ComfyUI Текст в Изображение: Полное Руководство и Устранение Неполадок

Что такое Text to Image?

Text to Image — это самый базовый рабочий процесс AI-арта: вы описываете желаемое изображение словами, а AI-модель генерирует соответствующую картинку. В ComfyUI это реализовано в виде графа узлов, где каждый узел отвечает за один этап генерации.

Процесс включает три ключевых элемента:

• Модель генерации — нейронная сеть, создающая изображение (например, Stable Diffusion 1.5)
• Latent space — сжатое математическое пространство, в котором изображение постепенно формируется
• Промпты — ваши текстовые описания, разделённые на позитивные (желаемые элементы) и негативные (чего следует избегать)

Предварительные требования

Перед началом убедитесь, что у вас есть:

1. Установленный и запущенный ComfyUI (Быстрый старт)
2. Хотя бы одна модель checkpoint в папке ComfyUI/models/checkpoints

В этом руководстве мы будем использовать модель SD1.5. Вы можете скачать v1-5-pruned-emaonly-fp16.safetensors с HuggingFace.

Построение рабочего процесса

Стандартный рабочий процесс text-to-image использует шесть типов узлов (при этом CLIP Text Encode используется дважды — для позитивного и негативного промптов). Вот что делает каждый из них:

Load Checkpoint

Загружает вашу AI-модель. checkpoint обычно объединяет три компонента:

Empty Latent Image

Задаёт размер холста. Этот узел создаёт пустое латентное пространство, заполненное случайным шумом — начальную точку генерации. Ширина и высота здесь определяют итоговые размеры изображения.

Для SD1.5 используйте 512x512 для лучших результатов. Модель обучалась на этом разрешении.

CLIP Text Encode (x2)

Вам нужны два таких узла — один для позитивного промпта (что вы хотите) и один для негативного промпта (чего избегать). CLIP-кодировщик преобразует текст в семантические векторы, направляющие процесс удаления шума.

KSampler

Это сердце рабочего процесса. Он принимает зашумлённый latent, модель и условия промптов, затем итеративно удаляет шум из изображения за несколько шагов.

Ключевые параметры:

VAE Decode

Преобразует очищенный от шума latent обратно в видимое изображение.

Save Image

Отображает и сохраняет результат в папку ComfyUI/output.

Написание эффективных промптов

Хорошие промпты существенно влияют на качество результата. Практические советы для SD1.5:

Рекомендуется:

• Пишите на английском для лучших результатов
• Используйте фразы через запятую, а не полные предложения
• Будьте конкретны: "golden sunset over calm ocean" лучше, чем "nice landscape"
• Добавляйте слова для повышения качества: masterpiece, best quality, highly detailed
• Используйте веса для акцентов: (golden hour:1.2) усиливает этот концепт

Не рекомендуется:

• Писать длинные абзацы — модель лучше реагирует на краткие ключевые слова
• Забывать негативные промпты — они необходимы для избежания типичных артефактов

Пример: Аниме-стиль

Позитивный:

anime style, 1girl, long pink hair, cherry blossom background,
soft lighting, intricate details, masterpiece, best quality

Негативный:

low quality, blurry, deformed hands, extra fingers

Пример: Фотореалистичный портрет

Позитивный:

(ultra realistic portrait:1.3), elegant woman,
soft cinematic lighting, (golden hour:1.2),
shallow depth of field, (skin texture:1.3),
warm color grading

Негативный:

deformed, cartoon, anime, plastic skin, overexposed,
blurry, extra fingers

Как это работает изнутри

Text-to-image — это процесс обратной диффузии:

1. Начинается с чистого случайного шума в latent space
2. Модель предсказывает, какой шум нужно удалить на каждом шаге
3. Ваши текстовые промпты (закодированные как векторы) направляют процесс удаления шума
4. После завершения всех шагов VAE декодирует результат в пиксели

Latent space — это сжатое математическое представление, значительно меньшее, чем само изображение. Именно поэтому диффузионные модели могут работать на обычном оборудовании. Представьте это как работу с эскизом (latent) перед созданием финальной картины (пиксели).

О SD1.5

Stable Diffusion 1.5 — одна из самых популярных open-source моделей генерации изображений:

• Размер: ~4 ГБ — работает на GPU с 6 ГБ+ VRAM
• Оптимальное разрешение: 512x512
• Экосистема: Огромная библиотека LoRA, ControlNet и пользовательских доработок
• Ограничения: Может плохо справляться с руками, сложным освещением и разрешениями выше 512px

Несмотря на появление более новых моделей, таких как SDXL и Flux, SD1.5 остаётся отличной отправной точкой для изучения ComfyUI благодаря своей скорости и доступности по аппаратным требованиям.

Типичные проблемы и решения

Результат размытый или низкого качества

• Увеличьте steps — попробуйте 25–30 вместо стандартных 20
• Повысьте cfg — попробуйте 7–9 для более точного следования промпту
• Добавьте слова качества — masterpiece, best quality, highly detailed, 4k в позитивный промпт
• Проверьте разрешение — SD1.5 лучше всего работает при 512x512. Увеличение без апскейла часто ухудшает качество

Руки и пальцы деформированы

Это известное ограничение SD1.5. Способы смягчения:

• Добавьте deformed hands, extra fingers, bad anatomy в негативный промпт
• Используйте LoRA для исправления рук (например, "detail tweaker" или "hand fix" LoRA с Civitai)
• Генерируйте в 512x512 и увеличивайте после

Результат игнорирует промпт

• cfg слишком низкий — увеличьте до 7–12 для более сильного следования промпту
• Слишком много концептов — упростите промпт. Меньше конкретных ключевых слов работает лучше длинных описаний
• Неподходящая модель — некоторые checkpoint настроены под определённые стили. Аниме-модели не дадут фотореализм

"Load Checkpoint" показывает null или пусто

• Убедитесь, что файл .safetensors находится в ComfyUI/models/checkpoints/
• Обновите ComfyUI (F5) или перезапустите после добавления новых моделей
• Проверьте, не повреждён ли файл (неполная загрузка)

Генерация очень медленная

• Недостаточно VRAM — попробуйте запуск с флагом --lowvram
• Слишком много steps — 20 шагов достаточно для быстрых итераций; используйте 30+ только для финальных рендеров
• Большое разрешение — генерируйте в 512x512 и увеличивайте, а не генерируйте сразу в 1024x1024

Следующие шаги

Теперь, когда вы умеете генерировать изображения из текста, изучите следующие рабочие процессы:

• Image to Image — Используйте эталонное изображение для направления генерации
• Руководство по LoRA — Тонкая настройка результатов с помощью лёгких адаптеров модели
• Руководство по апскейлу — Увеличение разрешения с помощью AI-апскейлинга