比迪丽LoRA模型与ComfyUI工作流集成：实现复杂角色绘制

比迪丽LoRA模型与ComfyUI工作流集成：实现复杂角色绘制

如果你已经用Stable Diffusion WebUI玩过LoRA模型，可能会觉得，虽然效果不错，但流程总有点“黑盒”的感觉。想同时用两个LoRA模型？想精确控制角色的姿势和构图？想批量生成不同表情的系列图？这些复杂需求在传统界面里操作起来往往很麻烦，要么得来回切换，要么得写复杂的脚本。

这就是ComfyUI的用武之地了。它把图像生成的每一步都变成了可视化的“节点”，让你能像搭积木一样，自由组合和控制整个流程。今天，我们就来聊聊如何把“比迪丽”这类角色LoRA模型，深度集成到ComfyUI的工作流里，解锁那些让你创作更自由、效率更高的高级玩法。

1. 为什么选择ComfyUI来驾驭LoRA？

在开始动手之前，我们先得搞清楚，费这么大劲折腾ComfyUI，到底图个啥？简单来说，就三个字：控制力。

在普通的WebUI里，你输入一段提示词，选择一个LoRA模型，然后点击生成。这个过程很便捷，但背后发生了什么，你很难干预。比如，你想让“比迪丽”这个LoRA模型只影响人物的脸部特征，而用另一个LoRA模型去控制她的服装风格，这在常规流程里几乎无法精确实现。

ComfyUI则不同。它把整个生成流程拆解开来：

• 加载模型是一个节点。
• 输入提示词是一个节点。
• 应用LoRA是一个节点。
• 控制生成步数、采样器也都是独立的节点。

你可以用连线把这些节点按你的想法连接起来，形成一个可视化的工作流。这意味着，你可以把“比迪丽”LoRA模型精准地“注入”到流程的特定环节，可以轻松地让它和别的LoRA模型协同工作，甚至可以引入ControlNet这样的节点来严格约束人物的姿势、线稿或景深。

用个比喻来说，WebUI像是开自动挡汽车，方便但可调参数有限；ComfyUI则像开手动挡甚至改装赛车，每一个部件你都能看到、能调整，最终能组合出独一无二的驾驶（创作）体验。对于追求精细控制和复杂效果的创作者，这种透明度和灵活性是无可替代的。

2. 基础搭建：在ComfyUI中加载你的LoRA模型

好了，道理讲明白了，我们开始动手。第一步，自然是把“比迪丽”LoRA模型放到ComfyUI能识别的地方。

2.1 准备工作：放置模型文件

ComfyUI的模型管理非常清晰。通常，它的目录结构是这样的：

ComfyUI_windows_portable/ ├── ComfyUI/ │ ├── models/ │ │ ├── checkpoints/ # 放主模型（大模型） │ │ ├── loras/ # 放LoRA模型 │ │ ├── controlnet/ # 放ControlNet模型 │ │ └── vae/ # 放VAE模型 │ └── ...

你需要做的，就是把下载好的bidili_lora.safetensors这类文件，复制到models/loras/这个文件夹里。重启ComfyUI后，它就会被自动识别。

2.2 构建第一个LoRA工作流

打开ComfyUI，你会看到一个空白的画布。别慌，我们从最简单的流程开始搭建。

1. 右键点击画布->Add Node->Loaders->Checkpoint Loader。这个节点用来加载我们的主模型（底模）。
2. 再次右键->Add Node->Loaders->Lora Loader。这就是加载LoRA的核心节点。
3. 我们需要连接它们。点击Checkpoint Loader节点的MODEL输出点，拖出一条线，连接到Lora Loader节点的model输入点。同样，把CLIP输出也连到Lora Loader的clip输入。这相当于告诉LoRA节点：“请基于这个主模型进行修改。”
4. 在Lora Loader节点上，点击lora_name旁边的下拉框，你应该能看到刚刚放进去的“比迪丽”LoRA模型，选中它。strength_model和strength_clip通常可以都设为1.0开始尝试，它控制LoRA的生效强度。
5. 接下来，添加提示词节点：Add Node->Conditioning->CLIP Text Encode (Prompt)。我们需要两个，一个管正向提示词，一个管负向提示词。
6. 将Lora Loader节点输出的MODEL和CLIP，分别连接到后续的KSampler（采样器）节点对应的输入上。同时，把两个CLIP Text Encode节点的输出，连接到KSampler的positive和negative输入。
7. 最后，添加VAEDecode和Save Image节点，连接好，一个最基础的LoRA生成工作流就完成了。

