Shuyx Blog

简体中文

English

简体中文

English

日夜模式

🗂️ 文章分类： AI  
🏷️ 文章标签： ComfyUI  AI  工作流  
📅 文章创建时间： 2026-08-06
🕘️ 文章最后更新时间：2026-08-08

[toc]

ComfyUI笔记3 ​

comfyui_2026-07-13_093918_022.png

下面就介绍一些常用的，高级的工作流。这些工作流更复杂，但是功能更强大。也常常用于生产环境。

我的当前显卡设备是 NVIDIA RTX 5060TI 16GB。

图像拼接（合成图像）工作流 ​

图像拼接（合成图像）工作流的主要功能就是将多个图像拼接（合成）为一个图像。

合成图像（遮罩）节点 ​

comfyui_2026-08-24_100709_962.png

该节点是ComfyUI官方节点。用于将多个图像拼接（合成）为一个图像。支持将源图像叠加到目标图像的指定坐标位置，并可选择调整大小和遮罩。

参数

  • 目标图像：源图像将被合成到此图像上。它作为背景。
  • 来源图像：要合成到目标图像上的源图像。此图像可选择调整大小以匹配目标图像的尺寸。
  • x：源图像左上角在目标图像中的 x 坐标。
  • y：源图像左上角在目标图像中的 y 坐标。
  • 缩放来源图像：指示是否应将源图像调整为与目标图像尺寸匹配。
  • 遮罩：可选参数，用于指定源图像的哪些部分应合成到目标图像上。这允许更复杂的合成操作，例如混合或部分叠加。

示例工作流 ​

comfyui_2026-08-24_101314_885.png

该示例工作流中先将原图进行缩放和裁剪，再将处理后的原图像叠加到目标图像的指定坐标位置。最后生成一个合成后的图像。

文字覆盖（文字添加）工作流 ​

当我们想要实现在一个图片上添加文字时，我们可以使用文字覆盖工作流。

想要实现这个文字覆盖效果，目前comfyUI官方节点效果不太好。因此目前推荐按照第三方节点包来实现这个功能。

第三方节点包 ComfyUI_Comfyroll_CustomNodes ​

介绍

推荐使用第三方节点包：ComfyUI_Comfyroll_CustomNodes。该节点包中有一个 Text Overlay（文字覆盖）节点。

ComfyUI_Comfyroll_CustomNodes 节点包链接地址 https://github.com/Suzie1/ComfyUI_Comfyroll_CustomNodes

该节点包中的文字覆盖节点相比其他文字覆盖节点，最大优势是可以直接输入原图，并且能直接在原图上写字，一步到位，不用额外节点。

安装

安装方式参考ComfyUI笔记。

CR Overlay Text 节点 ​

CR Overlay Text 节点是 ComfyUI_Comfyroll_CustomNodes 节点包中的一个节点。

该节点能直接在原图上写字，一步到位，不用额外节点。

comfyui_2026-08-24_094652_746.png

参数

  • image：输入的图像。
  • 文本框：你需要输入的文字。
  • font_name：要使用的字体文件名字。
  • align：文字对齐方式。垂直对齐
  • justify：文字对齐方式。水平对齐
  • margin：文字与图像的间距。一般填 0
  • line_spacing：行间距，多行文字才生效，单行文字填 0 即可
  • position_x: 文字左上角 X 坐标（水平），0 = 图片最左边
  • position_y: 文字左上角 Y 坐标（垂直），0 = 图片最顶端
  • rotation_angle: 文字旋转角度
  • rotation_options: 旋转的中心点
  • font_color_hex: 字体颜色十六进制代码，（注意节点不带 #号，直接填503e23）

示例工作流 ​

comfyui_2026-08-24_095821_021.png

该示例工作流中，使用了CR Overlay Text 节点。在原图上实现文字覆盖效果。

Qwen-Image 文生图工作流 ​

模型介绍 ​

Qwen-Image 是阿里通义实验室开源的 20B 级 MMDiT 架构原生高清文生图大模型，FP8 是官方推荐的平衡画质、显存、速度的量化版本，区别于原版 BF16 大显存版本。

