10分钟上手ComfyUI：电商商品图文自动化生成全流程

2026-02-05 04:52:49作者：魏献源Searcher

还在为电商商品图制作效率低、成本高而烦恼？ComfyUI作为模块化的Stable Diffusion图形界面工具，能通过节点化流程设计实现商品图文的批量自动化生成。本文将带你从安装到实战，完成从商品描述到高质量展示图的全流程搭建，无需编程基础也能快速上手。

环境准备与安装

安装方式选择

ComfyUI提供多种安装方案，推荐根据场景选择：

桌面应用：适合普通用户的一键安装方案，支持Windows和macOS，下载地址见官方文档
便携包：Windows用户可直接下载解压Windows Portable Package
手动安装：适合开发者和Linux/macOS用户，需克隆仓库并安装依赖：

git clone https://gitcode.com/GitHub_Trending/co/ComfyUI
cd ComfyUI
pip install -r requirements.txt

模型文件准备

将商品图生成所需模型文件放置到指定目录：

主模型(Checkpoints)：存放至models/checkpoints，推荐使用SDXL或SD3模型
LoRA模型：存放至models/loras，建议添加电商商品专用风格LoRA
VAE模型：存放至models/vae，用于提升图像色彩还原度

基础界面与核心概念

启动与界面布局

执行以下命令启动ComfyUI：

python main.py

浏览器访问http://127.0.0.1:8188即可看到工作界面，主要分为：

左侧：节点选择面板，包含所有可用功能模块
中央：画布区域，用于搭建工作流
右侧：属性面板，用于配置节点参数

ComfyUI界面布局

核心节点类型

电商图文生成常用节点分类：

输入类：如CLIPTextEncode文本编码器、LoadImage图片加载器
生成类：如KSampler采样器、StableDiffusionModel模型加载器
后处理：如VAEEncode/VAEDecode图像编解码、SaveImage结果保存

完整节点列表可查看comfy/nodes.py源码定义。

电商商品图生成工作流搭建

基础图文生成流程

以下是标准商品图生成的节点连接关系：

graph LR
    A[CheckpointLoaderSimple] -->|模型| B[KSampler]
    C[CLIPTextEncode] -->|正向提示词| B
    D[CLIPTextEncode] -->|反向提示词| B
    E[EmptyLatentImage] -->| latent | B
    B -->|生成图像| F[VAEDecode]
    F -->|保存结果| G[SaveImage]

节点配置详解

1. 模型加载节点

添加CheckpointLoaderSimple节点，配置参数：

ckpt_name：选择models/checkpoints目录下的模型文件，如电商专用模型product_v2.safetensors

2. 文本编码节点

添加两个CLIPTextEncode节点：

正向提示词：(product photo:1.2), white background, high detail, 8K resolution, professional lighting
反向提示词：blurry, low quality, text, watermark, ugly

3. 采样器配置

KSampler节点核心参数设置：

seed：随机数种子，不同值生成不同结果
steps：采样步数，建议20-30（平衡质量与速度）
cfg：分类器指导强度，推荐7-9

4. 图像尺寸设置

EmptyLatentImage节点设置电商常用尺寸：

width: 1024
height: 1024
batch_size: 4（一次生成4张图）

实战：从商品描述到自动化出图

单商品图文生成示例

以下是完整的API调用示例，可通过脚本批量生成不同商品：

# 修改自[script_examples/basic_api_example.py](https://gitcode.com/GitHub_Trending/co/ComfyUI/blob/4054b4bf38d11fc0c784c2d19f5fc0ed3bbc7ae4/script_examples/basic_api_example.py?utm_source=gitcode_repo_files)
import json
from urllib import request

def generate_product_image(product_name, seed=42):
    prompt_text = """
    {
        "3": {"class_type": "KSampler",
            "inputs": {
                "cfg": 8,
                "denoise": 1,
                "latent_image": ["5", 0],
                "model": ["4", 0],
                "negative": ["7", 0],
                "positive": ["6", 0],
                "sampler_name": "euler",
                "scheduler": "normal",
                "seed": %d,
                "steps": 25
            }
        },
        "4": {"class_type": "CheckpointLoaderSimple",
            "inputs": {"ckpt_name": "product_v2.safetensors"}
        },
        "5": {"class_type": "EmptyLatentImage",
            "inputs": {"width": 1024, "height": 1024, "batch_size": 1}
        },
        "6": {"class_type": "CLIPTextEncode",
            "inputs": {"clip": ["4", 1], "text": "%s"}
        },
        "7": {"class_type": "CLIPTextEncode",
            "inputs": {"clip": ["4", 1], "text": "blurry, low quality"}
        },
        "8": {"class_type": "VAEDecode",
            "inputs": {"samples": ["3", 0], "vae": ["4", 2]}
        },
        "9": {"class_type": "SaveImage",
            "inputs": {"images": ["8", 0], "filename_prefix": "product_%s"}
        }
    }
    """ % (seed, product_name, product_name)
    
    prompt = json.loads(prompt_text)
    data = json.dumps({"prompt": prompt}).encode('utf-8')
    req = request.Request("http://127.0.0.1:8188/prompt", data=data)
    request.urlopen(req)

# 生成多个商品
generate_product_image("wireless headphone, white color", seed=100)
generate_product_image("stainless steel water bottle", seed=200)