ComfyUI Nasıl Kullanılır: Yeni Başlayanlar İçin Pratik, Adım Adım Kılavuz

Güncellendi: 24 Eyl 2025

9 dk

ComfyUI Nasıl Kullanılır: Başlangıç Seviyesi İçin Pratik, Adım Adım Rehber

ComfyUI'nin "düğüm tabanlı ve süper güçlü" olduğunu duyduysanız ancak tüm kutular ve kablolar gözünüzü korkuttuysa, yalnız değilsiniz. İyi haber: birkaç temel kavramı (kontrol noktaları, kodlayıcılar, örnekleyiciler ve kod çözücüler) öğrendikten sonra, bir profesyonel gibi görüntü iş akışları oluşturabileceksiniz. Bu pratik rehber, kurulumdan ilk SDXL görsellerinize kadar ComfyUI'yi nasıl kullanacağınızı, ayrıca ControlNet, LoRA'lar ve kalite/performans ayarlaması için iş akışlarını adım adım anlatmaktadır.
Bu rehberin sonunda, tahminde bulunmaya gerek kalmadan tutarlı, tekrarlanabilir ve esnek görüntü oluşturmaları yapmak için ComfyUI'yi nasıl kullanacağınızı tam olarak bileceksiniz.

ComfyUI Nedir ve Neden Kullanmalısınız?

ComfyUI, görüntü hattınızı adım adım tasarlamanıza olanak tanıyan, Stable Diffusion için görsel, düğüm tabanlı bir arayüzdür. Tek bir "Oluştur" düğmesi yerine, düğümleri birbirine bağlarsınız; her düğüm, bir modeli yüklemek, metni kodlamak, latentleri örneklemek veya son görüntüyü çözmek gibi farklı bir görevi ele alır. Hızlı, modüler ve şeffaftır; öğrenme, deney yapma ve üretim iş akışları için mükemmeldir.

Hızlı Başlangıç: ComfyUI'yi Kurun ve Başlatın

  • Windows/macOS/Linux: Resmi depoyu ve topluluk kurulum kılavuzlarını takip edin. Platformunuza ve GPU'nuza bağlı olarak manuel kurulumu (Python + bağımlılıklar) veya paketlenmiş yöntemleri kullanabilirsiniz. ComfyUI wiki, Windows, macOS (Apple Silicon dahil) ve Linux için adım adım kurulum sağlar.
  • Modeller: Stable Diffusion kontrol noktalarınızı (örneğin, SDXL temel/iyileştirici veya SD 1.5) models/checkpoints klasörüne yerleştirin. VAE dosyalarını models/vae içine, LoRA'ları models/loras içine, ControlNet modellerini models/controlnet içine koyun.
  • Başlat: İşletim sisteminiz için başlatma komut dosyasını çalıştırın; ComfyUI tarayıcınızda açılır. Tuval, düğümleri birbirine bağlayacağınız yerdir.
İpucu: En iyi performans için GPU sürücülerinizi ve CUDA araç kitinizi güncel tutun.

Temel Kavram: Minimum Metinden Görüntüye İş Akışı

ComfyUI'nin temel metinden görüntüye akışı (SD 1.5 stili) şuna benzer:
  1. Modeli yükle
  • Düğüm: Checkpoint Loader
  • Çıktı: UNet, CLIP ve VAE bileşenleri
  1. İstemleri kodla
  • Düğüm: CLIP Text Encode (Positive)
  • Düğüm: CLIP Text Encode (Negative)
  • Çıktı: Kılavuzluk için koşullandırma gömme
  1. Latentleri oluştur
  • Düğüm: KSampler
  • Girdiler: UNet, pozitif/negatif koşullandırma, seed, adımlar, örnekleyici (örneğin, DPM++ 2M Karras) ve CFG ölçeği
  • Çıktı: Latent görüntü
  1. Görüntüyü çöz
  • Düğüm: VAE Decode
  • Çıktı: Görüntü
  1. Çıktıyı kaydet
  • Düğüm: Save Image
Bu temel grafik (Checkpoint → CLIP (pos/neg) → KSampler → VAE Decode → Save), ComfyUI'de yapacağınız neredeyse her şeyin temelidir.

