基于 ComfyUI 的 Stable Diffusion 本地部署与使用教程

优质文章学习记录

— 11 min read
基于 ComfyUI 的 Stable Diffusion 本地部署与使用教程
前言

        随着生成式人工智能技术的迅猛发展，基于 ComfyUI 的节点化工作流正成为图像创作的新趋势。ComfyUI 不仅采用了直观可视化的「搭砖块」方式来构建生成流程，而且能够灵活加载诸如 Stable Diffusion v1.5 这样强大的扩散模型，从而在本地 GPU 环境中高效、安全地生成高质量图像。本文旨在面向 Windows + CUDA 12.0 + cuDNN 8.9 环境，结合 Python 3.11.3，提供一份详细、清晰的 ComfyUI 配置与使用指南。无论你是初次尝试 AI 绘画还是希望搭建一个可扩展的本地创作平台，都可按本教程逐步操作，真正实现「在本地运行、可控生成、多模型切换」的创作体验。

一、环境准备

1. 安装 Python 、Git 、CUDA 与 cuDNN。

安装CUDA 与 cuDN
        本人已安装 CUDA 12.0 与 cuDNN 8.9（CUDA12.0以及对应版本cuDNN详细安装教程）

安装 Git （用于从 GitHub 中克隆源码）
        对于小白：Git安装教程直接搜索一下吧，顺带看一下Git的使用教程。

安装 Python
        在安装 Python 3.11.3（以及上版本）时，如果你懒得手动配置环境变量，一定要在安装程序最开始的一个界面上勾选 “Add python.exe to PATH” 这个选项。

        检验python安装结果。

2. 安装支持 CUDA 的 PyTorch

        若有旧版本PyTorch先卸载可能已安装的版本：

pip uninstall torch torchvision torchaudio

        然后安装支持 CUDA 11.8 的 PyTorch 版本（示例命令，你可根据 CUDA 12.0 查找更合适的版本，但很多教程推荐 cu118）：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

        这一步确保 PyTorch 能调用你的 GPU。

注意：本人虽然用的是 CUDA 12.0，但是官方 whl 可能没有 “cu120” 分类，所以此时选择了用 cu118 这个常见且可用的方案。

二、克隆 ComfyUI 源码 + 安装依赖

1.  克隆 ComfyUI 源码

        通过Github网址你可以看到 ComfyUI 源码 内容。我们需要将源码通过Git进行拉取

        于目标文件夹内右键打开 Open Git Bash here

        输入指令，等待拉取。

git clone https://github.com/comfyanonymous/ComfyUI

        ✅拉取完成

2. 安装依赖

        进入源码 ComfyUI 根目录后，执行：

pip install -r requirements.txt

        等待时间可能较长。

二、配置 Stable Diffusion 模型 v1.5 + ❗❗ 启动 ComfyUI

1. 下载模型

下载 StableDiffusion v1.5 模型：

        直接复制链接通过浏览器打开进行下载，此处使用的是huggingface镜像下载链接，提高下载速度。请确保你已成功下载 v1-5-pruned.safetensors 文件。



注：本人尝试了用Git Bash去拉取结果后来失败了，所以直接用了最朴素的办法直接下载文件然后手动给粘贴复制到模型目录中。

2. 放置模型至 ComfyUI 目录

        在 ComfyUI 源码目录下新建目录（如尚未有）：

ComfyUI\ models\ checkpoints\

        将你下载的 v1-5-pruned.safetensors 放入 models\checkpoints\ 文件夹。

注：“将下载的模型文件放在 …\models\checkpoints 文件夹” 
建议你对于版本管理，可以再在 checkpoints 下建子文件夹，例如：

这样便于管理多个模型版本。

3. ❗❗ 启动 ComfyUI 并验证模型可用

        在 ComfyUI 源码根目录执行（命令行）：

python main.py

        ✅如果一切正常，命令行会显示类似：

To see the GUI go to: http://127.0.0.1:8188

        ✅在浏览器中打开对应网址 http://127.0.0.1:8188/ 后，恭喜你已经完成安装并且成功打开。打开的页面情况如下。

（端口可能默认为 8188）
打开浏览器访问 http://localhost:8188，如果看到 ComfyUI 界面即启动成功。
此时，在界面中选中 “Load Checkpoint” 节点，应当可见你放入的 v1-5-pruned.safetensors 模型选项。若不可见，请检查文件是否放在正确目录。 

❗❗如果你只是为了安装配置ComfyUI与Stable Diffsion模型，到这一步就可以了。

❗❗如果你只是为了安装配置ComfyUI与Stable Diffsion模型，到这一步就可以了。

❗❗如果你只是为了安装配置ComfyUI与Stable Diffsion模型，到这一步就可以了。


可以看一下 下文的 “三、（可选）安装 ComfyUI Manager（管理自定义节点）” 如果扩展节点、插件、自定义工作流，安装 ComfyUI Manager 很有用。

