Krita AI Diffusion 配置实战指南8步从零搭好本地出图环境【免费下载链接】krita-ai-diffusionStreamlined interface for generating images with AI in Krita. Inpaint and outpaint with optional text prompt, no tweaking required.项目地址: https://gitcode.com/gh_mirrors/kr/krita-ai-diffusionKrita AI Diffusion 是一款把 Stable Diffusion、Flux 等大模型能力无缝嵌入 Krita 绘画流程的开源插件支持局部重绘、扩图、ControlNet 控制层等高级功能。本文是一份可直接照做的环境搭建与模型配置教程帮你绕过最坑的路径、模型、依赖问题从安装到稳定出图一次走通。很多用户在初次配置时都被同一个问题劝退插件装好了、界面出来了可点 Generate 就是一直转圈日志里反复出现模型未找到。这不是运气差而是 Krita AI Diffusion 必须和 ComfyUI 后端协作——插件负责发指令ComfyUI 负责跑模型两者之间通过模型文件路径对接。路径错了、文件名不对、文件夹层级错了任何一环断裂整个生成流程都会卡死。一、出发前的体检一张硬件自检清单先别急着下载任何东西花两分钟确认你的机器能不能跑得动。本地推理对硬件有硬性要求硬件方案基本门槛备注NVIDIA 显卡RTX 2060 及以上显存 ≥6GB首选CUDA 支持最成熟Apple 芯片M1~M5通过 MPS 加速Intel / AMD 独显Arc 8GB / ROCm 显卡可用但兼容性波动较大纯 CPU能跑极慢只适合验证流程软件侧需要 Python 3.8、Krita 5.2磁盘至少预留 20GB模型动辄十几 GB选 Flux 等工作负载后翻倍很正常。30 秒自检命令在终端里分别执行python --version # 确认 Python 版本 nvidia-smi # NVIDIA 用户看显存和驱动Win 用户用 nvidia-smi.exe df -h / # 确认剩余磁盘空间驱动务必保持最新——生成速度慢、显存报错一半以上的根因是驱动太老。二、两条路线先想清楚再动手获取模型有两条主流路线别混着用否则容易互相干扰。对比项一键脚本法手动精细化配置适合人群新手、想尽快跑通已有模型库、爱折腾的老手操作难度一条命令需手建目录、手填 YAML出错概率低中路径写错就找不到模型可控性按脚本预设下载可完全复用已有文件首次耗时取决于带宽取决于现有模型是否齐全一键脚本法适合绝大多数人它能保证文件名、目录层级和插件期望的完全一致手动法的优势是能复用你之前下载好的 SDXL、ControlNet 等模型省去重复下载。三、阶段一5分钟快速上手用脚本一键补齐模型克隆仓库到本地脚本就放在scripts/download_models.pygit clone https://gitcode.com/gh_mirrors/kr/krita-ai-diffusion cd krita-ai-diffusion python -m pip install aiohttp tqdm先看看脚本会下载哪些东西不要盲目执行python scripts/download_models.py --list /path/to/your/comfyui确认无误后开始下载。把目标路径指到你 ComfyUI 的 models 目录脚本会自动按正确的子文件夹、文件名归位python scripts/download_models.py --all /path/to/your/comfyui/models几个实用参数值得记住python scripts/download_models.py --minimal /path/to/comfyui/models # 最小必需集合先跑通 python scripts/download_models.py --recommended ... # 推荐集合含 SDXL python scripts/download_models.py --backend cpu ... # 强制按 CPU 过滤模型 python scripts/download_models.py -j 8 ... # 并行下载数网络好可调高脚本会自动检测你的硬件后端CUDA/CPU/ROCm/MPS只下载匹配的模型下载中断会自动重试最多 5 次不用担心断网丢进度。如果下载速度不理想可以通过环境变量AI_DIFFUSION_DOWNLOAD_URL指向镜像源。 注意脚本只下载模型不负责安装 ComfyUI 和自定义节点。使用插件自带的Local Managed Server选项时这些由插件自动处理手动管理 ComfyUI 的读者请直接跳到下一阶段的节点清单。四、阶段二半小时深度调优手动方案与路径映射如果你选择手动连接自己的 ComfyUI除了模型还要装齐 4 个必需自定义节点ControlNet 预处理器comfyui_controlnet_aux、IP-AdapterComfyUI_IPAdapter_plus、Inpaint 节点comfyui-inpaint-nodes、外部工具节点comfyui-tooling-nodes。装完后必须重启 ComfyUI节点才会被加载。模型路径则是另一处高频翻车点。插件通过搜索模式匹配模型文件名只要文件名里包含匹配模式放在任意子目录都能找到多个匹配时放在krita子文件夹下的文件会被优先采用。