简介这是一套面向 ComfyUI 用户的 QwenImageEdit 图生图工作流资源聚焦 24 类商品模特分裂展示场景适合电商美工、AIGC 创作者以及希望快速上手 ComfyUI 图像编辑工作流的进阶学习者。压缩包为 rar 格式内含 1 个 json 工作流文件整体仅 14KB文件体积小、导入快捷该文件在 ComfyUI 中加载后即可获得按 24 类商品分类组织好的节点与参数配置无需从零搭建流程。资源省去了自行拖拽节点、调试模型的摸索时间使用者只需替换输入商品图并调整提示词就能输出对应的模特分裂展示效果同时还可借助这份配置理解 QwenImageEdit 与 ComfyUI 的集成方式便于后续扩充到更多商品类别、修改展示版式或复用其中的图像编辑逻辑。目前已有 72 人学习下载适合用作商品展示图批量生成与 ComfyUI 工作流学习的轻量参考。1. 一张模特图分裂出 24 类商品展示图ComfyUI 跑 QwenImageEdit 图生图的价值在哪电商设计师最烦的不是修图是怎么把一张可用的模特原图变成一整组页面素材。一个品类要 3 张24 个品类就是 72 张重拍不现实纯 PS 一张至少二十分钟。用 ComfyUI 拉 QwenImageEdit 做图生图是把“换背景”“换配色”“换场景”这些动作拆成可复用的指令和参数跑一条工作流批量产出变体最后拼成宫格图直接进详情页。这套方案适合手里有一定商品图、想用 AIGC 替代重复修图的电商设计团队和落地工程师也适合刚开始搭 ComfyUI 工作流的个人。真正花时间的不是出图是把 24 类商品各自的提示词模板和重绘参数定明白。2. 先搭环境ComfyUI 里装 QwenImageEdit 节点跑通第一张图生图这个组合里最容易让新手翻车的不是工作流画法而是“装什么节点、权重放哪、怎么算跑通”。完整依赖线是ComfyUI 本体 → QwenImageEdit 自定义节点 → 模型权重文件 → 出图。前三步错了后面全是玄学报错。2.1 用 ComfyUI Manager 安装 QwenImageEdit 节点包安装入口与适配检查如果你用的是秋叶一键整合包或 ComfyUI DesktopComfyUI Manager 一般已经预装了。打开 ComfyUI 界面右侧栏找到 Manager在 Install Custom Nodes 的搜索框输入 qwen-image-edit找名字里带 QwenImageEdit 的那个包点 Install等它把依赖一起拉完重启 ComfyUI 就生效。这个入口对新手最友好pip 依赖由 Manager 统一处理。也可以手动装适合熟悉 Git 操作的人cd ComfyUI/custom_nodes git clone 你在 GitHub 搜索到的 comfyui-qwen-image-edit 仓库地址 cd comfyui-qwen-image-edit pip install -r requirements.txtgit clone 是把这个节点包下载到 ComfyUI 的自定义节点目录ComfyUI 启动时扫描该目录并注册节点requirements.txt 里一般锁着 transformers 等依赖版本装完必须重启才能加载。手动装的好处是排错直观节点报错时可以直接看源码定位问题。验证是否装成功在画布空白处双击搜索 Qwen如果列表里出现 QwenImageEdit 相关节点就说明注册成功。网上讲 ComfyUI 教程的帖子这一步大多只写到“安装完成”但节点有没有被识别一定要以右键搜索里能不能看到为准看不到就是没装上先看启动日志里的报错。2.2 模型权重放对位置目录结构与首次加载的显存预期节点装完不等于能出图还差权重文件。QwenImageEdit 是 20B 参数的图像编辑模型权重文件体积从十几 GB 到几十 GB 都很正常具体看下载的精度版本。常见做法是把权重放进 models 目录下某个子目录然后在节点参数里指认路径。ComfyUI/models/ ├── checkpoints/ # 放常规大模型Qwen 系不一定在这里 ├── qwen_image_edit/ # 我个人习惯为它单独建目录 │ └── qwen_image_edit.safetensors └── vae/ # 如果节点需要独立 VAE也放这里ComfyUI 按目录分类扫描模型权重放哪不是关键关键是 QwenImageEdit 节点的模型路径参数要指到具体的 .safetensors 文件。首次加载一般会比较慢因为 20B 参数的权重要整体读进内存再上显存。常见配置是 24GB 显存起步开低显存模式之后 12GB 也能跑代价是每张图慢一到两倍。批量任务不建议为了省显存把图压太小后面还要拼宫格底图质量决定最终输出质量。2.3 最小图生图链路加载图片 → 写指令 → 出图先别管分裂展示第一步是把最小链路跑通。画布上放四个节点加载图像 Load Image、QwenImageEdit 推理节点、VAE 解码节点如果推理节点输出的是 latent需要解码成像素图、保存图像 Save Image。在指令输入口写一句英文比如 Change the background to solid light gray, keep the product unchanged然后运行。用代码提交工作流是另一种常见做法ComfyUI 提供 HTTP 接口适合后面批量跑import json import requests workflow { 3: {class_type: LoadImage, inputs: {image: model_original.jpg}}, 6: { class_type: QwenImageEdit, inputs: { image: [3, 0], instruction: change the background to pure white, keep subject, seed: 42, }, }, 9: {class_type: SaveImage, inputs: {images: [6, 0]}}, } requests.post(http://127.0.0.1:8188/prompt, json{prompt: workflow})这里走的还是 ComfyUI 的 /prompt 提交接口workflow 里每个节点用数字编号class_type 是节点类名inputs 里的 [3, 0] 表示取节点 3 的第 0 个输出。