对于 “四、（使用）首次运行文本→图像（Text-to-Image）流程” 涉及使用，本人还没有完全弄明白操作流程，建议去别处再看看。

三、（可选）安装 ComfyUI Manager（管理自定义节点）

        虽然你只是想简单用 Stable Diffusion 生成图像，但如果未来想扩展节点、插件、自定义工作流，安装 ComfyUI Manager 很有用。通过Github网址你可以看到 ComfyUI-Manager 源码 内容。我们需要将源码通过Git拉取到custom_nodes文件夹中。

  1. 重启 ComfyUI 界面（关闭命令行窗口后重新执行 python main.py）

界面顶部应出现 “Manager” 按钮，用于安装／更新节点、模型。 

✅拉取完成

输入指令，等待拉取。

git clone https://github.com/ltdrdata/ComfyUI-Manager.git

于custom_nodes文件夹内右键打开 Open Git Bash here。（或者通过github直接下载压缩包解压后放入）

遇到问题解决方式：

如果未显示 Manager，可能是 Git 拉取下来的文件不完整，建议可以直接下载安装包然后解压收到复制到目标文件目录中。

如果在 python main.py 过程中一直在卡在 manager 编译上或者报错。有可能是 toml 缺少依赖。在 custom_nodes 文件夹中运行cmd添加依赖。

四、（使用）首次运行文本→图像（Text-to-Image）流程

以下流程基于你已将 v1.5 模型加载成功。

1. 在 ComfyUI 界面中，加载默认工作流

  • 如果界面打开后看不到任何节点图，可以点击右侧 “Load Default” 按钮，加载默认 text2img 工作流。 

2. 确保 “Load Checkpoint” 节点已指向你的 SD1.5 模型

  • 点击该节点，模型名称下拉框应显示你之前放入的 v1-5-pruned 模型，选择它。

3. 配置生成参数

  • 在节点 “KSampler” 或类似节点中，设置步数（Steps）、分辨率（如 512×512）、随机种子（Seed）、正向提示（Positive Prompt）和负向提示（Negative Prompt）等。
    根据教程，步数越高、采样越充分，但运行时间越长。 
  • 确保分辨率适合你的 GPU VRAM（例如 512×512 或 768×768 若 VRAM 足够）。

4. 点击 “Queue Prompt” 或 “Run” 开始生成

  • 系统将运行采样，输出图像。
  • 输出完成后，可在 ComfyUI 界面中查看、保存图像。

5. 进阶：尝试 Img2Img、Upscale、ControlNet 等

  • 若想更复杂，可尝试基于图片输入 (Img2Img)、使用放大器 (Upscale)、加入 ControlNet 等节点。教程中亦有介绍。 

6. 常见问题排查

  • 若模型不出现在下拉框：确认模型文件是否在正确路径、是否为支持格式 (.ckpt 或 .safetensors)。
  • 若启动失败或报错：确认 PyTorch 是否正确安装、CUDA 驱动是否匹配、Python 环境是否为你预期版本。
  • 若 GPU 占用过高或出错：可尝试 “–force-fp16” 启动选项以降低精度。 

五、推荐的补充配置与优化

  • 建议为不同模型版本创建子目录（比如 SD1.5、SDXL 等）以便今后管理。 
  • 可通过 ComfyUI Manager 安装额外的自定义节点（如 LoRA、ControlNet、Live Portrait 等），扩展功能。
  • 若想让 Python 环境更可控，建议使用 virtualenv 或 conda 方式，而不是系统全局安装。
  • 对于 VRAM 较少的显卡，可考虑减少生成分辨率或步数，或启用 fp16 模式。

定期从 GitHub 更新 ComfyUI 源码：

git pull pip install -r requirements.txt

或通过 ComfyUI Manager 进行“Update All”。 

如果你希望 ComfyUI 界面从局域网其他设备访问，可在启动时加参数：

python main.py --listen 0.0.0.0

这样可使用机器的 IP 在同一网段浏览。 

六、完整操作流程（按顺序）

  1. 安装 Python 3.11.3、Git、CUDA 12.0 与 cuDNN 8.9。
  2. 安装 GPU 支持版 PyTorch。
  3. 克隆 ComfyUI 仓库。
  4. 安装依赖：pip install -r requirements.txt。
  5. 下载 Stable Diffusion v1.5 模型文件（如 v1-5-pruned.safetensors）。
  6. 将模型文件放入 ComfyUI\models\checkpoints\ 目录。
  7. 启动 ComfyUI：python main.py。
  8. 在浏览器访问 http://localhost:8188 界面打开。
  9. 加载默认工作流，选择模型，设置参数。
  10. 点击运行，生成图像。
  11. （可选）安装 ComfyUI Manager，扩展节点功能。
  12. 根据需要，通过 Manager 或手动更新、安装自定义节点。
  13. 若扩展到 Img2Img、Upscale、ControlNet，可加载相应流程并调整节点。
  14. 若想跨设备访问，启动时加 --listen 0.0.0.0。
  15. 若模型或节点有更新，定期 git pull 并重启。

