企业官网建设流程全解析

简介：ComfyUI/QwenImageEdit 商品模特分裂展示图生图工作流，定位为电商详情页与广告图中的商品模特分裂展示方案，适合需要快速产出多类目商品展示图的运营、设计师及ComfyUI进阶学习者。整个资源仅1个json文件，压缩包大小14KB，属于轻量型工作流配置，导入ComfyUI后即可复用QwenImageEdit模型的图生图能力，完成24类商品模特分裂展示的批量出图。目前已有74人学习下载，虽然体量小巧，但工作流节点串联了提示词组织、模型调用、图像分割与组合展示等关键环节，便于理解从单张商品图到分裂式展示图的完整生成链路。借助该json可免去从零搭建节点的繁琐步骤，直接作为二次开发底座，也可对照学习各模块参数设置与连接方式，为自定义商品展示模板提供参考。同时，json中保存的节点坐标与连线关系可在ComfyUI中快速定位和调整，适合在此基础上扩展更多展示风格。

1. ComfyUI 商品分裂展示图：不是换背景，是重构构图逻辑

做电商设计的人应该都遇到过这种需求：甲方给一张白底商品图，要求出“模特上身、左右分裂、多视角陈列”这种展示效果。以前的办法是 PS 里手动抠图、复制图层、调透明度，一张图折腾半小时。这套 ComfyUI + QwenImageEdit 工作流解决的正是这个场景——它把“商品分裂展示”做成了一条可复用的图生图流水线：输入一张商品图，一次跑出 24 类不同构图方案的分裂展示效果，覆盖服装、鞋帽、美妆、数码、家居等主流类目。

这套资源的实物是一个 c0162.rar 压缩包，里面是 c0162.json 工作流文件和一个配套的工作流说明。它依赖 ComfyUI 环境和 QwenImageEdit 图像编辑模型。值得说明的是，它做的不是简单的“抠图换背景”，而是通过 QwenImageEdit 的指令编辑能力，让模型理解“哪部分是商品、哪部分是展示区域”，再按分裂构图的 prompt 重新组织画面。适合已经跑通 ComfyUI 基础流程、想做电商场景落地的设计师和 AIGC 从业者，也适合手里有 ComfyUI 整合包但不知道拿模型干什么的人。

2. 环境准备与模型选型：QwenImageEdit 为什么适合做商品分裂展示

2.1 从 ComfyUI 到 QwenImageEdit 的链路构成

ComfyUI 本身是节点式工作流引擎，它不限制你用什么模型。QwenImageEdit 是阿里开源的图像编辑模型，支持文本指令驱动的局部修改和整体重绘。这套工作流把两者接起来，形成了“读图 → 解析指令 → 重构构图 → 输出多方案”的完整链路。

在 ComfyUI 里跑 QwenImageEdit，本质上是在跑一个文本条件生成的 Diffusion 模型。但 QwenImageEdit 和普通文生图模型不同，它接收的是三部分输入：原始图像、编辑指令（英文 prompt）、还有控制编辑强度的参数。工作流里常见的做法是：

1. 用 Load Image 节点读入商品原图；
2. 用 CLIP Text Encode 节点把 “split view, product showcase, two pieces side by side” 这类指令编码成条件向量；
3. 把图像和条件向量一起送进 QwenImageEdit 的采样器；
4. 用 VAE Decode 输出最终结果。

整个链路不算长，但每个节点的参数都会直接影响最终构图质量，尤其是 denoise 强度和图生图的重绘幅度。这套工作流在 QwenImageEdit 上跑的时候，我一般把 denoise 控制在 0.6～0.8 之间，太低出不来分裂效果，太高商品细节会被改坏。

2.2 模型下载与目录放置

如果你用的是 ComfyUI 秋叶整合包，模型目录通常是ComfyUI/models/checkpoints/或者ComfyUI/models/diffusers/，具体取决于整合包版本。QwenImageEdit 有 diffusers 格式和单文件格式两种，这套工作流用的是 diffusers 格式，因为它在 ComfyUI 里需要配合专门的 QwenImageEdit 节点包使用。

