同じプロジェクト、別のマシン：ComfyUIワークフローを再構築する。

具体的な事例：ポスターの光を探る

このプロジェクトは、架空のセラミック作品のためのアートディレクション研究です。マットなアイボリーの花瓶、コバルトブルーの台座、砂色の背景。構図では、後でレイアウトソフトでタイトルを追加するために、左上に空きスペースを確保する必要があります。目的は、3つの光の意図を比較し、選んだ理由を説明することです。撮影された物体を忠実に再現することが目的ではありません。

提供されたワークフローは3つのブランチを持ち、同じ寸法、同じモデル、同じシード、同じ設定を使用しています。ポジティブプロンプト内の光のフレーズだけが変わります。入力画像、カスタムノード、refiner、LoRAは一切使用していません。すべての接続を理解できるほど小さく、かつ本格的な比較を準備できるほど構造化されたプロジェクトが得られます。ダウンロードにはワークフローとパラメータが含まれています。この資料では生成は実行されていません。ご自身の環境で画像を生成して比較してください。

ソフトウェアを準備し、実際に使用したバージョンを記録する

グラフはComfyUI 0.37.0の定義と、その依存関係で指定されたフロントエンド1.52.7を対象としています。マニフェストにはそれらの完全なコミットが保持されています。これらのバージョンは公式ソースで確認したものであり、この記事のために実行されたインストールを説明するものではありません。お使いのシステムに適した手順で準備したインストールを使用し、そのバージョンをこのリファレンスと照合してください。

Python、PyTorch、ドライバー、計算精度も再現資料の一部です。ファイルenvironnement-a-remplir.jsonは、ご自身で確認するまでこれらのフィールドを空のままにします。GPUの名前から推測したバージョンを書き写さないでください。Environnementsページはこれらの依存関係を整理するのに役立ちます。ダウンロードのバリデーターはPython 3.10以降とその標準ライブラリのみを必要とし、ComfyUIは不要です。

名前と中身を混同せずにチェックポイントを特定する

期待されるファイルはsd_xl_base_1.0.safetensorsで、ComfyUI/models/checkpoints/にあり、マニフェストで固定されたリビジョンのStability AIリポジトリ由来です。このレシピは完全なSDXL Base 1.0チェックポイントを使用します。ローダーがモデル、テキストエンコーディング、VAEをグラフに提供します。私たちのリソースに重みは含まれていません。別途入手する前に、モデルのページとそのライセンスをご確認ください。

マニフェストには、発行元のリポジトリのメタデータに基づく6,938,078,334バイトのサイズとSHA-256ハッシュが記載されています。私たちはこのハッシュを再計算するために重みをダウンロードしていません。バリデーターの--checkpointオプションは、すでにお持ちのファイルをこのリファレンスと比較します。名前を変更したファイルが必ずしも同じモデルとは限りません。ディスク上のサイズもGPUメモリのピーク使用量を示すものではありません。

お使いのインストールが中央ディレクトリやサブフォルダを使用している場合は、ローダーが提案するパスを選択し、その調整を記録してください。メニューが空の場合は、モデルのコピーを増やす前に、まずフォルダとローダーの種類を確認してください。

JSONをインポートし、正しい順序でノードを読む

フォルダを解凍し、workflow-ui.json を ComfyUI のインターフェースで開くか、そのキャンバスにファイルをドロップします。これはインターフェース形式 0.4 で、位置、ウィジェット、接続を含みます。このファイルは API エンドポイント /prompt に送るペイロードではありません。何かを起動する前に、選択されているチェックポイントと不足ノードがないことを確認してください。

15個のノードは6種類の組み込み型のみを使用しています。ローダー、空の latent、ネガティブテキストは共通です。各ブランチはポジティブテキスト、KSampler、VAE デコード、保存を追加します。3つのブランチは、3つの GPU や同時実行を意味しません。グラフを手作業で組み直したい場合は、reconstruction.md に25個の接続の詳細があります。

Checkpoint.CLIP → Texte positif.clip
Checkpoint.MODEL → KSampler.model
Texte positif.CONDITIONING → KSampler.positive
Texte négatif.CONDITIONING → KSampler.negative
Latent vide.LATENT → KSampler.latent_image
KSampler.LATENT → VAEDecode.samples
Checkpoint.VAE → VAEDecode.vae
VAEDecode.IMAGE → SaveImage.images

3つの意図を比較するために設定を固定しておく

3つのKSamplerはシード24092026、24ステップ、CFG 6.5、サンプラーeuler、スケジューラーnormal、デノイズ1を使用します。生成後のコントロールは各ブランチでfixedに設定されています。この選択は同一の試行パラメータを保つためのものであり、すべての画像にとって最適な設定であると主張するものではありません。