已有现成模型想复用编辑 ComfyUI 根目录下的extra_model_paths.yaml把路径指向你的模型仓库即可clip_vision: - path: /data/ai_models/clip_vision controlnet: - path: /data/ai_models/controlnet ipadapter: - path: /data/ai_models/ipadapter inpaint: - path: /data/ai_models/inpaint项目自带的 Docker 场景示例可参考scripts/docker/extra_model_paths.yaml里面完整列出了checkpoints、loras、upscale_models、text_encoders等所有可用键名按需补齐即可。建议每条路径都检查拼写——多一个斜杠、少一个字母插件照样报模型未找到。插件设置里的三种后端在线服务 / 本地托管 / 自定义 ComfyUI对应完全不同的维护责任本地托管由插件自动安装和更新服务器最省心自定义 ComfyUI 则要求你自行维护出问题时排查半径更大。五、阶段三怎么确认真的配好了配置完成不等于能出图按下面的顺序做三件验证缺一不可第一步校验模型完整性。下载可能产生损坏文件用脚本自带校验功能python scripts/download_models.py --check /path/to/your/comfyui/models输出中出现OK就是完整MISMATCH表示文件损坏需重新下载。第二步在浏览器确认 ComfyUI 能识别模型。打开http://127.0.0.1:8188在工作流里添加对应的加载节点如 Load CLIP Vision、Load IPAdapter Model下拉列表里能看到文件才算路径正确。第三步在 Krita 里实测一条最小工作流。新建低分辨率画布如 512×512输入一句简短提示词点击生成。能出图后再逐步测试选区重绘Inpaint和控制层功能。六、出问题别慌高频故障速查表症状可能原因解决办法一直显示Connecting / Discovering models模型数量过多、模型盘是慢速机械盘、杀毒软件实时扫描归档不常用模型换 SSD在杀毒设置中排除模型目录报错提示缺少 CLIP Vision / IP-Adapter 模型文件没放进正确文件夹或 extra_model_paths.yaml 拼写有误用脚本重新下载在 ComfyUI 网页端加载节点确认能否找到以下自定义节点缺失节点包未装或版本过旧、装完没重启、后台残留多个 ComfyUI 实例更新节点包并重启服务检查是否有残留 python 进程服务器启动报端口被占用有别的 ComfyUI 实例占用了 8188 端口关闭占用进程或在设置里给 server_arguments 加--port 25608生成极慢且无报错显存已耗尽触发换出或画布分辨率过高降低分辨率给服务加--force-fp16 --dont-upcast-attention报错 while deserializing header某个模型文件下载不完整插件连接设置里执行 Manage ▸ Verify 自动重下若问题依旧打开插件设置里 Plugin 标签页的Collect Diagnostics收集诊断信息再点View log files查看日志——日志里会明确列出哪些模型被找到、搜索模式是什么是定位路径问题最直接的依据。七、长期稳定把环境当成资产来维护配置完成只是起点想长期稳定使用建议建立以下节奏每周检查插件和节点包更新ComfyUI 生态更新很快旧节点常和新插件版本不兼容每月清理临时缓存。重点盯三个位置——HuggingFace 缓存、uv 缓存、pip 缓存它们占用的空间往往超乎预期可通过设置HF_HOME、UV_CACHE_DIR、PIP_CACHE_DIR环境变量改到别的盘每季度备份krita/ai_diffusion用户目录含 settings.json、自定义样式和日志出了问题能一键还原。多台机器共享资源的话最省事的做法是把模型统一放到 NAS 或一台主力机上写好一份标准的extra_model_paths.yaml分发到各工作站配合符号链接指向共享目录团队所有人用同一套模型、同一套命名规范排查问题时能少走很多弯路。相关实现可参考ai_diffusion/backend/resources.py模型资源清单和搜索模式都定义在那里。八、写在最后三条核心原则路径比模型更重要——大多数模型未找到都是路径或文件名问题优先用官方下载脚本保证结构一致按需选择后端——新手用本地托管最省心进阶用户才碰自定义 ComfyUI验证永远排在生成前面——换模型、改路径后先跑一遍--check和网页端加载测试再回 Krita 出图。配置 Krita AI Diffusion 的本质是理清插件→ComfyUI→模型文件这条链路。照着本文的顺序走一遍把每一步的验证做扎实你就能把精力全部放回画布上。现在就动手吧把第一条提示词真正画出来。【免费下载链接】krita-ai-diffusionStreamlined interface for generating images with AI in Krita. Inpaint and outpaint with optional text prompt, no tweaking required.项目地址: https://gitcode.com/gh_mirrors/kr/krita-ai-diffusion创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