安装步骤按顺序来：

# 1. 安装 ComfyUI 的 QwenImageEdit 支持节点（如果你还没装） cd ComfyUI/custom_nodes git clone https://github.com/模型作者/QwenImageEdit-ComfyUI.git cd QwenImageEdit-ComfyUI pip install -r requirements.txt # 2. 下载模型到指定目录（diffusers 格式需要保持目录结构） # 建议用 huggingface-cli 下载，断点续传更稳 huggingface-cli download Qwen/Qwen-Image-Edit --local-dir ComfyUI/models/diffusers/Qwen-Image-Edit

这里有个容易踩的坑：很多整合包自带的 ComfyUI 版本较老，QwenImageEdit 节点要求 ComfyUI 版本在某个特定 commit 之后。如果你加载工作流时报 “node type not found” 或者 “model not found”，优先检查两件事：节点包有没有装进custom_nodes，以及 ComfyUI 管理器里有没有报红色依赖错误。版本不匹配时不要硬跑，直接更新整个 ComfyUI 到最新版更省事。

模型文件比较大，下载时间取决于网络条件，建议用带断点续传的工具，不要用浏览器直接下。我一般下完后会先看一眼model_index.json是否存在，这个文件是 diffusers 格式的标志，缺了它 ComfyUI 认不出模型结构。

2.3 为什么不是 SD 或 Flux

这可能是很多人最困惑的地方：ComfyUI 里能出图的模型那么多，SD1.5、SDXL、Flux 都行，为什么这套工作流选 QwenImageEdit？

区别在于“编辑能力”。SD 系列模型在做图生图时，对构图的控制主要靠 ControlNet 和遮罩，你想让模型“把一只鞋分裂成左右两只展示”，SD 需要你先准备好姿态图或深度图，然后才能引导生成。这套流程的搭建成本很高，每换一个商品类目都要重新调姿态图。

QwenImageEdit 的路径不一样。它训练时就用了大量指令编辑数据，你直接把文本指令写清楚，模型自己理解“分裂、并排、多视角”是什么意思，不需要额外的控制条件。对商品图这种背景相对干净、主体明确的输入，QwenImageEdit 的输出稳定性和构图合理性明显更好。这也是这套工作流只依赖一个 JSON 文件就能跑通的原因——没有 ControlNet 节点、没有遮罩预处理，纯粹靠模型能力。

3. 工作流核心拆解：从 JSON 里读出 24 类构图的秘密

3.1 c0162.json 的节点结构与关键参数

打开 c0162.json，你会发现它的节点数量不算多，但对普通 ComfyUI 用户来说，各种节点连线还是容易看晕。我把它的核心结构拆成几个必要部分：图像输入、文本编码、采样器、解码输出，再加上一组“构图选择”节点。

这组构图选择节点是整套工作流的灵魂。它本质上是多个预置的 prompt 模板和 seed 组合，通过切换参数来控制输出哪一种分裂展示效果。常见的切换逻辑有两种：一种是通过 KSampler 的 seed 变化配合固定 prompt 出不同构图，另一种是通过 prompt 模板的动态拼接来切换分裂方式。c0162.json 里用的是后者，它把 24 类商品的分裂方式写成了文本模板，每次只需要改一个文本输入框里的模板编号。

{ "3": { "class_type": "CLIPTextEncode", "inputs": { "text": "split view product photography, {commodity_type} on both sides, clean background, e-commerce style, high quality, 4k", "clip": ["4", 0] } }, "5": { "class_type": "KSampler", "inputs": { "seed": 7, "steps": 25, "cfg": 7.0, "sampler_name": "euler", "scheduler": "normal", "denoise": 0.7, "model": ["2", 0], "positive": ["3", 0], "negative": ["7", 0], "latent_image": ["8", 0] } } }

