展开本页目录
开始前准备什么
- 已有本地 ComfyUI 环境；按所用模型官方说明准备硬件和权重。
- 下载本页材料，检查模型家族、目录与来源；模型权重未打包。
- 保留原文件与实际版本，UI workflow 与 API prompt 分开。
- 准备独立文件与清单
- 先在 UI 跑通单个样本
- 导出属于你的 API 格式
- 检查清单与节点角色
- 逐项生成请求计划
- 记录完成与失败后再续跑
- 用负样本检查重复命名
2026-10-24 核验材料；实际执行范围、结果与限制见下方记录。
补充：原有练习资料与下载
含 UI/单独 API JSON、原输入、模型清单、校验脚本和真实负例；无权重及本次推理输出。
按官方 0.4 格式整理；仅结构核验，需在你的目标版本实际导入。
从本页工作流 Loader 字段读取；按官方来源准备兼容权重。
空结果栏，供你填写实际输出与故障；不预填虚构成功结果。
原生批处理实测：两行清单、两个 prompt_id 与逐图 PNG 输出
两张不同底色输入分别映射到 batch/a 与 batch/b，保留输入→prompt_id→输出文件的完整映射，不把界面批次数误当遍历文件夹。
· 原生上传两张原创输入，按显式清单顺序排队，取得各自的成功 history 与 256×192 输出；可移植脚本已复跑 2/2。
- 运行环境
- ComfyUI 0.42.0；官方提交 8baf68d53d751216dd95d4f678bf109d82db3442；原生前端 1.57.1，中文界面；Python 3.12.13，CPU；独立本地实例 127.0.0.1:3344；关闭自定义节点与合作伙伴节点，未下载模型权重；输入为本站原创几何测试图，不含用户图片；本地练习无需 apizt API Key
1. 准备显式输入清单
把 proof-a.png 与 proof-b.png 和 batch-input-manifest.json 放在同目录。两行分别指定 input 与不同 filename_prefix，先核对每行文件真实存在。
2. 保留图像参数不变
两张输入各用 LoadImage 读取，再以 nearest-exact、256×192、crop=disabled 处理。脚本只替换输入名与输出前缀，避免跨行污染。
3. 逐行上传与排队
run_image_workflow.py 使用原生 /upload/image，采用服务器返回的真实文件名，再为每行提交独立 prompt；不覆盖同名用户输入。
bashpython3 run_image_workflow.py --base http://127.0.0.1:81884. 按 ID 验证而非按顺序猜结果
对每个 prompt_id 查询 history.completed/status_str；只有 success 才下载 outputs 中的 filename/subfolder/type，失败或超时保留记录，不自动重复提交。
5. 核对数量与对应关系
本次初跑和可移植脚本复跑均为 2 输入/2 成功；对照两种底色、256×192 尺寸、SHA-256 与 JSON 行，确定 b 图没有被误当成 a 图。
这次实际得到什么
- 初跑两条清单均有各自 prompt_id 与 status_str=success；a_00001_.png 和 b_00001_.png 均为 256×192。
- 已在原生任务队列看到 a/b 两张不同底色产物；b 图在原生图库实际打开。
- 发布的可移植脚本另经原生 /upload/image 复跑，2/2 成功，并保存 portable-rerun-* receipts。
使用这份结果时注意
- 此顺序队列练习不是图生图扩散编辑，也不证明多 GPU 并发能力。
- 界面批次数量只重复当前参数；要遍历不同文件，仍需显式清单或受信任批节点。
1. 准备独立文件与清单
下载 inputs.csv 和 input-01.png、input-02.png；本页用同一官方输入的不同裁切作为练习，不冒充两次模型输出。把图片复制到 ComfyUI/input，保留 file_id 与原文件映射。
2. 先在 UI 跑通单个样本
用图生图 workflow.json 选择第一张输入，核对家族、VAE 与 denoise，再在你的环境完成真实单图小样。批量 API 不会自动修复单样本失败。
3. 导出属于你的 API 格式
使用 Export (API) 保存自己的 img2img-api.json；记录 LoadImage、KSampler、SaveImage 的真实节点 ID，填写 batch-config.json。下载包不伪造已经导出的当前安装环境 API。
4. 检查清单与节点角色
运行 python batch_manifest.py --check，读取 inputs.csv 与 batch-config.json；检查重复 file_id、空文件名和输出前缀冲突。脚本不支持“一个 Load Image 自动扫目录”的错误假设。
5. 逐项生成请求计划
用 --plan 生成 requests-plan.json，给每张输入替换 LoadImage.inputs.image 和 SaveImage.filename_prefix，同时保留 seed/denoise。逐图排队需自己在服务上执行，计划文件只预览不触发推理。
6. 记录完成与失败后再续跑
真实提交时为每行登记 prompt_id，按上一页 queue/history 流程关联输出；失败或未知状态不要标成功。续跑只挑未完成行，已经完成的结果另存，避免一键重发整批。
7. 用负样本检查重复命名
运行 python batch_manifest.py --self-test，它读取 negative-duplicate-inputs.csv 并拒绝同一个 file_id 或输出前缀重复。最后整理 manifest、实际输出和失败记录，不把计划条数当成功图片数。
8. 下载工作流、输入和结构检查
完整包包含官方来源 JSON、按本页整理的 UI workflow、单独的 API prompt、真实输入 PNG、模型与参数清单、空验收表、故障负样本和离线脚本。先执行 python check.py，再在自己的 ComfyUI 安装中导入与实际运行。包内权重未下载，结构检查不能替代前端兼容与推理验收。
怎样确认已经完成
- 两张输入与独立 file_id 一一对应，输出前缀无重复。
- API 节点 ID 来自自己导出的图生图文件，分别核对类型。
- 实际完成按 prompt_id/history 回读，预览计划与成功产物分开计数。
常见问题
ComfyUI批量图片处理教程：用输入清单逐图排队与保存结果本次实际验证了什么？
两张不同底色输入分别映射到 batch/a 与 batch/b，保留输入→prompt_id→输出文件的完整映射，不把界面批次数误当遍历文件夹。
本次结果有哪些适用限制？
此顺序队列练习不是图生图扩散编辑，也不证明多 GPU 并发能力。 界面批次数量只重复当前参数；要遍历不同文件，仍需显式清单或受信任批节点。