七、注意事项

  • 模型版权／许可：你下载的模型需确认其使用许可。
  • GPU VRAM 限制：高分辨率、高步数会占用大量 GPU 内存，建议先从 512×512、50 步数起。
  • 操作系统权限：Windows 防火墙可能阻止 ComfyUI 端口访问，首次运行时注意允许。
  • 安全备份：如果你未来安装大量自定义节点／模型，建议经常备份 models 文件夹与 custom_nodes 目录。
  • 故障排查时可参考ZEEKLOG。

八、总结

        通过上述流程，你即可在 Windows + CUDA 12.0 + cuDNN 8.9 环境下，使用 Python 3.11.3 来运行 ComfyUI 并加载 Stable Diffusion v1.5 模型。这样你就拥有一个本地、可控、支持 GPU 的生成式 AI 图像创作平台。以后如想扩展为 Img2Img、多模型切换、ControlNet、LoRA 等，也可在此基础上继续扩展。

转载吱一声~

Read more

Flutter 三方库 deepyr 的鸿蒙化适配指南 - 在鸿蒙系统上构建极致、高颜值的类型安全 daisyUI 响应式 Web 应用架构

欢迎加入开源鸿蒙跨平台社区：https://openharmonycrossplatform.ZEEKLOG.net Flutter 三方库 deepyr 的鸿蒙化适配指南 - 在鸿蒙系统上构建极致、高颜值的类型安全 daisyUI 响应式 Web 应用架构 在鸿蒙（OpenHarmony）系统的分布式 Web 容器、轻量级 JS 服务或高性能 Web 控制台中，如何快速搭建一套既符合现代审美又具备强类型约束的 UI？deepyr 做为对 daisyUI 组件库的类型安全（Typesafe）封装，为鸿蒙上的 Jaspr Web 应用提供了极致流畅的开发体验。本文将带您领略其在鸿蒙生态中的美学实战。 前言 什么是 Deepyr？它是一套基于 Jaspr（下一代 Dart Web 框架）的 UI

从零开始玩转PaddleOCR-VL-WEB：Jupyter一键启动教程

从零开始玩转PaddleOCR-VL-WEB：Jupyter一键启动教程 1. 简介与学习目标 PaddleOCR-VL-WEB 是基于百度开源的 PaddleOCR-VL 技术构建的一款高效、多语言支持的文档解析系统。该模型融合了动态分辨率视觉编码器与轻量级语言模型，能够在低资源消耗下实现对文本、表格、公式和图表等复杂元素的高精度识别，广泛适用于全球化场景下的智能文档处理任务。 本文将带你从零开始部署并使用 PaddleOCR-VL-WEB 镜像，通过 Jupyter Notebook 实现一键启动网页推理服务。无论你是 AI 初学者还是有一定工程经验的开发者，都能快速上手，完成本地化 OCR 大模型的部署与调用。 学习目标 * 掌握 PaddleOCR-VL-WEB 镜像的基本结构与核心能力 * 完成镜像部署与环境配置 * 在 Jupyter 中执行一键启动脚本 * 使用 Web 界面进行图像 OCR 推理 * 理解常见问题及解决方案 前置知识 * 基础 Linux 操作命令（cd、ls、chmod 等）

iterm2-snazzy主题自定义教程：如何根据个人喜好调整终端色彩

iterm2-snazzy主题自定义教程：如何根据个人喜好调整终端色彩 【免费下载链接】iterm2-snazzyElegant iTerm2 theme with bright colors 项目地址: https://gitcode.com/gh_mirrors/it/iterm2-snazzy iterm2-snazzy是一款拥有明亮色彩的优雅iTerm2主题，能让你的终端界面更加美观舒适。本教程将带你了解如何安装该主题并根据个人喜好调整终端色彩，打造专属于你的个性化终端体验。 一、快速安装iterm2-snazzy主题 1.1 克隆项目仓库 首先，打开终端，执行以下命令克隆项目仓库： git clone https://gitcode.com/gh_mirrors/it/iterm2-snazzy 1.2 导入主题文件 进入克隆好的项目目录，找到Snazzy.itermcolors文件。打开iTerm2，依次点击iTerm2->Preferences->Profiles-&

Flutter 三方库 bones_ui 的鸿蒙化适配指南 - 打造直观、响应式的 Web 风格 UI 交互体验

欢迎加入开源鸿蒙跨平台社区：https://openharmonycrossplatform.ZEEKLOG.net Flutter 三方库 bones_ui 的鸿蒙化适配指南 - 打造直观、响应式的 Web 风格 UI 交互体验 Flutter for OpenHarmony 开发者在构建具有 Web 质感的跨平台应用时，UI 框架的选择至关重要。本文将带大家深度调研 Dart 三方库 bones_ui 在鸿蒙系统上的适配方案，探索如何利用其直观的组件架构，加速鸿蒙桌面级应用的开发效率。 前言 在移动端和桌面端融合的今天，开发者往往希望一套代码能同时适配多种屏幕形态。bones_ui 原生为 Dart Web 打造，但在 Flutter for OpenHarmony 的大前端生态中，其简洁的 UI 组件设计思想对我们构建鸿蒙跨平台应用具有极大的参考价值。