# AI 室內設計工作流教學 （三）：ComfyUI實際應用

## **生成第一張圖**

安裝完ComfyUI、也下載完模型之後，應該會看到以下的畫面：

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1740471604975/e6dfe04a-c8e6-4e05-9787-b0a76af5be18.png?auto=compress,format&format=webp align="left")

我們可以直接點擊下方的**藍色按鈕Queue**來生成我們的第一張圖片：

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1740472006917/68f0a286-ec0c-467a-8678-b07ac6adb38a.png?auto=compress,format&format=webp align="left")

等待一段時間後，就會生成出圖片，但在這同時，我們可以先點擊左上角的時間按鈕，或者按下快捷鍵Ｑ來打開圖片生成隊列(下圖紅色框線部分)。

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1740472998262/e35fa6b4-f0e0-45cc-a253-b355f8f7ebb4.png?auto=compress,format&format=webp align="left")

點下後就可以看到目前圖片處理的情況。如果按下多張圖，會依照先後順序一張張處理、生成。處理完後會顯示生成花費的時間（圖片左下綠色數字）。

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1740473111694/1c329718-dc6f-489e-8d49-90b6eade77bb.png?auto=compress,format&format=webp align="left")

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1740472081955/22533fef-0651-4792-8035-8e753350c460.png?auto=compress,format&format=webp align="left")

生成一張ＡＩ圖片沒有想像中難吧，接下來會開始詳細介紹各個元件的功能。

> ***重要資訊：Ｍac版的ComfyUI如果遇到生成不出圖片只生成黑畫面，請依照下圖圈選的方式設定Ksampler：***
> 
> * ***sampler\_name : dpmpp\_2m\_sde***
>     
> * ***scheduler : beta***
>     
>     ![](https://cdn.hashnode.com/res/hashnode/image/upload/v1740468310116/e46aaeed-ccd3-46e5-8405-5c3f93ddd57f.jpeg?auto=compress,format&format=webp align="left")
>     

---

在剛剛生成第一張圖的過程中，我們在介面上能夠看到很多的方塊被連結起來，這些方塊被稱為節點（Node）

## **節點（Node）**

ComfyUI就是一個節點式的工作流工具，在comfyUI裡節點是最基礎的單位，如下圖所示：

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1740383566420/80e4816d-6694-4755-b591-21712110d996.jpeg?auto=compress,format&format=webp align="left")

黃色框起來的部分是一個**節點（Node）**

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1740383710956/c5b773a9-472a-46e3-a9eb-b1623822b068.png?auto=compress,format&format=webp align="left")

節點（Node）之間能夠連結起來，連結就代表著資料從節點到節點的傳輸，上圖的意思就是將**Clip節點**（文字節點）中的**文字作為輸出**，輸入到連結的**KSampler節點**的**positive輸入**中。

* 在節點**左側連接點** : **輸入（input)**、例如：Ksampler節點的positive,negative輸入。
    
* 在節點**右側連結點** : **輸出（Output）**、例如：Ksampler節點的Latent輸出。
    

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1740540725447/3ded5ab0-3d8f-451a-ab7c-dbd5a65c0bbf.webp?auto=compress,format&format=webp align="center")

滑鼠移動到輸出點的上方時按下**滑鼠左鍵拖曳**即可拉出一條**連結線**，**同顏色的輸出可以連結到同顏色的輸入**，把連結線連到其他節點的輸入即可完成兩個節點的資料串接。

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1740474232603/a15278d8-f319-4651-b5fe-3a2229aaac38.png?auto=compress,format&format=webp align="left")

**這個流程有防呆機制，只有可連接的點會被顯示，讓你可以簡單判斷可以連到哪裡。如果連到無效的輸入點就不會產生連結。**

### 自訂節點 （Custom Node）

除了一般內建的節點，想要使用更多功能，如Inpaint / controlnet的時候，就必須針對功能下載相應的自訂節點（Custom Node），關於Custom Node的詳細介紹，會在這篇教學文章的後半段提到。

---

# **工作流**

理解了節點之後，我們來說說工作流：藉由**連接這些功能各異的節點**，我們可以將這些節點依照我們想要的工作流程串接成一個**工作流（workflow）**。我們可以自行建立，也可以下載其他人建立的工作流。