Qwen-Image 模型的最佳图像分辨率是1328x1328。

核心优势

  1. 中文语义超强理解：原生海量中文图文训练，无需强制英文提示词，国风、中式场景、书法、牌匾文字精准还原。
  2. 文字渲染行业顶尖：海报、LOGO、标语、中英混排文字清晰可辨，不会扭曲、错位，电商或新媒体海报刚需
  3. 人像真实度拉满：大幅消除 AI 塑料脸，皮肤肌理、发丝、五官比例自然，很少出现畸形手脚，适配写真、模特、人物扩图（半身转全身）

Qwen-Image 模型如果要生成带有中文的图片，需要对在提示词中对中文文字加上引号，例如："中文图片"。

模型文件搭配

  • CLIP 文本模型：qwen_2.5_vl_7b_fp8_scaled.safetensors
  • UNet 扩散模型：qwen_image_2512_fp8_e4m3fn.safetensor。
  • VAE编码解码模型：qwen_image_vae.safetensors（专属的VAE模型）。

中文人物图片 ​

comfyui_2026-08-11_101939_553.png

中文海报 ​

如图是中文海报的工作流示例 comfyui_2026-08-11_103619_221.png

comfyui_2026-08-11_104436_914.png

Qwen-Image-Edit 图生图工作流 ​

模型介绍 ​

Qwen-Image-Edit 模型是在 Qwen-Image 模型的基础上，额外做了大量图像编辑专项训练，专门做图生图和图像编辑的衍生专用版。

模型文件搭配

完整使用Qwen-Image-Edit模型需要用到的模型文件如下:

  • CLIP 文本模型：qwen_2.5_vl_7b_fp8_scaled.safetensors
  • UNet 扩散模型：qwen_image_edit_2509_fp8_e4m3fn.safetensor
  • VAE编码解码模型：qwen_image_vae.safetensors 专属的VAE模型,只能用于Qwen-Image模型。
  • lora 模型（可选使用）：qwen-image-edit-2509-lightning-4steps-v1.0-bf16.safetensors,该模型是qwen-Image-Edit模型对应的lora加速模型，推荐采样步数是4步,用于加速生成图像。

QwenImageEditPlus节点（适配QwenImageEdit模型的条件编码节点） ​

comfyui_2026-08-11_122345_695.png

这个节点是专门适配千问通义 Qwen-Image-Edit 模型的条件编码节点，支持同时输入可选图像和文本提示词，并为图像生成或编辑输出条件数据。

输入输出

  • 输入：文本提示词、CLIP模型、图像（可选）、VAE模型（可选）
  • 输出：包含图像和文本提示词的条件向量编码，用于后续的图像生成。

注意：该节点会把原图通过 VAE 编码器压缩为初始潜在图像，作为初始图生图的基础。后续采样器基于这个初始潜在图像的基础上进行去噪修改，而非从头生成，从而保证生成的图像主体结构不变。

图像编辑添加装饰 ​

如图通过qwen-image-edit模型对原图进行了编辑处理。 comfyui_2026-08-11_122131_553.png

工作流说明

注意：图中Unet节点加载的是qwen_image_edit模型文件。而不是qwen_image模型文件。

角色三视图 ​

可以用Qwen-Image-Edit模型来生成角色三视图。

如图所示工作流 comfyui_2026-08-12_155808_494.png

工作流说明

  • 三视图的图像分辨率建议按照16:9的比例。否则会导致图像变形。图中分辨率是1280x768。
  • 提示词直接说明"生成XXX的角色三视图，分别是正视图，侧视图，背视图"即可。
  • 工作流中使用了 Lora加速模型节点 + CFG 归一化节点。这两个节点用于加速图像生成。具体相关介绍请看其他笔记。

图像人物换衣服 ​

comfyui_2026-08-12_162234_612.png

图片中的加载CLIP节点的设备参数应该是default。

图像二次元风格转绘 ​

该工作流将真实图像转换为二次元风格的图像。 comfyui_2026-08-12_163431_997.png

图片中的加载CLIP节点的设备参数应该是default。

提示词说明

下面是二次元精致插画风的提示词

txt
### 正面提示词
将人物转换为精致的二次元插画风格，保持人物面部特征和身体姿态不变。采用半厚涂画法，细节丰富，光影层次感强，色彩饱和度适中，画面有官方插画的精致完成度，线条干净，质感高级。

