ComfyUI Qwen-Image-Edit-F2P人脸生成图像基础教程3步快速部署与Python入门你是不是也刷到过那些用AI生成的高清人像觉得特别酷但又觉得门槛太高不知道从何下手今天我就带你从零开始手把手搞定一个专门用来生成人脸的AI工具——Qwen-Image-Edit-F2P。整个过程比你想象的要简单不需要懂复杂的深度学习只要跟着步骤走你也能快速生成自己的第一张AI人像。这个教程的核心就是利用星图平台的一键部署功能快速搭建一个带图形界面的ComfyUI环境然后加载Qwen模型来生成人脸。我会用最直白的话把环境准备、界面操作、模型加载和用Python调用接口这几个关键环节讲清楚。就算你之前没碰过AI也能轻松跟上。1. 环境准备与一键部署万事开头难但这次开头特别简单。我们不需要在本地电脑上折腾各种复杂的软件和依赖直接去星图平台用他们准备好的镜像点几下鼠标就能把环境搭好。1.1 创建GPU实例首先你需要一个带GPU的服务器来跑AI模型因为图像生成对算力要求比较高。别担心星图平台已经把硬件环境都封装好了我们只需要选配就行。登录平台打开星图平台进入你的控制台。新建实例找到创建计算实例的入口点击进入。选择镜像这是最关键的一步。在镜像市场或社区镜像里搜索Qwen-Image-Edit-F2P。你应该能看到一个集成了ComfyUI和所需环境的预置镜像选择它。配置硬件对于生成人脸图像建议选择至少具备8GB以上显存的GPU型号比如一些主流的型号。CPU和内存按默认推荐配置即可。完成创建确认配置给实例起个名字然后点击创建。平台会自动帮你把系统、驱动、Python环境、ComfyUI以及Qwen模型的基础依赖都装好。整个过程就像在应用商店下载安装一个软件几分钟后一个专属的AI图像生成服务器就准备好了。1.2 访问ComfyUI界面实例创建并启动后我们需要找到入口去操作它。获取访问地址在实例的管理页面通常会有“Web终端”或“访问地址”的选项。平台可能会提供一个临时的域名或IP地址以及端口号例如http://你的实例IP:8188。打开浏览器将提供的地址复制到浏览器地址栏中打开。进入工作区如果一切顺利你将会看到ComfyUI的图形化操作界面。它看起来可能有点复杂有很多节点和连线但别慌我们接下来就把它变简单。2. ComfyUI基础操作与模型加载第一次看到ComfyUI界面感觉像在看一个复杂的电路图。其实它的逻辑很直观每个小方块节点负责一项具体任务比如加载模型、输入文字、生成图片我们用线把它们按顺序连起来就组成了一条完整的AI图像生成流水线。2.1 界面初识与工作流搭建我们先来认识几个最核心的节点它们是人像生成工作流的基石。清空与开始打开界面后如果画布上有残留的节点可以按CtrlA全选然后按Delete键清空我们从一张白纸开始。添加核心节点在画布空白处右键点击会弹出节点搜索菜单。我们需要的关键节点有Load Checkpoint这是加载大模型的节点相当于给AI装上“大脑”。CLIP Text Encode (Prompt)这是输入文字描述正面提示词的节点告诉AI我们想要什么。CLIP Text Encode (Negative)这是输入负面描述的节点告诉AI我们不想要什么比如模糊、多手指能让生成效果更好。KSampler这是采样器节点控制图像生成的核心过程如生成步数、采样方法等。VAE Decode这个节点负责将AI内部处理的数据解码成我们能看的图片。Save Image最后把生成的图片保存下来。连接节点按照逻辑顺序用鼠标从一个节点的输出端口小圆点拖拽到另一个节点的输入端口。一个典型的简易连接顺序是Load Checkpoint-CLIP Text Encode-KSampler-VAE Decode-Save Image。Load Checkpoint会分出两条线分别连接到两个CLIP Text Encode节点和KSampler节点。2.2 加载Qwen模型并设置参数现在我们来把“大脑”——Qwen-Image-Edit-F2P模型装上去。配置模型节点点击Load Checkpoint节点在它的属性面板里你会看到一个选择模型的按钮。点击它理论上预置镜像已经包含了Qwen模型你应该能在列表中找到类似qwen_image_edit_f2p.safetensors的文件。选中它。编写提示词这是决定生成内容的关键。在CLIP Text Encode (Prompt)节点里用英文描述你想要的人脸。例如photorealistic portrait of a young woman with long black hair, smiling, detailed eyes, cinematic lighting, 8k一个年轻女子的照片级肖像黑色长发微笑细节丰富的眼睛电影灯光8K画质。在CLIP Text Encode (Negative)节点里输入blurry, ugly, deformed, disfigured, extra limbs, bad hands模糊丑陋畸形变形多余肢体坏手。调整采样器点击KSampler节点进行设置。steps步数新手可以从20开始。