instruction 是这次图生图的编辑指令也是整个任务的核心输入seed 固定后同一指令出图可复现后面做系列变体全靠这个参数组合来控制差异。链路跑通后你已经有一张“听话”的编辑图了。但单张变体距离 24 类商品的分裂展示还差一层怎么把不同类型的商品拆成可控的参数模板。这就是第 3 章要解决的问题。3. 分裂逻辑怎么定把 24 类商品按重绘敏感度分组每类给一套提示词“24 类”不是一个固定枚举而是一组商品目录的规模感。真正要做的不是给 24 类各写一段原创提示词而是找到一套通用结构再把商品差异变成可替换的字段。先分对组后面所有参数的调法才有依据。3.1 商品分组与重绘敏感度服装、配饰、数码、美妆、食品五大类QwenImageEdit 对不同商品的风险完全不一样。服装类可以放开改颜色和背景但版型不能动鞋包配饰改颜色风险低金属件和 logo 一改就假数码和家电是最容易翻车的组接口位置、屏幕文案、机身 logo 一旦被重画图就废了美妆类适合做局部特写瓶身标签和色号标识是红线食品类最怕食材被改头换面餐具和背景可以换食物本身的形态要锁死。分组代表类目可以放开重绘必须锁死服装组T恤、卫衣、连衣裙颜色、背景、纹理风格版型轮廓、领口细节、印花内容配饰组包、鞋、帽子背景、摆拍场景金属件、logo、缝线走向数码组手机、耳机、家电背景、环境光接口位置、屏幕文案、机身 logo美妆组口红、精华、粉底背景、道具摆放瓶身标签、色号、容量标识食品组零食、饮品、礼盒摆盘、餐具、背景食材形态、包装主体这张表是后面所有参数设置的依据。同一个品类内的商品重绘策略可以保持一致跨组时提示词和 denoise 必须跟着换否则就是批量翻车。分组的意义有两层一是写提示词时按组取模板不重复造轮子二是出图后的质检也有优先级数码组先看接口和 logo服装组先看版型美妆组先看标签。我一般会把这张表打印出来贴在工位旁边调参时对照着看。3.2 提示词三段式全局不变项 局部变化项 负面提示提示词不要写一大段散文段式化之后才能工程化。我的习惯是拆成三部分全局不变项描述主体和必须保留的元素局部变化项描述这次分裂展示要换的东西负面提示锁住不能出现的内容。用 Python 模板管理最方便TEMPLATE ( professional product photography, {subject}, {change}, keep the original shape and brand elements unchanged, high detail, studio lighting, 8k ) goods { t_shirt_red: { subject: a plain t-shirt on a female model, change: change the t-shirt color to bright red, negative: distorted shape, deformed hands, extra text, watermark, }, headphone_white: { subject: a pair of wireless headphones, change: replace the background with a clean white studio backdrop, negative: changed buttons, missing logo, altered cable ports, }, } prompt TEMPLATE.format(**goods[t_shirt_red]) print(prompt)这段代码的逻辑是模板把“永远不变的主体描述”和“每次要变的动作”拆开新增品类时只需要往字典里加一组字段不破坏已有工作流。参数说明subject 一定要写清主体和关键结构尤其是 female model、wireless headphones 这种限定词change 一句话说清动作别写多件事否则模型容易只做最后一件negative 里按分组补充数码类必须带上 changed buttons、missing logo 这类词文字类商品加 extra text、watermark。负面提示不是模型的硬性开关但对抑制文字重绘和形体崩坏非常有效。尤其是 24 类商品这种批量场景负面词写不写直接决定返工率。3.3 denoise 是分裂幅度总开关从保真到放开取值怎么定图生图和文生图的本质区别在于输入图给模型提供了一个“底”denoise 就是这个底的保真度旋钮。denoise 越接近 1模型越自由主体越容易跑偏越低越贴原图但变化也越小。在 ComfyUI 的 KSampler 节点上就能看到这个参数。任务denoise 起点说明数码类换背景0.45-0.55主体敏感宁小勿大服装类换色0.5-0.6颜色充分替换版型基本不变服装类换背景0.6-0.7背景完全替换人物保留配饰类换场景0.6-0.7场景融入金属件不变形美妆/食品摆拍0.55-0.65换道具换背景主体锁死换姿势/换角度0.75-0.85大改动出图后重点质检面部和版型有些教程会告诉你换背景直接上 0.8我的血泪经验是分品类来。数码组用 0.8 换背景接口位置基本必崩。denoise 不是孤立的它和 CFG、步数配合着调第 4 章会给一张完整的参数起点表。4. 搭一条可复用的分裂展示工作流从单张原图到 4 宫格、9 宫格拼接这一章的目标很明确从一张原始模特图批量产出多张变体自动拼成宫格图保存。