### 负面提示词
画质模糊，线条杂乱，人物变形，五官错位，肢体扭曲，多手指，缺手指，面部崩坏，色彩脏污，噪点多，锯齿边缘，写实感过重，照片质感

图像真实风格转绘 ​

该工作流将真实图像转换为真实风格的图像。 comfyui_2026-08-14_111934_258.png

该工作流中使用了图像对比节点。该节点介绍请看其他笔记。

提示词说明

下面是真实风格的提示词

txt
### 正面提示词
把这张图片处理成高级商业人像摄影，柔和影棚灯光，细腻真实皮肤质感，保留人物原本五官样貌，电影级色调，8k高清，不要改变人物姿态与脸型

### 负面提示词
画质模糊，线条杂乱，人物变形，五官错位，肢体扭曲，多手指，缺手指，面部崩坏，色彩脏污，噪点多，锯齿边缘，写实感过重，照片质感

海贼王通缉令工作流 ​

该工作流的主要功能就是根据输入的图像，先将其重绘为海贼王的风格，再将其添加到海贼王通缉令图像的指定坐标位置。最后生成一个合成后的图像。

如图是示例工作流。该工作流分为两个部分。

  • 第一部分：将输入的图像进行重绘，将其转换为海贼王的风格。
  • 第二部分：将重绘后的图像根据指定坐标位置，添加到海贼王通缉令图像中。先添加图像，然后添加文本。

第一部分 comfyui_2026-08-24_103422_254.png

第二部分 comfyui_2026-08-24_103742_057.png

工作流中用到了文字覆盖节点和合成图像节点。节点介绍请看笔记其他部分。

Qwen3-VL 提示词反推工作流 ​

所谓的提示词反推工作流，是指根据输入的图像，视频等媒体文件，通过模型，反推生成对应的文本提示词。

核心原理

提示词反推的核心原理是用具备视觉理解能力的大语言模型（VL模型）读取图片或视频，然后输出通顺的自然语言描述，而非零散关键词。

模型介绍

目前 视觉语言（vlm）模型 Qwen3-VL 的中文理解能力最强，直接输出中文描述，完美适配 Qwen-Image-Edit 等国产模型，支持批量处理。

Qwen3-VL 模型下载地址(需外网访问) https://huggingface.co/Comfy-Org/Qwen3-VL/tree/main/text_encoders

示例工作流 ​

如图是根据一个图片进行提示词反推。图中的CLIP模型是 qwen3vl_8b_fp8_scaled.safetensors 模型。

该工作流耗时约70秒。因此建议工作流验证阶段不建议使用。等到工作流完全搭建好后，再使用提示词反推。

comfyui_2026-08-13_173256_832.png

工作流说明

  • 图中使用了 PreviewAny 预览任意节点，来预览输入数据的文本表示形式。具体介绍请看其他笔记。
  • 图中使用了 TextGenerator 节点，来生成文本提示词。具体介绍请看其他笔记。

wan2.2 文生视频 14B工作流 ​

该工作流采用高低噪声双采样视频生成方案。

高低噪声双采样视频生成方案说明 ​

工作流程说明

  1. 先初始化一个充满噪点的视频。什么画面都看不见。
  2. 第一次采样：让高噪声模型对视频噪点进行采样处理。主要任务：把整个视频的框架定下来。人物长什么样、场景是什么、镜头怎么动、物体怎么运动，全部由它决定。最后输出一个视频草稿。
  3. 第二次采样：让低噪声模型再次对视频噪点进行采样处理。主要任务：把视频草稿的画面变清晰，补上皮肤、衣服、环境细节等。最后输出一个清晰的视频。

相当于用高噪声模型先速写一个视频草稿，再用低噪声模型对视频草稿进行细化，完善视频内容。

采样步数设置说明

官方建议如下：

  1. 视频质量最高时：总采样步数一共为20步。即第一次采样是10步，第二次采样也是10步。
  2. 视频质量中等时：总采样步数一共为16步。即第一次采样是8步，第二次采样也是8步。
  3. 工作流使用了4步LoRA加速模型时：总采样步数一共为4步。即第一次采样是2步，第二次采样也是2步。

