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.

Как использовать ComfyUI: практическое пошаговое руководство для начинающих

Если вы слышали, что ComfyUI — это «узловой и очень мощный» интерфейс, но вас смущают все эти блоки и провода, вы не одни. Хорошая новость: освоив несколько ключевых понятий — контрольные точки, энкодеры, сэмплеры и декодеры — вы сможете создавать рабочие процессы для генерации изображений как профи. Это практическое руководство проведёт вас от установки до первых изображений SDXL, а также покажет, как создавать workflow с ControlNet, LoRA и настраивать качество и производительность.

К концу вы будете точно знать, как использовать ComfyUI для стабильной, повторяемой и гибкой генерации изображений без догадок.

Что такое ComfyUI и зачем его использовать?

ComfyUI — визуальный узловой интерфейс для Stable Diffusion, который позволяет проектировать конвейер обработки изображений шаг за шагом. Вместо одной кнопки «Сгенерировать» вы соединяете узлы — каждый отвечает за отдельную задачу, будь то загрузка модели, кодирование текста, сэмплирование латентов или декодирование итогового изображения. Это быстро, модульно и прозрачно — идеально для обучения, экспериментов и производственных процессов.

Быстрый старт: установка и запуск ComfyUI

Windows/macOS/Linux: следуйте официальному репозиторию и инструкциям сообщества по установке. Можно использовать ручную установку (Python + зависимости) или готовые пакеты в зависимости от вашей платформы и видеокарты. Вики ComfyUI предлагает пошаговое руководство для Windows, macOS (включая Apple Silicon) и Linux.

Модели: поместите контрольные точки Stable Diffusion (например, SDXL base/refiner или SD 1.5) в папку models/checkpoints. Файлы VAE — в models/vae, LoRA — в models/loras, модели ControlNet — в models/controlnet.

Запуск: выполните стартовый скрипт для вашей ОС — ComfyUI откроется в браузере. Рабочее поле — это место, где вы будете соединять узлы.

Совет: держите драйверы GPU и CUDA toolkit в актуальном состоянии для лучшей производительности.

Ключевая концепция: минимальный рабочий процесс текст→изображение

Базовый текстово-графический поток ComfyUI (стиль SD 1.5) выглядит так:

Загрузите модель

Узел: Checkpoint Loader

Выход: компоненты UNet, CLIP и VAE

Закодируйте подсказки

Узел: CLIP Text Encode (положительный)

Узел: CLIP Text Encode (отрицательный)

Выход: условные векторы для сопровождения

Сгенерируйте латенты

Узел: KSampler

Входы: UNet, положительное/отрицательное условие, seed, количество шагов, сэмплер (например, DPM++ 2M Karras), и CFG scale

Выход: латентное изображение

Декодируйте изображение

Узел: VAE Decode

Выход: изображение

Сохраните результат

Узел: Save Image

Этот базовый граф — Checkpoint → CLIP (pos/neg) → KSampler → VAE Decode → Save — служит основой почти для всех задач в ComfyUI.

Рабочий процесс SDXL: база + (опциональный) Refiner

SDXL использует двойные текстовые энкодеры и часто выигрывает от дополнительного прохода refine.

Загрузите SDXL Base: используйте контрольную точку, совместимую с SDXL. Многие шаблоны SDXL включают два CLIP энкодера (для большого и маленького контекста). Используйте оба — положительные и отрицательные подсказки.

KSampler (Base): сгенерируйте латенты с разрешением 1024×1024 (или желаемым). Сохраняйте латенты или декодированные изображения.

Опциональный Refiner: загрузите checkpoint Refiner SDXL и выполните дополнительный проход KSampler, условленный на базовом выходе, затем декодируйте через VAE.

Этот двухэтапный процесс заметно улучшает детализацию и согласованность на высоких разрешениях.

Практика: создаём свой первый граф ComfyUI

Начните с шаблона: в боковой панели загрузите встроенный пример текст→изображение.

Замените checkpoint: выберите ваш SDXL или SD 1.5 модель.

Напишите подсказку: используйте узлы положительного и отрицательного CLIP. Пример:

Положительная: «кинематографичный портрет, мягкое студийное освещение, объектив 85 мм, высокая детализация, зерно плёнки»

Отрицательная: «размытость, низкое разрешение, деформация, лишние пальцы, водяной знак»

Настройки KSampler:

Шаги: 20–35 для баланса скорости и качества

Сэмплер: DPM++ 2M Karras (надёжный) или Euler a (быстрый)

CFG: 4.5–7.5 (больше — сильнее реагирует на подсказку, но может засасывать цвета)

Seed: фиксируйте для воспроизводимости либо меняйте для экспериментов

Разрешение: для SD 1.5 — стартуйте с 512×512 или 768×768, для SDXL хорошо подходит 1024×1024.