所谓分裂展示本质是“同一主体 多组局部变化 统一版式”。4.1 工作流骨架加载、推理、放大、拼接、保存先看整体结构节点链路这样连Load Image - QwenImageEdit - VAE Decode - Image Upscale - Image Concatenate - Save Image加载图像节点读入原始商品图QwenImageEdit 节点按 instruction 生成编辑结果如果当前节点包输出的是 latent就需要 VAE 解码才能得到像素图放大节点把低分辨率草稿放大到目标尺寸拼接节点把多张图按网格方式合成保存节点落盘。最简单的做法是在画布上复制多个 QwenImageEdit 分支每个分支写不同的 instruction适合验证想法但不适合 24 类商品这种规模画布一乱出错点都找不到。我更推荐把工作流保持单一用 API 方式批量提交每次只改 instruction、seed、image 文件名这三个输入。这样一套工作流可以服务整张 24 类商品表参数和提示词全部外部化改配置不碰画布。4.2 图生图关键参数表分辨率、CFG、步数的推荐起点ComfyUI 里 QwenImageEdit 节点通常会暴露几个通用参数字段名以你装的节点包为准含义是通用的。下面这组起点是我跑过的常用组合。参数推荐起点调整顺序说明resolution1024 x 1024第一步固定先在低分辨率出草稿最后统一放大guidance_scale5.0第二步调过高颜色过艳过低编辑动作不执行num_inference_steps30第三步调20 步也能出图30 步细节更扎实denoise按 3.3 分组第四步调幅度总开关不同组取值不同seed随机取一个最后固定系列任务固定 seed保证一致性调参顺序比参数本身更重要。我一般先固定分辨率到 1024然后调 denoise 或 instruction 确认编辑动作执行到位再动 guidance_scale 收颜色和光影最后用 seed 固定结果。反过来先调 seed每次随机结果会让你误以为参数有问题。4.3 用 API 批量驱动一次任务生成多张分裂变体在服务端跑 ComfyUI 时用 Python 脚本批量提交是最省事的。核心逻辑循环里改 instruction 和 seed提交工作流轮询历史接口确认完成取回图片。import json import time import requests BASE http://127.0.0.1:8188 def build_workflow(image_name, instruction, seed): return { 1: {class_type: LoadImage, inputs: {image: image_name}}, 2: { class_type: QwenImageEdit, inputs: { image: [1, 0], instruction: instruction, seed: seed, guidance_scale: 5.0, num_inference_steps: 30, }, }, 3: {class_type: SaveImage, inputs: {images: [2, 0]}}, } def submit(prompt): r requests.post(f{BASE}/prompt, json{prompt: prompt}) r.raise_for_status() return r.json()[prompt_id] def wait_done(prompt_id, timeout300): start time.time() while time.time() - start timeout: r requests.get(f{BASE}/history/{prompt_id}) if r.json(): return True time.sleep(1) return False variants [ (change the background to pure white, 101), (change the background to warm gray, 102), (change the product color to red, keep style, 103), ] for idx, (instruction, seed) in enumerate(variants): wf build_workflow(model_shoot.jpg, instruction, seed) pid submit(wf) wait_done(pid) print(fvariant {idx} finished with prompt_id{pid})build_workflow 的作用是把节点结构封装成可复用的函数三个入参分别是输入图像名、编辑指令、随机种子。submit 提交任务wait_done 每 1 秒轮询一次历史接口任务完成后返回。variants 就是把“分裂”变成参数列表换背景、换色、换场景每一行是一次变体要生成 24 类就扩到 24 行。注意 prompt_id 是每次提交的唯一标识轮询时要用它而不是不带 id 地刷整个历史。4.4 拼接宫格前先统一尺寸裁切与对齐的兜底方法模型每次输出的分辨率可能有细微差异直接进拼接节点会出现边缘不齐。兜底方案放大到同一目标尺寸后先居中缩放再居中裁切。