简介ComfyUI/SD1.5ControlNet 线条控制生成线稿草图工作流面向AI绘画爱好者与ComfyUI学习者解决手动搭建ControlNet线条控制链路繁琐的问题。压缩包体积仅6KB内含1个json工作流文件可直接在ComfyUI中加载使用省去从零配置节点的时间。文件内完整梳理了图像输入、ControlNet线条预处理、模型加载到采样生成草图的节点链路预设关键参数与连接方式并包含必要的采样器与VAE模块确保加载后即可直接输出结果。对于刚接触节点式工作流的用户这是一份可直接运行的标准模板可调整ControlNet强度、采样步数等变量观察线条纯度变化也可替换底模型适应不同画风适用于漫画线稿、建筑草图等风格化生成场景。目前已有218人学习适合想快速上手线稿控制场景或希望将此类工作流迁移到自身项目的开发者。1. ComfyUI SD1.5 跑 ControlNet 线稿一套能直接出白底黑线稿的工作流讲一个反直觉的结论在 ComfyUI 里生成线稿草图最靠谱的组合不是最新的 XL 模型而是 SD1.5 配上 ControlNet 1.1 的线稿类模型。c0002 这套工作流把「照片转线稿」「透视稿整理」「线稿上色底图」这些问题用一张 json 固化下来导入就能跑。它适合三种人需要批量出线稿素材的设计师、做二次元上色底稿的画师、以及正在学 ComfyUI 节点编排的开发者。下面我把节点链路、参数取值和踩过的坑一次性讲清楚。2. 工作流骨架从加载模型到出线稿节点链路与选型理由2.1 整条链路拆开看五段节点各自干什么ComfyUI 的工作流本质上是一个有向图。c0002.json 里这条线稿链路不做多模型融合、不做二次重绘只保留最核心的 ControlNet 单控制分支。从头到尾拆一下你才能知道每个节点为什么存在、删了会坏什么。先看输入侧。Load Checkpoint 节点加载 SD1.5 的 checkpoint 文件这里同时引出大模型参数、CLIP 编码器和 VAE 三个出口。CLIP 编码器就是常说的「CLIP 询问机」负责把正负提示词编码成条件向量VAE 出口则单独用于最后解码。不少新手只接了 model 和 clip忘了单独接 VAE导致最后出图发灰这个问题后面第 5 章专门说。再看控制侧。Load Image 加载你要提取线稿的源图输出一张图像张量。这张图有两个去向一是直接进 VAE Encode 做图生图的潜空间输入二是进 ControlNet 的预处理器。以 c0002.json 的默认配置来说控制分支走的是「图像 → 预处理器 → ControlNet 模型 → Apply ControlNet」与主分支在 UNet 采样阶段汇合。然后看采样侧。KSampler 接收来自 checkpoint 的 model、来自 CLIP 编码器的正负提示词以及 Apply ControlNet 输出的条件。这里最容易忽略的是 Apply ControlNet 要接对输入端口——它修改的是 KSampler 的 model 输入而不是 latent 输入。我第一次搭的时候就把控制条件接到了 latent 上结果出图完全没有被线稿影响。最后是输出侧。KSampler 输出的潜空间图像经 VAE Decode 转成像素图像再进 Save Image 存盘。整条链路的逻辑可以压缩成一句话SD1.5 负责内容生成ControlNet 负责形状约束CLIP 编码器负责风格与语义。三个角色各管一段不重叠所以排查问题也能按段切分。这种拆法在选型上的理由很直接。SD1.5 的 checkpoint 和配套的 control_v11p_sd15_* 系列模型出自同一套生态权重能对得上不像 SDXL 那套需要专门的 adapter 或额外校准。你如果只想出干净的线稿草图SD1.5 在 512 到 768 分辨率区间的显存占用和出图速度也是最划算的尤其是后面你要批量验证参数时出图快意味着能多试几组阈值。2.2 线条预处理器选型Canny、Lineart、Scribble 的适用边界ControlNet 控制线稿不能只选模型还要选预处理器。c0002.json 默认用 Canny但你换素材时应该知道其他预处理器在什么场景下更合适。下面是我实测过的几个常见选择。Canny 属于边缘检测输出黑白相间的细边缘线适合照片转线稿、机械零件、建筑立面这类边缘锐利、纹理清晰的图。它的特点是边缘数量受阈值控制低阈值放行更多细边缘高阈值只保留强边缘。