简介一个面向 ComfyUI 用户的轻量级工作流包专注 QwenImageEdit 模型的基础图生图使用场景适合刚接触 ComfyUI 的开发者、设计师及 AI 绘画爱好者用来节省手动搭建节点与配置参数的时间快速搭建可复用的图像生成流程无论是个人学习还是工作流复用都非常合适。压缩包内仅有一个 JSON 文件即 ComfyUI 的标准工作流配置压缩包整体只有约三 KB解压后可直接导入运行这份 JSON 中包含图像加载、模型选配、采样器调用、提示词输入以及结果保存等核心节点连接方式一目了然非常适合逐节点理解图生图的完整链路与参数设置方式也能帮助使用者弄懂各模块间的依赖关系。当前已有二百二十二人浏览学习可作为入门级模板或日常调试参考。通过这个工作流文件既能直接体验 QwenImageEdit 的基础图生图功能也能在现有框架基础上调整采样步数、更换底模、加入局部重绘等进阶操作为后续拓展高阶玩法打下清晰基础足以支撑进一步掌握 ComfyUI 的工作流设计思路与环境搭建方法。1. ComfyUI 图生图工作流从 c0051.json 到能直接复用的 QwenImageEdit拿到 c0051.rar 的时候里面就一个 c0051.json很多人的第一反应是这能干嘛我实际在 ComfyUI 里导入跑过之后可以明确告诉你这份资源解决的是“基础图生图”这一件事加载一张参考图写一句编辑指令让 QwenImageEdit 按指令改图最后正常输出保存。它不是把 ComfyUI 所有功能讲一遍的大课而是一条最小可用的节点链路适合已经装好秋叶整合包或官方版 ComfyUI、想直接出图的人。但要注意直接拖进去大概率会红一片因为 QwenImageEdit 自定义节点得先补齐模型权重也得放到指定目录。下面这篇文章按我拆包的顺序来先拆工作流内部结构再教你完整复现参数、坑、批量扩展一次说清。2. 工作流结构拆解QwenImageEdit 节点到底做了什么2.1 先看节点清单与数据流向打开 c0051.json 之前脑子里要有这条链路的轮廓。基础图生图工作流一般不会太复杂节点数量控制在五六个以内核心就是让编辑模型拿到图片和指令再把结果吐出来。我拆过的图生图工作流里下面这几类节点出现频率最高节点类型输入输出作用Load Image本地图片路径IMAGE 张量提供参考图QwenImageEditIMAGE 指令文本IMAGE执行指令式编辑VAE Decode潜在空间张量像素图把模型输出变成肉眼可见的图Save Image像素图文件保存到 output 目录数据流向就是一条直线Load Image 出来的 IMAGE 张量直接进 QwenImageEdit 的参考图输入口编辑指令写在节点自带的文本框里模型推理完成后输出新 IMAGE再经过 VAE Decode 变成普通图片最后 Save Image 落盘。这和你平时在 Stable Diffusion 里跑的图生图链路很像区别在于中间步骤没有 KSampler也没有 denoise 参数取而代之的是 QwenImageEdit 这个黑匣子。有一点要注意不同作者的节点对“解码”职责的划分不一样。有些 QwenImageEdit 自定义节点内部已经把 VAE 解码做了输出直接就是像素图后面再接一个 VAE Decode 反而会报维度错误。我在 c0051.json 里看到的接法是把 VAE Decode 单独拎出来但这种结构不一定适用于所有版本。导入后如果报错提示通道数对不上优先检查这一层。2.2 指令式图生图和传统 denoise 图生图的差别很多用惯了 WebUI 的人会把 QwenImageEdit 理解成一个“换了个模型的 img2img”这个认知会害了你。传统图生图的核心参数叫 denoise它控制的是“在原始潜空间基础上加入多少噪声再重新采样”本质是强度控制你告诉机器的是“改动幅度”。而 QwenImageEdit 走的是另一条路它把图片和文本指令一起喂给视觉语言模型让模型理解指令意图再在生成时对齐这个意图。举个例子你想把照片里的白天换成黄昏。传统做法是给一段提示词再把 denoise 调到 0.5 左右赌它出黄昏感QwenImageEdit 的做法是直接写一句“change the daylight to sunset”模型会去定位场景中的光照区域做定向修改。这就带来一个实战结论在 c0051.json 这类工作流里提示词不需要堆砌一堆质量词而要写成“动作指令”越明确越好。这也解释了为什么基础工作流里没有 KSampler。你在 json 里找不到 denoise、steps、cfg 这类熟悉参数不代表它不存在而是被打包进了 QwenImageEdit 节点内部。当你把它当成黑匣子看反而容易上手只管给图和给指令剩下交给模型。2.3 关键参数先认识这几个QwenImageEdit 相关节点里参数不会像 SD 那样一拉一大排。