用 PIL 几行代码就能处理from PIL import Image def crop_center(img, size1024): w, h img.size left (w - size) // 2 top (h - size) // 2 return img.crop((left, top, left size, top size)) tiles [crop_center(Image.open(fout_{i}.png)) for i in range(9)] grid Image.new(RGB, (1024 * 3, 1024 * 3), white) for i, tile in enumerate(tiles): grid.paste(tile, ((i % 3) * 1024, (i // 3) * 1024)) grid.save(grid_9.jpg)crop_center 把图片从中心裁成 1024 见方避免边缘内容被截掉grid 画布按三行三列布局每张 1024最终得到 3072 见方的宫格图。这里有个细节拼接前的所有变体必须来自同一张输入原图的分裂否则宫格图里商品的角度、比例不一致一眼就能看出是拼接的。5. 避坑QwenImageEdit 图生图的高频翻车点与参数救法量跑起来之后真正消耗时间的是返工。下面 5 个问题是我在这个方向上踩过最深的坑每个都按现象、原因、解决的顺序说清楚。5.1 换背景时模特脸崩了现象背景换得很干净但模特的脸型、五官被重新画了一遍看起来像另一个人。原因denoise 调高后整个画面自由度都升高脸在模型眼里不是“必须保住的元素”容易被重绘。解决把 denoise 压到 0.55 以下任务描述里明确写 keep the womans face and expression unchanged如果还是崩就把原图裁出脸部区域作为参考图接到节点参考输入口生成后再把脸部贴回去。服装类换背景时脸崩最常见这一步救回来的比例很高。5.2 商品 logo 和文字变得像乱码现象T恤印花、包装盒名称、瓶身上的字全部变成无法辨认的笔画。原因扩散模型把文字当成纹理来生成而对中文和装饰性字体的纹理重建能力本来就弱。解决提示词里加 keep the printed text exactly as original更保险的做法是用分割模型把 logo 区域抠出来生成后把原图 logo 贴回去。批量场景里凡是带文字的商品图我默认走“生成 贴 logo”两步基本不出意外。5.3 换颜色把材质一起换了现象给皮包换红色结果皮纹质感没了像塑料模型。原因指令里 change to red 被模型理解成一种整体渲染风格切换颜色和材质两条属性被绑定重画。解决把指令拆细写成 change only the color to red, keep the same leather texture and gloss。这是第 3 章三段式结构的直接应用变动项锁在颜色材质放进全局不变项。如果还是不行降低 denoise 到 0.5让模型少动原图纹理。5.4 加载模型时内存不足现象Windows 下点运行ComfyUI 加载 QwenImageEdit 权重时报 out of memory或者跑到一半线程被杀。原因20B 参数模型权重加载本身要占用大量内存Windows 默认虚拟内存偏小显存不够时还要用内存做交换内存也撑不住就直接崩。解决先调大虚拟内存右键“此电脑” → 属性 → 高级系统设置 → 性能设置 → 高级 → 更改虚拟内存自定义初始大小和最大值都填 32768MB重启生效。再把 ComfyUI 启动参数加上 --lowvram让它以权重卸载方式运行显存占用大幅下降用速度换显存值得。5.5 同一条指令今天出图和明天出图风格不一致现象前两天跑到一条好效果原封不动重跑一遍结果光影和色彩明显不一样。原因seed 没固定或者 guidance_scale 偏高导致输出对随机噪声更敏感。解决批量任务每个变体固定唯一 seed品类内共享同一 seed 基座如果差异还是大把 guidance_scale 从 5.0 往下降到 4.0生成结果会更贴近输入图。固定 seed 后同指令重跑应该像素级一致如果不一致优先检查节点里有没有遗漏的随机输入口。6. 让分裂展示接近商用的三个技巧参考图、seed 矩阵与 SSIM 抽检6.1 用参考图锁住商品主体如果节点包支持参考图输入把商品主体单独裁出来接到 reference_image 输入口比任何负面提示词都管用。指令里写 keep the product exactly the same as the reference模型会以参考图作为主体约束背景和动作再放飞主体材质和形状也不容易跑。6.2 固定 seed 矩阵做系列一致性24 类商品同时上线时系列感的来源不是每张都好看而是风格统一。我的做法是每个品类分配一个基础 seed品类内所有变体都从这个 seed 出发差异只由 instruction 产生。这样同一品类的背景光感和色彩倾向是一致的拼进详情页时不会有“张张都像不同摄影师拍的”的割裂感。6.3 SSIM 抽检用结构相似度量化重绘幅度批量跑完几十张全靠肉眼盯不现实。我会用结构相似度对输出和原图做一次快速抽检分数太高说明模型没怎么动分数太低说明可能改飞了。from skimage.metrics import structural_similarity as ssim import cv2 a cv2.imread(original.jpg, cv2.IMREAD_GRAYSCALE) b cv2.imread(output.jpg, cv2.IMREAD_GRAYSCALE) b cv2.resize(b, (a.shape[1], a.shape[0])) score ssim(a, b) print(fSSIM{score:.3f})逻辑是把两图转灰度并统一尺寸再计算结构相似度。ssim 输出 0 到 1 的分数1 代表完全一致。我的经验阈值0.55 到 0.75 属于正常编辑幅度高于 0.8 说明这次变体基本没变低于 0.5 就要人工检查主体是否被改掉了。不同品类阈值可以略调数码组因为改动小0.6 以上都算正常。这套流程我从单品类跑通到 24 类批量最大的教训是永远不要第一次就跑满 72 张。先小批量验证提示词和 denoiseSSIM 过一遍再放量。参数这东西跑得越多越知道它的脾气。希望帮到你。本文还有配套的精品资源点击获取 ComfyUI实战：QwenImageEdit图生图批量生成电商展示图