做线稿草图时我一般把低阈值设在 80 到 120高阈值设在 180 到 240具体怎么调后面第 4 章会展开。Lineart 提取的是连续的白描式线条比 Canny 更适合漫画线稿和手绘风。它会把阴影和纹理压掉只保留轮廓和主要结构线。注意 Lineart 预处理器对低分辨率图容易产生断线源图最好在 768px 以上否则线条断成一截一截后面接都接不回来。Scribble 接受涂鸦式输入适合「先用笔随便勾几笔、让模型补全成完整线稿」的场景。它的特点是自由度最高、控制力最弱适合创意探索。MLSD 只提取直线适合室内设计和建筑图但对曲线完全无感用在小场景人像上容易翻车。Anime Lineart 是动漫特化版本输出线条更细、更接近赛璐璐上色前的底稿。另外一个容易踩的地雷是预处理器和模型要匹配。Canny 边缘图配 Lineart 模型输出会带很多不规则短线Lineart 图配 Canny 模型线条被大量忽略等于没控制。c0002.json 里预处理器是 Canny模型对应 control_v11p_sd15_canny.pth两者是配套的。你要是换模型一定记得回到预处理器下拉框换对应项别只换模型不换预处理。选型时记住一个原则你要的是还原就选 Canny 或 Lineart你要的是改造就选 Scribble。c0002.json 默认配 Canny是因为它在新手阶段最不容易出空图——Canny 无论如何都会有边缘输出至少不会让你对着空画布发呆。2.3 ControlNet 权重与起止时间控制力度的两个核心参数ControlNet 节点里有几个影响生成结果的参数最值得调的是 weight、start_percent、end_percent。这三个参数共同决定了线稿在多大程度上影响最终画面。weight 是全局控制强度范围 0 到 1理论上可以超过 1 但一般不建议。weight 在 0.5 到 0.7 之间时线稿只作为构图参考模型会自由发挥颜色和部分线条weight 在 0.8 到 1.0 之间时线条基本被严格还原。线稿生成这种用途我习惯 0.85 起步因为产出物本身就是要求线条尽量贴合源图。start_percent 和 end_percent 控制 ControlNet 在采样步数中的生效区间。0 到 0.5 表示只在采样前半段生效适合「线稿只负责打底、后期让语义自由发散」的场景。做线稿忠实还原时end_percent 不应低于 0.7否则在后半段采样时模型会脱离线稿约束自动往它见过的风格偏。我做「严格线稿」时直接设 end_percent 1.0让约束铺满全程。还有一个容易被忽略的点start_percent 未必固定为 0。如果源图本身结构已经很准你只想让模型在后半段补细节把 start_percent 设到 0.3 会让控制更顺滑前半段完全交给语义生成后半段再用线稿拉住结构。这个用法在「草图上色」任务里特别常见c0002.json 的默认配置没有做这个优化你可以按需改。判断控制力度是否合适的办法很土但有效把 weight 调到 0.3 出一张图再调到 1.0 出一张图对比。如果 0.3 时结构都在那你的任务不需要过高 weight如果 0.3 时结构跑飞说明提示词与线稿语义冲突太大加 weight 只是治标。这个思路在 c0002.json 调参里会反复用到。3. 把工作流跑起来导入 c0002.json 与工程目录摆放3.1 下载后往哪放ComfyUI 目录里必须出现的四个位置c0002.rar 解压后会有一个 c0002.json。这个 json 是 ComfyUI 的工作流定义文件双击导入不会直接生效还要保证它引用的模型文件已经在正确目录。我用秋叶整合包装好的 ComfyUI 目录结构来举例手动安装的也完全一样。模型放置路径SD1.5 的 checkpoint 放ComfyUI/models/checkpoints/ControlNet 模型放ComfyUI/models/controlnet/VAE 放ComfyUI/models/vae/需要处理的源图放ComfyUI/input/。这四个位置只要有一个是空的导入 json 后就会出现红色报错节点。# 以秋叶整合包目录为例检查关键目录是否存在 ls -l ComfyUI/models/checkpoints ls -l ComfyUI/models/controlnet ls -l ComfyUI/models/vae ls -l ComfyUI/input这段命令只做目录检查。