ComfyUI 快速文生图模型生成
·
ComfyUI 快速文生图（基于 z_image.json）
目标：最快速度部署 ComfyUI + Lumina2 Turbo 模型，支持通过
z_image.json工作流一键生成图片。
1. 环境要求
- Python 3.12+
- CUDA 12.4+（驱动版本 ≥ 535）
- 已安装 Conda
2. 安装 ComfyUI
cd /opt/ml/conf
git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI
conda create -n comfyui python=3.12 -y
conda activate comfyui
pip install --upgrade pip
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
# 修复 NVIDIA 驱动兼容性（驱动版本 12080 需指定 cuBLAS 版本）
pip install --no-deps nvidia-cublas-cu12==12.4.5.8
pip install -r requirements.txt
pip install sqlalchemy alembic blake3 filelock --upgrade
3. 下载模型（关键）
将以下模型放入对应目录：
| 模型文件 | 存放路径 | 来源 |
|---|---|---|
z_image_turbo_bf16.safetensors |
models/unet/ |
自定义模型 |
qwen_3_4b.safetensors |
models/clip/ |
Qwen CLIP |
ae.safetensors |
models/vae/acevsok/ae___safetensors/ |
VAE |
目录结构示例：
/opt/ml/conf/ComfyUI/models/
├── unet/
│ └── z_image_turbo_bf16.safetensors
├── clip/
│ └── qwen_3_4b.safetensors
└── vae/
└── acevsok/
└── ae___safetensors/
└── ae.safetensors
4. 安装必要 Custom Nodes
cd /opt/ml/conf/ComfyUI/custom_nodes
git clone https://github.com/ltdrdata/ComfyUI-Manager.git
cd /opt/ml/conf/ComfyUI
conda activate comfyui
pip install -r custom_nodes/ComfyUI-Manager/requirements.txt
5. 启动 ComfyUI
cd /opt/ml/conf/ComfyUI
conda activate comfyui
python main.py --listen 0.0.0.0 --port 8188 --disable-auto-launch
6. 导入并使用 z_image.json 工作流
- 浏览器打开 ComfyUI（
http://服务器IP:8188或平台子路径）。 - 点击右上角 「Load」 按钮。
- 选择并上传
z_image.json文件。 - 工作流会自动加载以下节点：
UNETLoader→ 自动选择z_image_turbo_bf16.safetensorsCLIPLoader→ 自动选择qwen_3_4b.safetensorsVAELoader→ 自动选择ae.safetensors
- 在
CLIP Text Encode节点修改提示词（默认：“诸葛来来”）。 - 点击 「Queue Prompt」 即可生成图片（仅需 3 步）。
7. 后台快速启动脚本
在 /opt/ml/conf/wuhui 目录下创建 start_comfyui.sh：
cat > /opt/ml/conf/wuhui/start_comfyui.sh << 'EOF'
#!/bin/bash
set -e
COMFYUI_DIR="/opt/ml/conf/ComfyUI"
CONDA_ENV="comfyui"
LOG_FILE="/opt/ml/conf/wuhui/comfyui.log"
PID_FILE="/opt/ml/conf/wuhui/comfyui.pid"
cd "$COMFYUI_DIR"
source ~/miniconda3/etc/profile.d/conda.sh
conda activate "$CONDA_ENV"
echo "[$(date '+%Y-%m-%d %H:%M:%S')] 启动 ComfyUI ..."
nohup python main.py --listen 0.0.0.0 --port 8188 --disable-auto-launch > "$LOG_FILE" 2>&1 &
echo $! > "$PID_FILE"
echo "ComfyUI 已启动，PID: $(cat $PID_FILE)"
EOF
chmod +x /opt/ml/conf/wuhui/start_comfyui.sh
启动命令：
bash /opt/ml/conf/wuhui/start_comfyui.sh
8. 一键生成图片（推荐流程）
- 启动 ComfyUI 后导入
z_image.json - 修改提示词 → 点击 Queue Prompt
- 生成的图片默认保存在
output/z-image/目录下
性能参考（3 步出图）：
- 单张生成时间：约 0.5~1 秒（A100/H20）
- 显存占用：约 8~12GB
9. API 调用与多提示词批量生成
ComfyUI 原生支持通过 HTTP API 调用工作流。以下脚本可实现多提示词批量生成，无需修改 z_image.json。
9.1 安装依赖
conda activate comfyui
pip install requests
9.2 批量生成脚本（batch_generate.py）
在 /opt/ml/conf/wuhui 目录下创建脚本：
#!/usr/bin/env python3
"""
ComfyUI 批量文生图脚本（基于 z_image.json）
支持多提示词自动生成，图片保存到 output/z-image/
"""
import json
import time
import requests
import os
from typing import List
# ================== 配置 ==================
COMFYUI_URL = "http://127.0.0.1:8188"
WORKFLOW_PATH = "/opt/ml/conf/ComfyUI/z_image.json"
OUTPUT_DIR = "/opt/ml/conf/ComfyUI/output/z-image"
PROMPTS = [
"诸葛来来",
"a beautiful landscape",
"cyberpunk city at night",
"cute cat wearing sunglasses",
]
os.makedirs(OUTPUT_DIR, exist_ok=True)
# ================== 核心函数 ==================
def load_workflow() -> dict:
with open(WORKFLOW_PATH, "r", encoding="utf-8") as f:
return json.load(f)
def submit_prompt(workflow: dict, prompt_text: str) -> str:
"""提交工作流到 ComfyUI，返回 prompt_id"""
wf = json.loads(json.dumps(workflow)) # 深拷贝
# z_image.json 中 node 45 是提示词节点
wf["45"]["inputs"]["text"] = prompt_text
resp = requests.post(f"{COMFYUI_URL}/prompt", json={"prompt": wf})