简介这是一套面向 ComfyUI 用户的 QwenImageEdit 图生图工作流资源聚焦 24 类商品模特分裂展示场景适合电商美工、AIGC 创作者以及希望快速上手 ComfyUI 图像编辑工作流的进阶学习者。压缩包为 rar 格式内含 1 个 json 工作流文件整体仅 14KB文件体积小、导入快捷该文件在 ComfyUI 中加载后即可获得按 24 类商品分类组织好的节点与参数配置无需从零搭建流程。资源省去了自行拖拽节点、调试模型的摸索时间使用者只需替换输入商品图并调整提示词就能输出对应的模特分裂展示效果同时还可借助这份配置理解 QwenImageEdit 与 ComfyUI 的集成方式便于后续扩充到更多商品类别、修改展示版式或复用其中的图像编辑逻辑。目前已有 72 人学习下载适合用作商品展示图批量生成与 ComfyUI 工作流学习的轻量参考。1. 一张模特图分裂出 24 类商品展示图ComfyUI 跑 QwenImageEdit 图生图的价值在哪电商设计师最烦的不是修图是怎么把一张可用的模特原图变成一整组页面素材。一个品类要 3 张24 个品类就是 72 张重拍不现实纯 PS 一张至少二十分钟。用 ComfyUI 拉 QwenImageEdit 做图生图是把“换背景”“换配色”“换场景”这些动作拆成可复用的指令和参数跑一条工作流批量产出变体最后拼成宫格图直接进详情页。这套方案适合手里有一定商品图、想用 AIGC 替代重复修图的电商设计团队和落地工程师也适合刚开始搭 ComfyUI 工作流的个人。真正花时间的不是出图是把 24 类商品各自的提示词模板和重绘参数定明白。2. 先搭环境ComfyUI 里装 QwenImageEdit 节点跑通第一张图生图这个组合里最容易让新手翻车的不是工作流画法而是“装什么节点、权重放哪、怎么算跑通”。完整依赖线是ComfyUI 本体 → QwenImageEdit 自定义节点 → 模型权重文件 → 出图。前三步错了后面全是玄学报错。2.1 用 ComfyUI Manager 安装 QwenImageEdit 节点包安装入口与适配检查如果你用的是秋叶一键整合包或 ComfyUI DesktopComfyUI Manager 一般已经预装了。打开 ComfyUI 界面右侧栏找到 Manager在 Install Custom Nodes 的搜索框输入 qwen-image-edit找名字里带 QwenImageEdit 的那个包点 Install等它把依赖一起拉完重启 ComfyUI 就生效。这个入口对新手最友好pip 依赖由 Manager 统一处理。也可以手动装适合熟悉 Git 操作的人cd ComfyUI/custom_nodes git clone 你在 GitHub 搜索到的 comfyui-qwen-image-edit 仓库地址 cd comfyui-qwen-image-edit pip install -r requirements.txtgit clone 是把这个节点包下载到 ComfyUI 的自定义节点目录ComfyUI 启动时扫描该目录并注册节点requirements.txt 里一般锁着 transformers 等依赖版本装完必须重启才能加载。手动装的好处是排错直观节点报错时可以直接看源码定位问题。验证是否装成功在画布空白处双击搜索 Qwen如果列表里出现 QwenImageEdit 相关节点就说明注册成功。网上讲 ComfyUI 教程的帖子这一步大多只写到“安装完成”但节点有没有被识别一定要以右键搜索里能不能看到为准看不到就是没装上先看启动日志里的报错。2.2 模型权重放对位置目录结构与首次加载的显存预期节点装完不等于能出图还差权重文件。QwenImageEdit 是 20B 参数的图像编辑模型权重文件体积从十几 GB 到几十 GB 都很正常具体看下载的精度版本。常见做法是把权重放进 models 目录下某个子目录然后在节点参数里指认路径。ComfyUI/models/ ├── checkpoints/ # 放常规大模型Qwen 系不一定在这里 ├── qwen_image_edit/ # 我个人习惯为它单独建目录 │ └── qwen_image_edit.safetensors └── vae/ # 如果节点需要独立 VAE也放这里ComfyUI 按目录分类扫描模型权重放哪不是关键关键是 QwenImageEdit 节点的模型路径参数要指到具体的 .safetensors 文件。首次加载一般会比较慢因为 20B 参数的权重要整体读进内存再上显存。常见配置是 24GB 显存起步开低显存模式之后 12GB 也能跑代价是每张图慢一到两倍。批量任务不建议为了省显存把图压太小后面还要拼宫格底图质量决定最终输出质量。2.3 最小图生图链路加载图片 → 写指令 → 出图先别管分裂展示第一步是把最小链路跑通。画布上放四个节点加载图像 Load Image、QwenImageEdit 推理节点、VAE 解码节点如果推理节点输出的是 latent需要解码成像素图、保存图像 Save Image。在指令输入口写一句英文比如 Change the background to solid light gray, keep the product unchanged然后运行。用代码提交工作流是另一种常见做法ComfyUI 提供 HTTP 接口适合后面批量跑import json import requests workflow { 3: {class_type: LoadImage, inputs: {image: model_original.jpg}}, 6: { class_type: QwenImageEdit, inputs: { image: [3, 0], instruction: change the background to pure white, keep subject, seed: 42, }, }, 9: {class_type: SaveImage, inputs: {images: [6, 0]}}, } requests.post(http://127.0.0.1:8188/prompt, json{prompt: workflow})这里走的还是 ComfyUI 的 /prompt 提交接口workflow 里每个节点用数字编号class_type 是节点类名inputs 里的 [3, 0] 表示取节点 3 的第 0 个输出。