你会看到三个模型目录里各自有 .pth 或 .safetensors 文件input 目录里至少有一张测试图。如果 controlnet 目录为空后面导入 c0002.json 时 ControlNetLoader 节点会直接标红。我一般会在下载任何工作流之后先跑一遍这段 ls比在界面上找报错快得多。提示手动安装的 ComfyUI 目录结构完全一致只是没有秋叶整合包的图形启动器。目录对不上时别急着调参先把文件位置理顺。3.2 导入 JSON 与补全缺失资源启动 ComfyUI 后把 c0002.json 直接拖进浏览器画布或者通过菜单 Workflow → Open 打开。导入后画布上会出现节点图但先别急着点 Queue。先在界面右上角看有没有 Missing nodes 提示再看每个节点的模型选择框是不是有实际文件名。如果 ControlNetLoader 显示 ckpt_path 为空点开下拉框选 control_v11p_sd15_canny.pth。这里有一个高频问题ControlNet 模型和它的 yaml 配置文件必须同名同目录。比如你放的是 control_v11p_sd15_canny.pth旁边就得有 control_v11p_sd15_canny.yamlComfyUI 加载时靠 yaml 读通道数和结构定义。缺 yaml 的常见表现不是报错而是节点显示加载成功但 Apply ControlNet 后续计算永远用默认配置控制效果时有时无。# 从模型仓库补下 ControlNet 时记得连 yaml 一起下 # 正确的模型目录内容长这样 ls -l ComfyUI/models/controlnet/ # control_v11p_sd15_canny.pth # control_v11p_sd15_canny.yaml补全后把 KSampler 的 seed 拉成随机先跑一张测试图。这一步的目的不是出好图而是把环境问题和参数问题隔离开确认链路是通的、有输出。环境没配好时你怎么调参都是徒劳每多一次空跑就多浪费一次真正排查问题的时间。3.3 第一轮出图参数能稳定出结果的值c0002.json 里默认参数未必适配你的源图尺寸和风格我给出第一次跑通时建议用的一组稳定值。下面这份参数表按「先跑通、再调优」的顺序排第一轮验证链路时照抄即可。参数位置推荐值说明CheckpointSD1.5 系列的 realistic/二次元模型c0002 按 SD1.5 设计别加载 SDXL正向提示词lineart, black and white, white background, clean edges强调输出线稿属性负向提示词color, blur, lowres, noise, photo压掉照片感和噪点Canny 低阈值 / 高阈值100 / 200边缘适中先看整体结构ControlNet weight0.85以还原为主start_percent / end_percent0.0 / 1.0全程约束KSampler steps25线稿任务 25 步足够CFG7.0太高易糊太低易脏出图尺寸与源图同比例建议 512×768 或 768×512别强制放大到 1024表格里几个容易误解的点先讲一下。ControlNet 预处理器输出的尺寸与源图一致但与 KSampler 的出图尺寸可以不同ComfyUI 会在应用控制时自动对齐。不过自动对齐有时会让边缘错位最好手动把 Load Image 的尺寸与采样尺寸设为一致这个坑在第 5 章展开。第一轮跑完如果线稿太碎那不是权重问题而是 Canny 阈值太敏感下一章说怎么治。第一轮跑完还有一个判断标准如果出图时好时坏、同一组参数两次结果差异很大先别怀疑参数回去把 seed 固定住。固定 seed 对 AI 工具来说是基础操作seed 不固定你后面所有对比实验都是无效的。4. 调出干净的线稿边缘粗细、噪点与断裂的处理4.1 线条太碎Canny 阈值与降噪怎么配合第一轮出图常见毛病是线条又多又碎像用了劣质描边滤镜。这不是模型不行是 Canny 的预处理阈值放过了太多纹理细节。Canny 有两个阈值低阈值决定「多细的边算边」高阈值决定「多强的边一定保留」。低阈值越低边缘越多。很多人只调低阈值其实两个阈值要一起动。我处理碎线的顺序是先把高阈值提到 220 到 250再把低阈值提到 120 以上。这样保留的是强边缘二值化后黑线少而粗。