같은 프로젝트, 다른 컴퓨터: ComfyUI 워크플로 재구성하기.

구체적인 사례: 포스터의 빛을 찾아서

이 프로젝트는 가상의 세라믹을 위한 디렉션 스터디입니다. 무광 아이보리 화병, 코발트블루 받침, 그리고 샌드 색 배경입니다. 이 구성은 나중에 레이아웃 소프트웨어에서 제목을 넣을 수 있도록 왼쪽 상단에 빈 영역을 필요로 합니다. 목표는 세 가지 빛의 의도를 비교한 뒤 선택한 이유를 설명하는 것입니다. 사진으로 촬영한 사물을 충실히 재현하는 것이 아닙니다.

제공된 워크플로는 동일한 크기, 동일한 모델, 동일한 시드, 동일한 설정을 사용하는 세 개의 분기로 이루어져 있습니다. 긍정 프롬프트에서 빛에 관한 문장만 달라집니다. 입력 이미지도, 사용자 정의 노드도, refiner나 LoRA도 사용하지 않습니다. 모든 연결을 이해할 수 있을 만큼 작고, 실제 비교를 준비할 수 있을 만큼 구조화된 프로젝트를 얻게 됩니다. 다운로드에는 워크플로와 파라미터가 포함됩니다. 이 자료집을 위해 실행된 생성은 없습니다. 직접 이미지를 생성한 뒤 사용 환경에서 비교해 보세요.

소프트웨어를 준비하고 실제로 사용한 버전을 기록하기

그래프는 ComfyUI 0.37.0의 정의와 그 의존성에 명시된 프런트엔드 1.52.7을 대상으로 합니다. 매니페스트에는 이들의 전체 커밋이 보관되어 있습니다. 이 버전들은 공식 소스에서 확인한 것이며, 이 글을 위해 실행된 설치를 설명하는 것은 아닙니다. 사용 중인 시스템에 맞는 절차에 따라 준비한 설치를 사용한 뒤, 그 버전을 이 기준과 대조해 보세요.

Python, PyTorch, 드라이버, 연산 정밀도도 재현 자료의 일부입니다. environnement-a-remplir.json 파일은 관찰하기 전까지 이 필드들을 비워 둡니다. GPU 이름을 보고 추정한 버전을 적지 마세요. 환경 페이지는 이런 의존성을 정리하는 데 도움이 됩니다. 다운로드의 검증기는 Python 3.10 이상과 표준 라이브러리만 요구하며, ComfyUI가 필요하지 않습니다.

이름과 내용을 혼동하지 않고 체크포인트 식별하기

기대되는 파일은 sd_xl_base_1.0.safetensors이며, ComfyUI/models/checkpoints/에 있고, 매니페스트에 고정된 리비전의 Stability AI 저장소에서 가져온 것입니다. 이 레시피는 완전한 SDXL Base 1.0 체크포인트를 사용합니다. 로더가 그래프에 모델, 텍스트 인코딩, VAE를 제공합니다. 저희 리소스에는 어떤 가중치도 배포되지 않습니다. 별도로 구하기 전에 모델 페이지와 라이선스를 확인하세요.

매니페스트는 게시자 저장소의 메타데이터에서 가져온 6,938,078,334바이트의 크기와 SHA-256 해시를 제공합니다. 저희는 이 해시를 다시 계산하기 위해 가중치를 다운로드하지 않았습니다. 검증기의 --checkpoint 옵션은 이미 보유한 파일을 이 기준과 비교합니다. 이름이 바뀐 파일이 반드시 같은 모델인 것은 아니며, 디스크상의 용량도 GPU 메모리 사용 피크를 알려주지 않습니다.

설치 환경이 중앙 디렉터리나 하위 폴더를 사용한다면, 로더가 제안하는 경로를 선택하고 그 조정 사항을 기록하세요. 빈 메뉴가 나온다면 모델 복사본을 늘리기 전에 먼저 폴더와 로더 유형을 확인하세요.

JSON을 가져오고 노드를 올바른 순서로 읽기

폴더의 압축을 푼 뒤 workflow-ui.json을 ComfyUI 인터페이스에서 열거나 캔버스에 파일을 놓으세요. 위치·위젯·연결을 담은 인터페이스 형식 0.4입니다. 이 파일은 API 진입점 /prompt용 페이로드가 아닙니다. 무엇이든 실행하기 전에 선택된 체크포인트와 누락된 노드가 없는지 확인하세요.

15개 노드는 내장된 여섯 가지 유형만 사용합니다. 로더, 빈 레이턴트, 네거티브 텍스트는 공통입니다. 각 분기는 포지티브 텍스트, KSampler, VAE 디코딩, 저장을 추가합니다. 분기가 세 개라는 것은 GPU가 세 대라거나 동시 실행된다는 뜻이 아닙니다. 그래프를 직접 다시 만들고 싶다면 reconstruction.md 파일에 25개 연결이 자세히 설명되어 있습니다.

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

세 가지 의도를 비교하기 위해 고정 설정 유지

세 개의 KSampler는 시드 24092026, 24스텝, CFG 6.5, 샘플러 euler, 스케줄러 normal, denoise 1을 사용합니다. 생성 후 검사는 각 분기에서 fixed로 설정됩니다. 이 선택은 동일한 실험 파라미터를 유지하기 위한 것이며, 모든 이미지에 가장 좋은 설정이라는 의미는 아닙니다.

