Qwen-Image-2512-ComfyUI代码实例：Python调用API生成图片详细步骤

Qwen-Image-2512-ComfyUI代码实例：Python调用API生成图片详细步骤

1. Qwen-Image-2512-ComfyUI 是什么？

Qwen-Image-2512-ComfyUI 是基于阿里通义实验室开源的 Qwen-VL 系列图像生成能力构建的一套可视化工作流工具，集成在 ComfyUI 框架中。它支持通过图形化界面或 API 调用方式，实现高质量图像生成，尤其适用于文生图（Text-to-Image）任务。

该镜像版本为2512 最新版，针对推理性能和显存占用做了深度优化，仅需一张NVIDIA 4090D 显卡即可流畅运行，适合个人开发者、AI 创作者和中小企业快速部署使用。

与传统 WebUI 相比，ComfyUI 的最大优势在于其节点式工作流设计——你可以像搭积木一样组合不同的处理模块（如提示词编码、噪声生成、采样器、VAE 解码等），灵活控制整个生成流程。同时，它也开放了完整的 HTTP API 接口，方便你用 Python 脚本自动化调用，嵌入到自己的项目中。

2. 部署与环境准备

2.1 镜像部署

如果你使用的是 CSDN 星图平台或其他 AI 镜像市场：

1. 搜索Qwen-Image-2512-ComfyUI；
2. 选择配置（建议至少 24GB 显存，如 4090D/3090/4090）；
3. 点击“一键部署”；
4. 等待几分钟完成初始化。

部署完成后，系统会自动安装以下组件：

• ComfyUI 主程序
• Qwen-Image-2512 模型权重
• Python 3.10 + PyTorch 2.x 环境
• 内置 FFmpeg、Pillow 等依赖库

2.2 启动服务

登录服务器后，进入/root目录，执行启动脚本：

cd /root ./1键启动.sh

这个脚本会自动：

• 启动 ComfyUI 后端服务（默认监听8188端口）
• 加载 Qwen-Image-2512 模型
• 开放本地 Web 访问接口

启动成功后，在控制台输出中你会看到类似信息：

Starting server To see the GUI go to: http://127.0.0.1:8188

此时返回你的算力平台管理页面，点击“ComfyUI网页”按钮，即可打开可视化操作界面。

3. 理解内置工作流与 API 原理

3.1 查看内置工作流

在 ComfyUI 界面左侧找到“工作流”面板，点击“内置工作流”，你会看到一个预设好的 Qwen-Image-2512 文生图流程。

这个工作流通常包含以下几个关键节点：

• CLIP Text Encode (Prompt)：将正向提示词转换为模型可理解的向量
• Empty Latent Image：创建初始潜在空间图像（决定分辨率）
• KSampler：核心采样器，控制生成过程的步数、CFG 值、种子等
• VAE Decode：将潜在表示解码为真实像素图像
• Save Image：保存结果到本地

这些节点已经连接好，你只需要在提示词框输入描述，点击“Queue Prompt”就能出图。

3.2 API 调用机制解析

ComfyUI 提供了一套基于 HTTP 的 RESTful API，所有操作都可以通过发送 JSON 请求完成。主要接口包括：

当你提交一个 prompt 请求时，实际上是把整个工作流的节点参数打包成 JSON 发送给服务器，然后由后端解析并执行。

4. Python 调用 API 实例详解

现在我们来写一段 Python 脚本，远程调用 ComfyUI 的 API 自动生成图片。

4.1 准备条件

确保你的 Python 环境已安装requests库：

pip install requests

并且你知道 ComfyUI 的访问地址（例如：http://your-server-ip:8188）

4.2 构建请求数据

我们需要构造一个符合 ComfyUI 格式的 prompt JSON。以下是对应 Qwen-Image-2512 工作流的关键节点 ID 和参数结构（可通过导出工作流获取）。

假设我们的工作流中有如下节点：

• 节点 A：3→ CLIP 文本编码（提示词）
• 节点 B：6→ 创建潜变量图像（尺寸设置）
• 节点 C：14→ KSampler（采样参数）
• 节点 D：8→ VAE 解码 + 保存