SDXL İş Akışı: Temel + (İsteğe Bağlı) İyileştirici

SDXL, çift metin kodlayıcı kullanır ve genellikle bir iyileştirici geçişinden yararlanır.
  • SDXL Temelini Yükle: SDXL uyumlu bir kontrol noktası kullanın. Birçok SDXL şablonu, iki CLIP kodlayıcı (büyük/küçük bağlam için) içerir. Hem pozitif hem de negatif istemleri besleyin.
  • KSampler (Temel): Latentleri 1024×1024'te (veya hedefinizde) oluşturun. Latentleri veya çözülmüş görüntüleri kaydedin.
  • İsteğe Bağlı İyileştirici: SDXL İyileştirici kontrol noktasını yükleyin ve temel çıktıya göre koşullandırılmış ek bir KSampler geçişi çalıştırın, ardından VAE ile çözün.
Bu iki aşamalı işlem, daha yüksek çözünürlüklerde ayrıntı ve tutarlılığı önemli ölçüde artırabilir.

Uygulamalı: İlk ComfyUI Grafiğinizi Oluşturun

  • Bir şablonla başlayın: Kenar çubuğunda, yerleşik bir metinden görüntüye örneği yükleyin.
  • Kontrol noktasını değiştirin: SDXL veya SD 1.5 modelinizi seçin.
  • İsteminizi yazın: Pozitif ve Negatif CLIP düğümlerini kullanın. Örnek:
  • Pozitif: “sinematik portre, yumuşak stüdyo aydınlatması, 85 mm lens, son derece detaylı, film greni”
  • Negatif: “bulanık, düşük çözünürlüklü, deforme olmuş, ekstra parmaklar, filigran”
  • KSampler ayarları:
  • Adımlar: Hız/kalite dengesi için 20–35
  • Örnekleyici: DPM++ 2M Karras (güvenilir) veya Euler a (hızlı)
  • CFG: 4.5–7.5 (daha yüksek değerler istemi daha sert iter, ancak aşırı doygunluğa neden olabilir)
  • Seed: Tekrarlanabilirlik için sabitleyin; keşif için değiştirin
  • Çözünürlük: SD 1.5 için 512×512 veya 768×768'de başlayın. SDXL için 1024×1024 iyi çalışır.
  • Çözme ve Kaydetme: VAE Decode → Save Image ekleyin. Oluşturmak için Queue Prompt'a tıklayın.

Temel Düğümleri Anlamak (Sade Bir Dille)

  • Checkpoint Loader: Difüzyon modelinizi (UNet), metin kodlayıcılarınızı (CLIP) ve VAE'nizi yükler. Bunu "motor + dil beyni + görüntü çevirmeni" olarak düşünün.
  • CLIP Text Encode: İsteminizi modelin anladığı sayısal gömmelere dönüştürür. Hem pozitif hem de negatif metin kodlayıcıları kullanın.
  • KSampler: Görüntü sentezinin kalbi. İsteminiz ve örnekleyici yönteminiz tarafından yönlendirilen latent gürültüyü bir dizi adımda giderir.
  • VAE Decode: Son latentleri görüntülenebilir bir görüntüye çevirir. VAE'leri değiştirmek renk/kontrast doğruluğunu değiştirir.
  • Save Image: Sonuçları daha sonra yeniden oluşturabilmeniz için çıktıyı meta verilerle diske yazar.
Bu yapı taşları hakkında daha derinlemesine bilgi için, başlangıç dostu ayrımlara ve düğüm açıklayıcılarına bakın.