共通プロンプトは、花瓶、台座、背景、タイトル用の領域を記述します。最後の文が光を指定します。完全なテキストはそれぞれマニフェストに記載されています。再構築の際はバリアント全体をコピーしてください。このSDXLの例では、モデルへの指示は英語です。共通のネガティブプロンプトは特に、テキスト、ロゴ、複製されたオブジェクト、歪みを避けるよう求めています。これらの指示はモデルへの要求にとどまり、完全に従うことを保証するものではありません。

GPUを使う前にフォルダを確認する

解凍したフォルダから、以下のバリデータを実行してください。ワークフローとマニフェストのみを読み取り、識別子、接続、データ型、相互リンク、循環の有無、3つのバリアントのパラメータの一致を確認します。どのサービスにも接続せず、どのモデルも読み込みません。エラーは調べるべきフォルダの部分を示します。

提供されたワークフローは公式スキーマUI 0.4に対しても検証済みです。公開バリデータは意図的にこの演習のプロファイルに限定されています。別のノードを追加したり番号を変更したりすると、ComfyUIが扱えるものでもあなたのコピーを拒否する可能性があります。そのため、改変の前に無傷の原本を保管してください。

ok: trueという結果は、このJSONとそのグラフの整合性を示すものです。あなたのインターフェースへの実際のインポート、checkpointの可用性、画像の生成を証明するものではありません。これらの最後のステップは、このフォルダの納品では実行されていません。

python validate_workflow.py

python validate_workflow.py --checkpoint "D:/modeles/sd_xl_base_1.0.safetensors"

実行し、出力を開き、選択を記録する

依存関係が揃ったら、ワークフローを実行し、各ブランチが SaveImage に到達することを確認してください。プレフィックス a_frontale、b_laterale、c_contrejour は、ComfyUI の出力ディレクトリ内の RenderParcel/ceramique-v1/ にあります。アプリケーションはカウンターを使って名前を補完します。このレシピは3つの個別ファイルを生成しますが、比較用のコンタクトシートを自動的に作成するものではありません。

PNG を開き、寸法、花瓶の縁、素材の見え方、タイトル用に使える余白を確認してください。comparaison.csv に観察結果と選定理由を記入します。ダウンロードのセルは空です。ここではどのバリアントも視覚的に評価されていません。生成が失敗した場合は、時間や品質を割り当てるのではなく、その失敗を記録してください。

同じシードでも、バージョン、ハードウェア、オペレーションが異なれば同一のピクセルになるとは限りません。ライトを変更するとシルエットも変わることがあります。このワークフローは意図を探るものであり、製品の同一性を固定するものではありません。ご自身の実行で得た基準画像を1枚保管し、まず公表されている評価基準を比較し、ピクセルの比較はご自身の環境とプロトコルがそれを正当化する場合にのみ行ってください。

再開を妨げるエラーの見分け方

まず最初に観察できるエラーから始めましょう。モデル、ComfyUIのバージョン、サンプリング設定を同時に変更すると、診断が不必要に難しくなります。この表は、フォルダ内の不具合と、読み込み時や生成中に初めて明らかになる不具合を分けています。

メモリが不足している場合は、該当する段階を記録してください。読み込み、サンプリング、デコードのいずれかです。この演習ではバッチはすでに1枚の画像に制限されています。解像度を下げると診断には役立ちますが、別の試行が生まれます。結果を元のケースから得たものであるかのように比較するのではなく、マニフェストを更新してください。

レシピをアーカイブし、観察結果に基づいて機材を選ぶ

最終的な引き継ぎ資料には、実際に使用したJSON、記入済みのマニフェスト、比較、環境のバージョン、そしてご自身で開いて確認した出力サンプルをまとめます。JSONは別途保管してください。メディアのメタデータは変換や共有の際に失われることがあります。エクスポートガイドは、視覚的な納品物と再実行に必要なソースを区別するのに役立ちます。

プロジェクトを拡大する前に、デコードと保存までの一連の生成を最後まで観察してください。ここでは計算時間も必要なVRAM容量も測定していません。実際に確認された必要性、ご自身の環境との互換性、有用な料金プランに応じて、24GBのRTX 4090または48GBのRTX 6000 Adaを検討してください。これらのメモリは処理速度を保証するものではありません。このグラフは複数のカードのメモリを自動的に合算するものではありません。

画像アトリエは、予約する前に方向性と基準を明確にするのに役立ちます。その後、構成を準備することができ、ご自身の機材テスト用に同じ入力内容を保持できます。資料のオリジナルリソースはMITライセンスの下にありますが、ソフトウェアとモデルはそれぞれのライセンスに従います。