简介面向 ComfyUI 用户与 AI 图像编辑爱好者这份资源提供基于 QwenImageEdit 的人物一致性写真工作流用于在任意场景中稳定保持人物身份特征适合摄影后期、二次元形象生成、电商模特换装等应用场景。压缩包体积仅 6KB包含 1 个 json 格式工作流文件导入 ComfyUI 即可查看节点连接与参数预设无需手动搭建复杂流程。已有 229 人学习下载可作为快速上手人物一致性生成的参考模板。通过该工作流用户能直接复用场景化生图的完整链路理解 QwenImageEdit 在人物特征保持方面的节点配置与调用方式并在此基础上替换输入图像、调整提示词灵活扩展不同风格与背景的写真效果对想减少调试时间的初中级 ComfyUI 玩家尤其实用。1. 任意场景人物一致性写真把同一个人的脸稳定复用到每个新场景里做 AI 写真的从业者或者进阶玩家大概率都撞到过一个共同痛点换装、换背景、换光源都容易但让同一张脸在十几个不同场景里始终保持“是同一个人”的状态却经常翻车。市面上很多工具能做到“好看”但做不出“这个人”的味道。QwenImageEdit 在 ComfyUI 生态里跑起来之后这个问题的解法第一次变得可以直接上手你不需要像训练 LoRA 那样准备几十张图、花几个小时调参只要有一套完整的工作流配置配合采样参数和提示词的控制就能在任意场景里产出面部特征稳定的写真图。这篇笔记适合两类人一是想接单但苦于一致性不稳的摄影/设计从业者另一类是本地部署 ComfyUI 想认真做点作品、不想只停留在“跑张图玩玩”的玩家。2. 人物一致性为什么难先分清“编辑”和“生成”两条技术路径2.1 传统文生图的缺陷场景对了脸就不太对如果你用过 SD 系列模型做人物写实大概率见过这种退化模式第一次生成时人物面部很有辨识度但你把提示词里的场景词一改脸的肤色、眼距甚至气质全变了。原因在于扩散模型把“人脸”理解成全局特征的一部分而不是一个可单独锚定的实体。场景变化一多局部特征会被“重新想象力”覆盖。很多人的第一反应是加提示词权重但提示词只能描述风格没法描述“这个人到底是谁”于是越强调反而越僵硬。2.2 QwenImageEdit 和 Qwen-Image 的分工编辑模型的“锚定”逻辑这里要把概念拆开。Qwen-Image 本身是一个文生图/图生图底座它的强项是遵循指令性提示词理解“把人物帽子换成红色”、“让背景变成海边”这类结构化描述。QwenImageEdit 是专为编辑任务优化的分支更擅长保持原图特征的同时只改变“该改变的区域”。这个区别很关键一致性写真要求的是“脸不变、场景变”本质上是编辑任务不是生成任务。所以工作流里应该把 QwenImageEdit 放在重绘/编辑节点上把原图作为锚定输入而不是把一组提示词交给基础模型凭空生成。一句话概括选对模型路线能解决一半问题。2.3 为什么需要 ComfyUI 而不是直接跑脚本QwenImageEdit 本身是模型ComfyUI 是模型和节点之间的调度系统。直接写 Python 调模型也能跑但你不容易看到中间状态一旦出图效果不好很难判断是提示词问题、模型版本问题还是采样参数问题。ComfyUI 的价值在于把每一步暴露成节点加载模型、输入参考图、搭建提示词、采样器、VAE 解码、输出。人物一致性写真的工作流本质上就是一张 DAG而 ComfyUI 让你能可视化地调整这条链路里的任何一环。3. 本地部署 ComfyUI 与 QwenImageEdit从环境到模型文件的完整落地3.1 环境准备用整合包省时间但别忽略显存边界如果是从零开始常见做法是直接用整合包原因很简单ComfyUI 的依赖项多手动安装容易在 torch 版本和 CUDA 版本之间踩坑。整合包自带 Python 虚拟环境和 ComfyUI 管理器能帮你省掉最痛苦的环境初始化阶段。显存方面要特别留意QwenImageEdit 属于较大体量的编辑模型生成 1024 尺寸图时显存占用通常在 8GB 到 12GB 之间浮动。如果显存只有 6GB建议关闭 ComfyUI 的实时预览功能并且使用--reserve-vram参数预留一部分显存。3.2 QwenImageEdit 模型文件获取与放置路径模型文件需要放到 ComfyUI 的models/checkpoints或对应的自定义节点目录下。手动下载需要确认两个信息模型文件的格式通常是 safetensors和适合当前 ComfyUI 版本的文件名后缀。放置路径不对会导致节点加载时报 “Load checkpoint failed” 或找不到 key 的错误。下载失败时优先检查网络源配置如果你有配置国内源的经历可以使用 ComfyUI Manager 里的镜像设置切换下载源。3.3 用最小命令验证部署是否成功部署完成后先不做完整工作流跑一个最简单的“图生图”测试节点来确认模型能加载、能出图。在 ComfyUI 中导入一个基础工作流 JSON或者手动添加 Load Checkpoint、Empty Latent、KSampler、VAE Decode 和 Save Image 节点。