简介：单LoRA工作流方案，面向ComfyUI初学者、室内设计师及家装渲染相关AIGC爱好者，解决从房屋原始平面图到装修风格效果图快速预览的核心需求。工作流基于SDXL模型，仅使用单个LoRA即可完成渲染，将节点连接、参数预设、模型调用等打包为可直接导入的JSON文件，省去从零搭建的繁琐过程。资源以rar压缩包形式提供，共1个文件，格式为json工作流文件，包体仅9KB，加载至ComfyUI即可运行，适合快速复现「平面图→装修效果图」渲染管线，也便于调整LoRA权重、采样步数等参数做个性化二次开发。已有389人学习下载。通过该工作流可直观理解SDXL下LoRA与基础模型的搭配逻辑、正面提示词组织方式，以及平面图渲染场景中的节点选择与连线思路。文件虽小，却浓缩了完整可运行的渲染方案，可对照配套博文了解使用细节，很适合直接导入实战并逐步改造为自己的工作流。
1. ComfyUI 房屋平面图渲染装修：为什么我最终选了单 LoRA 路线
把一张白底黑线的 CAD 户型图直接变成一张有光影、有材质、能看出生活场景的装修效果图，这件事很多人第一反应是“找设计师”。但我用 ComfyUI + SDXL 加一个单 LoRA 就能在本地跑通，单张图稳定出图时间控制在 30 秒左右，显存占用约 8GB，效果能直接拿去做方案汇报。这套流程的核心不是堆模型，而是“怎么让 SDXL 读懂户型图的墙体、门窗和空间边界，同时不把结构画歪”。
我最终确定的路线是：SDXL 底模 + 一个专门训练过的 LoRA + 一组固定的工作流节点。底模负责通用画质和光影，LoRA 负责把“平面图”翻译成“空间感”，工作流负责控制输入输出的尺寸、采样步数和局部重绘区域。对新手来说，这个方案最大的好处是——不需要懂训练原理也能先跑通；对熟手来说，它真正的价值在于 LoRA 参数的取舍，这也是我写这篇笔记的核心原因：把我在这个项目上踩过的坑、试过的参数、最终留下的配置都摊开讲透。
如果你手头有户型图、想快速出几张不同风格的装修效果图做参考，或者正在研究 SDXL 的 LoRA 微调边界，这篇笔记适合你。下面从环境搭建开始，一步步拆。
2. 环境与模型选型：ComfyUI 本地部署的完整落地清单
2.1 为什么用 ComfyUI 而不是 WebUI
楼下的同事用的是 Stable Diffusion WebUI，他做室内设计渲染也有一阵子了。但我最终转到 ComfyUI 上做户型图渲染，原因只有一个：节点式的流程控制更适合“固定管线 + 调参”的重复劳动。平面图渲染这个场景，输入是同一类图纸，输出要的是“同一套逻辑下的不同风格”，这恰好是 ComfyUI 工作流最舒服的领域——你可以把“加载 LoRA → 设定提示词 → 固定采样参数 → 局部重绘”全部拉成一张流程图，之后每次换户型图，只需要重新加载一张输入图就行。
另一个实际原因是显存管理。ComfyUI 的图执行机制是“按需加载”，不会像 WebUI 那样把多个模型同时常驻显存。我测试过，在 8GB 显存的 RTX 4060 上，WebUI 跑 SDXL 经常在 VAEDecode 阶段被挤出 OOM，但 ComfyUI 同样的模型和分辨率可以稳定跑完整个流程。尤其是叠加 LoRA 之后，ComfyUI 的显存分配策略更宽容，这对我这种不打算升级显卡的人很关键。
2.2 安装与基础配置：秋叶整合包起步
关于安装，我不太建议从零开始手动配 PyTorch、CUDA、torchvision 那套。之前帮朋友排错时发现，环境冲突带来的挫败感足以让一个新手在第一步就放弃。我现在的习惯是：先用秋叶的 ComfyUI 整合包把环境跑起来，之后再按需补插件和模型。整合包的好处是 Python 解释器、PyTorch、ComfyUI 主程序、常用节点都预装好了，解压即用。
安装流程三步走：
# 1. 解压整合包后，先运行一次脚本自动安装依赖 .\ComfyUI-Windows.bat # 2. 确认能打开 http://127.0.0.1:8188 后，安装 ComfyUI Manager git clone https://github.com/ltdrdata/ComfyUI-Manager.git custom_nodes/ComfyUI-Manager # 3. 重启 ComfyUI，在 Manager 里安装所需插件（建议装 ControlNet 相关套件）这里要注意，运行整合包脚本时，系统如果提示缺少 VC runtime 或者 .NET 环境，先去微软官网补装再回来，否则后面加载模型全是红字。模型文件的目录也要记清楚：检查点模型放models/checkpoints，LoRA 放models/loras，ControlNet 的模型放models/controlnet。放错目录不会报错，但加载时找不到文件，这是最常见的“目录玄学”问题。
2.3 底模和 LoRA 的选型搭配
