这次我们来看一个 ComfyUI 工作流项目它能让角色一致性出图变得像搭积木一样简单。项目核心是“利用角色库一键生成宫格分镜”说白了就是给你一套现成的节点组合你只需要导入自己训练好的角色 LoRA 模型设置几个参数就能批量生成同一角色在不同场景、不同姿态下的多张图片并自动排列成宫格分镜图。对于经常需要为角色设计表情包、故事板、多视角展示或营销素材的创作者来说这个工作流能极大提升效率。它的重点不是概念多复杂而是能不能在你的显卡上稳定跑起来以及操作流程是否足够“无脑”。本文将带你从零开始部署并测试这套工作流重点关注其硬件门槛、启动方式、显存占用以及如何利用它完成实际的批量分镜生成任务。1. 核心能力速览在深入操作之前我们先快速了解这个项目的关键信息。所有信息均基于对项目标题和常见 ComfyUI 工作流实践的分析具体参数需以你实际获取的工作流文件为准。能力项说明项目类型ComfyUI 自定义工作流可能包含自定义节点核心功能基于角色库LoRA一键生成多张同一角色、不同内容/姿态的图片并自动拼接为宫格分镜图。关键技术可能涉及int4_convrot或int8_convrot量化技术用于降低模型显存占用。推荐硬件支持 NVIDIA GPU推荐 6GB 显存以上。CPU 模式也可运行但速度极慢。显存占用关键点int4/int8量化旨在显著降低显存消耗。实际占用取决于基础模型如 SDXL、LoRA 数量、生成图片的尺寸和数量。在量化技术加持下有望在 6G 甚至 4G 显存上运行 SD1.5 模型的工作流。支持平台Windows, Linux, macOS (需注意M系列芯片的适配)启动方式通过 ComfyUI 主程序加载工作流.json或.png文件。是否支持 API是ComfyUI 原生支持 API 调用该工作流可通过 API 进行批量任务触发。是否支持批量核心优势支持。工作流设计初衷就是为了一次生成多张分镜图是天然的批量任务工具。适合场景角色 IP 多表情/多姿势生成、漫画分镜预览、社交媒体九宫格素材制作、产品多角度展示图批量生成。2. 适用场景与使用边界这个工作流不是万能的理解其适用边界能帮你更好地利用它。它非常适合角色内容快速迭代你已经有一个训练好的角色 LoRA想快速看到她在不同场景如办公室、森林、咖啡馆或不同情绪开心、生气、沉思下的表现用于灵感激发或方案选择。分镜/故事板制作为漫画、动画或视频脚本快速生成视觉预览。通过调整提示词让同一角色连贯地出现在一系列动作或场景中。营销素材批量生产为游戏角色、虚拟偶像制作一套如9张社交媒体用的宣传图保持角色一致性的同时每张图配有不同文案和背景。工作流学习作为学习 ComfyUI 高级功能如循环、批处理、图像拼接节点的绝佳案例。它可能不适合无角色 LoRA工作流核心依赖预训练的角色 LoRA。如果你没有需要先使用其他工具如 Kohya SS进行训练。极致单图质量追求工作流侧重于“批量”和“一致性”在采样步数、高清修复等提升单图质量的参数上可能为了效率做了平衡。对于需要精雕细琢的单张作品可能需要单独调整。完全零基础用户需要你对 ComfyUI 的基础操作如安装、加载模型、连接节点有基本了解。重要合规与安全提醒版权与肖像权使用角色 LoRA 时请确保你拥有该角色形象的使用权或创作权。禁止使用未经授权的真人肖像训练 LoRA 并用于生成内容。内容安全生成的图片内容需符合法律法规和公序良俗。ComfyUI 及本工作流是工具使用者需对生成内容负责。模型授权确保你使用的基础模型如 SD1.5、SDXL和 LoRA 模型符合其开源协议。3. 环境准备与前置条件在加载那个神奇的.json工作流文件之前我们需要先把舞台搭好。基础环境ComfyUI这是必须的。如果你还没安装可以从官方 GitHub 仓库下载便携包或通过 Git 克隆。推荐使用整合包或管理工具如 ComfyUI Manager安装能省去大量依赖配置的麻烦。确保你的 ComfyUI 可以正常启动并能加载基础模型进行文生图。Python 与 PyTorch通常整合包已内置。如果自行部署需要 Python 3.10 和对应 CUDA 版本的 PyTorch。模型文件准备基础检查点模型例如sd_xl_base_1.0.safetensors。放入ComfyUI/models/checkpoints/目录。VAE可选但推荐。放入ComfyUI/models/vae/目录。LoRA 模型这是本工作流的灵魂。将你训练好的角色 LoRA 文件.safetensors放入ComfyUI/models/loras/目录。ControlNet 模型如果工作流需要如果工作流使用了 OpenPose、Canny 等 ControlNet需提前下载对应模型放入ComfyUI/models/controlnet/。自定义节点可能工作流标题提到了int4_convrot/int8_convrot这很可能是一个用于模型量化的自定义节点。