instruction 是这次图生图的编辑指令也是整个任务的核心输入seed 固定后同一指令出图可复现后面做系列变体全靠这个参数组合来控制差异。链路跑通后你已经有一张“听话”的编辑图了。但单张变体距离 24 类商品的分裂展示还差一层怎么把不同类型的商品拆成可控的参数模板。这就是第 3 章要解决的问题。3. 分裂逻辑怎么定把 24 类商品按重绘敏感度分组每类给一套提示词“24 类”不是一个固定枚举而是一组商品目录的规模感。真正要做的不是给 24 类各写一段原创提示词而是找到一套通用结构再把商品差异变成可替换的字段。先分对组后面所有参数的调法才有依据。3.1 商品分组与重绘敏感度服装、配饰、数码、美妆、食品五大类QwenImageEdit 对不同商品的风险完全不一样。服装类可以放开改颜色和背景但版型不能动鞋包配饰改颜色风险低金属件和 logo 一改就假数码和家电是最容易翻车的组接口位置、屏幕文案、机身 logo 一旦被重画图就废了美妆类适合做局部特写瓶身标签和色号标识是红线食品类最怕食材被改头换面餐具和背景可以换食物本身的形态要锁死。分组代表类目可以放开重绘必须锁死服装组T恤、卫衣、连衣裙颜色、背景、纹理风格版型轮廓、领口细节、印花内容配饰组包、鞋、帽子背景、摆拍场景金属件、logo、缝线走向数码组手机、耳机、家电背景、环境光接口位置、屏幕文案、机身 logo美妆组口红、精华、粉底背景、道具摆放瓶身标签、色号、容量标识食品组零食、饮品、礼盒摆盘、餐具、背景食材形态、包装主体这张表是后面所有参数设置的依据。同一个品类内的商品重绘策略可以保持一致跨组时提示词和 denoise 必须跟着换否则就是批量翻车。分组的意义有两层一是写提示词时按组取模板不重复造轮子二是出图后的质检也有优先级数码组先看接口和 logo服装组先看版型美妆组先看标签。我一般会把这张表打印出来贴在工位旁边调参时对照着看。3.2 提示词三段式全局不变项 局部变化项 负面提示提示词不要写一大段散文段式化之后才能工程化。我的习惯是拆成三部分全局不变项描述主体和必须保留的元素局部变化项描述这次分裂展示要换的东西负面提示锁住不能出现的内容。用 Python 模板管理最方便TEMPLATE ( professional product photography, {subject}, {change}, keep the original shape and brand elements unchanged, high detail, studio lighting, 8k ) goods { t_shirt_red: { subject: a plain t-shirt on a female model, change: change the t-shirt color to bright red, negative: distorted shape, deformed hands, extra text, watermark, }, headphone_white: { subject: a pair of wireless headphones, change: replace the background with a clean white studio backdrop, negative: changed buttons, missing logo, altered cable ports, }, } prompt TEMPLATE.format(**goods[t_shirt_red]) print(prompt)这段代码的逻辑是模板把“永远不变的主体描述”和“每次要变的动作”拆开新增品类时只需要往字典里加一组字段不破坏已有工作流。参数说明subject 一定要写清主体和关键结构尤其是 female model、wireless headphones 这种限定词change 一句话说清动作别写多件事否则模型容易只做最后一件negative 里按分组补充数码类必须带上 changed buttons、missing logo 这类词文字类商品加 extra text、watermark。负面提示不是模型的硬性开关但对抑制文字重绘和形体崩坏非常有效。尤其是 24 类商品这种批量场景负面词写不写直接决定返工率。3.3 denoise 是分裂幅度总开关从保真到放开取值怎么定图生图和文生图的本质区别在于输入图给模型提供了一个“底”denoise 就是这个底的保真度旋钮。denoise 越接近 1模型越自由主体越容易跑偏越低越贴原图但变化也越小。在 ComfyUI 的 KSampler 节点上就能看到这个参数。任务denoise 起点说明数码类换背景0.45-0.55主体敏感宁小勿大服装类换色0.5-0.6颜色充分替换版型基本不变服装类换背景0.6-0.7背景完全替换人物保留配饰类换场景0.6-0.7场景融入金属件不变形美妆/食品摆拍0.55-0.65换道具换背景主体锁死换姿势/换角度0.75-0.85大改动出图后重点质检面部和版型有些教程会告诉你换背景直接上 0.8我的血泪经验是分品类来。数码组用 0.8 换背景接口位置基本必崩。denoise 不是孤立的它和 CFG、步数配合着调第 4 章会给一张完整的参数起点表。4. 搭一条可复用的分裂展示工作流从单张原图到 4 宫格、9 宫格拼接这一章的目标很明确从一张原始模特图批量产出多张变体自动拼成宫格图保存。