我测试过几个底模组合，最终锁定了SDXL Base 1.0 作为底模，配一个基于真实室内设计数据集训练的 LoRA。
SDXL Base 对建筑空间的理解力比 SD 1.5 强不少，特别是在“透视关系”和“材质表达”上——同样是“现代风格客厅”，SD 1.5 出图经常出现墙体扭曲、透视畸变，而 SDXL 在多数情况下能保持空间结构的合理性。如果你手头有专门针对室内外设计训练的 SDXL 微调模型，也可以替换，但我建议优先使用官方 Base，因为社区里很多 LoRA 就是基于这个底模训练的，兼容性最稳。
LoRA 的选择分两类：
| 类型 | 特点 | 适用场景 |
|---|---|---|
| 通用室内设计 LoRA | 由大量室内效果图训练，风格覆盖现代、北欧、工业风 | 不确定具体风格时先用它跑整体效果 |
| 特定风格 LoRA | 针对某种风格深度训练，比如侘寂风、极简风 | 需要统一风格输出时用，但泛化能力略弱 |
我在项目初期用的是通用室内设计 LoRA，参数权重开到 0.7，效果比较均衡。后来换成专门针对家具渲染的 LoRA，权重下调到 0.55，墙面材质的表现更稳定了。这个调整过程属于“玄学”，但有一条经验是靠谱的：当 LoRA 导致结构崩坏时，先降权重，而不是换模型。
3. 核心工作流搭建：从黑白户型图到装修效果图
3.1 工作流的整体结构与节点逻辑
ComfyUI 的核心优势是节点化。我搭的这条工作流，从上到下分四个区块：输入与预处理 → 提示词与模型加载 → 采样生成 → 后处理与输出。
输入区块里有两个关键节点：加载户型图、按需缩放。户型图的尺寸不统一，有的长宽比是 4:3，有的是 16:9，直接喂给采样器会导致构图失衡。我的做法是先用ImageScaleBy节点把长边统一缩放到 1024 像素，短边等比缩放，然后再用PadImageForOutpaint把画布补到 1024×1024。这么做是为了进 SDXL 的潜在空间时尺寸一致，采样效率更高。
如果原图的墙体线条太细，采样器可能识别不清，我会在预处理阶段加一个ImageSharpen节点，锐化强度放在 0.3 到 0.5 之间。太强会产生锯齿状边缘，后面重绘时会放大这个瑕疵。
3.2 提示词工程的参数化写法
提示词是这套工作流的灵魂。我总结了两个核心提示词模板，分别对应“整体渲染”和“局部改造”。
整体渲染。这个模式下，整个户型图会作为条件输入，SDXL 根据 LoRA 的理解把平面图“翻译”成有透视感的空间效果：
正向提示词： modern interior design, cozy living room, warm wood flooring, large windows with natural light, minimalist furniture, unreal engine render, 8k, architectural visualization, photorealistic, high detail, professional photography 反向提示词： lowres, blurry, bad anatomy, distorted walls, jpeg artifacts, watermark, text, signature, oversaturated, deformed furniture, flat lighting这里的unreal engine render和architectural visualization是风格关键词中比较有效的两个，能明显拉高真实感。photorealistic控制整体质感，8k和high detail是让 SDXL 在高分辨率下补充细节。
局部改造。这个模式下，我会用蒙版把客厅区域涂黑，然后只重绘这个区域，输入提示词限定为“客厅设计”：
正向提示词： modern living room, sofa with fabric texture, coffee table, floor lamp, plants in corner, soft ambient lighting, warm color palette 反向提示词：同上局部改造的关键在于，户型图的其他区域被蒙版保护，不会被采样器重绘。这样“客厅改了但卧室不动”的效果就能实现。
3.3 关键参数设置：步数、CFG、采样器与重绘