我在 c0051.json 里整理出的是下面这几个第一次跑的时候盯着它们就够了参数作用我的建议起始值reference_image参考图输入由 Load Image 节点提供instruction编辑指令英文短句动宾结构max_pixels图片长边像素上限1280guidance_scale指令服从程度4.0 到 6.0seed随机种子固定数值方便复现max_pixels 值得多说一句。它限制的是送入模型的最大分辨率超过这个数值的图会被缩放。数值设太大比如拉到 4096显存瞬间吃满设太小比如 512画面里的细节会被裁掉编辑完脸部容易糊。1280 是速度和质量的平衡点显存紧张就降到 1024出图需要放大再加 Upscale 节点不要在编辑阶段贪分辨率。guidance_scale 我习惯叫它“听话程度”。调太低改完几乎等于原图复制调太高模型会过度发挥把原本不该动的区域也重绘。遇到“指令没生效”的情况先从它下手而不是怀疑模型坏了。seed 在基础图生图里最容易被忽略。你想对比两组参数的效果差异如果 seed 每次都不一样差异里就混入了随机性结论不可信。我一般固定成一个值比如 42跑完对照组再放开。3. 落地复现三个前置检查、导入 JSON 与首次出图3.1 启动前先确认三件事导入 c0051.json 前我先做三个检查能省掉后面一半排查时间。第一件事确认 QwenImageEdit 自定义节点已经装好。ComfyUI 默认节点列表里没有这个东西你可以在界面里打开 Manager进入 Custom Nodes Manager搜索 QwenImageEdit找到对应条目点 Install装完重启 ComfyUI。没有 Manager 的话就把节点项目文件夹手动放到 ComfyUI 根目录下的 custom_nodes 里同样重启。第二件事确认模型权重文件已经放到节点代码期望的目录。常见的放置路径可能是 models/checkpoints 或 models/qwen_image_edit具体看节点作者在 README 里怎么写的。这里最容易踩的坑是“我以为放对了”权重文件明明下载了但放错目录运行时报错只会告诉你找不到文件不会告诉你正确路径是什么。第三件事确认显存够用。QwenImageEdit 属于 7B 量级的视觉语言模型16G 显存跑起来相对舒服8G 显存就得想办法。我的做法是在启动命令里加上低显存参数而不是硬跑# 官方版启动方式端口指定为 8188 python main.py --port 8188 --lowvram如果你用的是秋叶整合包不用手动敲命令在启动脚本里找到 COMMANDLINE_ARGS 这段配置把--lowvram加进去再保存即可。--port指定的是 Web 服务监听端口默认就是 8188平时不用改--lowvram会限制显存占用代价是速度略微下降。显存 12G 以下我建议直接带上这个参数别赌机器能扛住。提示局域网或手机访问时把 localhost 换成电脑的局域网 IP端口还是 8188例如 http://192.168.1.10:8188。3.2 用 Load 导入 c0051.json别靠复制粘贴ComfyUI 导入工作流有三种常见方式界面上的 Load 按钮选择 json 文件把 json 文件直接拖进浏览器窗口把工作流内容复制到剪贴板后在界面里 CtrlV。三种我试下来最稳妥的是 Load 按钮和拖拽原因在下面会说。拖拽导入有个细节ComfyUI 识别的是完整的 workflow JSON 格式如果你在文本编辑器里打开 c0051.json 后只复制了部分内容粘贴进去会提示格式错误。完整的 json 文件通常以{ last_node_id: ... }开头以version: 0.4之类的字段结尾。整份文件操作不要手动增删字段。把 json 文件放到 ComfyUI 工作流目录也是我常用的方式尤其是要反复测试的时候# 放到用户工作流目录界面左侧才能直接切换 cp c0051.json /path/to/ComfyUI/user/default/workflows/c0051.json这样操作后在 ComfyUI 界面左侧的工作流列表里就能看到 c0051 这个名字点击即可加载不需要每次开浏览器再选文件。放错目录的话列表里不会出现但也不会报错容易让人以为工作流丢了。我建议先确认 ComfyUI 根目录路径再执行这条命令。导入成功后画布上会出现一组节点。此时不要急着连图先把节点之间的连线看清楚。正常的链路是 Load Image 的输出口连接到 QwenImageEdit 的 reference image 输入口QwenImageEdit 的输出口再往下走。如果哪个节点是红色说明对应的自定义节点还没装好回到 3.1 检查第一项。3.3 第一次出图的参数起点工作流跑通后接着就是第一次出图。Load Image 节点里点 Choose file选一张你准备好的参考图。QwenImageEdit 节点里重点关注两处instruction 文本框和 guidance_scale 数值。instruction 的写法决定编辑效果的成败这是新手最常翻车的地方。