홈 · 시작하기 · 이전: 실행과 중단 · 다음: 프롬프트와 CLIP
워크플로우 이해하기¶
각 노드의 역할과 데이터 흐름을 이해합니다
이 장에서 배우는 것¶
- 빠른 시작에서 연결한 노드들이 각각 무슨 일을 하는지
- 전체 흐름 다섯 단계와 각 노드의 입출력
- KSampler의 Steps·CFG·Sampler·Scheduler·Denoise가 결과를 어떻게 바꾸는지
전체 워크플로우 흐름도¶
ComfyUI의 이미지 생성 과정을 한눈에 파악합니다.
기본 워크플로우 (SD 1.5/SDXL)¶
- Load Checkpoint — MODEL, CLIP, VAE 세 가지를 출력
- CLIP Text Encode — Positive/Negative 프롬프트를 조건(Conditioning)으로 변환
- Empty Latent Image — 빈 캔버스(Latent) 생성. 여기에는 아직 노이즈가 없고, 시작 노이즈는 KSampler가
seed로 만듭니다 - KSampler — MODEL + 조건 + Latent를 받아 노이즈 제거
- VAE Decode — 완성된 Latent를 이미지로 복원
- Save/Preview Image — 결과 저장
단계별 세부 설명¶
| 단계 | 노드 | 역할 | 출력 |
|---|---|---|---|
| 1단계 | Load Checkpoint | 모델 파일 로드 | MODEL, CLIP, VAE |
| 2단계 | CLIP Text Encode | 프롬프트 변환 | Conditioning (긍정/부정) |
| 3단계 | Empty Latent Image | 빈 캔버스 생성 | Latent (0으로 채워진 빈 상태) |
| 4단계 | KSampler | AI 이미지 생성 | Latent (완성) |
| 5단계 | VAE Decode | 압축 해제 | 일반 이미지 |
| 6단계 | Save Image | 저장 | 파일 출력 |
데이터 흐름 상세¶
기본 7노드 연결도. 이미지를 선택하면 원본 크기로 볼 수 있습니다.
연결에서 어긋나기 쉬운 세 지점입니다.
- CLIP 한 갈래가 두 노드로 나뉩니다. Positive와 Negative가 같은 텍스트 인코더를 사용합니다.
- VAE는 KSampler를 거치지 않습니다. Load Checkpoint에서 VAE Decode로 곧장 갑니다.
- KSampler에 선으로 들어가는 것은 4개입니다. 나머지 설정값은 노드 안에서 직접 넣습니다.
각 노드의 입출력 — 한눈에 대조
Load Checkpoint 출력:
- MODEL — 노이즈 제거 엔진
- CLIP — 텍스트 인코더
- VAE — 압축/복원 도구
CLIP Text Encode — 입력: CLIP, 텍스트 / 출력: Conditioning
KSampler
- 선으로 연결하는 입력 4개: MODEL, Positive Conditioning, Negative Conditioning, Latent Image
- 노드 안에서 직접 입력하는 설정값: seed, steps, cfg, sampler_name, scheduler, denoise
- 출력: Latent (생성 완료)
VAE Decode — 입력: VAE, Latent / 출력: IMAGE
Flux 워크플로우 차이점¶
- SD 방식: Load Checkpoint 하나로 MODEL + CLIP + VAE
- FLUX.1 방식: Load Diffusion Model(MODEL) + Load VAE(VAE) + Dual CLIP Loader(CLIP-L + T5xxl). FLUX.2 이후에는 해당 세대의 공식 로더 구성을 확인합니다.
연결 확인¶
- 모든 노드가 올바르게 연결되었나?
- CLIP Text Encode가 2개 (긍정/부정)인가?
- KSampler의 입력 4개(
model·positive·negative·latent_image)가 모두 연결되었나? - VAE Decode를 거쳤나?
- 최종적으로 Save Image가 연결되었나?
KSampler — 이미지 생성 엔진¶
무엇을 하는 노드인가¶
KSampler는 노이즈를 걷어내는 반복을 실행하는 노드입니다.
무작위 노이즈에서 이미지가 만들어지는 과정을 이 노드의 설정값이 결정합니다.