参数这块我直接给一份可抄作业的配置表，是我反复测试后留下的稳定值：
| 参数项 | 设置值 | 备注 |
|---|---|---|
| 采样步数 | 30 | 低于 25 容易欠拟合，结构模糊 |
| CFG Scale | 5.5 | 高于 7 会色彩过饱和、墙体发灰 |
| 采样器 | DPM++ 2M Karras | 稳定性高，室内场景的默认首选 |
| 种子 | 随机 | 同一张图连跑五遍，选构图最佳的一次 |
| LoRA 权重 | 0.55 | 通用 LoRA 可适当调到 0.7 |
| 分辨率 | 1024×1024 | 长边不足先用 PadImage 补 |
重绘强度Denoising Strength是重点。在SetLatentNoiseMask节点里，这个值控制重绘区域的改动幅度。我测试的结果：0.5 到 0.6 之间最安全，结构保留完整，纹理变化明显；超过 0.7 之后墙体厚度会变，梁柱关系可能错乱；低于 0.4 则整个区域基本等于没改，LoRA 的风格信息没打进去。
一个常见的翻车操作是：新手把 Denoising Strength 调到 0.8 以上想“换风格换得明显一点”，结果出图墙体错位、窗户穿模，然后开始怀疑模型有问题。实际上这跟模型无关，是重绘强度越界导致的。
3.4 首次跑通的完整操作路径
如果你是第一次搭这条工作流，下面是一份可直接照做的节点连接路径：
- 加载户型图（
LoadImage），连接到ImageSharpen（强度 0.4），再连到PadImageForOutpaint（目标尺寸 1024×1024）。 PadImageForOutpaint输出两路：一路连到VAEEncode得到初始潜变量；另一路连到SetLatentNoiseMask，在这里手动擦出需要重绘的区域。LoadCheckpoint加载 SDXL 底模，LoadLoRA连接底模输出，权重设 0.55。CLIPTextEncode分别连接 LoRA 的 CLIP 输出，写入正向和反向提示词。KSampler连接所有上游节点，参数按上表设置。- 采样输出连接到
VAEDecode，最后接到SaveImage保存结果。
第一次跑通之后，大部分时间都会花在调提示词和权重上。我的经验是：一次只改一个变量，然后固定种子对比出图，这样才知道是哪一步影响了效果。
4. 训练一个属于自己的 LoRA：参数配置与数据准备
4.1 数据集的来源与清洗
市面上的通用 LoRA 虽然能用，但如果你做的户型渲染有比较强的风格倾向——比如你只做侘寂风或者只做极简奶油风——通用 LoRA 就有点“不够透亮”。我自己做了一个只包含现代极简风的 LoRA，数据来源分两块：一块是网上收集的现代风格室内效果图，大约 300 张；另一块是我自己渲染输出的图，大约 80 张。需要提醒的是，数据清洗的环节千万不要省。
清洗我按照三条规则执行：
- 只保留透视关系正常、墙体结构完整、无人物遮挡的图。
- 统一裁剪到 1:1 或 4:3 比例，避免训练时构图信息混乱。
- 剔除带有水印、明显品牌标识和杂物过多的图，LoRA 会把这些细节一并学进去，出图就是满屏的垃圾。
还有一个坑是“风格过于统一”。我第一版数据集全是白天强光下的效果图，训练出来的 LoRA 把“黄昏暖光”这个风格特征过滤掉了，后来在夜间模式测试时输出全是阴天效果，画面闷暗。后来我在数据集里混入了约 20% 的黄昏和人工照明场景，问题才解决。
4.2 LoRA 训练参数配置：从 base_model 到 train_data
现在进入最核心的部分。我用的是 LoRA 训练脚本，基于diffusers框架。下面是一份经过实测的配置，直接写入训练脚本的配置文件即可：
base_model = "stabilityai/stable-diffusion-xl-base-1.0" train_data = "./dataset/train" val_data = "./dataset/val" output_dir = "./output/lora_sdxl" # 训练参数字段 train_batch_size = 2 max_train_steps = 1500 learning_rate = 1e-4 lr_scheduler = "cosine" lr_warmup_steps = 100 rank = 16 alpha = 32 mixed_precision = "fp16" gradient_checkpointing = True resolution = 1024参数说明：