优缺点

高低噪声双采样视频生成方案相比其他的视频生成方案：

  • 优点：视频质量上限更高。视频帧间一致性更好，抑制闪烁、肢体崩坏能力强。
  • 缺点：硬件门槛高，配置复杂，高低噪声双模型显存开销翻倍。

使用模型介绍 ​

  • 高噪声文生视频模型：wan2.2_t2v_high_noise_14B_fp8_scaled.safetensors
  • 高噪声文生视频加速4步 LoRA 模型：wan2.2_t2v_lightx2v_4steps_lora_v1.1_high_noise.safetensors
  • 低噪声文生视频模型：wan2.2_t2v_low_noise_14B_fp8_scaled.safetensors
  • 低噪声文生视频加速4步 LoRA 模型：wan2.2_t2v_lightx2v_4steps_lora_v1.1_low_noise.safetensors
  • CLIP模型：umt5_xxl_fp8_e4m3fn_scaled.safetensors Wan 专属的文本编码器。底层是谷歌的T5 语言模型，用于文本提示词的编码。
  • VAE模型：wan_2.1_vae.safetensors Wan 专属视频 VAE 模型。

注意：加速LoRA模型不能交叉混用，高噪声模型只能搭配 高噪声LoRA，低噪声模型只能搭配 低噪声 LoRA，交叉使用直接画面崩坏。

空Latent视频（Hunyuan）节点 ​

该节点是可以适配 Wan2.2 和 HunyuanVideo 这两个视频模型的空 Latent 视频节点。

之所以该节点命名为 Hunyuan，是因为该节点一开始是为 HunyuanVideo 模型设计的。后来 Wan2.2 模型的官方主动做兼容，因此该节点也可以适配 Wan2.2 模型。

comfyui_2026-08-14_173308_170.png

输入输出

  • 宽度/高度：视频的宽度/高度。
  • 长度：视频的长度。是以帧为单位。
  • 输出：生成潜在视频样本，用于后续的视频处理和视频生成。

注意：视频长度是以帧为单位。假设视频是5秒，每秒16帧。那么视频长度应该设置为（5 * 16）+ 1 帧，一共81帧。+1是因为需要额外再补一帧空白帧。

4步Lora加速工作流 ​

如图所示，是高低噪声双采样视频生成方案的工作流。并使用了4步LoRA加速模型。5060ti16G显卡,耗时约130秒。 comfyui_2026-08-15_161553_927.png

工作流注意说明

  1. 图中该视频的分辨率是640x480。如果要更高的分辨率，那么生成时间会增加。
  2. 工作流中使用了K采样器高级节点,并且是通过二次采样的。
    • 第一次采样的采样器的数据会作为第二次采样的输入。因此需要开启 添加噪波和返回剩余噪波 选项。
    • 第二次采样的采样器输入的数据是从第一次采样中获取的。因此需要关闭 添加噪波和返回剩余噪波 选项。
    • 第二次采样器的种子值也需要固定，不固定会导致两个采样器的种子值不一致。
  3. 由于工作流中使用了4步LoRA加速模型，表示总的采样步数一共为4步。即第一次采样是2步，第二次采样也是2步。因此第一个采样器的开始结束步数为0-2，第二个采样器的开始结束步数为2-4。
  4. 由于工作流中使用了Lora加速模型，因此CFG值相比不使用Lora加速模型的情况下需要调低，具体数值需要经过多次测试。图中的CFG值设置为1 效果好。
  5. 工作流中的创建视频节点设置的是16帧/秒。如果想要生成5秒的视频，那么空Latent视频节点的视频长度应该设置为（5 * 16）+ 1 帧，一共81帧。+1是因为需要额外再补一帧空白帧。这两个节点需要搭配使用。
  6. 加载CLIP模型节点，由于使用的是Wan 专属的文本编码器。因此类型参数需要选择wan。

wan2.2 图生视频 14B工作流 ​

该工作流采用高低噪声双采样视频生成方案。该工作流是在文生视频工作流的基础上，进行了修改。

使用模型介绍 ​

  • 高噪声图生视频模型：wan2.2_i2v_high_noise_14B_fp8_scaled.safetensors
  • 高噪声图生视频加速4步 LoRA 模型：wan2.2_i2v_lightx2v_4steps_lora_v1_high_noise.safetensors
  • 低噪声图生视频模型：wan2.2_i2v_low_noise_14B_fp8_scaled.safetensors
  • 低噪声图生视频加速4步 LoRA 模型：wan2.2_i2v_lightx2v_4steps_lora_v1_low_noise.safetensors
  • CLIP模型：umt5_xxl_fp8_e4m3fn_scaled.safetensors Wan 专属的文本编码器。底层是谷歌的T5 语言模型，用于文本提示词的编码。
  • VAE模型：wan_2.1_vae.safetensors Wan 专属视频 VAE 模型。