if resp.status_code != 200:
raise Exception(f"提交失败: {resp.text}")
return resp.json()["prompt_id"]
def wait_for_result(prompt_id: str, timeout: int = 120) -> dict:
"""轮询任务结果"""
start = time.time()
while time.time() - start < timeout:
resp = requests.get(f"{COMFYUI_URL}/history/{prompt_id}")
if resp.status_code == 200:
data = resp.json()
if prompt_id in data and data[prompt_id].get("outputs"):
return data[prompt_id]
time.sleep(0.5)
raise TimeoutError(f"任务 {prompt_id} 超时")
def download_images(result: dict, prompt_text: str, idx: int):
"""下载生成的图片"""
if "9" not in result.get("outputs", {}):
print(f"[{idx}] 未找到输出节点 9")
return
for i, img_info in enumerate(result["outputs"]["9"].get("images", [])):
filename = img_info["filename"]
url = f"{COMFYUI_URL}/view?filename={filename}&type=output"
save_name = f"{idx:03d}_{prompt_text[:20].replace(' ', '_')}.png"
save_path = os.path.join(OUTPUT_DIR, save_name)
r = requests.get(url, stream=True)
with open(save_path, "wb") as f:
for chunk in r.iter_content(chunk_size=8192):
f.write(chunk)
print(f"[{idx}] 已保存: {save_path}")
# ================== 主流程 ==================
def main():
print("加载工作流...")
workflow = load_workflow()
for idx, prompt in enumerate(PROMPTS):
print(f"\n[{idx}] 生成提示词: {prompt}")
try:
prompt_id = submit_prompt(workflow, prompt)
result = wait_for_result(prompt_id)
download_images(result, prompt, idx)
except Exception as e:
print(f"[{idx}] 失败: {e}")
print("\n批量生成完成！")
if __name__ == "__main__":
main()
9.3 使用方法
# 1. 确保 ComfyUI 已启动
bash /opt/ml/conf/wuhui/start_comfyui.sh
# 2. 运行批量生成脚本
cd /opt/ml/conf/wuhui
python batch_generate.py
输出示例：
[0] 生成提示词: 诸葛来来
[0] 已保存: /opt/ml/conf/ComfyUI/output/z-image/000_诸葛来来.png
[1] 生成提示词: a beautiful landscape
[1] 已保存: /opt/ml/conf/ComfyUI/output/z-image/001_a_beautiful_landscape.png
...
批量生成完成！
10. 注意事项
- 该工作流使用 Lumina2 Turbo 架构，
cfg必须保持为1，steps建议为3。 - 首次加载模型较慢，后续生成速度极快。
- 如提示词需要中文支持，请确保
qwen_3_4b.safetensors已正确加载。 - 批量脚本默认使用
node 45作为提示词节点，如工作流结构变化请修改对应节点 ID。
11、z-image.json工作流
{
"9": {
"inputs": {
"filename_prefix": "z-image",
"images": [
"43",
0
]
},
"class_type": "SaveImage",
"_meta": {
"title": "保存图像"
}
},
"39": {
"inputs": {
"clip_name": "qwen_3_4b.safetensors",
"type": "lumina2",
"device": "default"
},
"class_type": "CLIPLoader",
"_meta": {
"title": "加载CLIP"
}
},
"40": {
"inputs": {
"vae_name": "acevsok/ae___safetensors/ae.safetensors"
},
"class_type": "VAELoader",
"_meta": {
"title": "加载VAE"
}
},
"41": {
"inputs": {
"width": 512,
"height": 512,
"batch_size": 1
},
"class_type": "EmptySD3LatentImage",
"_meta": {
"title": "空Latent图像（SD3）"
}
},
"42": {
"inputs": {
"conditioning": [
"45",
0
]
},
"class_type": "ConditioningZeroOut",
"_meta": {
"title": "条件零化"
}
},
"43": {
"inputs": {
"samples": [
"44",
0
],
"vae": [
"40",
0
]
},
"class_type": "VAEDecode",
"_meta": {
"title": "VAE解码"
}
},
"44": {
"inputs": {
"seed": 291475514551654,
"steps": 3,
"cfg": 1,
"sampler_name": "res_multistep",
"scheduler": "simple",
"denoise": 1,
"model": [
"47",
0
],
"positive": [
"45",
0
],
"negative": [
"42",
0
],
"latent_image": [
"41",
0
]
},
"class_type": "KSampler",
"_meta": {
"title": "K采样器"
}
},
"45": {
"inputs": {
"text": "诸葛来来",
"clip": [
"39",
0
]
},
"class_type": "CLIPTextEncode",
"_meta": {
"title": "CLIP文本编码"
}
},
"46": {
"inputs": {
"unet_name": "z_image_turbo_bf16.safetensors",
"weight_dtype": "default"
},
"class_type": "UNETLoader",
"_meta": {
"title": "UNet加载器"
}
},
"47": {
"inputs": {
"shift": 3,
"model": [
"46",
0
]
},
"class_type": "ModelSamplingAuraFlow",
"_meta": {
"title": "采样算法（AuraFlow）"
}
}
}
AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。
更多推荐
6
0- 0
已为社区贡献1条内容
所有评论(0)