ComfyUI工作流搭建可视化节点连接调用Lingbot-Depth-Pretrain-ViTL-14模型如果你玩过Stable Diffusion肯定知道文生图、图生图这些基础操作。但有时候我们想要更精细地控制画面的空间感和层次比如让AI画出的风景更有远近虚实或者让生成的人物更好地融入背景。这时候深度图就成了一个非常强大的工具。深度图简单来说就是一张用灰度值表示物体远近的图片越白的地方离你越近越黑的地方离你越远。有了它AI就能“理解”画面的三维结构。今天要聊的Lingbot-Depth-Pretrain-ViTL-14模型就是一个专门从单张图片中估算深度信息的模型效果相当不错。而ComfyUI这个基于节点的工作流工具给了我们极大的自由。它不像WebUI那样把所有功能都塞进一个界面而是让你像搭积木一样通过连接不同的功能节点来构建专属的创作流水线。今天我就带你一步步在ComfyUI里把这个深度模型“请”进来并和其他节点组合起来打造一个能生成带深度控制AI图像的工作流。1. 准备工作安装模型与认识节点在开始连线之前我们得先把“积木”准备好。这个过程很简单主要是下载模型文件和了解我们要用的核心节点。1.1 获取深度模型文件首先你需要找到并下载Lingbot-Depth-Pretrain-ViTL-14模型。这个模型通常以.pth或.safetensors格式存在。你可以在一些知名的模型分享社区找到它。下载完成后需要将它放到ComfyUI正确的目录里。打开你的ComfyUI安装文件夹。找到models目录然后进入depth_estimation文件夹如果不存在就新建一个。将下载好的模型文件例如lingbot_depth_pretrain_vitl14.safetensors放进去。这样就完成了模型的放置。ComfyUI启动时会自动扫描这些目录识别可用的模型。1.2 理解ComfyUI的节点逻辑如果你是第一次接触ComfyUI可能会觉得满屏的节点和连线有点眼花缭乱。别担心它的逻辑非常直观节点 (Node)一个功能模块比如“加载图片”、“运行模型”、“保存图像”。每个节点有输入和输出“插座”。连接 (Link)就是那些线用于将上一个节点的输出“插座”连接到下一个节点的输入“插座”从而传递数据如图片、参数。工作流 (Workflow)由多个节点和连接组成的完整处理流程。我们今天要做的就是找到与深度估计相关的节点并把它们和Stable Diffusion的文生图节点串联起来。2. 构建基础深度图生成工作流让我们先从最简单的开始输入一张图让模型输出它的深度图。这能帮你快速测试模型是否工作正常。启动ComfyUI打开你的ComfyUI网页界面。你应该会看到一个空白的画布。添加输入节点在画布上右键点击选择Add Node-image-Load Image。这个节点用于加载你本地的一张图片。添加深度估计节点再次右键点击现在你需要找到深度估计节点。节点的名字可能因你安装的定制节点包而异常见的名称如Depth Estimation或MiDaS Depth Estimation。如果找不到你可能需要先安装一些社区节点管理器搜索并安装“深度估计”相关的节点包。 找到后点击添加DepthEstimation节点。连接节点将Load Image节点上的IMAGE输出点用鼠标拖出一条线连接到DepthEstimation节点上的image输入点。在DepthEstimation节点上通常有一个下拉菜单让你选择模型。点击它你应该能看到刚才放入depth_estimation文件夹的Lingbot-Depth-Pretrain-ViTL-14模型选中它。添加输出节点右键添加Add Node-image-Save Image。将DepthEstimation节点的DEPTH_IMAGE输出点连接到Save Image节点的images输入点。运行并查看在Load Image节点上点击选择一张你电脑上的图片风景或室内场景效果更明显。点击画布右下角的Queue Prompt按钮。处理完成后生成的深度图会自动保存。你可以在ComfyUI的输出目录找到它或者有些界面会直接弹出预览。现在你应该得到了一张黑白灰的深度图。白色区域代表模型认为离镜头近的部分黑色代表远的部分。试试用不同的图片看看模型对场景空间的理解如何。3. 进阶结合Stable Diffusion进行深度引导创作单独生成深度图只是第一步它的威力在于和Stable Diffusion结合进行“深度引导生成”。这意味着我们可以先有一张深度图可以来自真实照片也可以手绘然后让AI根据这个深度结构去生成全新的图像内容。下面我们来搭建一个更强大的工作流“文生图 深度控制”。3.1 搭建主生成流程首先搭建一个标准的文生图流程添加Checkpoint加载器Add Node-loaders-Checkpoint Loader Simple。选择你想要使用的大模型。添加CLIP文本编码器添加两个CLIP Text Encode (Prompt)节点。一个连接正面提示词一个连接负面提示词。添加K采样器Add Node-sampling-KSampler。这是核心的生成调度器。添加VAE解码器Add Node-latent-VAE Decode。连接它们将Checkpoint Loader的MODEL输出点连接到CLIP文本编码器的clip输入点再连接到KSampler的model输入点。