🎨 基于千里云+ComfyUI 的 AI 图像生成实战：文生图 / LoRA / ControlNet 完整工作流记录
博主前言：这是 AI 图像生成工作流实验（实验3）的完整记录，使用千里云算力平台（NVIDIA RTX 4090 48GB）+ ComfyUI 框架，分别完成了文生图、LoRA 推理和 ControlNet 控制生成三种工作流。文章详细记录每一步操作，适合同样在跑 ComfyUI 实验的同学参考！

📋 目录
实验环境与平台选择
Step 1：登录千里云，获取 GPU 资源
Step 2：启动 ComfyUI 环境
Step 3：下载模型
Step 4：工作流①——文生图实验
Step 5：工作流②——LoRA 推理实验
Step 6：工作流③——ControlNet 实验
实验结果对比与分析
总结与踩坑记录

1. 实验环境与平台选择
   为什么选择千里云？
   做这次实验需要跑 Stable Diffusion / FLUX 这类大模型，本地 GPU 显存根本不够用（FLUX.1 光模型就 12GB 起步）。综合对比几家算力平台后，我选择了 千里云，原因如下：

✅ RTX 4090 48GB 显存：跑 FLUX / SDXL 完全不压线，不需要量化
✅ 预装 ComfyUI 镜像：开箱即用，省去繁琐的环境配置
✅ 按量计费：实验用完即停，不浪费
✅ 网速快：模型下载速度比本机快很多
本次实验完整配置
配置项 详情
算力平台 千里云（https://www.qianlicloud.com）
GPU 型号 NVIDIA RTX 4090 48GB
GPU 显存 48GB
CPU Intel Xeon Platinum 8358 × 32 核
内存 120 GB DDR4
操作系统 Ubuntu 22.04 LTS
CUDA 版本 CUDA 12.1
Python 版本 Python 3.10
AI 框架 ComfyUI + SD v1.5 / SDXL / FLUX.1
2. Step 1：登录千里云，获取 GPU 资源
打开 https://www.qianliyun.com，注册/登录账号后进入控制台。

操作步骤：

进入「GPU 实例」页面，选择地区（推荐华东区，延迟低）
选择实例规格：RTX 4090 48GB（1卡）
镜像选择：搜索 “ComfyUI” 选择预装好的镜像模板
点击「立即创建」→ 等待约 1~2 分钟实例启动
复制 WebUI 访问链接，在浏览器打开
💡 小技巧：千里云支持一键复制 ComfyUI 访问地址，启动完成后直接就能看到 ComfyUI 的节点编辑界面，完全不需要自己配环境！

3. Step 2：启动 ComfyUI 环境
   成功进入 ComfyUI 界面后，可以看到默认加载的「文生图」基础工作流（如下图所示）：
   
   alt text 界面说明：

左侧：节点面板（右键可添加新节点）
中间：画布（拖拽节点，连接数据流）
右侧/底部：队列控制（Queue Prompt 运行推理）
ComfyUI 采用节点式工作流设计，每个节点代表一个处理步骤，数据通过连线在节点间流动，直观清晰。

4. Step 3：下载模型
   在千里云实例的终端中执行以下命令下载模型（平台网速很快，基本几分钟搞定）：

进入 ComfyUI 模型目录

cd /root/ComfyUI/models/

下载 SD v1.5 Checkpoint（也可选择 SDXL / FLUX）

cd checkpoints/
wget -c https://huggingface.co/runwayml/stable-diffusion-v1-5/resolve/main/v1-5-pruned-emaonly.ckpt

下载 LoRA 模型（以二次元风格为例）

cd …/loras/

可从 civitai 或 Hugging Face 下载目标 LoRA

下载 ControlNet 模型

cd …/controlnet/
wget -c https://huggingface.co/lllyasviel/ControlNet-v1-1/resolve/main/control_v11p_sd15_canny.pth
下载完成后，在 ComfyUI 界面点击右上角「刷新」按钮，节点的模型选择列表就会更新。

5. Step 4：工作流①——文生图实验
   工作流节点结构
   [Checkpoint Loader] → [CLIP Text Encode (Prompt)] → [KSampler] → [VAE Decode] → [Save Image]
   参数配置
   参数 值
   Checkpoint v1-5-pruned-emaonly.ckpt
   Positive Prompt a beautiful anime girl standing in a sakura forest, high quality, detailed, 8k
   Negative Prompt blurry, low quality, bad anatomy, watermark
   Steps 20
   CFG Scale 7
   Sampler euler
   Scheduler normal
   图像尺寸 512 × 512
   运行结果
   

：文生图实验生成结果 Fig.1 alt text

参数对比实验（Steps & CFG）
我分别调整了 Steps 和 CFG 参数，记录效果如下：

Steps 对比（CFG=7 固定）：

Steps 效果描述 推理时间
10 图像模糊，细节缺失，轮廓不清晰 ~2s
20 图像清晰，细节丰富，质量较好 ~4s
30 细节进一步提升，但与20步差异不大 ~6s
CFG Scale 对比（Steps=20 固定）：

CFG 效果描述
5 图像较为随机，与 Prompt 符合度低
7 与 Prompt 语义吻合，色彩自然 ✅
10 过度饱和，色彩失真，有轻微伪影

Steps/CFG 对比图（3×2 对比网格） alt textalt textalt textalt textalt text 结论：Steps=20，CFG=7 是本次实验的最佳基础参数组合。