base_model：底模路径，从 Hugging Face 拉取或本地已下载的 SDXL Base 路径均可。train_data和val_data：数据集的绝对路径，注意目录里必须是图片文件，不要混入子文件夹，否则加载会报错。train_batch_size：显存 8GB 的建议值是 2，再上调会爆显存。max_train_steps：1500 步对于 300 张图左右的数据量是合适的，太少学不到风格，太多会把 LoRA 学成“复制机”，出图全是一个模板。rank = 16, alpha = 32：这是 LoRA 的秩和缩放参数。rank控制可训练矩阵的维度，rank越大，能学习的特征越多但模型体积和过拟合风险也越大；alpha控制最终权重的缩放比例，一般取 rank 的 1-2 倍。我选了rank=16 alpha=32，是为了让风格信号强一点，同时不让结构信息过度崩坏。mixed_precision = "fp16"：显存不够时的保底方案。开启后训练时间会缩短，但极少数情况下精度损失会导致出图色彩偏差。我遇到过 LoRA 训练完出图偏灰的情况，后来排查发现是 fp16 的精度问题，换成 fp32 重训后解决，但耗时从 50 分钟涨到 2 小时。gradient_checkpointing = True：在 8GB 显存上训练 SDXL LoRA 必须开的选项，功能是用“时间换显存”，大约会让训练速度慢 20%。
4.3 训练过程中的监控与调优
训练脚本启动后，输出日志里最重要的指标是两个：总损失（loss）和验证集的表现。loss从初始的 0.3 附近逐步下探到 0.1 以下，说明模型在正常收敛；但如果 loss 突然飙升，优先检查学习率是否过大，或者数据集中混入了格式异常的文件。
我一般会在训练到 1000 步、1200 步、1500 步时分别保存一次 LoRA 权重文件，这样即使最终版效果不理想，还能回退到中间版本。很多新手习惯训练完直接开始用，等发现效果不对再想改参数，就得全部重来——这太浪费了。
4.4 LoRA 参数配置的进阶技巧
如果你不想从零训练，而是想复用网上现成的 LoRA，在 ComfyUI 的LoadLoRA节点里同样可以调整几个隐蔽参数，这里面最值得注意的就是clamp和scale的联动关系。scale是主权重，控制整体效果强度；有些 LoRA 在节点里还暴露了mask参数，用于控制 LoRA 作用在 UNet 的哪个层上。
我做过一次测试：同一个 LoRA，权重从 0.5 调到 0.7，墙面材质细节明显增多，但沙发和茶几的形状开始变形；再往上调到 0.85，整个客厅的透视线直接乱了。这说明一个规律：LoRA 的主权重不是越大越好，它有一个“甜点区间”，超出之后风格增强的效果递减，结构崩坏的效果递增。这个区间每个 LoRA 都不一样，只能靠固定种子反复测试来摸。
5. 避坑手册：我在这个项目里反复踩过的五个坑
5.1 坑一：输出图全是“灰蒙蒙”的，色彩黯淡
现象：出图整体发灰，饱和度低，墙面和地板颜色不真实。
原因：这个情况我在两次不同环境下都遇到过，根因都是采样参数的问题——CFG Scale 低于 4.5 时，SDXL 的画面会缺乏对比度，尤其在室内效果图上表现明显。
解决：把 CFG Scale 从 4.5 提高到 5.5 到 6.0 之间，同时把采样器从 Euler 换成 DPM++ 2M Karras。如果依然偏灰，检查 LoRA 权重是否过低，低于 0.4 时 LoRA 的风格色彩信号基本等于没打进去。
5.2 坑二：墙体扭曲、梁柱错位
现象：户型图里标注的墙体，渲染出来变成了弧线，承重墙的位置在效果图里偏了 15 度。
原因：重绘区域过大或Denoising Strength设置过高。局部重绘时，采样器会基于潜变量重新生成整块区域的全部像素，重绘强度接近 0.8 时，原图的结构信息基本上被覆盖干净了，墙壁透视当然保不住。
解决：把Denoising Strength调到 0.55 左右，同时注意蒙版区域不要跨过承重墙边界。如果必须在整面墙上做改造，考虑用 ControlNet 的边缘检测来锁住结构，但这就涉及到训练和工作流之外的另一套节点了。
5.3 坑三：OOM 爆显存
现象：跑工作流到一半，弹窗提示 CUDA out of memory，或者直接卡死。
原因：三方面叠加的典型场景——底模 + LoRA + 1024×1024 分辨率同时加载，如果显存小于 8GB，几乎必爆。