步数越多细节可能越丰富但生成时间也越长。cfg提示词相关性推荐设置在7-9之间。数值越高AI越听从你的提示词数值太低图像可能偏离描述。sampler_name和scheduler可以先使用默认值如euler和normal它们比较稳定。生成第一张图所有节点连接好、参数设置完毕后点击界面右下角的Queue Prompt按钮。你会看到右侧有进度条开始跑动。稍等片刻生成的图片就会显示在Save Image节点的预览窗口里并自动保存到服务器上的输出目录。恭喜你你已经成功在图形界面上生成了第一张AI人像。但这还不够酷作为一个开发者我们更希望能用代码来控制它。3. 使用Python调用生成接口ComfyUI不仅提供界面也暴露了API让我们可以用Python脚本远程控制它实现批量生成、集成到其他应用等自动化操作。3.1 理解API工作流在写代码之前我们需要把在界面上手动搭建的“节点流水线”翻译成计算机能理解的JSON格式。这个JSON描述了每一个节点、它们的参数以及连接关系。获取工作流模板在ComfyUI界面中当你搭建好一个能成功运行的工作流后点击右上角的“保存”按钮或类似功能可以将当前画布上的所有节点和连接保存为一个.json文件。这个文件就是我们的工作流模板。分析模板结构用文本编辑器打开这个JSON文件你会发现它定义了一个prompt对象里面包含了所有节点的ID、类型、输入参数以及节点间的依赖关系。我们的Python脚本核心任务就是构建或修改这样一个prompt对象然后发送给ComfyUI服务器。3.2 编写Python调用脚本下面是一个最基础的Python示例演示如何连接服务器并触发一次图像生成。import requests import json import time # 1. 定义ComfyUI服务器的地址替换成你的实例地址和端口 server_address http://127.0.0.1:8188 # 2. 准备一个最简单的工作流定义 # 这里为了演示我们构建一个极简的prompt。实际中建议使用从界面导出的完整JSON。 prompt_data { 3: { # 节点ID可以自定义只要唯一即可 class_type: Load Checkpoint, inputs: { ckpt_name: qwen_image_edit_f2p.safetensors # 模型文件名 } }, 6: { class_type: CLIP Text Encode (Prompt), inputs: { text: photorealistic portrait of a young asian man, sharp focus, clip: [3, 1] # 连接到ID为3的节点的第1个输出 } }, 7: { class_type: KSampler, inputs: { seed: 42, # 随机种子固定种子可以复现相同结果 steps: 20, cfg: 8, sampler_name: euler, scheduler: normal, denoise: 1, model: [3, 0], positive: [6, 0], negative: [7, 0], # 这里需要另一个CLIP Text Encode节点示例中省略了 latent_image: [10, 0] # 这里需要一个空潜变量节点示例中省略了 } } # ... 还需要VAE Decode, Save Image等节点此处不完整仅为演示结构 } # 注意上面的prompt_data并不完整无法直接运行。 # 强烈建议的方式是先在界面搭建好工作流导出为JSON文件然后加载它。 def load_workflow_from_json(filepath): with open(filepath, r, encodingutf-8) as f: workflow json.load(f) # 通常导出的JSON里工作流信息在 prompt 字段里 return workflow.get(prompt, workflow) # 假设我们有一个导出的工作流文件 # prompt_data load_workflow_from_json(my_face_workflow.json) # 3. 准备API请求数据 api_payload { prompt: prompt_data, client_id: your_client_id # 可自定义 } # 4. 发送请求触发生成 try: print(正在提交生成任务...) response requests.post(f{server_address}/prompt, jsonapi_payload) response.raise_for_status() # 检查HTTP错误 result response.json() prompt_id result[prompt_id] print(f任务提交成功任务ID: {prompt_id}) except requests.exceptions.RequestException as e: print(f请求失败: {e}) exit() # 5. 