ComfyUI 部署 Stable Diffusion 实战

想在本地拥有自己的 AI 绘画引擎？ComfyUI 部署 Stable Diffusion 是目前最灵活的开源方案：用节点式工作流把文生图、图生图、ControlNet 串成可复用管线，数据不出本机、出图成本趋近于零。本文从硬件准备、Docker 一键启动，到 API 批量化与 FastAPI 封装，带你把 Stable Diffusion 真正跑在自有显卡上。

一、ComfyUI 是什么，为什么选它

ComfyUI 是一个基于节点（Node）的 Stable Diffusion 可视化工作流引擎。相比传统的 A1111 WebUI 单页参数面板，ComfyUI 把”加载模型 → 编码潜空间 → 采样 → VAE 解码 → 保存”拆成一张可拖拽、可保存的图。你调好的流程能导出成 JSON，下次一键复现，天然适合工程化与批量出图。

A1111 的优势是开箱即用、插件生态丰富；但当你的需求从”玩一玩”变成”每天稳定产出几百张、且流程要可复现”时，节点图的价值就凸显了。每个节点只做一件事，出错时能精确定位到某个模块，而不是面对一整页互相影响的滑块。

二、硬件与环境准备

本地出图本质是显卡算力消耗。经验阈值：SD1.5 约 4GB 显存可跑；SDXL 建议 8GB 以上；若想上 Flux 这类大模型，16GB 显存更从容。AMD 显卡与纯 CPU 也能跑，但速度会慢一个数量级，本文以 NVIDIA + CUDA 为准。

还有一个常被忽略的点：CUDA 版本要和 PyTorch 编译版本匹配。用 pip 安装时务必带上对应的 index-url（如 cu121），否则会出现”能 import 但一跑就报 CUDA error”的诡异问题。容器方案之所以省心，正是因为它把这套依赖打包好了。

• 显卡驱动与 CUDA 已装好（nvidia-smi 能看到显卡）；
• Python 3.10 / 3.11，并准备 git；
• 磁盘预留 10GB+ 给模型权重（一个 SDXL checkpoint 约 6–7GB）。

三、两种启动方式

方式 A：Docker 一键启动（推荐）

用官方 GHCR 镜像，配合 docker-compose 挂载模型与输出目录，GPU 通过 device reservation 透传。这也是我们最推荐的起步方式，环境一致性最好：

services:
  comfyui:
    image: ghcr.io/comfyanonymous/comfyui:latest
    container_name: comfyui
    ports:
      - "8188:8188"
    volumes:
      - ./models:/home/runner/models
      - ./output:/home/runner/output
      - ./input:/home/runner/input
    command: --listen 0.0.0.0 --port 8188 --use-xformers --lowvram
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: 1
              capabilities: [gpu]
    restart: unless-stopped

启动后用浏览器打开 http://<服务器IP>:8188 即可进入节点画布。容器化部署的更多细节可参考我们的 Docker 容器化实战。

方式 B：源码安装

如果你要改源码、加自定义节点，或服务器没有 Docker，就走源码路线：

# 1) 拉取官方源码
git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI

# 2) 创建虚拟环境并安装依赖（CUDA 12.1 为例）
python -m venv venv && source venv/bin/activate
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121
pip install -r requirements.txt

# 3) 启动：开启 xformers 与低显存模式
python main.py --listen 0.0.0.0 --port 8188   --use-xformers --lowvram

四、第一次出图：模型与工作流

ComfyUI 本体不含模型权重，需要自行把 checkpoint 放到 models/checkpoints 目录（容器场景即挂载的 ./models/checkpoints）。常见来源有 HuggingFace 与 Civitai，下载后直接放进去，刷新页面即可在 Load Checkpoint 节点看到。

一个最基础的文生图工作流由这些节点串成：Load Checkpoint → CLIP Text Encode（正/负提示词） → Empty Latent Image → KSampler → VAE Decode → Save Image。在 KSampler 里设置步数（20–30）、CFG（7 左右）、采样器（如 dpmpp_2m），填好提示词，点 Queue Prompt 就能出图。