很多人拿到图生图习惯性地写“beautiful, high quality, masterpiece”这套在 SD 文生图里管用在 QwenImageEdit 这里基本无效。编辑模型的 prompt 应该是一句指令能拆成“对什么做怎么样的修改”这个结构。我整理了两组对比写法示例效果低效a beautiful girl with sunset background模型可能只复制原图或加滤镜有效change the background from daylight to sunset模型定位背景区域做替换低效make it like an anime风格模糊结果不稳定有效change the girl into anime style, keep the face unchanged风格迁移且保留主体特征guidance_scale 第一次用 5.0 起步这个值在大多数场景下能平衡“听指令”和“别乱改”。跑完看结果再微调效果太保守就往上加到 6.5改过头了就往下调到 4.0。seed 建议先固定住。ComfyUI 里节点右侧有时会有随机数按钮点一下就是新 seed。固定 seed 的好处是你调 guidance 或改 instruction 之后能确定结果差异确实来自参数改动而不是随机采样的运气。参数全调好后最后再放开 seed多跑几张挑最满意的。3.4 用 Python 直接修改工作流配置做批量测试当你要测多组指令和参数时在界面上一个个点会非常累。ComfyUI 的 workflow json 本质是一个可读的数据结构我一般直接用 Python 脚本读取、修改、写回再在界面里加载修改后的 json。这样能一口气生成十几份测试方案。import json with open(c0051.json, r, encodingutf-8) as f: wf json.load(f) nodes wf[nodes] # 找到 LoadImage 节点和 QwenImageEdit 节点 image_node next(n for n in nodes if n.get(type) LoadImage) qwen_node next(n for n in nodes if QwenImageEdit in n.get(type, )) # LoadImage 第一个 widget 值是图片文件名 image_node[widgets_values][0] photo.png # 假设 widgets_values 顺序是 instruction, guidance_scale, seed qwen_node[widgets_values][0] change the background to beach qwen_node[widgets_values][1] 5.5 qwen_node[widgets_values][2] 42 with open(c0051-tuned.json, w, encodingutf-8) as f: json.dump(wf, f, ensure_asciiFalse, indent2)这段代码先读取原工作流再用next()从节点列表里抽出目标节点。widgets_values是节点面板上参数值的列表顺序不固定我写的注释是基于常见排布不同节点作者可能把参数顺序打乱。跑脚本前建议先手动查看 json 里 QwenImageEdit 节点那段widgets_values到底有几位确认哪一位对应对应哪个参数再改代码。这种改法只动参数不动节点连线和整体结构安全性高。最坏情况就是参数没改对位置重新对照原文件即可。它适合做“控制变量”式的批量测试而不适合改动工作流结构本身。4. 避坑指南QwenImageEdit 工作流最容易翻车的五个点4.1 导入后节点全红Unknown node type现象把 c0051.json 拖进 ComfyUI画布上一片红色节点报错写着 Unknown node type。原因QwenImageEdit 自定义节点没有安装ComfyUI 不认识这个节点类型。常见于刚装的整合包或精简版 ComfyUI默认自带节点里不含第三方内容。解决打开 ComfyUI Manager切到 Custom Nodes Manager搜索 QwenImageEdit点 Install再重启 ComfyUI。装完后先跑一遍节点自带的 example 工作流确认节点本身没问题再回来加载 c0051.json。没有 Manager 的话去代码仓库手动下载节点文件夹放到 ComfyUI 根目录的 custom_nodes 下面重启。这一步做完仍然红色检查节点目录名是否有中文或空格ComfyUI 对目录名解析不友好。4.2 出图全黑模型路径加载失败现象节点没报红色运行时日志却提示找不到某个模型文件输出图是全黑的。原因权重文件放错了目录。节点代码里写死了期望的路径比如 models/qwen_image_edit而你把权重放到了 models/checkpoints。