所谓分裂展示本质是“同一主体 多组局部变化 统一版式”。4.1 工作流骨架加载、推理、放大、拼接、保存先看整体结构节点链路这样连Load Image - QwenImageEdit - VAE Decode - Image Upscale - Image Concatenate - Save Image加载图像节点读入原始商品图QwenImageEdit 节点按 instruction 生成编辑结果如果当前节点包输出的是 latent就需要 VAE 解码才能得到像素图放大节点把低分辨率草稿放大到目标尺寸拼接节点把多张图按网格方式合成保存节点落盘。最简单的做法是在画布上复制多个 QwenImageEdit 分支每个分支写不同的 instruction适合验证想法但不适合 24 类商品这种规模画布一乱出错点都找不到。我更推荐把工作流保持单一用 API 方式批量提交每次只改 instruction、seed、image 文件名这三个输入。这样一套工作流可以服务整张 24 类商品表参数和提示词全部外部化改配置不碰画布。4.2 图生图关键参数表分辨率、CFG、步数的推荐起点ComfyUI 里 QwenImageEdit 节点通常会暴露几个通用参数字段名以你装的节点包为准含义是通用的。下面这组起点是我跑过的常用组合。参数推荐起点调整顺序说明resolution1024 x 1024第一步固定先在低分辨率出草稿最后统一放大guidance_scale5.0第二步调过高颜色过艳过低编辑动作不执行num_inference_steps30第三步调20 步也能出图30 步细节更扎实denoise按 3.3 分组第四步调幅度总开关不同组取值不同seed随机取一个最后固定系列任务固定 seed保证一致性调参顺序比参数本身更重要。我一般先固定分辨率到 1024然后调 denoise 或 instruction 确认编辑动作执行到位再动 guidance_scale 收颜色和光影最后用 seed 固定结果。反过来先调 seed每次随机结果会让你误以为参数有问题。4.3 用 API 批量驱动一次任务生成多张分裂变体在服务端跑 ComfyUI 时用 Python 脚本批量提交是最省事的。核心逻辑循环里改 instruction 和 seed提交工作流轮询历史接口确认完成取回图片。import json import time import requests BASE http://127.0.0.1:8188 def build_workflow(image_name, instruction, seed): return { 1: {class_type: LoadImage, inputs: {image: image_name}}, 2: { class_type: QwenImageEdit, inputs: { image: [1, 0], instruction: instruction, seed: seed, guidance_scale: 5.0, num_inference_steps: 30, }, }, 3: {class_type: SaveImage, inputs: {images: [2, 0]}}, } def submit(prompt): r requests.post(f{BASE}/prompt, json{prompt: prompt}) r.raise_for_status() return r.json()[prompt_id] def wait_done(prompt_id, timeout300): start time.time() while time.time() - start timeout: r requests.get(f{BASE}/history/{prompt_id}) if r.json(): return True time.sleep(1) return False variants [ (change the background to pure white, 101), (change the background to warm gray, 102), (change the product color to red, keep style, 103), ] for idx, (instruction, seed) in enumerate(variants): wf build_workflow(model_shoot.jpg, instruction, seed) pid submit(wf) wait_done(pid) print(fvariant {idx} finished with prompt_id{pid})build_workflow 的作用是把节点结构封装成可复用的函数三个入参分别是输入图像名、编辑指令、随机种子。submit 提交任务wait_done 每 1 秒轮询一次历史接口任务完成后返回。variants 就是把“分裂”变成参数列表换背景、换色、换场景每一行是一次变体要生成 24 类就扩到 24 行。注意 prompt_id 是每次提交的唯一标识轮询时要用它而不是不带 id 地刷整个历史。4.4 拼接宫格前先统一尺寸裁切与对齐的兜底方法模型每次输出的分辨率可能有细微差异直接进拼接节点会出现边缘不齐。兜底方案放大到同一目标尺寸后先居中缩放再居中裁切。