Krita AI Diffusion 配置实战指南8步从零搭好本地出图环境【免费下载链接】krita-ai-diffusionStreamlined interface for generating images with AI in Krita. Inpaint and outpaint with optional text prompt, no tweaking required.项目地址: https://gitcode.com/gh_mirrors/kr/krita-ai-diffusionKrita AI Diffusion 是一款把 Stable Diffusion、Flux 等大模型能力无缝嵌入 Krita 绘画流程的开源插件支持局部重绘、扩图、ControlNet 控制层等高级功能。本文是一份可直接照做的环境搭建与模型配置教程帮你绕过最坑的路径、模型、依赖问题从安装到稳定出图一次走通。很多用户在初次配置时都被同一个问题劝退插件装好了、界面出来了可点 Generate 就是一直转圈日志里反复出现模型未找到。这不是运气差而是 Krita AI Diffusion 必须和 ComfyUI 后端协作——插件负责发指令ComfyUI 负责跑模型两者之间通过模型文件路径对接。路径错了、文件名不对、文件夹层级错了任何一环断裂整个生成流程都会卡死。一、出发前的体检一张硬件自检清单先别急着下载任何东西花两分钟确认你的机器能不能跑得动。本地推理对硬件有硬性要求硬件方案基本门槛备注NVIDIA 显卡RTX 2060 及以上显存 ≥6GB首选CUDA 支持最成熟Apple 芯片M1~M5通过 MPS 加速Intel / AMD 独显Arc 8GB / ROCm 显卡可用但兼容性波动较大纯 CPU能跑极慢只适合验证流程软件侧需要 Python 3.8、Krita 5.2磁盘至少预留 20GB模型动辄十几 GB选 Flux 等工作负载后翻倍很正常。30 秒自检命令在终端里分别执行python --version # 确认 Python 版本 nvidia-smi # NVIDIA 用户看显存和驱动Win 用户用 nvidia-smi.exe df -h / # 确认剩余磁盘空间驱动务必保持最新——生成速度慢、显存报错一半以上的根因是驱动太老。二、两条路线先想清楚再动手获取模型有两条主流路线别混着用否则容易互相干扰。对比项一键脚本法手动精细化配置适合人群新手、想尽快跑通已有模型库、爱折腾的老手操作难度一条命令需手建目录、手填 YAML出错概率低中路径写错就找不到模型可控性按脚本预设下载可完全复用已有文件首次耗时取决于带宽取决于现有模型是否齐全一键脚本法适合绝大多数人它能保证文件名、目录层级和插件期望的完全一致手动法的优势是能复用你之前下载好的 SDXL、ControlNet 等模型省去重复下载。三、阶段一5分钟快速上手用脚本一键补齐模型克隆仓库到本地脚本就放在scripts/download_models.pygit clone https://gitcode.com/gh_mirrors/kr/krita-ai-diffusion cd krita-ai-diffusion python -m pip install aiohttp tqdm先看看脚本会下载哪些东西不要盲目执行python scripts/download_models.py --list /path/to/your/comfyui确认无误后开始下载。把目标路径指到你 ComfyUI 的 models 目录脚本会自动按正确的子文件夹、文件名归位python scripts/download_models.py --all /path/to/your/comfyui/models几个实用参数值得记住python scripts/download_models.py --minimal /path/to/comfyui/models # 最小必需集合先跑通 python scripts/download_models.py --recommended ... # 推荐集合含 SDXL python scripts/download_models.py --backend cpu ... # 强制按 CPU 过滤模型 python scripts/download_models.py -j 8 ... # 并行下载数网络好可调高脚本会自动检测你的硬件后端CUDA/CPU/ROCm/MPS只下载匹配的模型下载中断会自动重试最多 5 次不用担心断网丢进度。如果下载速度不理想可以通过环境变量AI_DIFFUSION_DOWNLOAD_URL指向镜像源。 注意脚本只下载模型不负责安装 ComfyUI 和自定义节点。使用插件自带的Local Managed Server选项时这些由插件自动处理手动管理 ComfyUI 的读者请直接跳到下一阶段的节点清单。四、阶段二半小时深度调优手动方案与路径映射如果你选择手动连接自己的 ComfyUI除了模型还要装齐 4 个必需自定义节点ControlNet 预处理器comfyui_controlnet_aux、IP-AdapterComfyUI_IPAdapter_plus、Inpaint 节点comfyui-inpaint-nodes、外部工具节点comfyui-tooling-nodes。装完后必须重启 ComfyUI节点才会被加载。模型路径则是另一处高频翻车点。插件通过搜索模式匹配模型文件名只要文件名里包含匹配模式放在任意子目录都能找到多个匹配时放在krita子文件夹下的文件会被优先采用。