一、基础知识
ComfyUI 本质上是一个「节点图」工具。它不像一键出图的界面那样把所有选项塞进一个表单,而是把流程拆成一堆节点:加载模型、编码提示词、生成潜变量、采样、解码、保存图片。你用线把节点连起来,数据就顺着线流动。
理解节点只要抓住三件事:输入、参数、输出。输入是别的节点传来的数据,参数是你在节点里填的数字或文本,输出是它算完交出去的结果。连线是有类型的——MODEL、CLIP、VAE、LATENT、IMAGE 各有各的接口,类型对不上就连不起来。所以报错「类型不匹配」通常不是程序坏了,而是你把输出接错了口。
模型目录是另一个高频坑。ComfyUI 从安装目录下的 models/ 文件夹里读模型,并且按类型分子目录:主模型放 checkpoints,LoRA 放 loras,VAE 放 vae,控制模型放 controlnet,诸如此类。文件放错目录,界面里就看不到。不同安装方式和版本的具体目录会有差异,以你实际安装的目录结构为准。
显存方面要建立一个直觉:加载大模型会占一块固定显存,采样过程中还会有一块峰值开销。显存不够时有两种表现——一种是直接报 CUDA out of memory 中断,另一种是没报错但自动把数据挪到内存里,速度骤降。两者处理方式不完全一样。
二、实操步骤
第 1 步:确认环境与安装。
安装请以官方仓库的说明为准,下面只给通用的检查命令:
# 查看 Python 与显卡驱动状态
python --version
nvidia-smi
# 若你已克隆官方仓库,进入目录安装依赖(具体命令以官方说明为准)
cd ComfyUI
pip install -r requirements.txt
第 2 步:整理模型目录。
# 看看有哪些模型子目录
ls models/
# 把主模型、LoRA、VAE 分别放进对应目录
ls -lh models/checkpoints models/loras models/vae
第 3 步:用脚本核对模型文件,避免「以为放对了」。
# list_models.py —— 列出各目录里的模型文件与大小
from pathlib import Path
root = Path("models")
exts = {".safetensors", ".ckpt", ".pt", ".bin", ".gguf"}
for p in sorted(root.rglob("*")):
if p.is_file() and p.suffix.lower() in exts:
size = p.stat().st_size / (1024 ** 3)
print(f"{size:6.2f} GB {p}")
python list_models.py
第 4 步:搭一条最小工作流。
在界面里依次添加并连接这些节点:
Load Checkpoint—— 加载主模型,同时输出 MODEL、CLIP、VAE 三路。CLIP Text Encode两个 —— 一个写正向提示词,一个写负向提示词,都连到上面的 CLIP。Empty Latent Image—— 设置宽高和 batch size,新手先用较小分辨率、batch 设为 1。KSampler—— 接 MODEL、两路提示词编码和 LATENT,这里控制采样步数等参数。VAE Decode—— 把采样出来的 LATENT 转成 IMAGE,接上 VAE。Save Image—— 把 IMAGE 保存下来。
这条链路跑通,再往上加 LoRA、控制模型等节点。节点的具体名称在不同版本里可能有出入,以你界面里实际显示为准。
第 5 步:显存不够时按顺序降级。
# 实时监控显存占用,观察是哪一步涨上去的
nvidia-smi -l 1
# 低显存启动参数是否可用、名称如何,以你所装版本的官方说明为准
python main.py --lowvram
同时把分辨率调小、batch 保持 1、关掉其他占显卡的程序。先用最小配置验证流程能跑通,再逐步加回分辨率。
三、关键细节
- 模型放错目录是「列表里看不到模型」的第一原因。 先跑
list_models.py确认文件在正确位置,再考虑刷新界面或重启服务。 - 改了模型文件要刷新或重启。 有些版本会缓存模型列表,光把文件复制进去还不够。
- 显存不足要分阶段判断。 一启动就爆,多半是主模型太大;加载成功、采样时才爆,多半是分辨率或 batch 太大。处理方式不同。
- VAE 别忘了接。
VAE Decode没接 VAE,或者用了与主模型不匹配的 VAE,容易出全黑、全灰或颜色异常的图片。 - 把工作流导出成 JSON 文件保存。 只截屏不导出,换台机器或重装后基本没法复现。导出时连同用到的模型文件名一起记下来。
- 先低分辨率跑通,再谈质量。 用较小的分辨率和较少的步数验证链路,能出图之后再逐步提高,排查成本最低。
四、常见错误
| 错误做法 | 现象 | 原因 | 修正 |
|---|---|---|---|
| 模型文件随便丢进根目录 | 下拉列表里找不到模型 | 没放进 models/ 下对应的类型子目录 |
按类型移动文件,刷新或重启后重试 |
| 一上来就用大分辨率、大 batch | CUDA out of memory 直接中断 | 采样峰值显存超过显卡容量 | batch 设为 1,降低宽高,必要时用低显存启动参数 |
| 连线随便接,颜色对得上就以为对了 | 报节点类型不匹配 | 接口的数据类型不同(如把 IMAGE 接到 LATENT) | 从正确的输出端点重新连线,核对接口类型 |
VAE Decode 没接 VAE |
生成全黑、全灰或偏色图片 | 解码阶段缺少或不匹配 VAE | 接上主模型自带的 VAE,或换用兼容的 VAE 文件 |
| 调完参数直接关页面 | 下次打开发现工作流没了 | 没导出工作流文件 | 导出 JSON 保存到本地,并记录使用的模型名 |
| 没报错但出图极慢 | 显存不足后数据被挪到内存 | 显存占用过高触发卸载 | 用 nvidia-smi -l 1 观察,降分辨率、关掉其他占显存程序 |
五、排查方法
照这个顺序做:
# 1. 看显卡显存到底被谁占了
nvidia-smi
# 2. 确认模型文件在不在、放对没有、有多大
python list_models.py
ls -lh models/checkpoints
# 3. 看终端或日志最后的报错栈,定位是哪个节点炸的
# 如果你把输出重定向到了文件:
tail -n 40 comfyui.log
# 4. 回到最小工作流验证:只保留加载模型、采样、解码、保存四个环节
# 能出图就说明问题在后来添加的节点上,逐个加回去定位
# 5. 持续观察显存变化,判断爆点是在加载阶段还是采样阶段
nvidia-smi -l 1
排查口诀:先看显存,再看目录,再看连线,最后才看参数。大多数「跑不起来」都能在这四步里找到原因。
六、注意事项
- 模型目录名、启动参数、节点名称会随版本变化,具体操作以你所装版本的官方说明和界面为准。
- 模型文件来源和许可证要自己核对,不要下载来路不明的文件。
- 大模型文件体积很大,操作前确认磁盘空间充足。
- 低显存模式、平铺解码等手段通常以速度为代价,能正常跑时不建议无脑开启。
- 不要同时运行多个占满显存的程序;排查时先关掉浏览器硬件加速等无关占用。
免责声明:本文为个人学习与实操经验总结,仅代表个人观点,不构成任何技术或商业决策建议。不同系统环境与版本可能存在差异,实际操作请以官方文档为准并自行验证。

评论
还没有评论,来说两句吧。