## 文生圖workflow

比如這個ComfyUI最基礎的**文生圖工作流（Text-to-Image workflow）。**

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1740474762881/07f7c4ca-9938-4cf4-bbe6-b78f1dabdcda.webp?auto=compress,format&format=webp align="left")

在一個文生圖的流程中，我們的目標是**輸入一組提示詞來產出一張圖片**。要達成這個目標，我們需要串接節點來達成這件事情。

### 文生圖流程解說：

在（**1）Checkpoint Loader**節點載入生成圖像的**模型**。

在\*\*（2）CLIP Text Encode\*\*節點中輸入 **提示詞**：

* **正向提示詞（Prompt）**：描述希望在圖片中呈現的元素。
    
* **負向提示詞（Negative Prompt）**：排除不希望出現的元素。
    

在 **(5) Latent Image** 節點中設定 **圖片尺寸、 需要生成幾張**。

這些參數會一同傳送到 **（3）KSampler** 節點進行處理。**KSampler** 節點負責 **控制模型的生成過程**，包括：

* **步數（Steps）**：決定去噪的次數，影響細節與品質。
    
* **提示詞影響程度（CFG Scale）**：控制 AI 對提示詞的依從程度。
    
* **採樣器（Sampler）**：選擇不同的演算法影響風格與細節。
    

經過 KSampler 節點運算後，會產生一張 **潛在圖像（Latent Image）**，這還不是最終人類可以理解的圖像。

需要透過 **（4）VAE**節點**解碼**，將其轉換為**可見圖像**。

最後，生成的圖片可以輸出至（**5） Preview（預覽）** 或 **Save Image（儲存）** 節點，以便查看或保存。

---

## **節點詳細介紹（Node Introduction）：**

1. ### **Load Checkpoint：**
    
    這個節點的功能就是**載入大模型，任何放在Checkpoint資料夾中的大模型都可以被這個節點讀取到**。而最常見的就是ＳＤ模型，其他的還有Flux，模型本身會直接影響生成時間和生成影像的品質、VRAM使用量，這些模型可以從某些特定網站下載：常見的有Civitai、Github、Hugginface 等等，之後會再說明。
    
    ![](https://cdn.hashnode.com/res/hashnode/image/upload/v1740391357010/9f9a925c-74b5-492e-88eb-e84287eddf32.png?auto=compress,format&format=webp align="left")
    
    <div data-node-type="callout">
    <div data-node-type="callout-emoji">💡</div>
    <div data-node-type="callout-text"><strong>關於SD（Stable Diffusion）模型：</strong>SD模型是一種Diffusion 模型，這是一種深度學習模型，主要用於 <strong>圖像生成、修復、風格轉換等任務</strong>。它的基本概念是：1. 先將圖片逐步添加隨機雜訊（Forward Process），讓其變成完全無法辨識的雜訊圖。2. 再透過 AI 逐步去除雜訊（Reverse Process），讓圖片回到清晰的狀態。這種方式讓 Diffusion 模型 <strong>能夠學習如何從雜訊中恢復高品質的圖片</strong>，最終可以根據提示詞（Prompt）來生成圖像。</div>
    </div>
    
    ![Diffusion Model](https://blog.kakaocdn.net/dn/eNk6Em/btsJm4SnDxC/9OXmT0bgLE632QjbMVZP3K/img.png align="left")
    
    <div data-node-type="callout">
    <div data-node-type="callout-emoji">💡</div>
    <div data-node-type="callout-text">在ComfyUI中最常見的是<strong>SD模型</strong>，常見的SD模型版本有：SD 1.5, SD 3, SDXL，通常會標注在模型的名稱上，比如說圖中的<strong>Juggernaut XL</strong> 就是一種SDXL模型。</div>
    </div>
    
2. ### **CLIP :**
    
    上面在介紹節點的時候就有提過，Clip這個節點是讓使用者輸入提示詞的地方，為了要讓模型能夠更精確地理解人類的意思，除了我們想描述的**正向提示詞** \*\*（Positive Prompt）\*\*之外，我們也可以特別註明我們不想要模型生成的特質、東西、類型，也就是：**負向提示詞（Negative Prompt）**。
    