如果还是碎在预处理器里把 resolution 参数从 512 提到 768让预处理器在更高分辨率下做边缘检测线条会更连续。# ComfyUI 里 Canny 节点的常用参数对应 UI 上 Preprocessor 设置 { low_threshold: 120, high_threshold: 240, resolution: 768 }代码里三个参数对应三种病low_threshold 只管碎边数量high_threshold 管主边缘强度resolution 管预处理精度。碎线的根源通常是 low_threshold 太低加 resolution 太低两个一起调才有效只调一个往往改善有限。另外一个容易忽略的坑源图本身带 JPEG 压缩噪声时先接一个轻微锐化或降噪节点Canny 吃干净图输出线条才干净。反过来还有一种情况线条太粗太黑全是黑块像炭笔画。这是高阈值太低导致低对比度区域也被算成边缘把预处理器的高阈值提到 260 以上同时把低阈值也往上带边缘就会变细。记住一个手感你要的是「细而连续」的线不是「粗而完整」的色块所以阈值的整体方向永远是往上走除非你明确要厚重的笔触感。4.2 线稿被 AI 改写控制权重与采样步数的配合有时候线稿出得很干净但模型不老实会把线条闭合成它自己理解的形状甚至凭空多加几笔。这通常是 ControlNet 权重没压住模型先验。我把这个现象分成三种成因处理方式完全不同。第一种是权重不够end_percent 又设得早后半程采样失控。解决是把 weight 提到 1.0end_percent 设回 1.0。第二种是提示词里的风格词过于强烈比如写了 masterpiece 加一堆风格形容词模型先验大于控制倾向这时降低正向提示词里与「线稿」相悖的形容让控制条件成为唯一强约束。第三种是采样步数太少ControlNet 作用在一个很短的采样过程中还没收敛就被截断25 步如果出现结构漂移提到 35 步看看。我一般用的验证方法是固定同一张源图只改 end_percent 做两组对比一组 0.6一组 1.0。如果 1.0 那组线条明显更贴合源图说明之前就是约束区间不够如果两组几乎一样说明要动 weight。这个二分思路能快速定位是「控制力度」问题还是「约束时长」问题。还有一类情况容易误判你改了源图但提示词没改。线稿内容变了模型对提示词语义的响应也会变有时看起来像控制失效其实只是提示词和新线稿冲突了。换源图之后正向提示词里的主体描述要同步换比如源图从建筑换成汽车提示词里就别再留着 building。4.3 出图发灰发油VAE 与采样器的常见误用线稿场景最容易出的质量问题还不是线条是底色发灰、线条发虚、整个画面像蒙了一层雾。原因通常不在 ControlNet而在 VAE 和采样器配置。SD1.5 的 checkpoint 默认内置 VAE但很多整合包会另外从 vae 目录加载加载错版本就会出现灰蒙蒙的底色。正确做法是让 VAE Decode 节点明确指向一个与 checkpoint 匹配的 VAE比如 vae-ft-mse-840000-ema-pruned 这类通用 VAE。注意别把 SDXL 的 VAE 配给 SD1.5通道数不一致会导致 decode 结果发灰或出彩色噪斑。判断 VAE 是否加载错的土办法同一工作流里把 VAE Decode 换成内置 VAE如果灰蒙感消失说明之前加载的就是错版本。采样器也会导致发灰。euler 和 dpmpp_2m 对 CFG 的响应不同在 512 分辨率下dpmpp_2m 配 CFG 7 明显比 euler 配 CFG 7 更干净。如果你的线条发虚把 sampler_name 从 euler 切到 dpmpp_2m同时把 scheduler 保持 normal。这两项改动成本极低但经常能救回一次灰蒙蒙的失败批次。scheduler 的选择也有讲究。normal 适合大多数任务而 karras 会让采样曲线更激进在线稿这种要求结构稳定的任务里反而容易产生色阶断裂。我的习惯是线稿流程固定 dpmpp_2m normal CFG 7这样至少排除了两个变量后续调线稿细节时不会干扰判断。5. 常见问题排查ControlNet 线稿流程的五个坑这五个坑是我用 c0002.json 反复跑线稿时遇到频率最高的每一条都按「现象 → 原因 → 解决」的方式记录。排查顺序有个大原则先看环境和模型文件再看节点连线最后才动参数。环境问题往往无声无息翻车得莫名其妙反而是最容易栽跟头的地方。