ComfyUI集成ControlNet工作流配置：姿态控制与边缘检测节点用法

在AI绘画中，仅靠提示词往往难以精准控制人物的具体动作或画面的线条结构。引入ControlNet后，你可以上传一张参考图，让AI严格遵循图中的姿势骨架或边缘轮廓进行重绘。这种“图生图”的高级形态，能极大提升出图的可控性，特别适合需要固定构图或特定动作的创作场景。

要实现这一效果，核心在于正确连接ControlNet Apply节点，并选择合适的预处理器（Preprocessor）和模型（Model）。本文将基于ComfyUI原生或常用插件环境，演示如何从零搭建一个支持姿态控制和边缘检测的工作流。

集成ControlNet后的ComfyUI工作流全景

1. 准备基础文生图工作流

在接入ControlNet之前，你需要一个能正常运行的基础文生图（Text-to-Image）工作流。确保以下核心节点已连接完毕：

• Checkpoint Loader：加载主模型（如SD1.5或SDXL）。
• CLIP Text Encode (Prompt)：分别连接正向和负向提示词。
• Empty Latent Image：设置生成图片的尺寸。
• KSampler：采样器，接收潜在图像、模型、正负提示词编码。
• VAE Decode：将采样后的潜在数据解码为像素图像。
• Save Image：保存最终结果。

确认点击“Queue Prompt”后能生成一张随机图片，这是后续调试ControlNet效果的基准。

2. 添加ControlNet Apply节点

在节点区域右键搜索，添加【ControlNet Apply】节点（部分版本可能显示为ControlNetLoader或集成在Apply ControlNet中）。该节点是控制信号注入的关键入口，它有三个主要输入端：

• conditioning：连接来自正向提示词编码器的输出。注意，通常只连接正向条件，负向条件一般不接ControlNet，除非你有特殊需求。
• control_net：连接ControlNet模型加载器。
• image：连接经过预处理器处理的参考图。

将【ControlNet Apply】的输出端（CONDITIONING）连接到【KSampler】的positive输入端，替换原本直接来自CLIP Text Encode的连接。此时，工作流中尚未指定具体的控制图和模型，因此生成结果与之前无异。

2. 添加ControlNet Apply节点

3. 配置姿态控制（OpenPose）

姿态控制是最常用的功能，能让AI生成的人物保持与参考图完全一致的肢体动作。

首先，添加【Load Image】节点，上传一张包含清晰人物全身照的图片作为参考。接着，添加【ControlNet Preprocessor】节点（或使用专门的OpenPose Preprocessor节点）。在预处理器类型中选择openpose_full或openpose_body，这将提取图中人物的关节关键点并生成一张黑底彩线的骨架图。

OpenPose预处理器生成的骨架关键点图

然后，添加【ControlNet Model Loader】节点。在下拉菜单中选择与你的主模型版本匹配的ControlNet模型，例如control_v11p_sd15_openpose.pth。如果你使用的是SDXL模型，则需选择对应的SDXL OpenPose模型。

最后，进行连线：

1. 将【Load Image】的输出连接到【ControlNet Preprocessor】的image输入。
2. 将【ControlNet Preprocessor】的输出连接到【ControlNet Apply】的image输入。
3. 将【ControlNet Model Loader】的输出连接到【ControlNet Apply】的control_net输入。

点击运行，观察生成的图片。如果配置正确，新图中的人物姿势应与参考图高度一致，而面部和服饰细节则由提示词决定。

4. 配置边缘检测（Canny）

边缘检测适用于保留画面的线条结构，如建筑草图、线稿上色或保持物体轮廓。操作逻辑与姿态控制类似，但需更换预处理器和模型。

保持【Load Image】节点不变，修改【ControlNet Preprocessor】的类型为canny。Canny算法会提取图像的强边缘，生成黑白分明的线条图。你可以通过调整preprocessor_params中的threshold_low和threshold_high参数来控制线条的粗细和密度。

Canny边缘检测提取的线条轮廓

在【ControlNet Model Loader】中，选择对应的Canny模型，如control_v11p_sd15_canny.pth。同样，确保模型版本与主模型一致。

连线方式保持不变。运行工作流后，AI将严格遵循参考图的边缘轮廓进行填充和渲染。这对于将手绘草图转化为精美插画非常有效。

5. 调整权重与控制强度

默认情况下，ControlNet的强度（strength）为1.0，意味着完全遵循控制信号。但在实际创作中，你可能希望AI有一定的自由度，或者控制信号过强导致画面僵硬。

在【ControlNet Apply】节点中，找到strength参数。将其降低至0.6-0.8之间，可以让AI在保持大致结构的同时，增加细节的自然度。另一个重要参数是start_percent和end_percent，它们控制ControlNet在采样过程中的作用区间。通常保持默认（0.0到1.0）即可，若想在后期采样阶段摆脱控制以增强创意，可适当降低end_percent。

此外，预处理器生成的图像质量直接影响最终效果。如果OpenPose识别错误（如手部关节混乱），可以尝试更换为openpose_hand增强版，或在参考图中确保肢体无遮挡。对于Canny，如果线条过于杂乱，可先对参考图进行高斯模糊处理，再送入预处理器。

6. 验证与保存工作流

完成上述配置后，分别测试姿态和边缘两种模式。切换时，只需更改【ControlNet Preprocessor】的类型和【ControlNet Model Loader】的模型文件，无需重新连线。

检查生成的图片：

• 姿态模式：人物关节角度是否与参考图一致？手指和脚趾是否自然？
• 边缘模式：主要物体的轮廓是否被保留？线条是否有断裂或多余噪点？

确认效果符合预期后，点击ComfyUI菜单栏的【Save】按钮，将当前工作流保存为JSON文件。这样，下次只需加载该文件，即可快速复用这套ControlNet配置，无需重复搭建节点。

应用ControlNet后生成的最终效果示例

通过合理搭配Preprocessor和Model，ControlNet能将你的创意从“随机抽卡”转变为“精准执行”。掌握这两种基础模式后，你还可以进一步探索Depth（深度）、Normal（法线）等更多控制类型，丰富创作手段。