    ![](https://cdn.hashnode.com/res/hashnode/image/upload/v1740550563840/93c8924e-27f8-44ec-8bc1-c72e188763fb.png?auto=compress,format&format=webp align="left")
    
    <div data-node-type="callout">
    <div data-node-type="callout-emoji">💡</div>
    <div data-node-type="callout-text">通常正向提示詞的clip會用綠色標示、負向則用紅色標示。</div>
    </div>
    
    這個節點會將人類的文字轉換成模型能夠理解的形式，再用這些參數來生成最終的圖像。
    
3. ### **KSampler：**
    
    KSampler 是 **ComfyUI** 內的一個 **核心節點**（Node），**負責將 Prompt（提示詞）、模型、噪聲數據等資訊組合起來，生成最終的圖像。**
    
    * ![](https://cdn.hashnode.com/res/hashnode/image/upload/v1740391484659/b4eeb7c3-5265-4a70-8ef9-62247e6579a4.png?auto=compress,format&format=webp align="left")
        
        **Seed**：固定的Seed會產生相同的圖片
        
    * **Control\_after\_generate** ：在生成後，隨機（Randomize）、增加（increment）、減少（decrement）、種子值，也有固定（fixed）選項可以生成同張圖像。
        
    * **步數（Steps）**：決定去噪的次數，影響細節與品質和生成時間，一般會以20起始，依需求品質增減。
        
    * **提示詞影響程度（CFG Scale）**：控制 AI 對提示詞的依從程度，**越高越符合提示詞，但會影響畫面自然度**，標準會設定在６－９。
        
    * **採樣器（Sampler）**：影響風格與細節，**依使用的模型調整**，各種模型往往會有最佳的設定。
        
    * **降噪強度（Denoise)**：用於控制圖生圖的改變幅度，越低越保持原圖細節，越高AI重繪幅度越大。
        
    
4. ### **Latent Image：**
    
    ![](https://cdn.hashnode.com/res/hashnode/image/upload/v1740551729778/bc720d43-2210-4a88-bf78-e66aca559be3.png?auto=compress,format&format=webp align="left")
    
    **Latent Image（潛在圖像）** 是 AI 圖像生成過程中的中間數據表示，它不像一般的圖片由 RGB 像素點組成，而是由數學向量（Latent Space Representation） 來表示圖像的特徵。簡單來說，Latent Image 是 AI 理解的「隱藏圖像」，而不是人眼可見的圖片。這是 AI 在生成最終圖像前的一種壓縮表示形式。
    
    在文生圖流程中，這個節點能夠先生成一個空的laten Image，用來決定圖片的尺寸。**Batch size則可決定一次生成圖片的數量。**
    
5. ### **VAE：**
    
    VAE（Variational Auto Encoder，變分自動編碼器） 是 Stable Diffusion 和 ComfyUI 中負責**圖像壓縮與解碼 的節點**。它的主要作用是**將圖像轉換為潛在空間（Latent Space），並在 AI 生成後解碼回可見圖像**。
    
    * Decode - 將 AI 生成的潛在圖像（Latent Image）轉換為可見圖片。
        
    * **Encode - 將可見圖片轉換成潛在圖像（Latent Image），用在圖生圖的流程中。**
        
        ![](https://cdn.hashnode.com/res/hashnode/image/upload/v1740391560535/ced6f683-c17a-44bb-9123-6f7139916cb8.png?auto=compress,format&format=webp align="left")
        
    
6. ### **Preview Image**
    
    轉換過後的圖片會出現在這個節點中。另外有**Save Image節點**會直接儲存影像。
    
    ![](https://cdn.hashnode.com/res/hashnode/image/upload/v1740551441990/9ec51d0a-765c-4773-8b00-817126c051b0.png?auto=compress,format&format=webp align="left")
    

---

## 圖生圖workflow

詳細介紹完節點和工作流之後，我們來實際練習更改工作流：

有時候我們需要使用一張圖片作為生成圖片的參考，這時候我們就會需要一個\*\*圖生圖（image-to-image）\*\*的工作流。這個工作流大部分都和文生圖工作流相同，只需多傳入一張參考圖片到模型中即可。