작동 원리¶
KSampler는 seed로 시작 노이즈를 만들어 빈 Latent에 넣은 뒤, 스텝마다 노이즈를 조금씩 걷어냅니다. 마지막 스텝에서 노이즈가 거의 사라지면 이미지가 완성됩니다.
한 스텝에서 줄어드는 양은 균등하지 않습니다. Scheduler가 정한 일정에 따라 구간별로 다르게 배분됩니다. KSampler는 이 과정을 몇 번 반복할지, 조건을 얼마나 강하게 밀어붙일지를 결정합니다.
주요 설정 항목¶
| 항목 | 의미 | 범위 | 초보자 추천값 | 설명 |
|---|---|---|---|---|
| Steps | 이미지를 다듬는 횟수 | 10-150 | 20~30 | 많을수록 정밀하지만 느립니다. 모델별 시작값은 빠른 시작의 표를 따릅니다 |
| CFG Scale | 프롬프트 준수 강도 | 1-20 | 7 | 높을수록 프롬프트 강제, 과도하면 부자연 |
| Sampler | 노이즈 제거 알고리즘 | 여러 종류 | euler 또는 dpmpp_2m | 결과 성향과 필요한 스텝 수가 달라집니다 |
| Scheduler | 노이즈를 줄이는 일정 | normal, karras 등 | normal | 스텝을 어느 구간에 몰아줄지 결정 |
| Denoise | 노이즈 제거 강도 | 0.0-1.0 | 1.0 | 1.0=완전 생성, <1.0=부분 수정 |
위 표의 추천값은 각 설정이 결과를 어떻게 바꾸는지 확인할 때 사용하는 기준입니다. 첫 장을 만들 때의 모델별 시작값은 빠른 시작의 표 하나만 따릅니다. 이 문서와 뒤의 문서에 나오는 다른 범위는 결과를 다듬는 단계에서 사용하는 값입니다.
CFG (Classifier-Free Guidance) 상세¶
CFG는 프롬프트를 얼마나 강하게 밀어붙일지 정하는 값입니다. 품질 점수가 아니라 조건을 강제하는 정도입니다.
| CFG | 결과 경향 |
|---|---|
| 1~3 | 프롬프트를 느슨하게 참고하고, 모델이 자유롭게 해석합니다 |
| 5~8 | 조건과 자연스러움이 균형을 이룹니다. 대부분의 시작값이 이 구간입니다 |
| 10 이상 | 프롬프트를 강하게 밀어붙입니다. 대비·채도가 과해지고 형태가 깨질 수 있습니다 |
cfg는 품질 점수가 아닙니다. 값을 올리면 프롬프트에 적은 조건을 더 강하게 반영하지만, 적지 않은 것을 만들어내지는 않습니다.
Sampler 종류 비교 — 성향과 추천 용도
| Sampler | 성향 | 특징 | 추천 용도 |
|---|---|---|---|
| euler | 결정적 | 가장 단순하고 예측 가능합니다. 같은 Seed·설정이면 항상 같은 결과 | 첫 실습, 변수 하나만 바꾸는 비교 |
| euler_a | 확률적 | 스텝마다 노이즈를 다시 주입해 결과가 더 다양하게 흩어집니다 | 변형 탐색 |
| dpmpp_2m | 결정적 | 이전 스텝의 계산을 재사용해 적은 스텝에서도 안정적입니다 | 최종 결과물 |
dpmpp_2m + karras |
결정적 | Scheduler가 저노이즈 구간에 스텝을 촘촘히 배분해 디테일이 살아납니다 | 디테일 중시 |
| ddim | 결정적 | 초기 Diffusion 계열 샘플러입니다 | 다른 도구와 결과를 대조할 때 |
속도에 대한 오해
샘플러 대부분은 한 스텝에 모델을 한 번 호출하므로 스텝당 계산량이 비슷합니다. 체감 속도 차이는 "같은 품질에 도달하기까지 필요한 스텝 수"에서 생깁니다. 단, heun·dpmpp_2s_ancestral처럼 한 스텝에 모델을 두 번 호출하는 샘플러는 스텝당 시간이 약 2배입니다.