上面这段是工作流里最核心的采样参数。steps 25 是速度和质量的折中点，cfg 7.0 是 QwenImageEdit 比较舒服的提示词遵循度区间。注意{commodity_type}这个占位符，它就是你切换 24 类商品时唯一需要改的地方——改成 shoe、dress、cosmetic、smartphone 等关键词，模型就知道这次要处理的是哪类商品。

这里要特别说明一下 seed 的作用。同一套 prompt 和商品图，换 seed 会得到不同构图；固定 seed，输出可复现。如果你在调试时发现某类商品的分裂效果总是不对，先把 seed 固定在一个值上，然后微调 prompt 里的形容词，会比同时改多个参数容易定位问题。

3.2 正向提示词与负面提示词的组织方式

这套工作流对提示词的组织方式和普通文生图不同，它的正向提示词分两层：基础质量描述 + 分裂模式描述。基础质量描述管“画面干不干净、清不清晰”，分裂模式描述管“商品怎么摆”。两者用逗号连接，顺序上有讲究——靠前的词权重更高。

我拆过这套 JSON 里实际使用的正向提示词模板，大致是这么组织的：

professional product photography, white background, soft shadow, {mode}, {commodity_type}, centered composition, commercial use, high detail

其中{mode}就是分裂模式，可能取值是left right split view、top bottom comparison、triple angle display、quarter turn sequence等。{commodity_type}是商品类目。这种组织方式的优点是：改构图只动 mode 一个变量，不干扰其他质量词，模型不会因为你改了构图就把画面质量整体带崩。

负面提示词在这套工作流里也起到了关键作用。QwenImageEdit 虽然编辑能力强，但对电商图仍有几个常见误伤点：手指畸形（模特持物时）、文字水印残留、商品边缘模糊。工作流里预置了负面提示词，我打开看大概是这样的：

lowres, bad anatomy, bad hands, missing fingers, extra digit, fewer digits, cropped, worst quality, low quality, jpeg artifacts, watermark, blurry, deformed, disfigured, extra limbs, fused limbs

实际跑图时，负面提示词作用显著。我测试过一次删掉负面词的版本——商品边缘开始出现虚影，白色背景也带了淡淡的灰色色块。这个教训说明：QwenImageEdit 同样吃负面提示词，不要因为它宣传“指令编辑”就忽视负面词的作用。

3.3 一张图出多方案：工作流的批量输出逻辑

单张商品图只出一张分裂展示图显然效率不够。这套工作流在批量输出上也做了设计：通过修改 output 节点的保存前缀和采样器的 seed 列表，可以一次跑出多张结果。ComfyUI 本身就支持 batch size 参数，但 c0162.json 的做法更偏实用——它把 seed 做成了一组固定序列，每换一个 seed 就是一套新构图。

批量跑图时要注意显存占用。QwenImageEdit 的参数规模不小，扩散模型在采样阶段会占用大量显存，一次 batch 里放太多张图容易爆显存。常见做法是单次采样 batch size 设为 1，然后用脚本循环改 seed 连续跑，跑完自动存图。如果你手动改 seed 跑 24 类商品，工作量不小，但工作流文件本身已经在输出节点配好了自动命名规则，每张图会按时间戳加 seed 号命名，不怕覆盖。

4. 24 类商品落地实战：参数对照表与分步操作

4.1 24 类商品的分裂模式对照表

工作流文件里默认配置了 24 类商品的分裂展示模板，每一类商品的 prompt 关键词和推荐的分裂模式不同。我从工作流 JSON 里把所有模板整理了一遍，核心对应关系如下：

每类商品的参数都不是随便给的。服装鞋帽这类线条简单、结构规整的商品，denoise 可以放低一些，细节不容易被改坏。数码产品和手表这类结构复杂、有金属反光的商品，要适当提高 denoise 让模型有足够自由度重新组织反光面。担心这套参数不准的，先从服装类开始试，跑通了再往复杂商品扩展。

