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.

Hogyan használd a ComfyUI-t: Egy gyakorlati, lépésről lépésre útmutató kezdőknek

Ha hallottad, hogy a ComfyUI „csomópont alapú és szuper erős”, de megijedtél a sok doboztól és vezetéktől, nem vagy egyedül. A jó hír: ha elsajátítasz néhány alapvető fogalmat – ellenőrzőpontok, kódolók, mintavételezők és dekódolók –, profiként fogsz kép-munkafolyamatokat építeni. Ez a gyakorlati útmutató végigvezet a ComfyUI használatán a telepítéstől az első SDXL-képekig, valamint a ControlNet, a LoRA-k és a minőség/teljesítmény hangolásának munkafolyamatain.

A végére pontosan tudni fogod, hogyan használd a ComfyUI-t következetes, megismételhető és rugalmas képgenerálások készítéséhez találgatások nélkül.

Mi az a ComfyUI és miért érdemes használni?

A ComfyUI egy vizuális, csomópont alapú felület a Stable Diffusion számára, amely lehetővé teszi a képi folyamat lépésről lépésre történő megtervezését. Ahelyett, hogy egyetlen „Generálás” gomb lenne, csomópontokat kötsz össze – amelyek mindegyike különálló feladatot kezel, például egy modell betöltését, szöveg kódolását, latens értékek mintavételezését vagy a végső kép dekódolását. Gyors, moduláris és átlátható – tökéletes a tanuláshoz, a kísérletezéshez és a gyártási munkafolyamatokhoz.

Gyors kezdés: A ComfyUI telepítése és elindítása

Windows/macOS/Linux: Kövesd a hivatalos repót és a közösségi telepítési útmutatókat. Használhatsz manuális telepítést (Python + függőségek) vagy csomagolt módszereket, a platformodtól és a GPU-dtól függően. A ComfyUI wiki lépésről lépésre beállítást biztosít a Windows, a macOS (beleértve az Apple Silicon) és a Linux rendszerekhez.

Modellek: Helyezd a Stable Diffusion ellenőrzőpontjaidat (pl. SDXL base/refiner vagy SD 1.5) a models/checkpoints mappába. Tedd a VAE fájlokat a models/vae, a LoRA-kat a models/loras, a ControlNet modelleket pedig a models/controlnet mappába.

Indítás: Futtasd az operációs rendszeredhez tartozó indítószkriptet; a ComfyUI megnyílik a böngésződben. A vászon az a hely, ahol a csomópontokat összekötöd.

Tipp: A legjobb teljesítmény érdekében tartsd naprakészen a GPU-illesztőprogramokat és a CUDA eszközkészletet.

Alapvető koncepció: A minimális szöveg-kép munkafolyamat

A ComfyUI alapvető szöveg-kép folyamata (SD 1.5 stílus) így néz ki:

Modell betöltése

Csomópont: Checkpoint Loader

Kimenet: UNet, CLIP és VAE komponensek

Promptok kódolása

Csomópont: CLIP Text Encode (Pozitív)

Csomópont: CLIP Text Encode (Negatív)

Kimenet: Feltételes beágyazások az iránymutatáshoz

Latensek generálása

Csomópont: KSampler

Bemenetek: UNet, pozitív/negatív feltételek, seed, lépések, mintavételező (pl. DPM++ 2M Karras) és CFG skála

Kimenet: Latens kép

Kép dekódolása

Csomópont: VAE Decode

Kimenet: Kép

Kimenet mentése

Csomópont: Save Image

Ez az alapvető gráf – Checkpoint → CLIP (pos/neg) → KSampler → VAE Decode → Save – az alapja szinte mindennek, amit a ComfyUI-ban csinálni fogsz.

SDXL munkafolyamat: Base + (opcionális) Refiner

Az SDXL kettős szövegkódolót használ, és gyakran profitál egy finomító lépésből.

SDXL Base betöltése: Használj egy SDXL-kompatibilis ellenőrzőpontot. Sok SDXL sablon két CLIP kódolót tartalmaz (nagy/kicsi kontextushoz). Tápláld be a pozitív és a negatív promptokat is.

KSampler (Base): Generálj latenseket 1024×1024-en (vagy a célodon). Mentsd el a latenseket vagy a dekódolt képeket.

Opcionális Refiner: Töltsd be az SDXL Refiner ellenőrzőpontot, és futtass egy további KSampler lépést, amely a base kimenetére van kondicionálva, majd dekódolj a VAE-vel.