Декодируйте и сохраните: добавьте VAE Decode → Save Image. Кликните Queue Prompt для генерации.

Понимание ключевых узлов (простыми словами)

Checkpoint Loader: загружает diffusion-модель (UNet), текстовые энкодеры (CLIP) и VAE. Это ваш «двигатель + языковой мозг + переводчик изображений.»

CLIP Text Encode: преобразует ваш текст в числовые эмбеддинги, понятные модели. Используйте положительные и отрицательные энкодеры.

KSampler: основа генерации изображений. Он очищает шум в латентном пространстве, руководствуясь подсказкой и выбранным сэмплером, с заданным числом шагов.

VAE Decode: переводит итоговые латенты в изображение. Замена VAE влияет на цвет и контраст.

Save Image: сохраняет результат на диск с метаданными для последующего воспроизведения.

Для более глубокого понимания смотрите простые объяснения и описания узлов.

Улучшения: LoRA, ControlNet и Image-to-Image

Используйте LoRA для управления стилем или объектами

Добавьте узел LoRA Loader и подключите его к ветке модели.

Сила: начинайте со значений 0.6–0.8, регулируйте в зависимости от силы стиля или переобучения.

Несколько LoRA: можно связать или объединить, но следите за конфликтами и уменьшайте силу при стэкинге.

Добавьте ControlNet для точной композиции

Узлы ControlNet позволяют управлять композицией с помощью входных карт (Canny, Depth, OpenPose и др.).

Обычный поток: загрузка модели ControlNet → предварительная обработка управляющего изображения (например, Canny) → ввод условностей ControlNet в KSampler вместе с текстовыми условностями.

Вес: хорошее начальное значение 0.5–1.2. Слишком высокое значение может подавить подсказку.

Image-to-Image и инпэйнтинг

Замените исходный шум латентным состоянием изображения через VAE Encode.

Регулируйте силу денойза в KSampler, чтобы контролировать сохранение исходного изображения.

Для инпэйнтинга используйте маску и специализированный pipeline для инпэйнтинга.

Настройка качества: подсказки, CFG, сэмплеры и сиды

Продумывайте подсказки: используйте лаконичные описания, а не абзацы. Порядок менее важен, чем ясность, но основные характеристики ставьте в начало.

CFG scale:

Низкий (3–5): больше креативности, меньше точности подсказки

Средний (6–8): сбалансированный

Высокий (9–12): сильное следование подсказке, может создавать артефакты

Выбор сэмплера:

DPM++ 2M Karras: чистый и надёжный

Euler a: быстрый и выразительный, отлично подходит для превью

UniPC / Heun / DDIM: стоит попробовать; результаты зависят от модели

Сиды:

Фиксированный сид = воспроизводимые результаты

Варьируемый сид = изучение разнообразия

Советы по производительности для плавной генерации

Управление VRAM: снижайте разрешение, шаги или размер батча при ошибках OOM. SDXL с 1024×1024 требует 8–12 ГБ VRAM в зависимости от узлов.

Половинная точность: включайте fp16 там, где поддерживается, чтобы значительно экономить память при незначительной потере качества.

Паттернинг и латентные апскейлеры: сначала генерируйте уменьшенное изображение и затем масштабируйте через узлы латентного или имиджевого апскейлинга для экономии VRAM.

Кэширование: переиспользуйте CLIP-кодировки и декодированные VAE при неизменных подсказках.

Избегайте ненужных ветвей: лишние неактивные узлы всё равно потребляют память при выполнении в одной очереди.

Организация рабочих процессов как у профи

Группируйте узлы: используйте рамки и метки для разделения секций (Промпт, Модель, Сэмплер, Вывод и т. п.).

Панели параметров: создайте «контрольные» узлы (пустые поля для промптов, слайдеры) сверху для удобной настройки.

Сохраняйте и делитесь: экспортируйте JSON вашего workflow, записывайте использованные модели для воспроизводимости.

Версионирование: храните отдельные графы для SD 1.5, SDXL и специализированных конвейеров (аниме, фотореализм, depth-to-image и др.).

Устранение распространённых проблем

Чёрные или пустые изображения:

Неправильный VAE или отсутствует VAE Decode

Слишком низкий уровень денойза (например, <0.2 в img2img)

Выбеленные цвета:

Попробуйте другой VAE; некоторые VAE заметно улучшают контраст

Понизьте CFG или смените сэмплер

Результаты не меняются между запусками:

Фиксирован сид; включите рандомизацию или установите новый сид

Недостаточно памяти (OOM):

Уменьшите разрешение, количество шагов или размер батча; переключитесь на fp16

Закройте другие приложения, использующие GPU; упростите стэки ControlNet/LoRA

Модель не найдена / красный узел:

Проверьте пути к файлам и папки моделей; подтвердите расширения файлов

Обучение с готовыми рабочими процессами

Видео-руководства и серии для начинающих ускорят освоение с готовыми запусками графов, которые можно приостанавливать и анализировать. Письменные уроки и вики объясняют узлы и обновления установки, чтобы вы всегда были в курсе.