4.2 从零跑通一张商品图：逐步实操流程

拿到压缩包后，先把 rar 解压，把 c0162.json 放到 ComfyUI 的user/default/workflows目录（或者其他你习惯的工作流保存目录），然后在 ComfyUI 界面里点 Workflow → Open 加载它。

加载完成后第一步是检查模型路径有没有报红。如果红色的是 QwenImageEdit 模型节点，说明模型路径不对，按 2.2 节的目录方式重新放置。如果红色的是文本编码节点，检查节点包是否安装。全部没有报错后，按以下步骤操作：

# 步骤 1：拖入商品原图 # 双击空白处，搜索 "Load Image"，选中后把图片路径指到你的商品图 # 步骤 2：修改商品类目占位符 # 找到 CLIPTextEncode 节点，把 {commodity_type} 改成你实际的商品关键词 # 例如商品是白色运动鞋，就改成 sneaker # 步骤 3：选择分裂模式 # 修改 {mode} 部分为 left right split view 或你想要的构图 # 如果需要批量出多张，固定第一步的类目词，只改 mode 和 seed # 步骤 4：执行 # 点击 "Run" 或按 Ctrl+Enter，等待采样完成

每一步的执行逻辑都很直观。Load Image 负责把商品原图从文件系统读入，CLIPTextEncode 负责把编辑指令转成模型能理解的向量，KSampler 是实际出图的地方，输出节点负责把结果写回磁盘。如果你连跑了几张图都在同一个位置出残影，说明是提示词里某个词和商品特征冲突了，优先替换冲突词而不是去改采样器参数。

4.3 显存不够时的降级方案

ComfyUI 跑 QwenImageEdit 的最低显存建议是 8GB，16GB 以上比较从容。如果你只有 6GB 显存，跑 1024×1024 以上的图容易报 CUDA out of memory。降级方案有两个方向。

第一个方向是把输出分辨率降下来。在 Empty Latent Image 节点里把宽高从 1024×1024 改成 768×768，生成结果用于预览绰绰有余。第二个方向是减少 batch size，确认采样器里 batch 那一项是 1。两个方向可以同时做，效果明显。

# 如果你用 API 模式调用，可以在请求体里加入负向控制参数 # 但 ComfyUI 的节点模式里，最直接的做法还是调 Empty Latent Image 的宽高 # 常见显存报错信息对照： # "CUDA out of memory" → 降低分辨率或 batch size # "RuntimeError: Sizes of tensors must match" → 输入图尺寸与 latent 尺寸不一致 # "Failed to load model" → 模型路径错误或节点包版本不兼容

跑大尺寸图时，显存不足是高频问题，不要硬撑，优先降分辨率。真正做交付图的时候再用高分辨率重跑一次，预览阶段 768 足够判断构图是否合理。

5. 避坑排查：QwenImageEdit 跑商品图的典型翻车现场

5.1 商品细节被改没：denoise 参数惹的祸

现象：输出图里商品本身的纹理、印花、logo 全变了，鞋子的钩子标志成了模糊色块，饮料瓶上的品牌文字变成乱码。

原因：denoise 值过高，模型在重构构图时把商品细节一并“重绘”了。QwenImageEdit 虽然擅长编辑，但它本质上仍是生成模型，denoise 太高时它会在理解“这是商品”的基础上自由发挥细节，导致品牌元素失真。

解决：把 denoise 从 0.8 降到 0.6～0.7。注意观察商品原图的背景质量——背景越干净、主体越突出，denoise 越可以低。如果商品原图本身就是白底棚拍图，0.55 都能出不错的效果。另外可以在正向提示词里加original brand logo, keep product details这类约束词，但主要手段还是压 denoise。

5.2 分裂后商品比例失衡：构图模板与商品形态不匹配

现象：跑出来的分裂展示图左右两侧大小不一，或者商品被拉长变形，看起来像哈哈镜效果。

原因：你选的分裂模式不适合当前商品。比如把口红用quarter turn sequence（四分之一旋转序列）跑，模型需要在画面里表现四个角度的口红，单个商品占位变小，比例容易失衡。dress 和 lipstick 这类形态差异大的商品，同样用top bottom comparison，效果也完全不同。