你需要通过 ComfyUI Manager 搜索安装或者从对应的 GitHub 仓库手动安装。安装方法通过 Manager启动 ComfyUI在浏览器中打开。点击右下角 “Manager” 按钮如果已安装 Manager。进入 “Install Custom Nodes” 标签页。在搜索框中输入int4_convrot或相关关键词如LLMQuantization查找并安装。手动安装如果 Manager 里没有你需要找到该节点的 GitHub 仓库按照其README说明克隆到ComfyUI/custom_nodes/目录下并运行安装命令通常是pip install -r requirements.txt。硬件检查GPU确保 NVIDIA 显卡驱动已更新。运行nvidia-smi命令可查看驱动和 CUDA 版本。显存清理后台不必要的 GPU 应用。准备至少 6GB 的可用显存进行测试比较稳妥。磁盘空间确保有足够空间存放模型和生成的图片。4. 安装部署与启动方式环境就绪后我们来让工作流跑起来。4.1 获取工作流文件通常这类工作流会以两种形式分享.json文件包含完整的节点配置和参数。这是最推荐的方式。.png文件ComfyUI 支持将工作流保存为图片并从中加载。但有时可能丢失部分自定义节点的信息。将下载的工作流文件例如role_grid_workflow.json保存到本地。4.2 启动 ComfyUI如果你使用便携包直接双击run_nvidia_gpu.batWindows或运行对应的启动脚本。 启动后默认在浏览器中打开http://127.0.0.1:8188。4.3 加载工作流在 ComfyUI 的 Web 界面中点击右侧的“Load”按钮。选择你下载的role_grid_workflow.json文件。加载成功后画布上会出现一系列已连接好的节点。4.4 关键节点配置与替换加载后不要急着点“Queue Prompt”。你需要先检查并配置几个关键节点检查点加载器确认它加载的是你准备好的基础模型如 SDXL。LoRA 加载器这是核心。找到Lora Loader节点点击其上的模型选择框从列表中找到并选择你的角色 LoRA 模型文件。注意有些工作流可能将 LoRA 强度strength_model,strength_clip做成了输入项可以调整以控制角色特征强度。int4/int8_convrot节点如果存在找到名为int4_convrot或类似的节点。它可能连接在Checkpoint Loader之后。这个节点通常用于将模型权重进行低精度量化以节省显存。确保其参数如量化位数bits4符合你的需求。如果不需要量化或运行出错可以尝试绕过这个节点直接将检查点加载器的输出连接到后续的CLIP和VAE节点。提示词输入找到CLIP Text Encode节点。工作流通常会设计多个提示词输入框分别控制角色通用描述描述角色的固定特征如“1girl, blue hair, red dress”。场景/动作变量一个列表包含多个不同的场景或动作描述如“in the office, smiling”, “in the park, running”, “at home, reading”。这里就是实现“宫格分镜”的关键每个变量会生成一张图。负面提示词通用的不想要的内容。图像尺寸与批量设置找到Empty Latent Image或Latent相关节点设置生成图片的宽度和高度。找到控制生成张数的节点。这可能是通过Batch参数也可能是通过Iterate或Primitive节点循环提示词列表来实现。在工作流中这个数通常与你设置的场景变量列表长度一致。宫格拼接节点工作流末尾会有图像处理节点如Image GridJoin Image将生成的单张图片拼接成一张大图。检查其参数如宫格的行数rows和列数cols。4.5 首次运行测试配置完成后点击右下角的“Queue Prompt”按钮。 在后台终端或命令窗口观察是否有报错尤其是关于缺失模块或节点的错误。同时使用nvidia-smi命令观察显存占用情况。5. 功能测试与效果验证工作流加载并初步运行后我们需要系统性地测试其核心功能。5.1 基础生成能力测试目的验证工作流能否正常加载模型、LoRA并生成基本图像。操作在角色通用描述提示词中输入masterpiece, best quality, 1girl, white shirt, jeans。在场景变量列表中只保留一个简单的场景例如standing in a plain white room。将生成数量设置为1图片尺寸设为512x768。点击 “Queue Prompt”。预期生成一张符合角色描述和场景的图片。如果成功说明模型、LoRA、基础流程是通的。5.2 多场景宫格分镜测试目的验证工作流的核心价值——批量生成与自动拼接。操作保持角色通用描述不变。