Güçlendiriciler: LoRA, ControlNet ve Görüntüden Görüntüye

Stil veya Konu Kontrolü için LoRA Kullanın

  • Bir LoRA Loader düğümü ekleyin ve model kolunuza bağlayın.
  • Güç: Yaklaşık 0,6–0,8 ile başlayın; stil yoğunluğuna veya aşırı uyuma göre ayarlayın.
  • Çoklu LoRA'lar: Zincirleyin veya birleştirin, ancak çakışmalara dikkat edin; istiflerken daha düşük güçler kullanın.

Hassas Kompozisyon için ControlNet Ekleyin

  • ControlNet düğümleri, bir giriş haritası (Canny, Derinlik, OpenPose, vb.) kullanarak kompozisyonu yönlendirmenizi sağlar.
  • Tipik akış: ControlNet modelini yükleyin → Kılavuz görüntünüzü önceden işleyin (örneğin, Canny kenarı) → Metin koşullandırmanızla birlikte ControlNet koşullandırmasını KSampler'a besleyin.
  • Ağırlık: 0,5–1,2 iyi bir başlangıçtır. Çok yüksek olması isteminizi bastırabilir.

Görüntüden Görüntüye veya İç Dolgu

  • İlk gürültüyü VAE Encode aracılığıyla bir görüntü latentiyle değiştirin.
  • Orijinal görüntünün ne kadarının kaldığını kontrol etmek için KSampler'daki gürültü giderme gücünü ayarlayın.
  • İç dolgu için, bir maske girişi ve iç dolguya duyarlı bir örnekleyici hattı kullanın.

Kalite Ayarı: İstemler, CFG, Örnekleyiciler ve Seed'ler

  • İstem mühendisliği: Paragraflar değil, özlü tanımlayıcılar kullanın. Sıra, netlikten daha az önemlidir, ancak kritik nitelikleri ön planda tutun.
  • CFG ölçeği:
  • Düşük (3–5): Daha yaratıcı, daha az isteme bağlılık
  • Orta (6–8): Dengeli
  • Yüksek (9–12): Güçlü bağlılık, yapaylıklar oluşturabilir
  • Örnekleyici seçimi:
  • DPM++ 2M Karras: Temiz, güvenilir
  • Euler a: Hızlı ve etkileyici, önizlemeler için harika
  • UniPC / Heun / DDIM: Test etmeye değer; sonuçlar modele göre değişir
  • Seed'ler:
  • Sabit seed = tekrarlanabilir sonuçlar
  • Değişken seed = çeşitliliği keşfetme

Sorunsuz Render'lar İçin Performans İpuçları

  • VRAM bütçelemesi: OOM'ye ulaşırsanız çözünürlüğü, adımları veya toplu iş boyutunu düşürün. 1024×1024'te SDXL, düğümlere bağlı olarak 8–12 GB VRAM gerektirebilir.
  • Yarım duyarlılık: Büyük bellek tasarrufu ve ihmal edilebilir kalite kaybı için desteklenen yerlerde fp16'yı etkinleştirin.
  • Döşeme ve latent yükselticiler: Daha küçük oluşturun, ardından VRAM'den tasarruf etmek için bir latent yükseltici düğümü veya görüntü yükseltici modeli aracılığıyla yükseltin.
  • Önbelleğe alma: İstemler değişmediğinde çalıştırmalar arasında CLIP kodlamalarını ve çözülmüş VAE'leri yeniden kullanın.
  • Gereksiz dallardan kaçının: Ek bağlantısız düğümler, aynı kuyrukta yürütüldüğünde hala bellek tüketir.

İş Akışlarını Bir Profesyonel Gibi Düzenleme

  • Düğümleri gruplandırın: Bölümleri düzenlemek için çerçeveler/etiketler kullanın (İstem, Model, Örnekleyici, Çıktı, vb.).
  • Parametre panelleri: Kolay ayarlama için üstte "kontrol" düğümleri (örneğin, boş istem kutuları, kaydırıcılar) oluşturun.
  • Kaydet/paylaş: İş akışı JSON'nunuzu dışa aktarın ve tekrarlanabilirlik için bir kullanılan modeller notu tutun.
  • Sürümleme: SD 1.5, SDXL ve özel hatlar (anime, fotoreal, derinlikten görüntüye vb.) için ayrı grafikler tutun.