将两个CLIP文本编码器的CONDITIONING输出分别连接到KSampler的positive和negative输入。将Checkpoint Loader的VAE输出点连接到VAE Decode的vae输入点。将KSampler的LATENT输出点连接到VAE Decode的samples输入点。最后连接一个Save Image节点到VAE Decode的输出。3.2 集成深度控制现在关键的一步是把深度信息注入到这个生成流程中。我们需要使用“ControlNet”节点。ControlNet是Stable Diffusion的一个扩展能让你用边缘、深度、姿势等图来精确控制生成过程。添加ControlNet应用节点Add Node-conditioning-ControlNet Apply。添加深度图预处理节点我们需要将之前生成的深度图或者你自己准备的深度图处理成ControlNet需要的格式。添加节点Add Node-conditioning-ControlNet Loader选择control_v11f1p_sd15_depth这个预处理器这是与深度相关的ControlNet模型。然后添加一个Load Image节点加载你的深度图。连接深度控制将Load Image(深度图) 连接到ControlNet Loader的image输入。将ControlNet Loader的CONTROL_NET输出连接到ControlNet Apply节点的control_net输入。将CLIP文本编码器(正面) 输出的CONDITIONING连接到ControlNet Apply节点的conditioning输入。将ControlNet Apply节点输出的CONDITIONING重新连接到KSampler的positive输入取代之前的直接连接。配置参数在ControlNet Apply节点上有一个strength强度参数通常设置在0.5到1.0之间。这个值决定了深度图对生成结果的影响程度。值越大AI越严格遵守深度图的结构。3.3 串联完整工作流现在让我们把第一部分深度图生成和第二部分深度控制生成连接起来形成一个自动化流程方案A使用现有图片的深度直接用第一个Load Image节点加载你的场景图片将其同时输入给DepthEstimation节点和ControlNet Loader节点作为深度图源。这样生成的新图像就会遵循原图的空间结构。方案B使用生成的深度图你可以用任何方式甚至手绘创建一张代表你想要的场景结构的深度图然后用Load Image节点加载它输入给ControlNet Loader。最后配置好KSampler的步数、采样器等参数填写富有想象力的提示词例如“a majestic castle on a cliff, fantasy style, detailed, epic lighting”点击Queue Prompt。等待片刻你就能得到一张既符合你文字描述又严格遵循深度图空间结构的AI作品了。4. 实用技巧与问题排查搭好了工作流这里有一些小技巧能让它更好用以及遇到问题怎么办。深度图预处理有时候直接生成的深度图对比度太强或太弱会影响ControlNet效果。你可以在深度图后面加一个Image Adjustments节点如亮度/对比度调整微调一下再送给ControlNet。控制强度调节ControlNet Apply的strength参数是关键。如果生成结果被深度图限制得太死画面僵硬就调低它如0.4。如果生成结果完全无视深度结构就调高它如0.8。需要多次尝试找到最佳点。提示词配合深度图控制的是“形”提示词提供的是“色”和“质”。在提示词中加入与场景结构相关的词汇如“deep perspective”、“foreground and background”、“layered scenery”能与深度控制产生更好的化学反应。节点找不到确保你安装了必要的自定义节点包。在ComfyUI管理器中搜索“ControlNet”、“Depth”等关键词并安装。模型不显示检查模型文件是否放对了文件夹models/depth_estimation/并确认ComfyUI已重启加载。生成结果怪异检查节点连接是否正确特别是Conditioning的流向。确保KSampler的positive输入连接的是经过了ControlNet Apply处理后的条件。5. 总结通过上面这些步骤我们完成了一个从无到有的ComfyUI工作流搭建。整个过程就像在组装一条智能图像生产线先用Lingbot-Depth模型理解或创建空间蓝图深度图然后利用ControlNet将这个蓝图作为硬性约束最后指挥Stable Diffusion大模型在这个三维框架内进行天马行空的创作。这种节点式的工作流最大的好处就是灵活。今天我们把深度图作为控制条件明天你就可以轻松地替换成姿势图、边缘图或者同时接入多个控制条件。ComfyUI的可视化操作让复杂的流程变得直观一旦你熟悉了这种思维方式就能组合出无数种玩法真正把AI生成的主动权握在自己手里。不妨多试试不同的参数和模型组合你会发现可控的AI创作其乐趣和实用性都远超随机抽卡。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
ComfyUI工作流搭建：可视化节点连接调用Lingbot-Depth-Pretrain-ViTL-14模型
