Il supprime le bruit latent guidé par votre prompt et la méthode de sampler sur un certain nombre de steps.

VAE Decode : Traduit les latents finaux en une image visualisable. L'échange de VAE modifie la fidélité des couleurs/contrastes.

Save Image : Écrit la sortie sur le disque avec des métadonnées afin que vous puissiez recréer les résultats ultérieurement.

Pour un aperçu plus approfondi de ces éléments constitutifs, consultez les analyses conviviales pour les débutants et les explications des nœuds.

Power‑Ups : LoRA, ControlNet et Image‑to‑Image

Utiliser LoRA pour le contrôle du style ou du sujet

Ajoutez un nœud LoRA Loader et connectez-le à votre branche de modèle.

Force : Commencez autour de 0.6–0.8 ; ajustez en fonction de l'intensité du style ou de la sur-adaptation.

Plusieurs LoRA : Enchaînez ou fusionnez, mais surveillez les conflits ; réduisez les forces lors de l'empilement.

Ajouter ControlNet pour une composition précise

Les nœuds ControlNet vous permettent de diriger la composition à l'aide d'une carte d'entrée (Canny, Profondeur, OpenPose, etc.).

Flux typique : Charger le modèle ControlNet → Prétraiter votre image guide (par exemple, Canny edge) → Fournir le conditionnement ControlNet dans KSampler avec votre conditionnement de texte.

Poids : 0.5–1.2 est un bon début. Trop élevé peut submerger votre prompt.

Image‑to‑Image ou Inpainting

Remplacez le bruit initial par un latent d'image via VAE Encode.

Ajustez la force de suppression du bruit dans KSampler pour contrôler la quantité d'image originale qui reste.

Pour l'inpainting, utilisez une entrée de masque et un pipeline de sampler compatible avec l'inpainting.

Réglage de la qualité : Prompts, CFG, Samplers et Seeds

Ingénierie des prompts : Utilisez des descripteurs concis, pas des paragraphes. L'ordre importe moins que la clarté, mais gardez les attributs essentiels en tête.

CFG scale :

Faible (3–5) : Plus créatif, moins d'adhérence au prompt

Moyen (6–8) : Équilibré

Élevé (9–12) : Forte adhérence, peut créer des artefacts

Choix du sampler :

DPM++ 2M Karras : Propre, fiable

Euler a : Rapide et expressif, idéal pour les aperçus

UniPC / Heun / DDIM : Vaut la peine d'être testé ; les résultats varient selon le modèle

Seeds :

Seed fixe = résultats reproductibles

Vary seed = explorer la diversité

Conseils de performance pour des rendus fluides

Budgétisation de la VRAM : Réduisez la résolution, les steps ou la taille du lot si vous atteignez OOM. SDXL à 1024×1024 peut nécessiter 8–12 Go de VRAM en fonction des nœuds.

Précision à moitié : Activez fp16 là où cela est pris en charge pour de grandes économies de mémoire avec une perte de qualité négligeable.

Tiling et upscalers latents : Générez plus petit, puis upscalez via un nœud upscaler latent ou un modèle upscaler d'image pour économiser de la VRAM.

Caching : Réutilisez les encodages CLIP et les VAE décodés entre les exécutions lorsque les prompts ne changent pas.

Évitez les branches inutiles : Les nœuds supplémentaires déconnectés consomment toujours de la mémoire lorsqu'ils sont exécutés dans la même file d'attente.

Organiser les flux de travail comme un pro

Groupez les nœuds : Utilisez des cadres/étiquettes pour organiser les sections (Prompt, Model, Sampler, Output, etc.).

Panneaux de paramètres : Créez des nœuds de « contrôle » (par exemple, des boîtes de prompt vides, des curseurs) en haut pour un réglage facile.

Sauvegarder/partager : Exportez votre workflow JSON et conservez une note des modèles utilisés pour la reproductibilité.

Gestion des versions : Conservez des graphes séparés pour SD 1.5, SDXL et les pipelines spécialisés (anime, photoréaliste, profondeur-image, etc.).

Dépannage des problèmes courants

Images noires ou vierges :

VAE incorrect ou VAE Decode manquant

Denoise trop faible (par exemple, <0.2 dans img2img)

Couleurs délavées :

Essayez un autre VAE ; certains VAE améliorent sensiblement le contraste

Réduisez le CFG ou changez de sampler

Rien ne change entre les exécutions :

Le seed est fixe ; activez la randomisation ou définissez un nouveau seed

Mémoire insuffisante (OOM) :

Réduisez la résolution, les steps ou la taille du lot ; passez à fp16

Fermez les autres applications GPU ; simplifiez les piles ControlNet/LoRA

Modèle introuvable / nœud rouge :

Vérifiez les chemins de fichiers et les dossiers de modèles ; confirmez les extensions de fichiers

Apprendre plus rapidement avec des flux de travail pré-construits

Les présentations vidéo et les séries pour débutants peuvent accélérer votre courbe d'apprentissage avec des graphes prêts à l'emploi que vous pouvez mettre en pause et disséquer. Les tutoriels écrits et les wikis fournissent des explications des nœuds et des étapes d'installation mises à jour pour vous tenir au courant.