Steps에 따른 결과 차이¶
| Steps | 결과 |
|---|---|
| 10~15 | 빠르지만 형태가 덜 잡히고 흐릿합니다. 구도만 확인하는 용도 |
| 20~30 | 대부분의 작업에 충분합니다 |
| 40~50 | 미세한 디테일이 조금 더 살아나지만 시간이 비례해 늘어납니다 |
| 50 이상 | 눈에 보이는 개선이 거의 없습니다 |
스텝을 늘려도 개선이 멈추는 지점은 Sampler와 Scheduler 조합에 따라 다릅니다. Seed를 고정하고 Steps만 바꿔 직접 확인합니다.
한 변수 실험¶
다음 항목을 고정합니다.
- 모델과 정밀도
- 프롬프트
- Seed와
control_after_generate=fixed - 해상도
- Sampler·Scheduler와
cfg
Steps만 바꿔 세 장을 만듭니다.
| 실행 | Steps | 관찰할 질문 |
|---|---|---|
| A | 15 | 형태가 잡히지 않은 곳이 어디인가? |
| B | 25 | A에서 덜 잡힌 부분이 정리됐는가? |
| C | 40 | B와 다른 점을 찾을 수 있는가? |
B와 C의 차이가 보이지 않는다면 이 조합에서는 25에서 개선이 멈춘 것입니다.
이름의 K는 무엇인가¶
KSampler의 K는 생성 장수와 관계가 없습니다. Diffusion 샘플러 구현체인 k-diffusion 라이브러리에서 온 이름이며, KSampler에는 K라는 설정 항목 자체가 없습니다.
- 한 번에 여러 장을 만들려면 Empty Latent Image의
batch_size를 올립니다. - 같은 설정에서 서로 다른 결과를 보려면
seed를 바꿉니다.
설정 예시 — 목적별 조합
| 목적 | steps | cfg | sampler_name | scheduler |
|---|---|---|---|---|
| 빠른 확인 | 20 | 7 | euler |
normal |
| 최종 결과물 | 30~40 | 7 | dpmpp_2m |
karras |
| 변형 탐색 | 25 | 4~5 | euler_a |
normal |
ComfyUI에서 Sampler와 Scheduler는 별개 항목입니다. 다른 도구에서 사용하는 dpmpp_2m_karras 같은 이름은 두 값을 붙인 표기이므로, ComfyUI에서는 sampler_name에 dpmpp_2m, scheduler에 karras를 각각 지정합니다.
기억할 기본값¶
- Steps는 20~30에서 시작한다
- CFG는 7 전후에서 시작한다
- Sampler는 euler로 시작하고, 익숙해지면 dpmpp_2m을 시도한다
- Denoise는 1.0으로 시작한다 (완전 생성)
주의사항¶
이런 증상이 나타나면:
| 문제 | 원인 | 해결 |
|---|---|---|
| 이미지가 과장됨 | CFG 너무 높음 | CFG 낮추기 (7 정도) |
| 이미지가 흐릿함 | Steps 너무 적음 | Steps 늘리기 (30+) |
| 너무 느림 | Steps 너무 많음 | Steps 줄이기 (20-30) |
| 프롬프트 무시 | CFG 너무 낮음 | CFG 높이기 (7-10) |
원하는 결과를 정한 뒤 어떤 변수부터 만질지 고르는 순서는 첫 워크플로우 직접 만들기에 있습니다.
완료 기준¶
네 가지를 모두 만족했다면 이 장을 끝냈습니다.
- 7개 노드가 각각 무엇을 받아 무엇을 내보내는지 한 문장으로 말할 수 있다.
- KSampler의 Steps·CFG·Sampler·Scheduler·Denoise가 무엇을 바꾸는지 구분할 수 있다.
- CFG가 품질 점수가 아니라 조건을 밀어붙이는 강도라는 점을 설명할 수 있다.
- Seed를 고정하고 Steps만 바꾼 세 장을 비교해 개선이 멈추는 지점을 확인했다.
다음 단계¶
- 프롬프트와 CLIP 이해하기 — 프롬프트가 조건으로 바뀌는 과정
- 첫 워크플로우 직접 만들기 — 참고 없이 구성하고 저장해 재현하기
홈 · 시작하기 · 이전: 실행과 중단 · 다음: 프롬프트와 CLIP