以下命令适用于从终端启动 ComfyUI 并指定显存预留python main.py --reserve-vram 2.5 --lowvram参数说明--reserve-vram后面的数值单位是 GB这里预留 2.5GB 给系统和其他程序使用避免启动过程中被系统杀掉进程。--lowvram是 ComfyUI 的显存优化模式它会拆分模型层并按需加载牺牲一点速度但能保证 6GB 显存也能跑图生图流程。如果你用的显卡显存在 12GB 以上可以去掉--lowvram让模型常驻显存获得更快速度。跑完这一条命令如果能看到To see the GUI go to: http://127.0.0.1:8188的输出说明环境已经没有大问题了可以进入下一步。4. 搭建 QwenImageEdit 人物一致性工作流节点、参数与提示词三段式4.1 工作流整体结构需要哪几个节点标准的一致性写真工作流节点之间按以下顺序串联Load Image导入参考脸图→ VAELoader加载 VAE→ Load Checkpoint加载 QwenImageEdit 模型权重→ 提示词构建区CLIP Text Encode→ KSampler设定采样步数和 CFG→ VAEDecode → Save Image。这六个节点是骨架。一致性写真的关键不只在 KSampler更在提示词构建区里如何组织输入以及 Load Image 传入的是“脸参考图”还是“全身参考图”。4.2 参考图输入的三种模式单脸图、多角度图、人脸场景分离大多数场景下用一张清晰的正面脸图作为参考就够了。但如果要做“半身写真”或“姿势变化较大”的场景单张正脸图会导致姿势锁定出图时肢体僵硬。用多角度图正面、左侧 45 度、右侧 45 度各一张拼接成一张图作为参考能释放姿势的随机性同时保留面部特征。人脸场景分离模式适合“需要特定地点实景感”的写真需求把脸部参考图作为条件输入把场景通过提示词描述出来这个模式对 QwenImageEdit 的编辑能力要求更高但对最终一致性有质的提升。4.3 提示词写法把“人的描述”和“场景描述”分开写QwenImageEdit 对结构化提示词的理解能力比 SD 系列强很多。如果你写一整段自然语言它能提取关键信息但如果你想保证一致性稳定建议把提示词拆成两段第一段描述人物面部特征和身份“a young asian woman with distinct double eyelids, high cheekbones, thin eyebrows”第二段描述场景和风格“standing on a rainy city street at night, neon lights reflecting on wet asphalt, cinematic lighting”。然后在 ComfyUI 里用两个 Text Encode 节点分别连接到正面提示词和负面提示词的输入端。这样做的逻辑是让模型把“谁”和“在哪”分开编码减少场景特征对面部特征的污染。4.4 采样参数推荐表步数、CFG、采样器怎么搭配在 KSampler 节点中参数按以下推荐值起步参数推荐值说明Samplereuler / dpmpp_2meuler 适合编辑类任务dpmpp_2m 收敛更快但细节可能偏锐Schedulernormal / karraskarras 会改变噪音分布画面更柔和适合人像Steps20 到 28超过 30 步收益不大反而容易让肤色过饱和CFG3.0 到 5.5编辑任务建议低 CFG太高会导致场景文字明显变化Denoise0.55 到 0.75低于 0.55 时场景变化不明显高于 0.8 时脸部特征容易漂移Denoise 是这里最值得反复调的一个参数它决定了模型在多大程度上“重画”原图。一致性写真的核心就在于找一条平衡线既让场景发生明显变化又让脸部区域不被过度重绘。经验是先固定 CFG4.5步数24然后单独调 Denoise每跑一张记录脸和场景的变化程度直到找到拐点。4.5 人脸区域保护用遮罩节点锁住五官如果你发现场景正确但五官细节有轻微漂移常见做法是加入一个 Mask 节点把脸部区域标记出来让采样过程在脸部区域使用更低的 Denoise背景区域使用较高值。在 ComfyUI 中通常会用 Load Image 手绘遮罩或者在节点流中插入FaceDetailer、Impact Pack这类插件先用检测器识别人脸再对人脸局部进行高精度重绘。这里提醒一点遮罩不能锁得太死如果完全锁住脸部模型就无法根据场景光照调整肤色和光影出来的脸会像“贴上去的纸片”。适度缩小遮罩范围到只覆盖眼鼻嘴核心区域让脸外轮廓和光照随场景变化。5. 人物一致性写真的 5 个常见避坑点现象、原因、解决5.1 脸部轮廓对但五官位置偏移现象出图后脸型和肤色挺像但眼睛距离明显拉大或缩小看起来像“同一个人的脸被捏了一下”。原因通常是模型输入的参考图分辨率偏低或者 Denoise 值过高导致模型在重绘时“脑补”了新的五官排布。