发布时间：2026/6/25 18:27:40
ComfyUI工作流搭建可视化节点连接调用Lingbot-Depth-Pretrain-ViTL-14模型如果你玩过Stable Diffusion肯定知道文生图、图生图这些基础操作。但有时候我们想要更精细地控制画面的空间感和层次比如让AI画出的风景更有远近虚实或者让生成的人物更好地融入背景。这时候深度图就成了一个非常强大的工具。深度图简单来说就是一张用灰度值表示物体远近的图片越白的地方离你越近越黑的地方离你越远。有了它AI就能“理解”画面的三维结构。今天要聊的Lingbot-Depth-Pretrain-ViTL-14模型就是一个专门从单张图片中估算深度信息的模型效果相当不错。而ComfyUI这个基于节点的工作流工具给了我们极大的自由。它不像WebUI那样把所有功能都塞进一个界面而是让你像搭积木一样通过连接不同的功能节点来构建专属的创作流水线。今天我就带你一步步在ComfyUI里把这个深度模型“请”进来并和其他节点组合起来打造一个能生成带深度控制AI图像的工作流。1. 准备工作安装模型与认识节点在开始连线之前我们得先把“积木”准备好。这个过程很简单主要是下载模型文件和了解我们要用的核心节点。1.1 获取深度模型文件首先你需要找到并下载Lingbot-Depth-Pretrain-ViTL-14模型。这个模型通常以.pth或.safetensors格式存在。你可以在一些知名的模型分享社区找到它。下载完成后需要将它放到ComfyUI正确的目录里。打开你的ComfyUI安装文件夹。找到models目录然后进入depth_estimation文件夹如果不存在就新建一个。将下载好的模型文件例如lingbot_depth_pretrain_vitl14.safetensors放进去。这样就完成了模型的放置。ComfyUI启动时会自动扫描这些目录识别可用的模型。1.2 理解ComfyUI的节点逻辑如果你是第一次接触ComfyUI可能会觉得满屏的节点和连线有点眼花缭乱。别担心它的逻辑非常直观节点 (Node)一个功能模块比如“加载图片”、“运行模型”、“保存图像”。每个节点有输入和输出“插座”。连接 (Link)就是那些线用于将上一个节点的输出“插座”连接到下一个节点的输入“插座”从而传递数据如图片、参数。工作流 (Workflow)由多个节点和连接组成的完整处理流程。我们今天要做的就是找到与深度估计相关的节点并把它们和Stable Diffusion的文生图节点串联起来。2. 构建基础深度图生成工作流让我们先从最简单的开始输入一张图让模型输出它的深度图。这能帮你快速测试模型是否工作正常。启动ComfyUI打开你的ComfyUI网页界面。你应该会看到一个空白的画布。添加输入节点在画布上右键点击选择Add Node-image-Load Image。这个节点用于加载你本地的一张图片。添加深度估计节点再次右键点击现在你需要找到深度估计节点。节点的名字可能因你安装的定制节点包而异常见的名称如Depth Estimation或MiDaS Depth Estimation。如果找不到你可能需要先安装一些社区节点管理器搜索并安装“深度估计”相关的节点包。 找到后点击添加DepthEstimation节点。连接节点将Load Image节点上的IMAGE输出点用鼠标拖出一条线连接到DepthEstimation节点上的image输入点。在DepthEstimation节点上通常有一个下拉菜单让你选择模型。点击它你应该能看到刚才放入depth_estimation文件夹的Lingbot-Depth-Pretrain-ViTL-14模型选中它。添加输出节点右键添加Add Node-image-Save Image。将DepthEstimation节点的DEPTH_IMAGE输出点连接到Save Image节点的images输入点。运行并查看在Load Image节点上点击选择一张你电脑上的图片风景或室内场景效果更明显。点击画布右下角的Queue Prompt按钮。处理完成后生成的深度图会自动保存。你可以在ComfyUI的输出目录找到它或者有些界面会直接弹出预览。现在你应该得到了一张黑白灰的深度图。白色区域代表模型认为离镜头近的部分黑色代表远的部分。试试用不同的图片看看模型对场景空间的理解如何。3. 进阶结合Stable Diffusion进行深度引导创作单独生成深度图只是第一步它的威力在于和Stable Diffusion结合进行“深度引导生成”。这意味着我们可以先有一张深度图可以来自真实照片也可以手绘然后让AI根据这个深度结构去生成全新的图像内容。下面我们来搭建一个更强大的工作流“文生图 深度控制”。3.1 搭建主生成流程首先搭建一个标准的文生图流程添加Checkpoint加载器Add Node-loaders-Checkpoint Loader Simple。选择你想要使用的大模型。添加CLIP文本编码器添加两个CLIP Text Encode (Prompt)节点。一个连接正面提示词一个连接负面提示词。添加K采样器Add Node-sampling-KSampler。这是核心的生成调度器。添加VAE解码器Add Node-latent-VAE Decode。