解决：回到 4.1 节的对照表，按商品类目换分裂模式。如果换了模式还不行，检查输入图的构图——商品在画面里占比过小，模型就缺乏足够信息判断结构，导致比例漂移。我一般会先把商品图裁剪到占画面 70% 以上的比例，再跑工作流。

5.3 背景不够干净：负面提示词和输入图背景双重因素

现象：生成的图上出现灰色阴影、地板线、渐变底色，白底不是纯白。

原因：两个来源。一是负面提示词里没有包含足够的背景污染词，模型自由发挥时默认生成带环境感的背景。二是输入商品图本身背景不干净，有轻微阴影或灰色渐变，模型把这些“背景特征”当作商品的组成部分保留了下来。

解决：负面提示词里补上grey background, gradient background, floor shadow, studio background。同时把输入图提前用 PS 或 Python 脚本处理成纯白底。简单处理可以用 remove.bg 这类工具，但批量化处理时我用一段 Python 脚本：

from PIL import Image, ImageOps def make_white_bg(image_path, output_path, threshold=245): img = Image.open(image_path).convert("RGB") img = ImageOps.autocontrast(img, cutoff=1) # 将接近白色的像素直接替换为纯白 pixels = img.load() w, h = img.size for y in range(h): for x in range(w): r, g, b = pixels[x, y] if r > threshold and g > threshold and b > threshold: pixels[x, y] = (255, 255, 255) img.save(output_path)

这段脚本的 threshold 控制替换阈值，245 表示 RGB 三通道都大于 245 的像素直接变纯白。实际操作时，商品自身的白色部分可能会被误伤，所以阈值不宜太低。处理完的图再跑工作流，白底质量会明显提升。

5.4 生成的图上有文字乱码和水印残留

现象：输出图上出现无意义的英文单词、断裂的字母，或者原商品图中没有的水印。

原因：QwenImageEdit 继承了大模型的文本生成能力，在编辑构图时如果画面里有类似文字的纹理，模型会尝试“补全”这些文字，产生乱码。另一个来源是输入图本身带平台下载水印，模型在重绘时把水印纹理保留了下来。

解决：输入图提前去掉水印。正向提示词里加no text, clean label，负面提示词加text, watermark, letters, words。如果原商品有包装盒且盒子上有文字，直接把文字区域在输入图里裁掉或用遮罩处理，不要让模型自行发挥。

5.5 工作流加载后一堆节点报红

现象：加载 c0162.json 后，许多节点显示红色，无法运行，控制台报错频繁。

原因：大概率是三个问题之一——ComfyUI 版本过旧，不支持 QwenImageEdit 的节点类型；缺少自定义节点包；或者模型文件不完整。这三个问题分别对应三种不同的解决方式。

解决：先看报错信息，No node type对应节点包缺失，Model not found对应模型路径问题，TypeError之类的问题多半是版本不兼容。节点包安装用 ComfyUI Manager 的 Install Missing Custom Nodes 功能一键补装。模型不完整就重新用 huggingface-cli 下载。版本问题直接把 ComfyUI 更新到最新版。

6. 进阶技巧：用 API 模式把 24 类工作流接进自己的项目

6.1 把 JSON 工作流转成 API 调用

ComfyUI 本身支持 API 模式，c0162.json 也能直接转成 API 请求体。这个能力对做工具集的人来说特别有用——你可以把工作流封装成后端服务，让电商团队通过网页提交商品图，后台自动跑分裂展示图，无需每个人本地部署 ComfyUI。