공통 프롬프트는 꽃병, 받침대, 배경, 제목 영역을 설명합니다. 마지막 문장은 조명을 지정합니다. 전체 텍스트는 각각 매니페스트에서 확인할 수 있으니 재구성 시 변형 전체를 복사하세요. 이 SDXL 예시에서 모델 지침은 영어로 되어 있습니다. 공통 부정 프롬프트는 특히 텍스트, 로고, 중복된 물체, 왜곡을 피하도록 요청합니다. 이러한 지침은 모델에 대한 요청일 뿐이며, 모델이 완벽하게 따르리라는 보장은 없습니다.

GPU를 투입하기 전에 폴더를 검사하세요

압축을 푼 폴더에서 아래 검증기를 실행하세요. 이 검증기는 워크플로와 매니페스트만 읽어 식별자, 입력, 데이터 유형, 상호 링크, 순환 부재, 그리고 세 가지 변형의 파라미터 일치를 확인합니다. 어떤 서비스에도 접속하지 않고 어떤 모델도 로드하지 않습니다. 오류가 발생하면 폴더에서 살펴봐야 할 부분을 알려줍니다.

제공된 워크플로는 공식 UI 0.4 스키마와도 대조 검증되었습니다. 공개 검증기는 이 연습의 프로필로 의도적으로 제한되어 있으므로, 다른 노드를 추가하거나 번호를 바꾸면 ComfyUI에서 사용할 수 있더라도 검증기가 여러분의 복사본을 거부할 수 있습니다. 따라서 수정하기 전에 원본을 그대로 보관하세요.

ok: true 결과는 이 JSON과 그래프의 일관성을 입증합니다. 하지만 여러분의 인터페이스에서의 실제 임포트, 체크포인트의 가용성, 이미지 생성까지 입증하지는 않습니다. 이러한 마지막 단계들은 이 폴더의 배포를 위해 실행되지 않았습니다.

python validate_workflow.py

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

실행하고, 출력을 열고, 선택 사항을 문서화하세요

의존성이 모두 준비되면 워크플로를 실행하고 각 분기가 SaveImage에 도달하는지 확인합니다. 접두사 a_frontale, b_laterale, c_contrejour는 ComfyUI 출력 디렉터리의 RenderParcel/ceramique-v1/ 아래에 있습니다. 애플리케이션이 자체 카운터로 이름을 완성합니다. 이 레시피는 세 개의 개별 파일을 생성하며, 비교 시트를 자동으로 만들지는 않습니다.

PNG를 열고 치수, 꽃병 가장자리, 재질의 가독성, 제목을 넣을 여유 공간을 확인합니다. comparaison.csv에 관찰 내용과 선택 기준을 채우세요. 다운로드의 셀은 비어 있습니다. 여기서는 어떤 변형도 시각적으로 평가되지 않았습니다. 생성이 실패하면 시간이나 품질을 부여하지 말고 그 실패를 기록하세요.

같은 시드라도 버전, 하드웨어, 연산 사이에 동일한 픽셀을 보장하지 않습니다. 조명을 바꾸면 실루엣도 바뀔 수 있습니다. 워크플로는 하나의 의도를 탐색할 뿐, 제품 아이덴티티를 고정하지 않습니다. 자신의 실행에서 나온 기준 이미지를 보관하고, 먼저 발표된 기준을 비교한 다음, 환경과 프로토콜이 정당화할 때만 픽셀을 비교하세요.

재개를 막는 오류 식별하기

가장 먼저 관찰되는 오류부터 시작하세요. 모델, ComfyUI 버전, 샘플링 파라미터를 동시에 변경하면 진단이 불필요하게 어려워집니다. 표는 폴더의 결함과 로딩 시 또는 생성 중에만 드러나는 결함을 구분합니다.

메모리가 부족하면 해당 단계를 기록하세요. 로딩, 샘플링, 디코딩 중 어느 단계인지 말입니다. 이 실습에서는 이미 배치가 한 이미지로 제한되어 있습니다. 더 낮은 해상도는 진단용으로 쓸 수 있지만 또 다른 시도를 만들어냅니다. 그 결과를 원래 사례에서 나온 것처럼 비교하지 말고 매니페스트를 업데이트하세요.

레시피를 보관하고 관찰을 바탕으로 하드웨어 선택하기

최종 재개 폴더에는 실제로 사용한 JSON, 작성된 매니페스트, 비교 자료, 환경 버전, 그리고 직접 열어본 기준 출력이 모입니다. JSON은 별도로 보관하세요. 미디어의 메타데이터는 변환이나 공유 과정에서 사라질 수 있습니다. 내보내기 가이드는 시각적 결과물과 재실행에 필요한 소스를 구분하는 데 도움이 됩니다.

프로젝트를 확장하기 전에 디코딩과 저장까지 완전한 생성 과정을 관찰하세요. 여기서는 연산 시간이나 필요한 VRAM 용량을 측정하지 않았습니다. 확인된 필요, 환경 호환성, 유용한 요금제에 따라 24GB RTX 4090 또는 48GB RTX 6000 Ada을 검토하세요. 메모리가 처리 속도를 보장하는 것은 아니며, 이 그래프는 여러 카드의 메모리를 자동으로 합산하지 않습니다.

이미지 아틀리에는 예약 전에 방향과 기준을 명확히 하는 데 도움이 됩니다. 이후 구성 준비를 통해 동일한 입력으로 직접 하드웨어 실험을 할 수 있습니다. 폴더의 원본 리소스는 MIT 라이선스이며, 소프트웨어와 모델은 각자의 라이선스를 따릅니다.