解决方法是把参考图裁剪到 1024x1024 以上并且在 KSampler 里把 Denoise 降到 0.6 以下同时启用 FaceDetailer 对五官关键点坐标做校正。5.2 场景变了但人物衣着也跟着变现象你提示词写“坐在办公室桌前”图片里人物确实坐在办公室里但原来参考图里的白色衬衫变成了蓝色西装。这在编辑类模型里是常见冲突因为“场景”和“着装”同时在编码时被作为语义对象处理。解决方法是在提示词里显式增加原衣着描述字段例如原图是白色衬衫就在场景提示词里再加一次白衬衫描述。如果还有问题可以把人物区域单独做遮罩只对背景区域重绘让衣着区域采样权重降低。5.3 脸是稳定的但整个画面风格像“拼图”现象脸部特写和背景的质感完全不融合边缘有硬切感光线的方向也不一致。原因是脸部区域和场景区域在潜空间里是独立编码的缺少全局光照信息。解决思路是用两条采样路径做拼接先完整出图再在后期用 Low-Resolution 修复节点把脸部裁切区重新融合一遍或者换用 Restore Face 节点做一些轻量级处理。在 QwenImageEdit 这类模型中升级到较新的模型版本通常也会缓解这种断裂感因为新版在训练中加入了更多全局一致性数据。5.4 出图速度快但显存占用异常高现象提示词提示“CUDA out of memory”或者系统自动杀掉进程。原因往往不是显存真的用完而是没有正确使用--reserve-vram或--lowvram参数导致 ComfyUI 尝试缓存过多中间张量。另外节点流中如果同时开启了多个预览窗口也会占住显存。解决方法是重启 ComfyUI 加上--reserve-vram 2.5启动参数并且在 Manager 节点里把“实时预览帧率”降到最低档。跑 1024 尺寸图时建议把 Batch Size 设为 1不建议为了提速开 2编辑模型的中间特征图太大。5.5 模型加载失败如提示节点找不到或 key 不匹配现象加载 QwenImageEdit 模型时报出KeyError: model.layers.0.self_attn.q_proj.weight或类似错误。原因通常是模型文件与 ComfyUI 的自定义节点不匹配比如用了旧版节点加载新版模型权重。解决方法是先去 ComfyUI Manager 里更新所有节点到最新版本然后确认模型文件的 SHA256 哈希与发布方提供的一致。如果你下载的模型文件名包含 “inpaint” 或 “controlnet” 后缀要留意它是不是专用变体需要配合特定加载节点使用不能直接拖进 Load Checkpoint。6. 进阶技巧用批量测试脚本找出你那一组“最优参数”当你固定了模型和工作流后最值得做的一件事是把参数组合变成批量测试。我一般会把 KSampler 的关键参数整理成 CSV 文件然后写一个简单的 Python 脚本调用 API 批量出图再人工筛选。这个方法最实用的地方在于不同显卡、不同驱动版本、甚至不同批次的模型文件都会让“最优参数”产生偏移。文字描述终究是经验参考最终要落到自己的机器上来验证。以下脚本片段用 HTTP 请求方式请求 ComfyUI 的 API依次改变 CFG 值import json, requests, time # 假设你的工作流已经导出了 API 格式的 JSON 文件 with open(workflow_api.json, r, encodingutf-8) as f: workflow json.load(f) # KSampler 节点 ID 替换成你自己工作流中的实际节点 ID sampler_node workflow[17] for cfg in [3.0, 3.5, 4.0, 4.5, 5.0, 5.5]: sampler_node[inputs][cfg] cfg response requests.post( http://127.0.0.1:8188/prompt, json{prompt: workflow} ) print(fCFG{cfg}, queue status: {response.status_code}) time.sleep(5)逻辑说明ComfyUI 支持将画布中的工作流导出为 API JSON 格式导出后每个节点都有一个唯一 ID代码里通过这个 ID 直接修改参数然后 POST 到本地的/prompt接口。time.sleep(5)的作用是避免排队过快导致显存溢出也可以根据显卡性能改成更长间隔。筛选结果时不要只看脸部相似度还要看场景语义的准确性两个维度要同步评分因为只追求一致性很容易得到“脸部很像但场景里没有想要元素”的废图。这套测试方法做一轮之后你对自己机器的最优参数区间会有直觉。QwenImageEdit 这个方向的迭代速度很快我自己的经验是模型版本更新后旧参数不一定还能用花一晚上重新跑一遍参数测试是值得的。希望这个流程能帮你少走一点弯路。本文还有配套的精品资源点击获取