Ez a kétlépcsős folyamat jelentősen javíthatja a részleteket és a koherenciát nagyobb felbontásokon.

Gyakorlati alkalmazás: Építsd meg az első ComfyUI gráfodat

Kezdd egy sablonnal: Az oldalsávban tölts be egy beépített szöveg-kép példát.

Cseréld le az ellenőrzőpontot: Válaszd ki az SDXL vagy SD 1.5 modelljeidet.

Írd meg a promptodat: Használd a pozitív és negatív CLIP csomópontokat. Példa:

Pozitív: „moziszerű portré, lágy stúdióvilágítás, 85 mm-es objektív, rendkívül részletes, filmgrain”

Negatív: „homályos, alacsony felbontású, deformált, extra ujjak, vízjel”

KSampler beállítások:

Lépések: 20–35 a sebesség/minőség egyensúlyához

Sampler: DPM++ 2M Karras (megbízható) vagy Euler a (gyors)

CFG: 4,5–7,5 (a magasabb érték jobban tolja a promptot, de túltelítheti)

Seed: Javítsd a reprodukálhatóság érdekében; változtasd a felfedezéshez

Felbontás: SD 1.5 esetén kezdd 512×512 vagy 768×768 felbontással. SDXL esetén az 1024×1024 jól működik.

Dekódolás és mentés: Add hozzá a VAE Decode → Save Image elemet. Kattints a Queue Prompt gombra a generáláshoz.

A legfontosabb csomópontok megértése (közérthetően)

Checkpoint Loader: Betölti a diffúziós modelledet (UNet), a szövegkódolót (oka)t (CLIP) és a VAE-t. Gondolj rá úgy, mint a „motorod + nyelvi agyad + képfordítód”.

CLIP Text Encode: A promptodat numerikus beágyazásokká alakítja, amelyeket a modell megért. Használj pozitív és negatív szövegkódolókat is.

KSampler: A képszintézis szíve. Eltávolítja a latens zajt a promptod és a mintavételezési módszered által vezérelve számos lépésen keresztül.

VAE Decode: A végső latenseket megtekinthető képpé fordítja. A VAE-k cseréje megváltoztatja a szín/kontraszt hűségét.

Save Image: Kiírja a kimenetet a lemezre metaadatokkal, így később újra létrehozhatod az eredményeket.

Ezen építőelemek mélyebb megismeréséhez nézd meg a kezdők számára barátságos lebontásokat és a csomópontmagyarázatokat.

Teljesítményfokozók: LoRA, ControlNet és Kép-Képbe

Használj LoRA-t a stílus vagy a téma vezérléséhez

Adj hozzá egy LoRA Loader csomópontot, és csatlakoztasd a modell ágához.

Erősség: Kezdd 0,6–0,8 körül; állítsd be a stílus intenzitása vagy a túlfeszítés alapján.

Több LoRA: Láncold össze vagy egyesítsd őket, de figyelj a konfliktusokra; csökkentsd az erősséget egymásra helyezéskor.

Adj hozzá ControlNet-et a precíz kompozícióhoz

A ControlNet csomópontok lehetővé teszik a kompozíció irányítását egy bemeneti térkép (Canny, Depth, OpenPose stb.) segítségével.

Tipikus folyamat: ControlNet modell betöltése → A vezető kép előfeldolgozása (pl. Canny él) → A ControlNet feltételezésének betáplálása a KSamplerbe a szöveges feltételekkel együtt.

Súly: A 0,5–1,2 jó kezdet. A túl magas érték elnyomhatja a promptodat.

Kép-Képbe vagy Inpainting

Cseréld le a kezdeti zajt egy kép latenssel a VAE Encode segítségével.

Állítsd be a zajcsökkentés erősségét a KSamplerben, hogy szabályozd, mennyi maradjon meg az eredeti képből.

Inpaintinghez használj maszk bemenetet és egy inpaint-tudatos sampler folyamatot.

Minőség finomhangolása: Promptok, CFG, Samplerek és Seede

Prompt tervezés: Használj tömör leírókat, ne bekezdéseket. A sorrend kevésbé számít, mint a tisztaság, de a kritikus attribútumokat tartsd elöl.