修改场景变量列表输入4个不同的场景/动作sitting at a desk and typing on a laptop drinking coffee and looking out of the window laughing with friends in a cafe walking a dog in the park at sunset注意具体格式取决于工作流设计可能是逗号分隔的字符串也可能是独立的文本输入框。确保宫格拼接节点的行/列设置为2x2对应4张图。点击生成。预期终端显示分步生成4张图的过程。最终输出两张结果4张独立的图片 1张拼接好的2x2宫格图。宫格图中角色特征发型、衣着、脸型应保持高度一致只有场景、动作和表情随提示词变化。成功标准4张图全部生成角色一致性良好宫格拼接正确。5.3 LoRA 强度调节测试目的测试角色特征的强弱控制避免过拟合或特征不明显。操作找到Lora Loader节点的strength_model和strength_clip参数通常默认值为1.0。分别设置强度为0.7、1.0、1.3进行三次生成测试可简化场景变量为1个以加快测试。预期强度为0.7时角色特征可能较弱1.0时正常1.3时特征可能过于强烈甚至扭曲画风。通过此测试找到最适合你角色 LoRA 的强度值。5.4 量化节点效果验证如果存在目的验证int4/int8_convrot节点是否有效降低显存占用。操作首先绕过量化节点断开其连接让模型直接以 FP16 精度运行。进行一次生成通过nvidia-smi记录峰值显存占用单位MiB。然后启用量化节点使用相同的参数再次生成记录峰值显存占用。预期启用量化后显存占用应有明显下降例如下降 20%-50%。生成速度可能略有变化可能变慢因为量化计算有额外开销也可能变快因为数据量小。注意生成质量可能会有轻微损失需观察是否在可接受范围内。5.5 高分辨率/大批量压力测试目的测试工作流在极限参数下的稳定性和显存需求。操作逐步增加单张图片尺寸如从 512x768 到 768x1024再到 1024x1024。或逐步增加场景变量列表的长度如从4个到9个生成九宫格。每次调整后观察a) 是否成功生成b) 终端是否有CUDA out of memory报错c) 峰值显存占用。预期找到在你当前显卡上能稳定运行的尺寸和批量上限。这为后续实际生产提供了参数依据。6. 接口 API 与批量任务ComfyUI 的强大之处在于其无头headlessAPI 模式这让我们可以轻松实现自动化批量任务。6.1 启动 API 服务ComfyUI 默认就启用了 API 服务。当你通过run_nvidia_gpu.bat启动时API 服务已经在http://127.0.0.1:8188运行。6.2 获取工作流的 API 格式在 WebUI 中调整好所有参数模型、LoRA、提示词、尺寸等。点击右侧工具栏的“Save (API Format)”按钮注意不是普通的 Save。这将下载一个workflow_api.json文件。这个 JSON 文件包含了所有节点的参数和连接信息是 API 调用的蓝图。6.3 编写 Python 调用脚本你可以编写一个 Python 脚本循环读取不同的提示词列表并调用 ComfyUI API 来生成多套宫格分镜。import json import requests import time def queue_prompt(prompt_workflow): 向 ComfyUI 服务器提交工作流数据 server_address http://127.0.0.1:8188 endpoint f{server_address}/prompt try: response requests.post(endpoint, json{prompt: prompt_workflow}, timeout300) response.raise_for_status() return response.json() except requests.exceptions.RequestException as e: print(fAPI请求失败: {e}) return None def main(): # 1. 加载从WebUI保存的API格式工作流模板 with open(workflow_api.json, r, encodingutf-8) as f: workflow_template json.load(f) # 2. 定义多组任务例如为不同角色生成分镜 task_list [ { role_lora: character_A.safetensors, scenes: [scene A1, scene A2, scene A3, scene A4] }, { role_lora: character_B.safetensors, scenes: [scene B1, scene B2, scene B3, scene B4] }, # ... 