ComfyUI 不会自动帮你迁移文件只会报错。解决仔细看日志里的报错信息它会直接打印出“找不到的文件完整路径”。按这个路径创建目录把权重文件移动过去重新运行。我每次换模型后都会做一遍这个检查不再凭记忆猜测路径。也可以用软链接方式指向已有模型目录省一份磁盘空间但要注意 Windows 上创建软链接需要管理员权限我一般直接用复制简单省事。4.3 指令不生效输出结果和原图几乎一样现象跑了半天生成图看起来就是参考图的复制品只有细微的颜色变化。原因最常见的是 guidance_scale 设太低比如默认 1.0模型压根没有动力执行指令其次是 instruction 写成了风格描述而不是动作指令模型认为你没让它改什么还有一种可能是 max_pixels 设太小图片在输入阶段被暴力压缩细节和语义信息丢失编辑无从下手。解决先确认 max_pixels 不低于 1024再检查 guidance_scale 是否在合理区间不低于 3.0。最后改 instruction 的写法用“change A into B”或“replace the sky with clouds”这种明确结构少用形容词堆砌。我跑 QwenImageEdit 的经验是instruction 越像命令输出越不糊弄。4.4 中途崩溃显存不足或虚拟内存爆掉现象跑着跑着进度条停住界面卡死日志里出现 CUDA out of memory或者整合包弹窗提示虚拟内存不足。原因QwenImageEdit 的模型体量对显存要求高同时 ComfyUI 在加载模型时会预分配一定空间。秋叶整合包默认的系统虚拟内存设置可能偏小一旦显存被打满系统来不及扩展虚拟内存就直接崩溃。解决启动命令加--lowvram这一步能解决大半问题。系统层面手动把 Windows 虚拟内存设置为不少于 32G具体在“高级系统设置 → 性能设置 → 高级 → 虚拟内存”里调整。设置后重启再跑。跑大图时尽量关掉其他占显存的程序浏览器标签页也清一清实测能少翻车几次。4.5 中文编辑指令乱码或报编码错误现象instruction 里写中文节点运行时报 UnicodeEncodeError或者模型完全无视指令。原因Windows 终端默认编码可能是 GBK而 json 文件是 UTF-8脚本读取时字符集不一致导致乱码模型分词器对中文指令的支持也可能不完整。解决保存和修改 json 文件时注意编码必须明确 UTF-8。Python 脚本里open()统一带上encodingutf-8读取和写入都要带。文本内容我优先用英文指令尤其是测试阶段能避开大量编码坑。出图效果稳定后想试试中文指令再单独验证避免把变量混在一起排查。5. 从单张到批量把基础工作流改成自动处理和 HTTP 调用5.1 批量跑图的脚本思路c0051.json 一次只能处理一张图。当你手上有一批参考图要统一编辑比如 20 张照片都要换背景手动一张张点就没效率了。我一般会写一个简单的 Python 脚本循环修改 LoadImage 节点的图片路径生成多份 json 文件然后逐个在 ComfyUI 里加载运行。import json with open(c0051.json, r, encodingutf-8) as f: base_wf json.load(f) image_node next(n for n in base_wf[nodes] if n.get(type) LoadImage) images [photo_01.png, photo_02.png, photo_03.png] for idx, img in enumerate(images): wf json.loads(json.dumps(base_wf)) image_node[widgets_values][0] img with open(fbatch_{idx:02d}.json, w, encodingutf-8) as f: json.dump(wf, f, ensure_asciiFalse, indent2)这段代码里用了json.loads(json.dumps(base_wf))做深拷贝因为深层嵌套的字典直接赋值引用会导致多份文件互相影响。每张图片生成一个独立的 json 文件文件名按序号排列方便后续追踪结果。跑批时别忘了一边跑一边看 output 目录确认图片确实在替换而不是重复生成同一张。这种做法适合数据量几十张以内的场景不需要引入额外组件。它的缺点是要人工干预每一步切换 json 文件、点运行。所以数据量再往上涨我就会切到 API 模式。5.2 导出 API 格式后走 /prompt 接口ComfyUI 里有个 Export API 功能在工作流更多菜单里。它导出的 json 和 c0051.json 不一样格式是{ prompt: { 节点ID: { class_type: ..., inputs: ... } } }专门给程序调用用的。