CFG skála:

Alacsony (3–5): Kreatívabb, kevésbé ragaszkodik a prompthoz

Közepes (6–8): Kiegyensúlyozott

Magas (9–12): Erős ragaszkodás, artefaktumokat hozhat létre

Sampler választás:

DPM++ 2M Karras: Tiszta, megbízható

Euler a: Gyors és kifejező, nagyszerű előnézetekhez

UniPC / Heun / DDIM: Érdemes tesztelni; az eredmények modellenként változnak

Seede:

Fix seed = reprodukálható eredmények

Változó seed = a sokféleség felfedezése

Teljesítménytippek a gördülékeny rendereléshez

VRAM költségvetés: Csökkentsd a felbontást, a lépéseket vagy a kötegméretet, ha eléred az OOM-ot. Az SDXL 1024×1024-en 8–12 GB VRAM-ot igényelhet a csomópontoktól függően.

Félpontosság: Engedélyezd az fp16-ot, ahol támogatott, a nagy memóriamegtakarítás érdekében elhanyagolható minőségromlással.

Mozaikolás és latens felskálázók: Generálj kisebbet, majd skálázd fel egy latens felskálázó csomóponton vagy egy képfelskálázó modellen keresztül a VRAM megtakarítása érdekében.

Gyorsítótárazás: Használd újra a CLIP kódolásokat és a dekódolt VAE-ket a futtatások során, ha a promptok nem változnak.

Kerüld a felesleges ágakat: A többi leválasztott csomópont továbbra is memóriát fogyaszt, ha ugyanabban a sorban kerülnek végrehajtásra.

Munkafolyamatok rendszerezése profiként

Csoportosítsd a csomópontokat: Használj kereteket/címkéket a szakaszok rendszerezéséhez (Prompt, Modell, Sampler, Output stb.).

Paraméterpanelek: Hozz létre „vezérlő” csomópontokat (pl. üres promptdobozokat, csúszkákat) a tetején a könnyű hangolás érdekében.

Mentés/megosztás: Exportáld a munkafolyamat JSON-t, és tarts egy felhasznált modellek jegyzetet a reprodukálhatóság érdekében.

Verziókezelés: Tarts külön grafikonokat az SD 1.5, az SDXL és a speciális folyamatokhoz (anime, fotorealisztikus, mélység-kép, stb.).

Gyakori problémák elhárítása

Fekete vagy üres képek:

Rossz VAE vagy hiányzó VAE Decode

Túl alacsony zajcsökkentés (pl. <0,2 img2img esetén)

Kifakult színek:

Próbálj ki egy másik VAE-t; néhány VAE észrevehetően javítja a kontrasztot

Csökkentsd a CFG-t vagy válts samplert

Semmi sem változik a futások között:

A seed rögzítve van; engedélyezd a véletlenszerűsítést vagy állíts be egy új seedet

Nincs elég memória (OOM):

Csökkentsd a felbontást, a lépéseket vagy a kötegméretet; válts fp16-ra

Zárj be más GPU alkalmazásokat; egyszerűsítsd a ControlNet/LoRA veremeket

Modell nem található / piros csomópont:

Ellenőrizd a fájlútvonalakat és a modellmappákat; ellenőrizd a fájlkiterjesztéseket

Tanulj gyorsabban előre elkészített munkafolyamatokkal

A videós bemutatók és a kezdő sorozatok felgyorsíthatják a tanulási görbét a futásra kész grafikonokkal, amelyeket szüneteltethetsz és elemezhetsz. Az írott oktatóanyagok és wikik csomópontmagyarázatokat és frissített telepítési lépéseket tartalmaznak, hogy naprakész maradj.

Haladó: A grafikonok modularizálása és bővítése

API/Külső csomópontok: Néhány oktatóanyag a ComfyUI külső AI szolgáltatásokhoz való csatlakoztatását fedi le speciális csomópontokon keresztül, lehetővé téve a hibrid folyamatokat és a nehéz feladatok kiszervezését.

Csomópontkönyvtárak és kiterjesztések: Fedezd fel a közösségi csomópontokat az ütemezőkhöz, felskálázókhoz és előfeldolgozáshoz (pozíció, mélység, szegmentálás). Mindig ellenőrizd a ComfyUI verzióddal való kompatibilitást.

SDXL finomítók és láncolt samplerek: Futtass szakaszos zajcsökkentést (base → finomító) vagy akár több samplert a stilisztikai keveréshez.