Продвинуто: модульность и расширение графов

API/внешние узлы: некоторые туториалы показывают, как подключить ComfyUI к внешним AI-сервисам через специальные узлы, что позволяет создавать гибридные конвейеры и разгружать тяжёлые задачи.

Библиотеки узлов и расширения: изучайте узлы сообщества для шедулеров, апскейлеров и предобработки (поза, глубина, сегментация). Всегда проверяйте совместимость с вашей версией ComfyUI.

Рефайнеры SDXL и цепные сэмплеры: выполняйте этапное деноизинг (база → рефайнер) или даже несколько сэмплеров для стилистического смешивания.

Важно: ускорение работы с подсказками с помощью Sider.AI

Если вы часто перебираете подсказки, референсы или описания, вам может пригодиться ассистент для мозгового штурма и уточнения вариантов. Кстати, Sider.AI поможет быстро составлять структурированные подсказки, генерировать списки отрицательных подсказок и резюмировать эксперименты, чтобы вы не теряли нить между запусками. Попробовать можно здесь:

Простой стартовый workflow для SDXL (копируйте этот шаблон)

Checkpoint Loader (SDXL Base)

CLIP Text Encode (положительный) — «ультра детализированная фотопродукт, освещение softbox, объектив 50 мм, отражающая поверхность»

CLIP Text Encode (отрицательный) — «низкое разрешение, размытие движения, водяной знак, шумной фон»

KSampler: 1024×1024, 28 шагов, DPM++ 2M Karras, CFG 5.5, фиксированный сид

VAE Decode → Save Image

Опциональные дополнения:

Пас рефайнера с чекпоинтом SDXL Refiner, 10–15 шагов

ControlNet (глубина) с простым силуэтом объекта для компоновки

LoRA с силой 0.6 для конкретного бренда или стиля

Основные выводы

Сила ComfyUI в прозрачности — вы строите конвейер узел за узлом.

Основная цепочка текст→изображение проста: Checkpoint → CLIP (pos/neg) → KSampler → VAE Decode → Save.

SDXL выигрывает от двойных энкодеров и дополнительного прохода refine для деталей.

LoRA и ControlNet дают контроль над стилем и точностью композиции.

Настраивайте CFG, сэмплер и сиды для качества и стабильности; управляйте VRAM с помощью fp16 и разумного разрешения.

Организуйте и версионируйте workflow для удобного итеративного развития.

Следующие шаги

Установите ComfyUI согласно инструкциям в репозитории/вики и запустите пример workflow.

Воссоздайте минимальную цепочку с нуля, чтобы закрепить основы.

Добавьте ControlNet и LoRA, затем проведите A/B тесты с сэмплерами и CFG.

Сохраняйте и делитесь JSON вашего workflow с примечаниями по моделям, сиды и параметрам.

Приятной генерации — добро пожаловать в спокойный и управляемый мир ComfyUI.

Часто задаваемые вопросы

Q1: Как установить и запустить ComfyUI на Windows, macOS или Linux? Следуйте официальному репозиторию и вики сообщества для шагов, специфичных для платформы, расположения папок моделей и зависимостей. После установки запустите локальный сервер и откройте ComfyUI в браузере, чтобы начать соединять узлы.

Q2: Как выглядит самый простой workflow ComfyUI для текст-в-изображение? Загрузите checkpoint, закодируйте положительные и отрицательные подсказки CLIP, запустите KSampler, декодируйте через VAE и сохраните изображение. Эта цепочка — основа эффективного использования ComfyUI для большинства генераций.

Q3: Как использовать SDXL в ComfyUI? Используйте SDXL checkpoint с двойным текстовым энкодером, при необходимости добавьте проход refine для лучшей детализации. Запускайте с разрешением 1024×1024 с балансом CFG около 5–7 и эффективным сэмплером, например DPM++ 2M Karras.

Q4: Можно ли добавить ControlNet и LoRA в один workflow в ComfyUI? Да. Загрузите узлы LoRA и ControlNet, подключите их к модели и условностям KSampler, настройте веса (например, 0.6–0.8 для LoRA, около 0.5–1.2 для ControlNet). Следите за использованием VRAM и уменьшайте разрешение или количество шагов при ошибках OOM.

Q5: Почему мои изображения в ComfyUI низкоконтрастные или выцвевшие? Попробуйте другой VAE, понизьте CFG или смените сэмплер. Некоторые VAE обеспечивают более точный цвет и контраст; небольшие настройки быстро исправят выцветшие результаты.