### 具體該怎麼做呢？

由於Ksampler只能接受latent Image作為輸入， 所以我們必須要先將傳入的圖片轉換成Latent Image：這時候就用到上面說的**VAE Encode**這個節點，他能將輸入的圖片轉換成Latent Image後傳入Ksampler。

輸入圖片的流程就如同下圖，是不是很容易？輸入的參考圖片經過VAE編碼後就可以傳入Ksampler中。

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1740551522117/bcfaf4d1-ae42-402a-856b-0e86649992ba.png?auto=compress,format&format=webp align="left")

將原本輸入圖片尺寸的Empty Latent Image節點替換掉後，就形成的新的**圖生圖工作流**。新生成的圖片會依照輸入圖片的尺寸生成，調整**Denoise數值則可以調整AI重繪的幅度**。

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1740551874307/11f7342e-f832-4bee-a396-2176d5f1e4d4.png?auto=compress,format&format=webp align="left")

接下來我們可以點擊**Workflow → Save**將做好的工作流命名儲存下來，儲存的工作流會顯示在側邊的工作流欄位（資料夾圖示）中。

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1740555564617/dec2f72c-c562-445e-a388-7d61dd64cba3.png?auto=compress,format&format=webp align="left")

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1740555433003/f37545cd-a239-48eb-a907-b0e27b87e91f.png?auto=compress,format&format=webp align="left")

之後要重複使用工作流的時候，可以直接點擊叫出。

複雜的工作流都是由這樣一步步慢慢加上控制形成的。接下來會介紹一些實用**控制生成圖片的方法**。順便學習如何下載使用**自訂節點（Custom Node）、模型（Model）**。

---

## 控制生成圖片

AI生成圖片是一個強大的功能，但要實際應用到室內設計的領域中，就必須盡可能**消除生成圖片的隨機性**。藉由特殊的**Custom Node節點和模型**，我們就能夠控制AI生成我們需要的圖片。

## 常見的控制方式

## **LoRA（Low-Rank Adaptation） ：**

是一種輕量AI 訓練方式，需搭配Checkpoint模型使用。加載後能夠特化Checkpoint模型，讓模型能夠精準產出指定的角色、特定物品、風格，而不需要重新訓練整個模型。

* EX：水墨風格、動漫風格、室內設計、商品拍攝圖、電影質感，等等LoRA
    

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1740556830431/f041b7ef-7324-417e-a813-3d6d39566737.png?auto=compress,format&format=webp align="left")

## **ControlNet :**

可以讓 AI 根據一張參考圖的\*\*「結構」\*\*來控制生成的新圖

* **指定的形狀、人物姿勢、線稿圖、深度圖** 等等
    

![Example Picture 1](https://github.com/XLabs-AI/x-flux/blob/main/assets/readme/examples/canny_result1.png?raw=true align="left")

## **IPAdapter :**

可以讓 AI 模仿一張參考圖的**風格、顏色、臉部特徵**來控制生成的新圖，適合：

* **讓 AI 生成相似風格的圖**（如某個插畫師的畫風）。
    
* **根據某張臉生成相似的 AI 角色**（但不會完全相同）。
    
* **自動匹配顏色與光影**，讓 AI 畫出更自然的效果。
    

![How to perform style transfer using IPAdapter Plus in ComfyUI? – Comflowy](https://www.comflowy.com/blog/IPAdapter-Plus/banner.png align="left")

礙於篇幅關係，我們用**ControlNet**來舉例，剩下的控制，我們可以透過Krita + ComfyUI的插件來實現，當然有興趣的話，讀者可以嘗試自行安裝，每個功能的頁面底下都有詳細的說明。

---

## **SDXL 模型下載**

在開始使用ControlNet之前，我們先來下載SDXL模型，XL意思代表他能夠生成比SD 1.5更大的圖像。

### Civitai

**Civitai**是一個專門用來**分享、下載、交流 Stable Diffusion（SD）相關 AI 模型與資源**的開放平台。在這裡，你可以找到各種風格的 Stable Diffusion 模型（Checkpoint）、LoRA（輕量風格微調模型）、ControlNet、Textual Inversion、VAE 等 AI 擴展，是一個AI 藝術家和開發者的交流社群。

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1740561897815/bd4f5823-acb3-4d06-9af5-65a02fae79c0.png?auto=compress,format&format=webp align="left")

