如何正确配置ComfyUI参数

以下是正确配置ComfyUI参数的核心步骤及要点，结合搜索资源中的关键信息整理：

一、基础模型与LoRA配置

1. 加载基础模型

• 通过 Load Checkpoint 节点选择模型文件（如SD v1.5、Flux等），支持 .ckpt 或 .safetensors 格式，放置于 models/checkpoints 目录。
• 示例：选择 realisticVisionV51.safetensors 作为基础模型。

1. 添加LoRA增强

• 用 Lora Loader Stack 节点加载LoRA模型（如UltraRealistic LoRA），支持叠加多个LoRA，调整 LoRA Strength（0.5-1.2，过大会影响生成质量）。
• 推荐参数：
• CFG Scale：1（平衡提示词约束与模型自由度）。
• Guidance Strength：2.5（增强提示词引导效果）。

二、采样器与生成控制

1. 选择采样器

• 常用采样器：dpmpp_2m（平衡速度与质量）、k_lms（低显存优化），需在 KSampler 节点中配置。
• 参数说明：
• Steps：步数（20-50，步数越高细节越精细，但计算时间越长）。
• Seed：随机种子（固定值可复现结果，随机值生成多样风格）。

1. 调度器与去噪

• Scheduler：选择 Beta 或 DPMSolver，控制噪声衰减速度，Beta 适合多数场景。
• Denoise：通常设为 1（完全去噪），若需保留更多随机性可调整为 0.8-0.9。

三、提示词与图像控制

1. 正向/负向提示词

• 正向提示词：用逗号分隔关键词，重要元素前置（如“1girl, detailed face, cyberpunk style”）。
• 负向提示词：排除不想要的元素（如“blurry, low quality, extra limbs”）。

1. 图像尺寸与数量

• 通过 Empty Latent Image 节点设置宽度、高度（需为8的倍数，如512x512），Batch Size 控制生成数量。

四、进阶参数优化

1. ControlNet集成

• 添加 ControlNet 节点（如边缘检测、深度图），在 KSampler 中勾选 control_after_generate，选择干预阶段（如“before denoise”）。

1. 后处理节点

• Inpaint：修复局部瑕疵，需指定修复区域坐标。
• Color Correction：调整HSL参数优化色彩饱和度。

五、工作流保存与复用

• 将配置好的节点保存为 .json 文件，支持通过 Queue Prompt 批量运行或API调用。
• 示例工作流：基础模型→LoRA加载→提示词输入→采样器→保存图像。

参数参考来源

• LoRA权重、CFG等参数参考。
• 采样器与调度器配置参考。
• API调用与自动化流程参考。

实际配置时建议从官方默认参数开始，逐步调整以适配具体模型和生成需求，复杂场景可结合社区教程或官方文档进一步优化。