Yaygın Sorunları Giderme

  • Siyah veya boş görüntüler:
  • Yanlış VAE veya eksik VAE Decode
  • Gürültü giderme çok düşük (örneğin, img2img'de <0,2)
  • Soluk renkler:
  • Başka bir VAE deneyin; bazı VAE'ler kontrastı belirgin şekilde iyileştirir
  • CFG'yi düşürün veya örnekleyiciyi değiştirin
  • Çalıştırmalar arasında hiçbir şey değişmiyor:
  • Seed sabitlenmiş; rastgeleleştirmeyi etkinleştirin veya yeni bir seed ayarlayın
  • Bellek yetersiz (OOM):
  • Çözünürlüğü, adımları veya toplu iş boyutunu azaltın; fp16'ya geçin
  • Diğer GPU uygulamalarını kapatın; ControlNet/LoRA yığınlarını basitleştirin
  • Model bulunamadı / kırmızı düğüm:
  • Dosya yollarını ve model klasörlerini doğrulayın; dosya uzantılarını onaylayın

Önceden Oluşturulmuş İş Akışlarıyla Daha Hızlı Öğrenin

Video anlatımları ve başlangıç serileri, duraklatabileceğiniz ve inceleyebileceğiniz kullanıma hazır grafiklerle öğrenme eğrinizi hızlandırabilir. Yazılı öğreticiler ve wikiler, güncel kalmanızı sağlamak için düğüm açıklamaları ve güncellenmiş kurulum adımları sağlar.

Gelişmiş: Grafiğinizi Modülerleştirme ve Genişletme

  • API/Harici düğümler: Bazı öğreticiler, ComfyUI'yi özel düğümler aracılığıyla harici AI hizmetlerine bağlamayı, hibrit hatları etkinleştirmeyi ve ağır görevleri boşaltmayı kapsar.
  • Düğüm kitaplıkları ve uzantıları: Zamanlayıcılar, yükselticiler ve ön işleme (poz, derinlik, segmentasyon) için topluluk düğümlerini keşfedin. Her zaman ComfyUI sürümünüzle uyumluluğu kontrol edin.
  • SDXL iyileştiricileri ve zincirleme örnekleyiciler: Kademeli gürültü giderme (temel → iyileştirici) ve hatta stilistik karıştırma için birden çok örnekleyici çalıştırın.

Belirtmeye Değer: Sider.AI ile İstemi Hızlandırmak

Sık sık istemler, referanslar veya açıklamalar üzerinde yineleme yapıyorsanız, varyasyonları beyin fırtınası yapmak ve iyileştirmek için bir yardımcı isteyebilirsiniz. Bu arada, Sider.AI, yapılandırılmış istemleri hızla taslak haline getirmenize, negatif istem listeleri oluşturmanıza ve çalıştırmalar arasında izinizi kaybetmemeniz için iş akışı deneylerinizi özetlemenize yardımcı olabilir. Buradan deneyebilirsiniz:

Basit Bir SDXL Başlangıç İş Akışı (Bu Deseni Kopyalayın)

  • Checkpoint Loader (SDXL Temel)
  • CLIP Text Encode (Positive) — “ultra detaylı ürün fotoğrafı, softbox aydınlatması, 50 mm lens, yansıtıcı yüzey”
  • CLIP Text Encode (Negative) — “düşük çözünürlüklü, hareket bulanıklığı, filigran, arka plan dağınıklığı”
  • KSampler: 1024×1024, 28 adım, DPM++ 2M Karras, CFG 5.5, sabit seed
  • VAE Decode → Save Image
İsteğe bağlı eklentiler:
  • 10–15 adımda SDXL İyileştirici kontrol noktasıyla iyileştirici geçişi
  • Yerleşim için basit bir nesne siluetiyle ControlNet (Derinlik)
  • Belirli bir marka veya sanat stili için 0,6'da LoRA