正向提示词描述你”想要什么”，负向提示词描述”不要什么”（如低质量、变形、水印）。初学时可以先套用社区成熟的提示词模板，等理解了各参数对画面的影响，再逐步微调。

五、用 API 批量化出图

ComfyUI 的真正优势在工程化：在 WebUI 里把工作流调好后，点 “Save (API Format)” 导出 JSON，就能用 HTTP 接口批量提交，而不必手动点界面。导出的 JSON 里每个节点都有一个数字 id，修改对应节点的 inputs 字段即可换提示词或种子。

import json, requests

# 1) 载入 API 格式工作流（里面已固化节点连接）
with open("workflow_api.json") as f:
    prompt = json.load(f)

# 2) 提交到 ComfyUI 任务队列
r = requests.post("http://127.0.0.1:8188/prompt", json={"prompt": prompt})
task_id = r.json()["prompt_id"]

# 3) 轮询历史拿到结果图片
while True:
    hist = requests.get(f"http://127.0.0.1:8188/history/{task_id}").json()
    if task_id in hist:
        outputs = hist[task_id]["outputs"]
        break

把不同的提示词塞进同一个 workflow JSON 的对应节点，就能实现”一张模板、千条文案”的批量生成，非常适合电商素材、头像、配图等场景。ComfyUI 内部是队列调度，多个任务会按顺序执行，不必自己写并发控制。

六、显存优化与模型管理

显存是本地出图的第一道坎。除了启动时加 --lowvram / --medvram，还可以用 GGUF 量化版的 checkpoint 大幅减负，并开启 --use-xformers 提速。本地大模型的显存策略思路与 DeepSeek 本地部署实战 一脉相承：都是”算力不够，量化来凑”。

模型目录结构要分门别类放好，否则节点会”找不到”对应的权重。一个清晰的目录约定如下：

七、封装成出图服务

要让前端页面或定时脚本调用出图，最自然的方式是用 FastAPI 包一层 HTTP 服务。这与我们之前写的 FastAPI 流式大模型对话 API 思路一致：把后端能力收敛成干净的接口，对外只暴露业务语义，不暴露底层细节。

from fastapi import FastAPI
import requests, json

app = FastAPI()

def build_prompt(text: str, seed: int = 0) -> dict:
    wf = json.load(open("workflow_api.json"))
    # 把 text/seed 写回对应节点字段（示意）
    wf["6"]["inputs"]["text"] = text
    wf["3"]["inputs"]["seed"] = seed
    return wf

@app.post("/generate")
def generate(req: dict):
    prompt = build_prompt(req["text"], req.get("seed", 0))
    r = requests.post("http://127.0.0.1:8188/prompt", json={"prompt": prompt})
    return {"task_id": r.json()["prompt_id"]}

生产环境用 uvicorn main:app --workers 2 起多进程，并在前面挂一层队列或限流，避免瞬间大量请求把显存打爆。配合 VS Code 远程开发，以及用 GitHub Actions 把工作流 JSON 纳入版本管理，做到可复现、可回滚。

八、安全暴露与反代

ComfyUI 默认没有鉴权，切勿直接把 8188 端口暴露在公网。正确做法是放在内网，再用 Nginx 反向代理 套一层 HTTPS 与访问口令（如 basic auth 或带 token 的网关），既方便远程访问，又不把裸服务暴露出去。

一个最小可用的 Nginx 反代片段形如：把 / 转发到 127.0.0.1:8188，并加上 auth_basic 保护。这样你的出图服务既能从笔记本访问，又不会被公网扫描器随意调用。

九、常见问题排障

十、进阶路线

跑通基础出图后，值得继续探索三条路：一是 ControlNet，用姿态、线稿、深度图精确控制构图；二是 LoRA，用少量图片微调出专属风格；三是把出图接入更复杂的流水线，例如先 LLM 写提示词、再 ComfyUI 出图、最后自动上传素材库。把这三块吃透，本地 AI 绘画就能从”玩具”变成”生产力”。

到这里，你已经拥有了一套可复用、可批量化、可对外服务的本地 AI 绘画管线。下一步可以接入 ControlNet 做姿态控制、用 LoRA 固化风格，甚至把出图能力嵌进你自己的产品里。