连接它们将Checkpoint Loader的MODEL输出点连接到CLIP文本编码器的clip输入点再连接到KSampler的model输入点。将两个CLIP文本编码器的CONDITIONING输出分别连接到KSampler的positive和negative输入。将Checkpoint Loader的VAE输出点连接到VAE Decode的vae输入点。将KSampler的LATENT输出点连接到VAE Decode的samples输入点。最后连接一个Save Image节点到VAE Decode的输出。3.2 集成深度控制现在关键的一步是把深度信息注入到这个生成流程中。我们需要使用“ControlNet”节点。ControlNet是Stable Diffusion的一个扩展能让你用边缘、深度、姿势等图来精确控制生成过程。添加ControlNet应用节点Add Node-conditioning-ControlNet Apply。添加深度图预处理节点我们需要将之前生成的深度图或者你自己准备的深度图处理成ControlNet需要的格式。添加节点Add Node-conditioning-ControlNet Loader选择control_v11f1p_sd15_depth这个预处理器这是与深度相关的ControlNet模型。然后添加一个Load Image节点加载你的深度图。连接深度控制将Load Image(深度图) 连接到ControlNet Loader的image输入。将ControlNet Loader的CONTROL_NET输出连接到ControlNet Apply节点的control_net输入。将CLIP文本编码器(正面) 输出的CONDITIONING连接到ControlNet Apply节点的conditioning输入。将ControlNet Apply节点输出的CONDITIONING重新连接到KSampler的positive输入取代之前的直接连接。配置参数在ControlNet Apply节点上有一个strength强度参数通常设置在0.5到1.0之间。这个值决定了深度图对生成结果的影响程度。值越大AI越严格遵守深度图的结构。3.3 串联完整工作流现在让我们把第一部分深度图生成和第二部分深度控制生成连接起来形成一个自动化流程方案A使用现有图片的深度直接用第一个Load Image节点加载你的场景图片将其同时输入给DepthEstimation节点和ControlNet Loader节点作为深度图源。这样生成的新图像就会遵循原图的空间结构。方案B使用生成的深度图你可以用任何方式甚至手绘创建一张代表你想要的场景结构的深度图然后用Load Image节点加载它输入给ControlNet Loader。最后配置好KSampler的步数、采样器等参数填写富有想象力的提示词例如“a majestic castle on a cliff, fantasy style, detailed, epic lighting”点击Queue Prompt。等待片刻你就能得到一张既符合你文字描述又严格遵循深度图空间结构的AI作品了。4. 实用技巧与问题排查搭好了工作流这里有一些小技巧能让它更好用以及遇到问题怎么办。深度图预处理有时候直接生成的深度图对比度太强或太弱会影响ControlNet效果。你可以在深度图后面加一个Image Adjustments节点如亮度/对比度调整微调一下再送给ControlNet。控制强度调节ControlNet Apply的strength参数是关键。如果生成结果被深度图限制得太死画面僵硬就调低它如0.4。如果生成结果完全无视深度结构就调高它如0.8。需要多次尝试找到最佳点。提示词配合深度图控制的是“形”提示词提供的是“色”和“质”。在提示词中加入与场景结构相关的词汇如“deep perspective”、“foreground and background”、“layered scenery”能与深度控制产生更好的化学反应。节点找不到确保你安装了必要的自定义节点包。在ComfyUI管理器中搜索“ControlNet”、“Depth”等关键词并安装。模型不显示检查模型文件是否放对了文件夹models/depth_estimation/并确认ComfyUI已重启加载。生成结果怪异检查节点连接是否正确特别是Conditioning的流向。确保KSampler的positive输入连接的是经过了ControlNet Apply处理后的条件。5. 总结通过上面这些步骤我们完成了一个从无到有的ComfyUI工作流搭建。整个过程就像在组装一条智能图像生产线先用Lingbot-Depth模型理解或创建空间蓝图深度图然后利用ControlNet将这个蓝图作为硬性约束最后指挥Stable Diffusion大模型在这个三维框架内进行天马行空的创作。这种节点式的工作流最大的好处就是灵活。今天我们把深度图作为控制条件明天你就可以轻松地替换成姿势图、边缘图或者同时接入多个控制条件。ComfyUI的可视化操作让复杂的流程变得直观一旦你熟悉了这种思维方式就能组合出无数种玩法真正把AI生成的主动权握在自己手里。不妨多试试不同的参数和模型组合你会发现可控的AI创作其乐趣和实用性都远超随机抽卡。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
