ComfyUI工作流分享——在FLUX中如何选择自己适用的采样器与调度器

【采样器和调度器现状】随着StableDiffusion的不断更新，不仅新的模型生态得到了不断的发展、迭代，SD的采样器和调度器也出了不少新的可选项供我们使用。在众多的采样器和调度器中，我们如何选择合适的组合来出图。我们一般会希望能找出一个适用于大部分场景绘画的组合来日常使用，但不限于单一组合。刚好就看到了欧阳老师新更新的这条内容，现学现卖，跟大家分享下，顺便将工作流分享给大家调试属于自己满意的采

Python程序员小泉

4993人浏览 · 2025-01-04 09:30:00

Python程序员小泉 · 2025-01-04 09:30:00 发布

【采样器和调度器现状】

随着StableDiffusion的不断更新，不仅新的模型生态得到了不断的发展、迭代，SD的采样器和调度器也出了不少新的可选项供我们使用。

在众多的采样器和调度器中，我们如何选择合适的组合来出图。我们一般会希望能找出一个适用于大部分场景绘画的组合来日常使用，但不限于单一组合。

刚好就看到了欧阳老师新更新的这条内容，现学现卖，跟大家分享下，顺便将工作流分享给大家调试属于自己满意的采样器和调度器的组合。

我们之前最熟悉的采样器，有euler、dpmpp_2m，包括后来的ddpm、ddim、uni_pc和ipndm等。调度器则就相对来得简单些，最常见的normal似乎已不太适用于FLUX生态，以往最常用的karras也在sgm_uniform、simple、ddim_uniform和beta出现后被慢慢淡化。

其中，ddim_uniform这个调度器，会随着采样的步数，构图画面会发生一定的变化，因为它有点像高级的调度器dpm一样，是不收敛的，则出图的多样性随机性会随着步数增加更强，变化更多。

对于调度器exponential，则较多用于扩图放大等情况。

【组合推荐】

这里我们着重介绍几个组合供大家参考使用：

euler+beta

euler+simple

euler+ddim_uniform

dpmpp+sgm_uniform（建议采样步数大于30步）

ipdmn+simple

ipndm+ddim_uniform

就目前来说，我们用的较多的是ipndm+ddim_uniform组合和euler的调度器。总之就采样器和调度器的使用，看个人习惯和对画面风格内容的需求。

也因此，我们根据欧阳老师的视频内容，做了个工作流供大家使用，可以自行进行画面效果的比对。

【组合比对模块组成介绍】

工作流的搭建，需要借助到插件“ComfyUI_essentials”。这款插件为我们提供了采样器选择助手和调度器选择助手这两个节点，搭配“Plot Sampler Parameters”节点就可以实现了不同采样器与调度器搭配的组合阵列对比采样模块，如此可以获得各种所选采样器和所选的不同调度器所有的组合的出图效果进行比对。

【组合效果比对示例】

我们分别做了几组测试，由于步数不足，很明显在30步内采样器“dpmpp”的效果跟不上其他采样器。示例中，采样步数用的都是25步的，因此可以看出调度器“ddim_uniform”的画面显得特别突出。

【不同采样步数对比】

对于我们之前提到的ipndm+ddim_uniform组合，会因为调度器是不收敛的，那么随着采样步数的不同，画面的构成元素也会随着步数变化而变化。我们也跟着欧阳老师的内容，做了一个比对模块。其中需要说明的一点就是节点“ Flux Sampler Parameters”，在设置不同步数时，写法“15…50+5”则表示从15步开始出图，每增加5步再出图一张，直到出50步图为止的比对。

可以很明显地看出，不同的采样步数，使用了“ddim_uniform”调度器，其出图的构图和元素会因为步数的不同，发生明显的变化。

同样，我们还可以对引导值的不同设定进行比对，我们分享的工作流中也搭建了一个模块供大家参考使用。

关于AI绘画技术储备

学好 AI绘画不论是就业还是做副业赚钱都不错，但要学会 AI绘画还是要有一个学习规划。最后大家分享一份全套的 AI绘画学习资料，给那些想学习 AI绘画的小伙伴们一点帮助！

为了帮助大家更好地掌握 ComfyUI，我在去年花了几个月的时间，撰写并录制了一套ComfyUI的基础教程，共六篇。这套教程详细介绍了选择ComfyUI的理由、其优缺点、下载安装方法、模型与插件的安装、工作流节点和底层逻辑详解、遮罩修改重绘/Inpenting模块以及SDXL工作流手把手搭建。

需要的可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】