已有现成模型想复用编辑 ComfyUI 根目录下的extra_model_paths.yaml把路径指向你的模型仓库即可clip_vision: - path: /data/ai_models/clip_vision controlnet: - path: /data/ai_models/controlnet ipadapter: - path: /data/ai_models/ipadapter inpaint: - path: /data/ai_models/inpaint项目自带的 Docker 场景示例可参考scripts/docker/extra_model_paths.yaml里面完整列出了checkpoints、loras、upscale_models、text_encoders等所有可用键名按需补齐即可。建议每条路径都检查拼写——多一个斜杠、少一个字母插件照样报模型未找到。插件设置里的三种后端在线服务 / 本地托管 / 自定义 ComfyUI对应完全不同的维护责任本地托管由插件自动安装和更新服务器最省心自定义 ComfyUI 则要求你自行维护出问题时排查半径更大。五、阶段三怎么确认真的配好了配置完成不等于能出图按下面的顺序做三件验证缺一不可第一步校验模型完整性。下载可能产生损坏文件用脚本自带校验功能python scripts/download_models.py --check /path/to/your/comfyui/models输出中出现OK就是完整MISMATCH表示文件损坏需重新下载。第二步在浏览器确认 ComfyUI 能识别模型。打开http://127.0.0.1:8188在工作流里添加对应的加载节点如 Load CLIP Vision、Load IPAdapter Model下拉列表里能看到文件才算路径正确。第三步在 Krita 里实测一条最小工作流。新建低分辨率画布如 512×512输入一句简短提示词点击生成。能出图后再逐步测试选区重绘Inpaint和控制层功能。六、出问题别慌高频故障速查表症状可能原因解决办法一直显示Connecting / Discovering models模型数量过多、模型盘是慢速机械盘、杀毒软件实时扫描归档不常用模型换 SSD在杀毒设置中排除模型目录报错提示缺少 CLIP Vision / IP-Adapter 模型文件没放进正确文件夹或 extra_model_paths.yaml 拼写有误用脚本重新下载在 ComfyUI 网页端加载节点确认能否找到以下自定义节点缺失节点包未装或版本过旧、装完没重启、后台残留多个 ComfyUI 实例更新节点包并重启服务检查是否有残留 python 进程服务器启动报端口被占用有别的 ComfyUI 实例占用了 8188 端口关闭占用进程或在设置里给 server_arguments 加--port 25608生成极慢且无报错显存已耗尽触发换出或画布分辨率过高降低分辨率给服务加--force-fp16 --dont-upcast-attention报错 while deserializing header某个模型文件下载不完整插件连接设置里执行 Manage ▸ Verify 自动重下若问题依旧打开插件设置里 Plugin 标签页的Collect Diagnostics收集诊断信息再点View log files查看日志——日志里会明确列出哪些模型被找到、搜索模式是什么是定位路径问题最直接的依据。七、长期稳定把环境当成资产来维护配置完成只是起点想长期稳定使用建议建立以下节奏每周检查插件和节点包更新ComfyUI 生态更新很快旧节点常和新插件版本不兼容每月清理临时缓存。重点盯三个位置——HuggingFace 缓存、uv 缓存、pip 缓存它们占用的空间往往超乎预期可通过设置HF_HOME、UV_CACHE_DIR、PIP_CACHE_DIR环境变量改到别的盘每季度备份krita/ai_diffusion用户目录含 settings.json、自定义样式和日志出了问题能一键还原。多台机器共享资源的话最省事的做法是把模型统一放到 NAS 或一台主力机上写好一份标准的extra_model_paths.yaml分发到各工作站配合符号链接指向共享目录团队所有人用同一套模型、同一套命名规范排查问题时能少走很多弯路。相关实现可参考ai_diffusion/backend/resources.py模型资源清单和搜索模式都定义在那里。八、写在最后三条核心原则路径比模型更重要——大多数模型未找到都是路径或文件名问题优先用官方下载脚本保证结构一致按需选择后端——新手用本地托管最省心进阶用户才碰自定义 ComfyUI验证永远排在生成前面——换模型、改路径后先跑一遍--check和网页端加载测试再回 Krita 出图。配置 Krita AI Diffusion 的本质是理清插件→ComfyUI→模型文件这条链路。照着本文的顺序走一遍把每一步的验证做扎实你就能把精力全部放回画布上。现在就动手吧把第一条提示词真正画出来。【免费下载链接】krita-ai-diffusionStreamlined interface for generating images with AI in Krita. Inpaint and outpaint with optional text prompt, no tweaking required.项目地址: https://gitcode.com/gh_mirrors/kr/krita-ai-diffusion创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