转 API 的方式并不复杂。在 ComfyUI 界面里操作一遍工作流，然后打开开发者模式，把请求体导出，保存为 JSON。这个 JSON 就是 API 调用的核心载体。请求体的关键结构如下：

import requests import json import uuid def run_workflow(workflow_json_path, product_image_path, commodity_type, mode): with open(workflow_json_path, "r", encoding="utf-8") as f: workflow = json.load(f) # 替换商品图和类目参数 for node_id, node_data in workflow.items(): if node_data["class_type"] == "LoadImage": node_data["inputs"]["image"] = product_image_path if node_data["class_type"] == "CLIPTextEncode": text = node_data["inputs"]["text"] text = text.replace("{commodity_type}", commodity_type) text = text.replace("{mode}", mode) node_data["inputs"]["text"] = text # 提交任务到 ComfyUI payload = { "prompt": workflow, "client_id": str(uuid.uuid4()) } resp = requests.post("http://127.0.0.1:8188/prompt", json=payload) return resp.json()

这段代码的 workflow_json_path 指向从 ComfyUI 导出的 API 格式 JSON，不是原始的 c0162.json。两者格式有差异，原始工作流文件包含 UI 布局信息，API 格式只包含节点执行信息。ComfyUI 界面的“导出 API 格式”按钮会自动做这一步，不用手写转换。

6.2 24 类商品批量出图的调度策略

API 模式的真正价值是批量处理。电商团队一次可能要处理几百张商品图，每张还要出多种分裂构图。这种规模下单张图手动跑根本不现实，API 模式可以把任务排队交给 ComfyUI 后端。

import time import requests from concurrent.futures import ThreadPoolExecutor PRODUCT_CLASSES = { "sneaker": "left right split view", "lipstick": "top bottom comparison", "smartphone": "back to back display" } def process_one(product_image_path): results = [] for commodity_type, mode in PRODUCT_CLASSES.items(): response = run_workflow( "api_workflow.json", product_image_path, commodity_type, mode ) results.append(response) # 每提交一个任务间隔一点时间，避免并发过多导致显存溢出 time.sleep(1) return results # 建议每批最多 3 张图并发，显存 16GB 以上的机器可以调到 4 with ThreadPoolExecutor(max_workers=3) as executor: futures = [executor.submit(process_one, image_path) for image_path in product_images] for future in futures: future.result()

这里的 PRODUCT_CLASSES 是示例字典，实际使用时按你的商品类目扩到 24 类。线程池并发数不是越多越好——每张图的采样过程都占显存，并发 5 张时 16GB 显存的机器基本就到极限了。控制台出现显存报错时，把 max_workers 降到 2 或 3，或者把生成分辨率降到 768。

6.3 设计一个自动命名和归档的目录结构

批量跑图后管理产物是另一个实操问题。默认的输出文件名是时间戳加随机数，几十张图散落在一个目录里，根本分不清哪张对应哪个商品、哪种分裂模式。我在实际项目里的做法是改造输出节点，把图直接归档到结构化目录。

# 目录结构示例 outputs/ ├── sneaker-20250208/ │ ├── left_right_split_01.png │ ├── left_right_split_02.png │ └── quarter_turn_01.png ├── lipstick-20250208/ │ ├── top_bottom_01.png │ └── triple_angle_01.png └── smartphone-20250208/ ├── back_to_back_01.png └── closeup_dual_01.png

用 Python 实现归档逻辑很简单，在 API 响应后轮询输出目录，把新生成的图片移动到对应商品文件夹。ComfyUI 的 API 模式会返回一个 prompt_id，可以通过/history/{prompt_id}端点查到输出图片的完整文件名。拿到文件名后按商品类目建目录移动，整个流程就完全自动化了。

这里有一个我自己翻过车的事值得说：刚开始做批量归档时，我直接按输出时间排序来移动文件，结果多张图同时跑完时文件名错配，sneaker 的图被挪进了 lipstick 目录。从那以后我每次提交任务都把 prompt_id 和商品类目绑定存储，归档时严格按 prompt_id 来匹配文件，再也没出过乱序问题。这套工作流也一样——如果只手动跑一两张图，直接看预览图顺手重命名就行；一旦上了 API 批量，归档逻辑必须提前设计好。希望帮到你。

本文还有配套的精品资源，点击获取