直接在搜尋欄搜尋**Juggernaut XL**，並點擊進去。

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1740562291874/086cfd90-0a3e-4c55-b3f2-6059e25dc96a.png?auto=compress,format&format=webp align="left")

這邊我選擇下載 **Jugg\_X\_byRunDiffusion 這個版本**，你可以挑你喜歡的版本下載，每個版本有不同的特性，可以閱讀一下說明欄位。

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1740562364578/06e2b21a-dc81-4637-96ef-d456355d87a9.png?auto=compress,format&format=webp align="left")

側邊欄有模型的細節，在About this vesion這個欄位中，我們可以看到模型的種類、上傳時間、建議的設定等等資訊，之後使用這個模型的時候就可以依照這些設定去生成模型。

按下載，並將模型儲存到：**comfyUI（你的安裝位置）/ models / checkpoints 資料夾中**

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1740562620025/cb0f68c8-35d7-4ba5-9bed-cf60c52a53eb.png?auto=compress,format&format=webp align="left")

其餘的模型也是以這樣的方式下載，再放入Checkpoints這個資料夾中就可以使用，在**使用模型前可以先看一下建議的參數，來獲得最好的生成品質。**

## ControlNet 模型下載和安裝

每個不同的生成模型，比如 SDXL, FLUX會有不同的ControlNet，在下載使用前需要注意一下模型版本。

### Hugging Face

Hugging Face是一個專門提供 AI、機器學習（ML）與自然語言處理（NLP）工具的開放平台。它不只是 AI 開發者社群，更是 全球最大的 AI 模型庫，讓使用者可以免費下載 AI 模型。我們要下載的Controlnet模型就分享在HugginFace上。

從 [**https://huggingface.co/xinsir/controlnet-union-sdxl-1.0/tree/main**](https://huggingface.co/xinsir/controlnet-union-sdxl-1.0/tree/main)這個網址

下載 diffusion\_pytorch\_model\_promax.safetensors 這個檔案。

注意到這個頁面的sdxl這個名稱了嗎？這就代表這個**controlnet模型是sdxl專用的controlnet**。

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1740560947582/4ab508d6-0cfa-4db6-875c-b0f643b51849.png?auto=compress,format&format=webp align="left")

將檔案儲存到： **comfyUI（你的安裝位置）/ models / controlnet** 裡面，這個資料夾專門在存放你下載下來的controlnet。

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1740561618131/b7bcabe4-7bc0-4cf6-b979-42fb762acf89.png?auto=compress,format&format=webp align="left")

到這邊預備動作就做好了，現在可以開始安裝Custom nodes。

## [**使用 ComfyUI Manager 安裝 Custom N**](https://huggingface.co/xinsir/controlnet-union-sdxl-1.0/blob/main/diffusion_pytorch_model_promax.safetensors)**ode**

要**使用這些新的功能，我們必須要安裝新的、專門為這些功能製作的自訂節點（Custom Node）**。如果是透過桌面版的安裝程式安裝ComfyUI的話，ComfyUI Manager已經預先安裝好了，使用portable版本或者手動下載版本的讀者則需要額外安裝，這邊就不贅述。

點擊右上角的**Manager**，就可以**開啟ComfyUI Manager:**

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1740558570899/0a079175-03cd-4835-8076-8af77adc95a8.webp?auto=compress,format&format=webp align="left")

**ComfyUI Manager** 是一款 **專為 ComfyUI 設計的擴展管理工具**，可以讓使用者**輕鬆安裝、更新、移除各種擴充功能（Custom Nodes）**，無需手動下載或修改設定檔。

他的功能有：

* **一鍵安裝擴充插件（Custom Nodes）。**
    
* **自動更新擴充功能，確保最新版本。**
    
* **簡單管理所有安裝的插件，避免衝突。**
    

我們點擊中間上方的**Custom Node Manager**:

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1740559941279/a0fe0638-ddf5-48c2-9fb0-5ee346e43f0f.png?auto=compress,format&format=webp align="left")

進到這個頁面後，我們直接搜尋並且安裝以下三個Custom Nodes：

* **ComfyUI ArtVenture**
    
* **Comfyui\_controlnet\_aux**
    
* **Comfyroll Studio**
    

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1740560523882/dacb62d0-264c-4900-9269-b9cd40a133a5.png?auto=compress,format&format=webp align="left")