解决：三条路按顺序走。第一，把--lowvram或--medvram启动参数加到 ComfyUI 的启动脚本里；第二，关闭其他 GPU 程序，浏览器别开几十个标签页；第三，如果你的批次大小设了大于 1，改成 1。ComfyUI 默认是单图处理，如果还不稳定，就检查虚拟内存设置，Windows 下把页面文件调到 16GB 以上，能明显减少部分崩溃情况。
5.4 坑四：LoRA 训练时 loss 不降反升
现象：训练日志里 loss 从 0.25 升到 0.4，有时还伴随训练中断。
原因：成功率最高的排查方向是学习率过热和数据集质量问题。学习率超过 2e-4 时，优化器更新权重幅度太大，loss 会在最优值附近震荡；另外如果数据集中有几十张重复的图片，模型反复学习这些图，loss 也会异常。
解决：把学习率从 1e-4 降回 8e-5，用cosine调度器配合 100 步预热。数据集里用去重脚本过滤一遍，特别是一次下载多个包时重复文件很多。
5.5 坑五：生成图与户型图完全对不上
现象：输入 1024×1024 的户型图，输出的效果图看起来是一间房子，但完全不是这个户型——空间分割都变了。
原因：这是把Denoising Strength设成 1.0，并且没用蒙版直接整图生成的情况下出现的。整图生成时，SDXL 只把户型图当作“视觉参考”，而不是结构约束，相当于它把户型图的形状理解成了风格条件，而不是几何条件。
解决：用蒙版限制生成区域，同时把重绘强度降到 0.6 以下。如果你需要整图生成且保持结构，那就得上 ControlNet，这个我在下一章细说。
6. 进阶技巧：用 ControlNet 锁定结构，整图生成也不跑偏
6.1 把 LoRA 与 ControlNet 组合的正向意义
前面的避坑里提到，纯 LoRA 在整图生成时无法锁住户型结构。解决方案是加入 ControlNet，专门来限定空间几何关系。在我这套工作流里，LoRA 负责“风格与质感”，ControlNet 负责“结构保真”，二者不是替代关系，而是各管一段，最终合流出成品。
ControlNet 的应用方式是：拿户型图的黑白线稿，提取出边缘检测图，把这个边缘图作为一个额外的条件输入给 UNet。SDXL 在采样时既要满足文字提示的语义，又要匹配边缘图的几何约束，二者瞬时拉拢。
6.2 ControlNet 节点的接入方法
在 ComfyUI 的工作流里加 ControlNet，需要装好controlnet_aux和ComfyUI-Advanced-ControlNet两个插件。接入路径如下：
- 加载户型图后，先用
CannyEdgeDetection节点把图转成边缘图，这一步的关键参数是低阈值和高阈值分别设为 100 和 200，太高的阈值会丢失细小墙体线条，太低又会把地面纹理误判成结构。 - 把边缘图接到
ControlNetLoader加载的diffusers/controlnet-canny-sdxl模型上。 ControlNetApplyAdvanced节点里有一个strength参数，我推荐的初始值是 0.65。这个值得重点解释：它控制 ControlNet 对最终出图的影响力。太强（0.9 以上）会让结构和边缘完全一致，构图死板，LoRA 的风格效果大打折扣；太弱（0.4 以下）边缘约束形同虚设，墙体会飘。
6.3 验证与质检的工作流
最后分享一个我现在每次出图后必做的一步：用 ControlNet 的同一张边缘图，把渲染图反向提出来再做一次边缘检测，对比两张边缘图的相似度。这个步骤不需要额外的节点，ComfyUI 里加一条旁路就行：
# 伪代码逻辑：对比结构保留程度 input_edge = canny(户型图, threshold_low=100, threshold_high=200) output_edge = canny(渲染图, threshold_low=100, threshold_high=200) similarity = np.sum(input_edge * output_edge) / np.sum(input_edge) print(f"结构保留度: {similarity:.2f}")相似度在 0.75 以上，结构基本没跑偏；低于 0.6，就要回去调strength或者Denoising Strength了。这个量化验证的方法，帮我避免了很多“看起来不错但结构完全错误”的结果。
那一阵子我每天下班前都强制把这套工作流跑一遍，检查结构保留度是否达标。从那以后我所有的户型图渲染，都会在做完 LoRA 调整后走一遍边缘对比验证——这条习惯帮我拦住了至少三版有墙体变形问题的方案。希望这份从环境到参数再到验证的完整过程，能帮你在自己的平面图渲染项目里少走几段弯路。
本文还有配套的精品资源，点击获取