更多任务 ] # 3. 遍历任务列表动态修改工作流并提交 for i, task in enumerate(task_list): print(f开始处理任务 {i1}: 角色 {task[role_lora]}) # 深拷贝模板避免修改影响后续任务 current_workflow json.loads(json.dumps(workflow_template)) # 关键找到工作流中对应节点的ID并修改其输入值 # 你需要根据你的 workflow_api.json 结构来定位节点ID # 例如找到 LoRA 加载器节点修改其 lora_name 输入 for node_id, node in current_workflow.items(): if node.get(class_type) LoraLoader: node[inputs][lora_name] task[role_lora] # 找到存放场景列表的节点可能是多个CLIP Text Encode或一个Primitive节点 # 假设场景列表输入在一个 String 或 Text 类型的节点上其 _meta 或 inputs 中有标识 # 这里需要你根据实际工作流结构编写定位和修改逻辑 # 示例伪代码 # if node.get(class_type) CLIPTextEncode and node[_meta][title] 场景变量: # node[inputs][text] , .join(task[scenes]) # 4. 提交任务到ComfyUI队列 result queue_prompt(current_workflow) if result: prompt_id result.get(prompt_id) print(f任务已提交Prompt ID: {prompt_id}) # 可以在这里轮询 /history/{prompt_id} 端点等待任务完成并获取图片 else: print(f任务提交失败。) # 5. 可选间隔一段时间避免服务器压力过大 time.sleep(5) print(所有批量任务已提交完成。) if __name__ __main__: main()重要提示上述代码中的节点定位逻辑 (class_type,_meta[title]) 是伪代码你需要打开workflow_api.json文件仔细研究其结构找到对应节点的唯一标识和输入字段名才能正确编写修改逻辑。6.4 批量任务目录管理对于生产环境建议建立清晰的目录结构batch_jobs/ ├── configs/ # 存放不同的工作流模板或任务JSON ├── input_lora/ # 存放本次任务用到的所有LoRA文件 ├── output/ │ ├── job_20240501_characterA/ │ │ ├── grid.png # 宫格图 │ │ ├── individual/ # 单张图 │ │ └── log.txt # 生成日志 │ └── job_20240501_characterB/ └── scripts/ # Python批量脚本7. 资源占用与性能观察理解资源占用是稳定运行的关键。显存占用观察Windows打开任务管理器进入“性能”选项卡选择GPU查看“专用GPU内存”。命令行在终端运行nvidia-smi -l 1可以每秒刷新一次显存使用情况。重点观察生成过程中的峰值显存。影响因素基础模型SDXL 比 SD1.5 占用显存多。图片尺寸分辨率是平方级影响显存。768x768 比 512x512 占用多得多。批量大小工作流内同时处理的图片数量batch size。本工作流通常是“循环”而非“真批量”但多LoRA、多ControlNet会叠加占用。量化技术int4/int8_convrot节点的核心价值就在这里它能将模型权重从 FP16 降到 INT4/INT8大幅降低显存。生成速度在 ComfyUI 终端输出中会显示每张图的生成步骤和耗时。速度受限于GPU 算力、图片尺寸、采样步数、量化开销。性能权衡启用量化可能节省显存但略微增加计算时间。找到适合自己硬件显存 vs 速度的平衡点。降低资源占用的技巧启用量化如果工作流包含并支持int4_convrot务必使用它。使用 --lowvram 模式在启动 ComfyUI 的 bat 文件或命令中可以添加--lowvram参数。这会使用更激进的显存交换策略用时间换空间。降低分辨率这是最有效的方法。先用小图测试和生成必要时再用 Upscale 节点放大。关闭预览在 ComfyUI 设置中关闭实时节点预览可以减少一些显存和内存开销。清理内存长时间运行后ComfyUI 可能会缓存一些数据。定期重启服务可以释放内存。8. 常见问题与排查方法遇到问题不要慌按以下步骤排查。