5.1 ControlNet 加载失败缺模型、缺 yaml 的两种表现现象ControlNetLoader 节点不爆红但 Apply ControlNet 输出的一直是未受控条件或者画布上模型下拉框显示为空。原因绝大多数是 controlnet 目录里放了 .pth 但没放同名 .yaml。ComfyUI 加载 ControlNet 时yaml 决定了输入通道和结构定义缺失时它用默认配置硬加载过程不报错但结果失控。另一种可能你下载的是 ControlNet 1.0 老模型而 c0002.json 设计时按 1.1 写老模型能加载但通道数不匹配行为完全对不上。解决先看模型文件名是 control_v11p_sd15_ 开头的 1.1 版本再确认同目录有同名 yaml。如果只是缺 yaml从模型仓库把对应的 yaml 下载放进同目录重启 ComfyUI 即可。我每次补新 ControlNet 模型后都会跑一遍该目录的 ls看文件对不齐就停下处理这个习惯帮我省了很多次莫名失败的排查时间。快速定位还有一个办法在 ControlNetLoader 节点上右键选 Link to output看模型信息卡里显示的 state_dict 键名。1.1 模型的键名里带 control_model1.0 只有 control_embed一眼就能分辨。5.2 预处理器输出与生图尺寸不一致现象源图 1024×1024KSampler 设为 512×512出图线稿整体偏位或线条错位像图被拉扯过。原因ComfyUI 对 ControlNet 输入会做一次缩放。预处理器在 1024 下提取边缘采样在 512 下进行时缩放插值会引入一到两个像素的偏差线条越细越明显。特别是做白底黑线稿线条本身就细一点偏差立刻能看出来。解决把 Load Image 的尺寸、预处理的 resolution、KSampler 的宽高设成同一个值。我通常把源图长边缩到 768短边等比避免让 ControlNet 在两种尺度间做隐式缩放。如果必须用不同尺寸至少保证宽高比例一致不强制拉伸。比例不一致时线条会横向或纵向错位这种错位不是权重能救的。还有一个相关坑很多人直接在 Load Image 节点后接 Upscale把源图放大后再进预处理器。这样做的结果通常很差因为放大后的插值边缘是虚的Canny 会把虚边当成真边。正确做法是先用高质量缩放算法在外部把图处理好再喂给工作流。5.3 显存爆掉SD1.5 也会 OOM现象点 Queue 后显存直接打满ComfyUI 报 CUDA out of memory进程崩溃或界面卡死。原因很多人以为 SD1.5 显存压力小实际上 ControlNet 在 UNet 阶段额外占一份完整张量。当源图分辨率高、batch 大于 1 时显存开销直接翻倍。线稿流程里预处理器占用也容易被忽视Canny 在 1024×1024 上的特征图同样吃显存。解决先把 batch size 固定回 1把源图长边控制在 768 以内KSampler 尺寸从 1024 降到 768。如果还不够启动参数加 --lowvram或在秋叶整合包里切 medvram 模式。那些在意显存的人通常备份一份 c0002.json 的低分辨率参数版本用于批量出图高分辨率版本只留给单张精修。补充一个容易被忽略的点同时开多个 ComfyUI 页面也会累积显存。每次 Queue 之后旧任务如果没有清理显存不会立刻释放。连续出图太快导致 OOM 时先等几秒让显存回收再排下一个任务。批量验证脚本里我会在每个任务之间加 sleep就是这个原因。5.4 权重正确但线稿完全不生效现象weight 已经调到 1.0源图也选了但出图和没用 ControlNet 时完全一样一点线稿的影子都没有。原因八成是 Apply ControlNet 的输出接错了 KSampler 输入。它应该接在 model 端口而不是 latent_image 端口。也可能你用了两个 KSampler控制条件接到前一个取图用的是后一个白搭。这类接线错误 ComfyUI 不一定报错因为张量形状恰好兼容你肉眼看不出来。解决把 Apply ControlNet 的输出引线从 KSampler 的 model 输入拔掉再重连一次确认连线高亮的是 model。还不行就删除控制分支只留 KSampler 出一次图再把控制分支加回来出一次图对比两次结果。如果两次结果完全一样就是接线问题跟权重无关。顺手养成的习惯是在 UI 上按住连线可以追踪这条线终点的端口类型端口名和颜色会显示在状态栏。