Python

内容 本文介绍使用Z-Image-Turbo配合ComfyUI的使用方法。 Z-Image-Turbo的优点：1. 较强的中文提示词跟随能力和汉字生成能力 2. 仅需8步推理即可生图，且参数量仅6B，配合量化可以在家用主机上运行(16G显存)。 竞争对手: Flux-2系列 考虑到某些地区无法使用ComfyUI-manager自动下载的网络限制，文件下载均以手动的方式。 前置准备工作 配置ComfyUI, 需要安装controlnet组件，可以额外安装llama-cpp-vlm文件来实现基于Qwen3-VL的图生文反推。如果需要查看反推的文本，可以安装comfyUI-custom-scripts。 Controlnet 代码仓库: 这里 Llama-cpp-vlm代码仓库： 这里 ComfyUI-custom-scripts代码仓库: 这里 注: Llama-cpp-vlm中需要的一个llama-cpp-python.whl插件的下载地址和下面和Qwen3-VL模型下载链接一并列出 需要下载的模型汇总 Z-image-turbo三件套，下载链接里包含满血版和量化版，运行的时候diffusion_models和text_encoders可以选择量化版以节省显存开销。下载后以图中的方式放入comfyui的目录中: 模型下载链接 ControlNet基础模型: 模型下载链接 ControlNet 人物动作控制模型，需要body_pose_model.pth,hand_pose_model.pth和facenet.pth: 模型下载链接 ControlNet 深度控制模型: 模型下载链接 Qwen3-VL 模型 + 相关插件所需wheel文件: 模型下载链接 以及 wheel下载 下载前请核对系统版本和python版本 常用的工作流搭建： 文生图 图生图(边缘检测) 图生图(人物姿势检测) 图生图(深度检测) 图生图(蒙版局域绘图) Qwen3-VL反推后文生图 可以直接使用的图片工作流示例(下载后直接导入): 点击这里下载 基础版本 controlnet版本 qwen3-vl反推版本

内容 在Ubuntu 22.04 系统上 部署 ComfyUI，在国内网络环境手动安装comfyui manager以拓展额外功能(custom nodes)，手动安装custom nodes。 官方文档: ComfyUI 安装 首先确认服务器上已经有conda环境并创造一个环境。 # 下载comfyui 的git仓库 git clone https://github.com/Comfy-Org/ComfyUI.git # 下载安装依赖 cd ComfyUI conda activate comfyui_env pip install -r requirements.txt # 启动ComfyUI并指定端口号和使用的gpu python main.py --listen --port 10020 --cuda-device 0 ​ 安装ComfyUI Manager # 切换到子目录 cd custom_nodes # 如果网络环境无限制 git clone https://github.com/ltdrdata/ComfyUI-Manager.git # 如果网络环境有限制 手动下载[仓库](https://github.com/Comfy-Org/ComfyUI-Manager), 解压并重命名为comfyui-manager，放入custom_nodes # 重新启动comfyui即可 python main.py --listen --port 10020 --cuda-device 0 ​ 安装任何插件 如果ComfyUI Manager GUI 可以下载nodes 如果ComfyUI Manager GUI 一直下载不了nodes # 下载对应的git仓库，重命名后放入custom_nodes git clone https://github.com/some/custom/nodes.git # 进入这个node的目录然后安装依赖 pip install -r requirements.txt # 重新启动comfyui # 一些常用的custom nodes: --Control Net: https://github.com/Fannovel16/comfyui_controlnet_aux --ComfyUI-Impact-Pack: https://github.com/ltdrdata/ComfyUI-Impact-Pack --rgthree-comfy: https://github.com/rgthree/rgthree-comfy 快速上手 最广泛使用的文生图模型是flux模型，利用它搭建一个工作流是一个不错的起点。 使用comfyui生成的图片自带工作流信息，可以直接拖进GUI形成工作流。 示例1：flux + lora + controlnet 工作流 示例2: mimicmotion 动作模仿视频工作流

内容 在Ubuntu 22.04 上安装 conda，修改conda路径至数据盘，配置使用国内镜像源，以及打包环境至离线环境方法。 安装包 使用wget或者直接点击下载安装包 将conda添加至PATH以持久化使用 # 查看 conda 命令的位置 which conda # 查看 conda 的安装根目录 conda info --base # 打开 ~/.bashrc并在最下面加入 export PATH="/home/ubuntu/miniconda3/bin:$PATH" #运行 source ~/.bashrc conda init #重开一下窗口 配置conda的env和package的存储路径 # 打开 ~/.condarc并加入 envs_dirs: - /your/path/to/conda/envs pkgs_dirs: - /your/path/to/conda/pkgs 配置conda默认使用国内镜像源 # 使用阿里源为例 conda config --add channels https://mirrors.aliyun.com/anaconda/pkgs/main/ conda config --add channels https://mirrors.aliyun.com/anaconda/pkgs/free/ conda config --add channels https://mirrors.aliyun.com/anaconda/cloud/conda-forge/ conda config --add channels https://mirrors.aliyun.com/anaconda/cloud/bioconda/ #查看结果 conda config --show channels 创建conda环境 # 创造一个conda环境（指定路径或者使用默认路径） conda create --prefix /your/path/to/conda/envs/my_env python=3.12 conda create -n my_env python=3.12 #激活 新环境 conda activate my_env 查看已存在conda环境 conda info --envs conda内使用pip/uv示例 #使用pip pip install tqdm -i https://mirrors.aliyun.com/pypi/simple/ #使用uv可以加速 uv pip install tqdm -i https://mirrors.aliyun.com/pypi/simple/ 打包conda环境 # 打包一个已经存在的conda环境: conda pack -n my_env # 将压缩包传至目标服务器，解压打包好的conda环境 tar -xvzf my_env.tar.gz -C /your/conda/envs/my_env 将本地conda环境打包成docker镜像以实现容器化部署 Dockerfile 示例 ...