Temel Çıkarımlar

  • ComfyUI'nin gücü şeffaflığından gelir; hattınızı düğüm düğüm oluşturun.
  • Temel metinden görüntüye zinciri basittir: Checkpoint → CLIP (pos/neg) → KSampler → VAE Decode → Save.
  • SDXL, ayrıntı için çift kodlayıcıdan ve isteğe bağlı bir iyileştirici geçişinden yararlanır.
  • LoRA'lar ve ControlNet size stil kontrolü ve kompozisyon hassasiyeti sağlar.
  • Kalite ve tutarlılık için CFG, örnekleyici ve seed'i ayarlayın; fp16 ve mantıklı çözünürlüklerle VRAM'i yönetin.
  • İş akışlarını düzenleyin ve sorunsuz yineleme için sürümleyin.

Sonraki Adımlar

  1. Depo/wiki talimatlarını izleyerek ComfyUI'yi kurun ve bir örnek iş akışı başlatın.
  1. Temelleri sağlamlaştırmak için minimum zinciri sıfırdan yeniden oluşturun.
  1. ControlNet ve bir LoRA ekleyin, ardından örnekleyici ve CFG ayarlarını A/B testi yapın.
  1. Model, seed ve parametrelerle ilgili notlarla iş akışı JSON'nunuzu kaydedin ve paylaşın.
Mutlu oluşturmalar ve ComfyUI'nin sakin, kontrol edilebilir dünyasına hoş geldiniz.

SSS

S1:ComfyUI'yi Windows, macOS veya Linux'a nasıl kurarım ve çalıştırırım? Platforma özel adımlar, model klasörü konumları ve bağımlılıklar için resmi depoyu ve topluluk wiki'sini takip edin. Kurulumdan sonra, yerel sunucuyu başlatın ve düğümleri bağlamaya başlamak için tarayıcınızda ComfyUI'yi açın.
S2:Metinden görüntüye için en basit ComfyUI iş akışı nedir? Bir kontrol noktası yükleyin, CLIP ile pozitif ve negatif istemleri kodlayın, bir KSampler çalıştırın, VAE ile çözün, ardından görüntüyü kaydedin. Bu zincir, çoğu oluşturma için ComfyUI'yi etkili bir şekilde nasıl kullanacağınızın temelidir.
S3:ComfyUI'de SDXL'yi nasıl kullanırım? Çift metin kodlayıcılı bir SDXL kontrol noktası kullanın, ardından daha iyi ayrıntı için isteğe bağlı olarak bir iyileştirici geçişi ekleyin. Dengeli CFG (yaklaşık 5–7) ve DPM++ 2M Karras gibi verimli bir örnekleyici ile 1024×1024'te çalıştırın.
S4:Aynı ComfyUI iş akışına ControlNet ve LoRA ekleyebilir miyim? Evet. LoRA ve ControlNet düğümlerinizi yükleyin, bunları model ve KSampler koşullandırmalarına bağlayın ve ağırlıkları ayarlayın (örneğin, LoRA için 0,6–0,8, ControlNet için ~0,5–1,2). VRAM kullanımına dikkat edin ve OOM'ye ulaşırsanız çözünürlüğü veya adımları azaltın.
S5:ComfyUI görsellerim neden düşük kontrastlı veya soluk? Farklı bir VAE deneyin, CFG'yi düşürün veya örnekleyiciyi değiştirin. Bazı VAE'ler daha aslına uygun renk ve kontrast üretir; küçük ayarlamalar soluk sonuçları hızla düzeltebilir.
©2026 Tüm Hakları Saklıdır
Kullanım Şartları
Gizlilik Politikası