凡是接在 latent 上的控制线大概率都是这个坑。c0002.json 原本是对的但很多人在自己改图时拖线拖乱了。5.5 出图偏色 / 发灰VAE 加载不对现象线稿本身干净但白底发黄或发灰黑色线条不够黑整体像隔了一层纱。原因SD1.5 的 checkpoint 内置 VAE 与单独加载的 VAE 版本不一致或者加载了 SDXL 的 VAE。VAE Decode 过程中颜色空间映射出错就会偏色。另一个原因是 CFG 拉太高比如到 12 以上高 CFG 会让色彩过饱和白底泛灰、黑线泛白。解决VAE Decode 节点显式加载一个与 checkpoint 匹配的 VAE别用 Auto 模式或者直接把 VAE Decode 的输入改接到 checkpoint 的 VAE 输出。把 CFG 先降到 7 再看。我习惯在 c0002.json 里固定一个 VAE 文件名不依赖默认值因为默认值是绝大多数偏色问题的隐藏源头。要区分是 VAE 问题还是 CFG 问题做一个二步判别先固定 CFG 为 7看是否还发灰还发灰就换 VAE换 VAE 后恢复正常说明是 VAE 版本不对。如果 CFG 降下来就正常那你之前只需要解决 CFG 即可。这两个变量的耦合现象很常见不拆开测只会加大排查难度。6. 进阶技巧把线稿工作流模板化再批量验证参数6.1 用 JSON 做模板把节点参数固定成预设c0002.json 本身就是工作流模板但直接改它的参数再导出会污染原始文件。我会把「节点类型 参数」做成可复用预设复制一份 c0002.json 为 template_lineart.json里面固定好预处理器类型、ControlNet 型号、采样器和 VAE只留源图和提示词作为变量。{ 3: { class_type: ControlNetLoader, inputs: { control_net_name: control_v11p_sd15_canny.pth } }, 10: { class_type: KSampler, inputs: { steps: 25, cfg: 7.0, sampler_name: dpmpp_2m, scheduler: normal } } }上面这段是 json 结构示意实际 c0002.json 里节点 ID 不同但结构一致。模板化的意义在于换素材时只改 Load Image 和提示词其余参数全部锁死避免手滑把某次调好的阈值改乱。对批量生产线稿素材的人来说模板比每次从零搭节点稳定得多也能保证同一批出图风格统一。6.2 批量验证参数用脚本替换阈值做二次对比新手调参是一张一张试批量验证的做法是把阈值做成一个参数列表循环生成多张结果再挑。我用一个简单的 Python 脚本配合 ComfyUI 的 API 模式把 Canny 低阈值从 80 到 160 每 20 一档跑一遍几分钟内就能看到哪些阈值产出最干净线稿。import json import subprocess import time # 读取模板逐个替换 low_threshold with open(template_lineart.json, r, encodingutf-8) as f: workflow json.load(f) # 假设 Canny 节点 ID 是 17实际以你的 json 为准 for t in [80, 100, 120, 140, 160]: workflow[17][inputs][low_threshold] t with open(fcanny_{t}.json, w, encodingutf-8) as f: json.dump(workflow, f, ensure_asciiFalse, indent2) # 用 ComfyUI API 提交工作流 subprocess.run([curl, -s, -X, POST, http://127.0.0.1:8188/prompt, -d, fcanny_{t}.json]) time.sleep(5) # 给显存一点回收时间避免连续任务 OOM脚本的关键是找到要替换的节点 ID最好在 UI 上点开节点看标题里的数字 ID别猜。多档对比的本质是「只改一个变量、其他锁死」这样出图的差异只来自阈值变化结论才干净。从那以后我每次卡在线稿粗细上都强制走一遍批量阈值对比而不是凭感觉猜一个值继续调。希望这套方法帮你在 c0002 工作流上少走几个来回。本文还有配套的精品资源点击获取