Érdemes megjegyezni: A promptolás felgyorsítása a Sider.AI segítségével

Ha gyakran ismételgeted a promptokat, hivatkozásokat vagy leírásokat, szükséged lehet egy segítőtársra az ötleteléshez és a változatok finomításához. Egyébként a Sider.AI segíthet gyorsan strukturált promptokat tervezni, negatív promptlistákat generálni, és összefoglalni a munkafolyamat-kísérleteidet, így nem téveszted szem elől a futások közötti különbségeket. Itt kipróbálhatod:

Egy egyszerű SDXL kezdő munkafolyamat (másold le ezt a mintát)

Checkpoint Loader (SDXL Base)

CLIP Text Encode (Pozitív) – „ultra-részletes termékfotó, softbox világítás, 50 mm-es objektív, tükröződő felület”

CLIP Text Encode (Negatív) – „alacsony felbontású, elmosódott mozgás, vízjel, háttérzavar”

KSampler: 1024×1024, 28 lépés, DPM++ 2M Karras, CFG 5.5, fix seed

VAE Decode → Save Image

Opcionális kiegészítők:

Finomító lépés SDXL Refiner ellenőrzőponttal 10–15 lépésnél

ControlNet (Depth) egy egyszerű objektum sziluettjével az elrendezéshez

LoRA 0,6-nál egy adott márkához vagy művészeti stílushoz

Főbb tudnivalók

A ComfyUI ereje az átláthatóságából adódik – építsd fel a folyamatot csomópontonként.

Az alapvető szöveg-kép lánc egyszerű: Checkpoint → CLIP (pos/neg) → KSampler → VAE Decode → Save.

Az SDXL profitál a kettős kódolókból és egy opcionális finomító lépésből a részletek érdekében.

A LoRA-k és a ControlNet stílusvezérlést és kompozíciós pontosságot biztosítanak.

Hangold a CFG-t, a samplert és a seedet a minőség és a konzisztencia érdekében; kezeld a VRAM-ot fp16-tal és ésszerű felbontásokkal.

Rendszerezd a munkafolyamatokat, és verziózd őket a fájdalommentes iteráció érdekében.

Következő lépések

Telepítsd a ComfyUI-t a repó/wiki utasításait követve, és indíts el egy mintamunkafolyamatot.

Építsd újra az alapvető láncot a nulláról, hogy megszilárdítsd az alapokat.

Adj hozzá ControlNet-et és egy LoRA-t, majd végezz A/B tesztet a sampler és a CFG beállításokkal.

Mentsd el és oszd meg a munkafolyamat JSON-odat a modellekkel, a seedekkel és a paraméterekkel kapcsolatos jegyzetekkel.

Boldog generálást – és üdvözöllek a ComfyUI nyugodt, ellenőrizhető világában.

GYIK

Q1: Hogyan telepíthetem és futtathatom a ComfyUI-t Windows, macOS vagy Linux rendszeren? Kövesd a hivatalos repót és a közösségi wikit a platformspecifikus lépésekért, a modellmappák helyéért és a függőségekért. A telepítés után indítsd el a helyi szervert, és nyisd meg a ComfyUI-t a böngésződben a csomópontok összekötésének megkezdéséhez.

Q2: Mi a legegyszerűbb ComfyUI munkafolyamat a szöveg-kép létrehozásához? Tölts be egy ellenőrzőpontot, kódolj pozitív és negatív promptokat a CLIP segítségével, futtass egy KSampler-t, dekódolj a VAE-vel, majd mentsd el a képet. Ez a lánc az alapja annak, hogyan használhatod hatékonyan a ComfyUI-t a legtöbb generáláshoz.

Q3: Hogyan használhatom az SDXL-t a ComfyUI-ban? Használj egy SDXL ellenőrzőpontot kettős szövegkódolóval, majd opcionálisan adj hozzá egy finomító lépést a jobb részletekért. Futtasd 1024×1024-en kiegyensúlyozott CFG-vel (kb. 5–7 körül) és egy hatékony samplerrel, mint például a DPM++ 2M Karras.

Q4: Hozzáadhatok ControlNet-et és LoRA-t ugyanahhoz a ComfyUI munkafolyamathoz? Igen. Töltsd be a LoRA és ControlNet csomópontjaidat, csatlakoztasd őket a modellhez és a KSampler kondicionálásokhoz, és hangold a súlyokat (pl. 0,6–0,8 a LoRA-hoz, ~0,5–1,2 a ControlNethez). Figyeld a VRAM használatot, és csökkentsd a felbontást vagy a lépéseket, ha eléred az OOM-ot.

Q5: Miért alacsony kontrasztúak vagy kifakultak a ComfyUI képeim? Próbálj ki egy másik VAE-t, csökkentsd a CFG-t, vagy válts samplert. Néhány VAE hűebb színt és kontrasztot produkál; kis beállításokkal gyorsan javíthatók a kifakult eredmények.