6. Step 5：工作流②——LoRA 推理实验
   工作流节点结构
   [Checkpoint Loader] + [Load LoRA] → [CLIP Text Encode] → [KSampler] → [VAE Decode] → [Save Image]
   与文生图工作流的区别：在 Checkpoint 之后、KSampler 之前，新增了 Load LoRA 节点，将 LoRA 权重融合进基础模型。

实验配置
参数 值
基础 Checkpoint v1-5-pruned-emaonly.ckpt
LoRA 模型 二次元动漫风格 LoRA
strength（model） 0.5 / 0.8 / 1.0（三组对比）
strength（clip） 0.8
其他参数 与文生图实验相同
运行结果与对比

：Loalt textRA 三组对比结果（strength=0.5 / 0.8 / 1.0）alt textalt text

效果分析：

strength 效果描述
0.5 风格轻微融合，画风接近基础模型，动漫感不强
0.8 风格迁移鲜明，人物动漫画风清晰，图像质量稳定 ✅
1.0 动漫风格过强，部分细节失真，人物比例略有变形
结论：LoRA strength 建议在 0.6~0.85 区间调整，过高会破坏基础模型的语义理解能力。

7. Step 6：工作流③——ControlNet 实验
   工作流节点结构
   [Checkpoint Loader] + [ControlNet Loader] + [Load Image] → [Apply ControlNet] → [CLIP Text Encode] → [KSampler] → [VAE Decode] → [Save Image]
   实验配置（Canny 边缘控制）
   参数 值
   控制模式 Canny 边缘检测
   ControlNet 模型 control_v11p_sd15_canny.pth
   control_weight 1.0
   参考图 自定义参考图（人物/场景）
   Prompt 与参考图内容相关的描述
   运行结果
   

：ControlNet 实验结果（左：参考图，中：Canny 边缘图，右：生成图）alt text

三种控制模式说明
控制模式 适用场景 特点
Canny 建筑、工业设计、需保持轮廓结构 基于边缘线条控制，精准保留轮廓
Depth 风景、室内场景、空间层次控制 基于深度图控制前后景空间关系
OpenPose 人物姿态控制 提取骨骼关键点，精准复现动作姿势
结论：Canny 控制效果非常好，生成图轮廓与参考图高度吻合，ControlNet 是实现"可控生成"的利器。

8. 实验结果对比与分析
   三种工作流综合对比
   实验类型 工作流复杂度 关键参数 核心能力 推荐场景
   文生图 ⭐ 简单 Steps, CFG, Prompt 创意图像生成 概念设计、原型生成
   LoRA 推理 ⭐⭐ 中等 strength 风格定制化 特定画风、IP 风格生成
   ControlNet ⭐⭐⭐ 较复杂 control_weight, 控制模式 结构可控生成 辅助设计、姿态复现
   千里云 A100 性能实测
   在 NVIDIA RTX 4090 48GB 上，本次实验各工作流推理速度如下：

工作流 分辨率 Steps 推理时间
文生图 512×512 20 ~3s
LoRA 推理 512×512 20 ~3.5s
ControlNet 512×512 20 ~4s
SDXL 文生图 1024×1024 25 ~8s
RTX 4090 48GB 显存使得整个实验过程中完全无 OOM 问题，跑 FLUX.1 也丝滑。

9. 总结与踩坑记录
   实验收获
   通过本次实验，系统掌握了：

ComfyUI 节点式工作流的核心操作逻辑（节点连接、参数调整、队列管理）
Stable Diffusion 推理流程：Checkpoint 加载 → CLIP 编码 → KSampler 去噪 → VAE 解码
LoRA 的正确使用方式：strength 参数敏感，建议从 0.6 开始逐步调大
ControlNet 的三种控制模式及其适用场景
千里云算力平台的完整使用流程（登录 → 选实例 → 启动镜像 → 运行实验）
踩坑记录
问题 原因 解决方案
刷新后模型列表不更新 ComfyUI 缓存未刷新 点击右上角 🔄 刷新按钮，或重启 ComfyUI
ControlNet 效果很弱 control_weight 设置过低 将 control_weight 调整至 0.8~1.0
LoRA 加载后图像变黑 strength 值超过 1.0 或 LoRA 与 Checkpoint 不兼容 降低 strength，换用兼容的 LoRA
生成图有大量伪影 CFG Scale 过高（>12） CFG 控制在 5~9 范围内
显存不足报错 本地 GPU 显存太小 改用千里云 RTX 4090 48GB，彻底解决
📌 写在最后
这次实验最大的感受是：硬件资源真的很重要。在千里云 RTX 4090 48GB上跑实验，基本是"改参数→运行→看结果"的流畅循环，完全不需要担心显存溢出或者等太久。

如果你也在跑 ComfyUI 相关实验，推荐直接用 千里云 开一个 RTX 4090 48GB 实例，体验会好很多。

Tags: ComfyUI Stable Diffusion LoRA ControlNet AI图像生成 千里云 RTX 4090 48GB 深度学习实验 FLUX`

如果这篇文章对你有帮助，欢迎点赞收藏！有问题欢迎在评论区交流 🙌