可选查询生成结果和历史 # 生成是异步的你可以轮询历史记录来查看完成情况 time.sleep(10) # 等待一段时间 try: history_resp requests.get(f{server_address}/history) history history_resp.json() if prompt_id in history: outputs history[prompt_id][outputs] for node_id, node_output in outputs.items(): if images in node_output: for image_info in node_output[images]: filename image_info[filename] print(f图片已生成: {filename}) # 你可以进一步发起请求下载图片: /view?filenamexxx except Exception as e: print(f查询历史时出错: {e})脚本使用要点替换地址务必将server_address变量值改成你实际ComfyUI服务器的访问地址。使用完整工作流示例中的prompt_data是残缺的。最稳妥的做法是在ComfyUI界面中搭建好一个能成功生成的工作流点击“保存”Save按钮将其导出为JSON文件例如my_workflow.json。然后在Python脚本中使用load_workflow_from_json函数加载这个文件这样就能得到一个包含所有节点和正确连接的完整工作流。动态修改加载JSON后你可以用Python字典操作的方式动态修改其中某个节点的参数。比如修改提示词节点的文本内容或者修改采样器的种子和步数从而实现批量生成不同的人像。# 示例动态修改提示词 workflow_prompt load_workflow_from_json(my_face_workflow.json) # 找到CLIP Text Encode (Prompt)节点的ID假设我们知道它是6 workflow_prompt[6][inputs][text] a wise old man with a beard, in a library # 然后使用修改后的workflow_prompt作为API请求数据4. 常见问题与排查指南新手在路上难免会遇到几个小坑这里我把常见的几个问题及解决办法列出来你遇到时可以快速对照。问题访问ComfyUI界面时连接被拒绝或无法打开。排查首先确认你的GPU实例是否处于“运行中”状态。然后检查安全组或防火墙规则是否放行了ComfyUI使用的端口默认是8188。在星图平台的管理界面通常可以配置实例的入站规则。问题加载模型时在Load Checkpoint节点列表中找不到Qwen模型文件。排查预置镜像应该已经包含了模型。可以尝试在ComfyUI界面底部的终端里查看模型存放的目录通常是ComfyUI/models/checkpoints/确认文件是否存在。如果确实没有可能需要根据镜像的文档手动下载模型文件并放到对应目录。问题生成图片时出错提示缺少某个节点类型或模块。排查这通常是工作流JSON文件中引用了你当前环境没有安装的自定义节点。预置镜像一般包含了Qwen所需的全部节点。如果是从别处复制的工作流可能需要安装额外的节点包。错误信息通常会告诉你缺少什么可以尝试在ComfyUI的“管理器”中搜索安装。问题Python脚本调用API返回错误无法连接或提示无效数据。排查检查地址和端口确认server_address完全正确并且服务器正在运行。检查工作流JSON确保你发送的prompt数据是一个完整、格式正确的工作流。使用从界面导出的JSON是最可靠的方式。查看服务器日志在ComfyUI的运行终端或日志文件中通常会有更详细的错误信息能帮你精准定位问题所在。5. 总结与下一步走完这趟旅程你会发现从零开始玩转一个专业的AI人像生成工具并没有那么遥不可及。核心就是三步利用云平台一键部署搞定环境在ComfyUI里像搭积木一样组合工作流最后用Python脚本实现自动化控制。用下来感觉星图的预置镜像确实省去了大量配置的麻烦让初学者能直接聚焦在创作和编程上。ComfyUI的节点式操作一开始有点眼花但理解了“一个节点一个功能连线就是数据流”这个逻辑后就会越用越顺手。Python API的加入则打开了自动化的大门让你能批量生产内容或者把人像生成能力嵌入到自己的应用里。如果你已经成功生成了第一张图片我建议你可以尝试这些方向深入研究提示词工程用更精细的描述来控制人物的发型、表情、光线和场景尝试调整KSampler里的不同采样方法和参数观察对图像质量和风格的影响或者挑战一下用Python循环结合不同的提示词和随机种子生成一系列主题人像。动手去试多生成几张你很快就能找到感觉。AI图像生成的世界很大Qwen-Image-Edit-F2P是一个很棒的起点祝你玩得开心创造出更多有趣的作品。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。