这个流程虽然简单，但已经实现了核心功能：用指定的主模型，结合“比迪丽”LoRA的风格，生成图像。你可以保存这个工作流（点击右下角Save），以后一键加载。

3. 进阶技巧：多LoRA混合与ControlNet精准控制

单一LoRA满足不了你？想画一个穿着特定风格服装的“比迪丽”？没问题，ComfyUI的模块化优势在这里尽显。

3.1 实现多LoRA模型混合使用

在ComfyUI里，串联多个LoRA模型非常简单。你不需要任何特殊脚本，只需要多接一个Lora Loader节点。

1. 在上一个流程的基础上，从第一个Lora Loader节点的MODEL和CLIP输出点，再拉出连线，连接到第二个Lora Loader节点的model和clip输入。
2. 在第二个节点里，选择另一个LoRA模型，比如一个“科幻机甲服装”的LoRA。
3. 调整两个LoRA节点的strength强度。比如，“比迪丽”脸部特征强度设为0.8，机甲服装强度设为0.6，通过调节这两个数值，你可以控制不同风格特征的融合比例。

这种链式连接方式，让模型融合变得直观且可调。你可以实验不同的连接顺序（哪个LoRA先作用，哪个后作用）和强度组合，创造出独一无二的混合角色。

3.2 引入ControlNet进行姿势与构图控制

LoRA决定了“是谁”和“穿什么”，而ControlNet可以严格规定“摆什么姿势”和“在什么构图里”。两者结合，才是真正意义上的“可控生成”。

1. 首先，你需要一个姿势图。可以自己画一张火柴人简笔画，或者用OpenPose等工具从参考图中提取骨架图。
2. 在节点菜单中，找到Add Node->Loaders->ControlNet Loader，加载你需要的ControlNet模型（如control_v11p_sd15_openpose.pth）。
3. 添加Add Node->Conditioning->Apply ControlNet节点。
4. 连接流程：将你的正面提示词节点（CLIP Text Encode）输出，连接到Apply ControlNet节点的conditioning输入。然后将ControlNet Loader节点和包含姿势图的Load Image节点，分别连接到Apply ControlNet的对应输入。
5. 最后，将Apply ControlNet节点的输出，连接到KSampler的positive输入，取代原先的直接连接。

现在，当你生成图像时，无论你的提示词怎么写，最终人物的姿势都会严格遵循你提供的姿势图。你可以同时使用多个ControlNet，比如一个控制姿势，一个控制线稿深度，实现极其精准的画面控制。

4. 效率提升：批量生成与工作流优化

当复杂的工作流搭建好后，你肯定不想只生成一张图。批量生成和脚本化能极大提升效率。

4.1 利用队列进行批量生成

ComfyUI自带队列系统。你可以在KSampler节点中设置不同的随机种子seed，然后依次点击“Queue Prompt”多次，每次都会使用新的种子生成图片。这是最简单的批量方式。

但对于更复杂的批量需求，比如需要系统性地遍历不同的提示词、LoRA强度或ControlNet权重，就需要用到自定义脚本。

4.2 编写简单的批量生成脚本

ComfyUI支持通过Python API来驱动工作流。思路是：加载你保存好的工作流JSON文件，然后通过程序修改其中特定节点的参数，最后循环执行。

下面是一个概念性的代码片段，展示如何批量修改提示词：

import comfy.sd import comfy.utils import json # 1. 加载你保存的工作流 with open('your_bidili_workflow.json', 'r') as f: workflow_data = json.load(f) # 2. 定义要批量替换的提示词列表 prompt_list = [ "bidili, smiling, in a garden", "bidili, serious, in a cyberpunk city", "bidili, laughing, wearing casual clothes" ] # 3. 循环生成 for index, prompt in enumerate(prompt_list): # 找到工作流中CLIP Text Encode (Prompt)节点的ID，并更新其文本内容 # 这里需要根据你实际工作流的节点ID来操作，通常需要解析workflow_data updated_workflow = modify_prompt_in_workflow(workflow_data, node_id='提示词节点ID', new_text=prompt) # 4. 通过ComfyUI API执行这个修改后的工作流 # 这里需要调用ComfyUI的内部执行函数（具体API请参考官方文档） images = comfy.utils.execute_workflow(updated_workflow) # 5. 保存图片 for img in images: img.save(f'batch_output_{index}.png')

通过这种方式，你可以将任何想要变化的参数（种子、提示词、ControlNet引导图强度等）编入循环，实现全自动的、可复现的批量创作。这对于需要产出大量设定图、表情包或者测试不同风格组合的情况，简直是神器。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。