安裝完三個custom nodes 之後， 我們再按下Restart，重新啟動ComfyUI來完成安裝。

---

## ControlNet 工作流

ControlNet主要目的是讓 AI 生成圖片時可以「**遵循特定的圖像結構**」，而不是只靠文字提示詞（Prompt）。至於哪種controlNet提供怎麼樣的控制效果，可以**參考這個表格**：

| **控制類型** | **作用** | **應用場景** |
| --- | --- | --- |
| **Pose Control（OpenPose）** | 控制人體姿勢 | 生成與參考照片相同動作的角色 |
| **Canny Edge（邊緣線）** | 控制輪廓結構 | 讓 AI 照著手繪線稿生成圖片 |
| **Depth Map（深度圖）** | 保持場景的立體感 | 讓 AI 生成與參考圖片相同視角的場景 |
| **Scribble（塗鴉）** | 依據簡單手繪創作 | 快速畫出大概構圖，讓 AI 自動填充細節 |
| **MLSD（直線檢測）** | 保持建築結構 | 適合繪製建築、機械場景 |

我們先來看controlNet的工作流：

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1740564183484/6a15ae38-dded-4344-ad61-bfd06ff65457.png?auto=compress,format&format=webp align="left")

相較於圖生圖的工作流，Controlnet多了以下幾個節點。

* **Load ControlNet Model** - 可以加載ControlNet模型，這邊選擇我們剛下載好的模型
    
* **ControlNet Preprocessor** － 參考上方表格，選擇控制的方式
    
* **Apply ControlNet** － 連接各ControlNet節點到工作流中
    

要新增節點，請**滑鼠左鍵連點空白處，可以叫出搜索欄**：

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1740564548541/14535bef-54e7-4746-bc32-29feb760ef4e.png?auto=compress,format&format=webp align="left")

剩下來的就是簡單的連連看，將同名、同顏色的輸出連到輸入

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1740564320493/23da0135-f142-49eb-82a8-2296d5e7f6c0.png?auto=compress,format&format=webp align="left")

連接Checkpoint模型的VAE，連接正負向提示詞、連結control\_net、連接IMAGE

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1740564756428/523f3827-7450-46ed-86d8-0cd3d76a8518.png?auto=compress,format&format=webp align="left")

將Apply ControlNet的輸出連結到Ksampler，就完成工作流的編輯。

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1740564996261/0fccb49f-c689-42e3-bb44-888fb056e997.png?auto=compress,format&format=webp align="left")

Ksampler 的 latent Image 輸入要傳入空白的 Latent Image或者參考圖都可隨意調整

但要記得denoise的程度會影響原圖的控制力度，可以多嘗試幾次，看看不同的參數會對整個工作流造成什麼影響。

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1740565255737/d5fa5f6f-9e93-48fa-80f1-a9842144eb91.png?auto=compress,format&format=webp align="left")

我們通過控制，將魔法瓶生成出了房屋的形狀，這個就是controlnet的控制效果。ComfyUI的有趣之處就在於，只要符合基本的遊戲規則，就有無限的可能性 。

![](https://cdn.hashnode.com/res/hashnode/image/upload/v1740566573927/831201f6-e13c-4425-ab0d-11136d5d458e.webp?auto=compress,format&format=webp align="left")

關於控制圖片生成就說明到這邊，其餘像IPadapter其實也是很有趣的控制手段，有興趣的朋友可以去找其他的教程或者自行研究github、hugginface頁面上的說明。

---

## 結語

在這篇文章中，我們入門了ComfyUI的節點、工作流、自訂節點、並使用了進階的控制手段，相信經過這個教程，有了一點基礎之後，讀者就可以自行去探索ComfyUI的各種有趣應用。接下來我們就可以連結ComfyUI到繪圖軟體Krita上去做實際的應用了。

**點擊這個連結：**[**https://tw.reroom.ai/**](https://tw.reroom.ai/) **或者直接搜尋ReRoom AI就可以找到我們。**

也歡迎追蹤我們的Threads，我們會將最新的功能和使用心得放到上面，分享一些有趣的使用經驗。

### 之後的教學文章將會很快更新，歡迎訂閱我們的部落格。