问题现象可能原因排查方式解决方案加载工作流后节点报红或缺失缺少自定义节点依赖。查看节点上的错误信息通常包含缺失的模块名。通过 ComfyUI Manager 搜索安装对应节点或根据错误提示手动安装Python包 (pip install 包名)。点击生成后无反应终端无错误工作流中存在未连接的必需输入或队列卡住。检查所有节点的输入端口是否都有连接线。查看终端是否有Prompt executed in X.XXs的输出。补全缺失的连接。尝试清除队列点击 “Queue” 旁边的垃圾桶图标后重新提交。RuntimeError: CUDA out of memory显存不足。使用nvidia-smi观察生成开始前的空闲显存和峰值显存。1. 启用int4/int8量化节点。2. 降低生成图片分辨率。3. 减少同时生成的数量检查工作流中的循环或批处理大小。4. 添加--lowvram启动参数。5. 关闭其他占用GPU的程序。生成的图片角色不一致LoRA 强度不合适或提示词冲突。1. 调整Lora Loader的强度从0.8到1.2之间尝试。2. 检查通用提示词是否过于笼统或场景提示词是否与角色特征冲突。1. 固定一个最佳 LoRA 强度。2. 在角色通用提示词中强化核心特征如发型、瞳色、特定服饰。3. 简化场景提示词避免描述与角色外貌冲突的内容。宫格拼接错乱或缺失图片图像收集和网格拼接节点配置错误。检查是哪些节点的输出最终连到了Image Grid节点。确认生成图片的数量与网格行列数匹配。1. 确保所有需要拼接的图片都正确连接到了Image Grid节点的输入列表。2. 如果生成4张图Image Grid的rows和cols应设为2和2。int4_convrot节点导致生成质量下降量化过程损失了过多模型信息。对比启用和禁用该节点生成的图片观察细节、色彩、清晰度差异。1. 尝试int8_convrot如果可用它比int4精度高。2. 如果质量损失不可接受考虑放弃量化节点转而通过降低分辨率、使用--lowvram模式来满足显存要求。API 调用返回错误工作流 JSON 格式错误或节点参数不合法。查看 ComfyUI 终端的详细错误日志。检查 API 调用脚本中修改的节点值是否在合理范围内。1. 先在 WebUI 手动跑通一次并用 “Save (API Format)” 保存正确的工作流。2. 在脚本中尽量只修改文本、模型名等简单参数避免修改复杂的嵌套结构。9. 最佳实践与使用建议掌握技巧让这个工作流真正成为你的生产力工具。标准化你的角色 LoRA在投入批量生产前花时间微调出效果最好的角色 LoRA。确保其在各种基础模型和提示词下都有稳定的表现。建立提示词模板库将常用的场景、灯光、画风、质量词整理成模板。例如[场景]: in a cozy cafe, soft lighting[动作]: sitting and reading a book, relaxed posture[画风]: anime style, studio ghibli inspired[质量]: masterpiece, best quality, 8k在创作时像搭积木一样组合这些模板可以快速构建出高质量的提示词列表。版本管理当你调整出一个非常满意的工作流参数组合包括模型、LoRA强度、采样器、步数、CFG等后务必使用 “Save” 功能保存为新的.json文件并加上版本号或日期备注如role_grid_v2_photoreal.json。避免后续调整时丢失最佳配置。输出管理在 ComfyUI 设置中配置清晰、自动化的输出目录。可以按日期、项目、角色建立子文件夹。对于 API 批量任务脚本中应实现自动化的文件命名和归档。效果复核批量生成尤其是通过 API 自动化生成后必须进行人工复核。检查角色一致性、内容安全性、图片质量是否符合要求。自动化是提效但不能完全替代人工审核。合规使用再次强调生成的图片若用于公开传播或商业用途请务必确保你拥有所有输入元素尤其是角色形象的合法授权并遵守相关平台的内容政策。10. 总结与下一步这个“利用角色库一键生成宫格分镜”的 ComfyUI 工作流将角色一致性生成和批量出图流程封装成了一个可视化、可配置的管道。它的最大价值在于将复杂的循环、拼接逻辑节点化让使用者能更专注于创意本身设计角色和场景而非技术实现。你最应该优先验证的是它在你的硬件上的显存占用和稳定性。按照本文第5部分的测试流程从小参数开始逐步增加负载找到你设备的“甜点”配置。最容易踩的坑通常是缺失自定义节点和LoRA强度设置不当按照第8部分的排查表基本能解决。掌握了这个工作流后你可以尝试更多的扩展玩法例如结合 ControlNet 来控制角色的精确姿势集成 ADetailer 节点进行面部修复或者将最终的宫格图送入视频生成工作流制作成动态展示。ComfyUI 的生态就在于这种节点的自由组合与复用。建议收藏本文的排查清单和API脚本模板在后续的探索中随时参考。