Avancé : Modulariser et étendre vos graphes

API/Nœuds externes : Certains tutoriels couvrent la connexion de ComfyUI à des services d'IA externes via des nœuds spéciaux, permettant des pipelines hybrides et le déchargement de tâches lourdes.

Bibliothèques de nœuds et extensions : Explorez les nœuds de la communauté pour les schedulers, les upscalers et le prétraitement (pose, profondeur, segmentation). Vérifiez toujours la compatibilité avec votre version de ComfyUI.

Refiners SDXL et samplers enchaînés : Exécutez une suppression du bruit par étapes (base → refiner) ou même plusieurs samplers pour un mélange stylistique.

À noter : Accélérer le prompting avec Sider.AI

Si vous itérez fréquemment sur les prompts, les références ou les descriptions, vous pouvez avoir besoin d'un acolyte pour brainstormer et affiner les variations. Au fait, Sider.AI peut vous aider à rédiger rapidement des prompts structurés, à générer des listes de prompts négatifs et à résumer vos expériences de workflow afin de ne pas perdre le fil entre les exécutions. Vous pouvez l'essayer ici :

Un flux de travail de démarrage SDXL simple (copiez ce modèle)

Checkpoint Loader (SDXL Base)

CLIP Text Encode (Positif) — « photo de produit ultra-détaillée, éclairage softbox, objectif 50 mm, surface réfléchissante »

CLIP Text Encode (Négatif) — « basse résolution, flou de mouvement, filigrane, encombrement de l'arrière-plan »

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

VAE Decode → Save Image

Add-ons optionnels :

Refiner pass avec le checkpoint SDXL Refiner à 10–15 steps

ControlNet (Profondeur) avec une simple silhouette d'objet pour la mise en page

LoRA à 0.6 pour une marque ou un style artistique spécifique

Points clés à retenir

La puissance de ComfyUI vient de sa transparence : construisez votre pipeline nœud par nœud.

La chaîne de base texte-image est simple : Checkpoint → CLIP (pos/neg) → KSampler → VAE Decode → Save.

SDXL bénéficie de doubles encodeurs et d'un refiner pass optionnel pour les détails.

Les LoRA et ControlNet vous donnent un contrôle du style et une précision de la composition.

Réglez CFG, le sampler et le seed pour la qualité et la cohérence ; gérez la VRAM avec fp16 et des résolutions raisonnables.

Organisez les flux de travail et gérez les versions pour une itération indolore.

Prochaines étapes

Installez ComfyUI en suivant les instructions du dépôt/wiki et lancez un exemple de workflow.

Reconstruisez la chaîne minimale à partir de zéro pour cimenter les bases.

Ajoutez ControlNet et une LoRA, puis testez A/B les paramètres du sampler et du CFG.

Sauvegardez et partagez votre workflow JSON avec des notes sur les modèles, les seeds et les paramètres.

Bonne génération—et bienvenue dans le monde calme et contrôlable de ComfyUI.

FAQ

Q1:Comment puis-je installer et exécuter ComfyUI sous Windows, macOS ou Linux ? Suivez le dépôt officiel et le wiki de la communauté pour les étapes spécifiques à la plateforme, les emplacements des dossiers de modèles et les dépendances. Après l'installation, lancez le serveur local et ouvrez ComfyUI dans votre navigateur pour commencer à connecter les nœuds.

Q2:Quel est le workflow ComfyUI le plus simple pour le texte-image ? Chargez un checkpoint, encodez les prompts positifs et négatifs avec CLIP, exécutez un KSampler, décodez avec VAE, puis enregistrez l'image. Cette chaîne est le fondement de la façon d'utiliser ComfyUI efficacement pour la plupart des générations.

Q3:Comment utiliser SDXL dans ComfyUI ? Utilisez un checkpoint SDXL avec des encodeurs de texte doubles, puis ajoutez éventuellement un refiner pass pour de meilleurs détails. Exécutez à 1024×1024 avec un CFG équilibré (environ 5–7) et un sampler efficace comme DPM++ 2M Karras.

Q4:Puis-je ajouter ControlNet et LoRA dans le même workflow ComfyUI ? Oui. Chargez vos nœuds LoRA et ControlNet, connectez-les au modèle et aux conditionnements KSampler, et réglez les poids (par exemple, 0.6–0.8 pour LoRA, ~0.5–1.2 pour ControlNet). Surveillez l'utilisation de la VRAM et réduisez la résolution ou les steps si vous atteignez OOM.

Q5:Pourquoi mes images ComfyUI sont-elles à faible contraste ou délavées ? Essayez un VAE différent, réduisez le CFG ou changez de sampler. Certains VAE produisent des couleurs et un contraste plus fidèles ; de petits ajustements peuvent corriger rapidement les résultats délavés.