注意：加速LoRA模型不能交叉混用，高噪声模型只能搭配 高噪声LoRA，低噪声模型只能搭配 低噪声 LoRA，交叉使用直接画面崩坏。

图像到视频(wan) 节点 ​

comfyui_2026-08-15_173510_459.png

图像到视频(wan) 节点会为视频生成创建一个空的潜在空间，并可以结合起始图像和 CLIP 视觉输出，以引导视频生成过程。

该节点会根据提供的图像和视觉数据，将输入正负面提示词进行二次修改。

参数

  • 输入
    • 正负面条件：正负面提示词。
    • vae：用于将图像编码到潜在空间的 VAE 模型
    • clip视觉输出：可选的CLIP视觉模型对象。可额外引导视频生成。
    • 开始图像: 可选的起始图像，用于初始化视频生成。
    • 宽度/高度：视频的宽度/高度。
    • 长度：视频的长度。是以帧为单位。默认值为81帧。
  • 输出
    • 正负面条件：整合图像和视觉数据的修改后的正负面提示词。
    • 生成潜在视频样本，用于后续的视频处理和视频生成。

4步Lora加速工作流 ​

如图工作流。并使用了4步LoRA加速模型。5060ti16G显卡,耗时约220秒。

可以看到通过图片+提示词，来生成的一个5秒的视频。 comfyui_2026-08-15_222156_201.png

工作流注意说明

  • 工作流中添加了图像到视频(wan) 节点，用于加载图片作为视频的起始帧。
  • 其他可以参考wan2.2文生视频工作流。

wan2.2 首尾帧图生视频 14B工作流 ​

该工作流是在图生视频工作流的基础上，添加了首尾帧的图像。用于引导视频生成。

使用模型介绍 ​

使用模型参考图生视频工作流。

Wan 首尾帧视频 节点 ​

comfyui_2026-08-15_232628_203.png

Wan 首尾帧视频 节点通过结合起始帧、结束帧与文本提示词来创建视频条件。

它通过编码首帧和末帧、应用遮罩引导生成过程，并在可用时融入 CLIP 视觉特征，为视频生成生成潜在表示。

参数

  • 输入
    • 正负面条件：正负面提示词。
    • vae：用于将图像编码到潜在空间的 VAE 模型
    • clip视觉起始图像：可选的CLIP视觉模型对象。从起始图像提取的 CLIP 视觉特征
    • clip视觉结束图像：可选的CLIP视觉模型对象。从结束图像提取的 CLIP 视觉特征
    • 起始图像: 可选视频序列的起始帧图像。
    • 结束图像: 可选视频序列的结束帧图像。
    • 宽度/高度：视频的宽度/高度。
    • 长度：视频的长度。是以帧为单位。默认值为81帧。
  • 输出
    • 正负面条件：整合图像和视觉数据的修改后的正负面提示词。
    • 生成潜在视频样本，用于后续的视频处理和视频生成。

调整尺寸并填充图像 节点 ​

comfyui_2026-08-16_001720_875.png

该节点用于将图像调整至指定尺寸范围内，同时保持原始宽高比。它会按比例缩小图像以适配目标宽度和高度，然后在边缘添加填充以填补剩余空间。

填充颜色和插值方法可自定义，以控制填充区域的外观和缩放质量。

参数

  • 输入
    • 图像：要调整尺寸的图像。
    • 宽度/高度：输出图像的宽度/高度。
    • 填充颜色：用于填充缩放后图像周围区域的背景颜色。默认值为white。
    • 插值方法：用于调整图像大小的插值方法（默认值："area"）。
  • 输出
    • 调整大小并填充后的输出图像

注意：在通过首尾帧图像生成视频时，需要确保首尾帧图像的宽度/高度一致。否则会导致视频生成异常。

4步Lora加速工作流 ​

如图工作流。5060ti16G显卡,耗时约210秒。

可以看到通过图片+提示词，来生成的包含首尾帧的5秒视频。 comfyui_2026-08-16_001115_341.png

工作流注意说明

  • 工作流添加了Wan 首尾帧视频 节点，用于加载首尾帧图像。
  • 工作流还添加了 调整尺寸并填充图像 节点，用于调整首尾帧图像的尺寸，使它们的宽度/高度一致。否则会导致视频生成异常。
  • 其他可以参考wan2.2图生视频工作流。