4.3 完整调用代码示例

import requests import json import time import uuid from PIL import Image import io # 设置服务器地址 server_address = "http://127.0.0.1:8188" # 替换为实际 IP # 定义生成参数 prompt_text = "一只穿着宇航服的橘猫漫步在火星表面，夕阳西下，远处有地球，超现实风格，高清细节" negative_prompt = "模糊，低质量，失真，文字水印" width = 1024 height = 1024 steps = 25 cfg = 7.5 seed = int(time.time()) # 使用当前时间戳作为随机种子 # 构造 ComfyUI 所需的 prompt JSON 结构 prompt_data = { "3": { # CLIP 文本编码节点 "inputs": { "text": prompt_text, "clip": ["4", 0] # 连接到 CLIP 模型 } }, "6": { # 潜变量图像节点 "inputs": { "width": width, "height": height, "batch_size": 1 } }, "14": { # KSampler 节点 "inputs": { "model": ["4", 0], "positive": ["3", 0], "negative": ["5", 0], "latent_image": ["6", 0], "seed": seed, "steps": steps, "cfg": cfg, "sampler_name": "dpmpp_2m_sde", "scheduler": "karras", "denoise": 1.0 } }, "8": { # SaveImage 节点（同时也是 VAE 解码） "inputs": { "images": ["14", 0] # 接收 KSampler 输出 } }, "4": { # 模型加载节点（Qwen-Image-2512） "inputs": {} }, "5": { # Negative Prompt 编码节点 "inputs": { "text": negative_prompt, "clip": ["4", 0] } } } # 封装为顶层结构 payload = { "prompt": prompt_data, "client_id": str(uuid.uuid4()), # 唯一客户端标识 "prompt_id": str(uuid.uuid4()) } # 发送请求到 ComfyUI def queue_prompt(): try: response = requests.post(f"{server_address}/prompt", json=payload) return response.json() except Exception as e: print("连接失败，请检查服务器是否运行:", e) return None result = queue_prompt() if not result: exit() print("✅ 任务已提交！Prompt ID:", result.get('prompt_id')) # 获取生成结果 def get_history(prompt_id): url = f"{server_address}/history/{prompt_id}" for _ in range(60): # 最多等待 60 秒 time.sleep(1) try: r = requests.get(url) if r.status_code == 200: history = r.json() if prompt_id in history and len(history[prompt_id]['outputs']) > 0: return history[prompt_id] except: continue return None # 等待生成完成 history = get_history(result['prompt_id']) if not history: print("❌ 生成超时或失败，请检查日志") else: print("🎉 图片生成成功！") # 提取图片数据 output_images = [] for node_id, node_output in history['outputs'].items(): if 'images' in node_output: for img_info in node_output['images']: image_url = f"{server_address}/view?filename={img_info['filename']}&subfolder={img_info['subfolder']}&type=output" img_data = requests.get(image_url).content image = Image.open(io.BytesIO(img_data)) output_images.append((image, img_info['filename'])) # 显示第一张图 if output_images: output_images[0][0].show() # 弹窗显示（需图形界面） output_images[0][0].save("generated_qwen_image.png") print("💾 图片已保存为 generated_qwen_image.png")

5. 参数说明与调优建议

5.1 关键参数解释

5.2 提示词写作技巧（小白也能上手）

不要只说“好看的风景”，试试这样写：

“清晨的江南古镇，薄雾笼罩着青石板路，河边垂柳轻拂水面，远处小桥上有撑伞行人，水墨画风格，柔和光影，静谧氛围”

要点：

• 包含主体 + 场景 + 细节 + 风格 + 光影
• 多用形容词和具体意象
• 可指定艺术风格：赛博朋克、皮克斯动画风、胶片质感等

5.3 性能优化建议

• 若显存紧张，可将分辨率降至768x768或启用taesd小模型预览
• 批量生成时，建议控制并发数不超过 GPU 能力上限
• 使用--lowvram启动参数可进一步降低内存占用（牺牲速度）

6. 常见问题与解决方案

6.1 连接失败：无法访问 API

可能原因：

• 服务未启动
• 防火墙未开放 8188 端口
• IP 地址填写错误

解决方法：

• 登录服务器运行ps aux | grep python查看进程
• 检查1键启动.sh是否正常执行
• 在云平台安全组中放行 8188 端口

6.2 提示词无效或生成内容偏差

建议做法：

• 检查工作流中 CLIP 节点是否正确连接
• 尝试简化提示词，逐步增加复杂度
• 查看 ComfyUI 日志输出是否有警告信息

6.3 图片生成缓慢

• 确认使用的是4090D 或同等性能显卡
• 检查是否启用了 CPU 卸载（避免）
• 减少steps至 20，更换更快采样器如euler或heun

6.4 如何自定义工作流？

1. 在 ComfyUI 界面手动搭建新流程
2. 点击右上角“Save”导出.json文件
3. 分析节点 ID 和连接关系
4. 修改 Python 脚本中的prompt_data结构以匹配新流程

7. 总结

通过本文，你应该已经掌握了如何使用 Python 脚本调用 Qwen-Image-2512-ComfyUI 的完整流程：

• 成功部署镜像并启动服务
• 理解 ComfyUI 的节点式工作流机制
• 编写 Python 脚本提交生成任务
• 获取并保存生成的图片
• 掌握常见问题排查方法

这套方案非常适合需要将 AI 图像生成能力集成到自动化系统中的场景，比如：

• 电商平台批量生成商品主图
• 内容平台自动配图
• 游戏素材快速原型设计
• 社交媒体动态内容生成

更重要的是，整个过程完全可控、可复现、可扩展。

下一步你可以尝试：

• 添加 LoRA 微调模型增强特定风格
• 实现多图批量生成队列
• 搭建 Web 前端让用户输入提示词
• 结合 OCR 或语音识别实现多模态交互

AI 图像创作的大门，现在已经为你敞开。

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。