用 PIL 几行代码就能处理from PIL import Image def crop_center(img, size1024): w, h img.size left (w - size) // 2 top (h - size) // 2 return img.crop((left, top, left size, top size)) tiles [crop_center(Image.open(fout_{i}.png)) for i in range(9)] grid Image.new(RGB, (1024 * 3, 1024 * 3), white) for i, tile in enumerate(tiles): grid.paste(tile, ((i % 3) * 1024, (i // 3) * 1024)) grid.save(grid_9.jpg)crop_center 把图片从中心裁成 1024 见方避免边缘内容被截掉grid 画布按三行三列布局每张 1024最终得到 3072 见方的宫格图。这里有个细节拼接前的所有变体必须来自同一张输入原图的分裂否则宫格图里商品的角度、比例不一致一眼就能看出是拼接的。5. 避坑QwenImageEdit 图生图的高频翻车点与参数救法量跑起来之后真正消耗时间的是返工。下面 5 个问题是我在这个方向上踩过最深的坑每个都按现象、原因、解决的顺序说清楚。5.1 换背景时模特脸崩了现象背景换得很干净但模特的脸型、五官被重新画了一遍看起来像另一个人。原因denoise 调高后整个画面自由度都升高脸在模型眼里不是“必须保住的元素”容易被重绘。解决把 denoise 压到 0.55 以下任务描述里明确写 keep the womans face and expression unchanged如果还是崩就把原图裁出脸部区域作为参考图接到节点参考输入口生成后再把脸部贴回去。服装类换背景时脸崩最常见这一步救回来的比例很高。5.2 商品 logo 和文字变得像乱码现象T恤印花、包装盒名称、瓶身上的字全部变成无法辨认的笔画。原因扩散模型把文字当成纹理来生成而对中文和装饰性字体的纹理重建能力本来就弱。解决提示词里加 keep the printed text exactly as original更保险的做法是用分割模型把 logo 区域抠出来生成后把原图 logo 贴回去。批量场景里凡是带文字的商品图我默认走“生成 贴 logo”两步基本不出意外。5.3 换颜色把材质一起换了现象给皮包换红色结果皮纹质感没了像塑料模型。原因指令里 change to red 被模型理解成一种整体渲染风格切换颜色和材质两条属性被绑定重画。解决把指令拆细写成 change only the color to red, keep the same leather texture and gloss。这是第 3 章三段式结构的直接应用变动项锁在颜色材质放进全局不变项。如果还是不行降低 denoise 到 0.5让模型少动原图纹理。5.4 加载模型时内存不足现象Windows 下点运行ComfyUI 加载 QwenImageEdit 权重时报 out of memory或者跑到一半线程被杀。原因20B 参数模型权重加载本身要占用大量内存Windows 默认虚拟内存偏小显存不够时还要用内存做交换内存也撑不住就直接崩。解决先调大虚拟内存右键“此电脑” → 属性 → 高级系统设置 → 性能设置 → 高级 → 更改虚拟内存自定义初始大小和最大值都填 32768MB重启生效。再把 ComfyUI 启动参数加上 --lowvram让它以权重卸载方式运行显存占用大幅下降用速度换显存值得。5.5 同一条指令今天出图和明天出图风格不一致现象前两天跑到一条好效果原封不动重跑一遍结果光影和色彩明显不一样。原因seed 没固定或者 guidance_scale 偏高导致输出对随机噪声更敏感。解决批量任务每个变体固定唯一 seed品类内共享同一 seed 基座如果差异还是大把 guidance_scale 从 5.0 往下降到 4.0生成结果会更贴近输入图。固定 seed 后同指令重跑应该像素级一致如果不一致优先检查节点里有没有遗漏的随机输入口。6. 让分裂展示接近商用的三个技巧参考图、seed 矩阵与 SSIM 抽检6.1 用参考图锁住商品主体如果节点包支持参考图输入把商品主体单独裁出来接到 reference_image 输入口比任何负面提示词都管用。指令里写 keep the product exactly the same as the reference模型会以参考图作为主体约束背景和动作再放飞主体材质和形状也不容易跑。6.2 固定 seed 矩阵做系列一致性24 类商品同时上线时系列感的来源不是每张都好看而是风格统一。我的做法是每个品类分配一个基础 seed品类内所有变体都从这个 seed 出发差异只由 instruction 产生。这样同一品类的背景光感和色彩倾向是一致的拼进详情页时不会有“张张都像不同摄影师拍的”的割裂感。6.3 SSIM 抽检用结构相似度量化重绘幅度批量跑完几十张全靠肉眼盯不现实。我会用结构相似度对输出和原图做一次快速抽检分数太高说明模型没怎么动分数太低说明可能改飞了。from skimage.metrics import structural_similarity as ssim import cv2 a cv2.imread(original.jpg, cv2.IMREAD_GRAYSCALE) b cv2.imread(output.jpg, cv2.IMREAD_GRAYSCALE) b cv2.resize(b, (a.shape[1], a.shape[0])) score ssim(a, b) print(fSSIM{score:.3f})逻辑是把两图转灰度并统一尺寸再计算结构相似度。ssim 输出 0 到 1 的分数1 代表完全一致。我的经验阈值0.55 到 0.75 属于正常编辑幅度高于 0.8 说明这次变体基本没变低于 0.5 就要人工检查主体是否被改掉了。不同品类阈值可以略调数码组因为改动小0.6 以上都算正常。这套流程我从单品类跑通到 24 类批量最大的教训是永远不要第一次就跑满 72 张。先小批量验证提示词和 denoiseSSIM 过一遍再放量。参数这东西跑得越多越知道它的脾气。希望帮到你。本文还有配套的精品资源点击获取