我导出后用 curl 或 Python requests 直接提交给 ComfyUI 后端不需要打开浏览器。# 提交工作流到 ComfyUI 执行无需打开界面 curl -X POST http://127.0.0.1:8188/prompt \ -H Content-Type: application/json \ -d c0051_api.jsoncurl 提交成功后服务端会返回一个 prompt_id比如prompt_id: xxxx-xxxx-xxxx。通过这个 ID 可以查询执行结果。执行不是实时的模型加载和推理都要时间所以我一般会轮询 /history 接口直到拿到输出图文件名。import requests, time prompt_id xxxxxxxx # 从上一步返回中获得 for _ in range(60): resp requests.get(fhttp://127.0.0.1:8188/history/{prompt_id}).json() if prompt_id in resp: outputs resp[prompt_id][outputs] print(outputs) break time.sleep(2)这段轮询代码每两秒查一次状态最多等 120 秒。QwenImageEdit 单张图推理通常几十秒内能完成但如果机器显存紧张可能更久。超时后先把等待时间拉长不要急着调代码。这里有个参数值得注意/history/{prompt_id}返回的结构里outputs 字段记录了 SaveImage 节点生成的文件名直接拼接 output 目录路径就能拿到完整图片地址。5.3 批量测试时的 seed 管理批量测试最怕的是结果不可比。你跑了 10 张图每张的 seed 都不同最后对比发现风格差异很大但说不清是参数问题还是随机性。我的习惯是批量测试时seed 全部固定成同一个值只改变要测试的那一个变量批量生产时seed 随机化避免一组图全都长得一个样。import random # 找到 QwenImageEdit 节点 qwen_node next(n for n in base_wf[nodes] if QwenImageEdit in n.get(type, )) # 测试模式下固定 seed qwen_node[widgets_values][2] 42 # 生产模式下随机 seed # qwen_node[widgets_values][2] random.randint(0, 99999999)注释里区分了两种模式的 seed 写法。实际使用中QwenImageEdit 节点的 widgets_values 顺序可能不完全是我写的这样跑之前先打印qwen_node[widgets_values]看一眼内容再决定改哪个位置。宁可先花十秒钟检查也不要跑一整批才发现改错了参数。6. 验证生成质量一张图到底改没改到位6.1 先固定 seed 做对照组图生图这种任务肉眼看到结果满意是第一标准但你交给别人或者批量生产时就要用数据说话。我把验证分成两步先固定 seed把参考图跑三次分别用 guidance_scale 4.0、5.0、6.5再固定 guidance换三条不同指令。这样就得到两组对照能明确看出是“听话程度”还是“指令表达”影响了最终效果。每次结果我都保存成独立文件文件名带上参数比如sunset_g5.0_seed42.png方便回头对比。6.2 用 SSIM 量化编辑强度机器判断“改了没有”我会用结构相似性指数 SSIM。它把两张图在亮度、对比度、结构三个维度做比较输出 0 到 1 之间的分数1 表示完全相同。import cv2 from skimage.metrics import structural_similarity as ssim before cv2.imread(photo.png) after cv2.imread(photo_sunset.png) # 判断两张图尺寸是否一致不一致先统一尺寸 before cv2.resize(before, (after.shape[1], after.shape[0])) score ssim(before, after, channel_axis2) print(fSSIM: {score:.3f})SSIM 超过 0.9 说明编辑基本没生效输出约等于原图低于 0.5 说明改动幅度很大可能已经偏离了编辑意图我一般看 0.6 到 0.85 区间这个范围意味着“肉眼可见地改了但主体轮廓还保留着”。当然这只是一个参考值不同指令类型天然会产生不同分数比如换背景的改动就比换发色的大。所以我不会只看分数下结论而是先看分数异常再回头检查指令和参数。从那以后我每次换模型权重、调参数都强制走一遍这个流程固定 seed、跑对照组、算 SSIM再决定要不要继续。这套流程帮我避掉了至少十次“觉得改好了但其实模型压根没动”的瞎忙希望帮到你。本文还有配套的精品资源点击获取