ComfyUI チートシート：よく使うノード 50 個の役割と接続例早見表

2025年11月12日

ComfyUI

ComfyUI でワークフローを組む際、どのノードをどう繋げばいいのか迷ったことはありませんか？本記事では、ComfyUI で頻繁に使用される 50 個のノードをカテゴリ別に整理し、それぞれの役割と接続例を一覧にまとめました。初心者の方でもすぐに参照できる早見表形式でご紹介します。

ノード早見表

以下の表は、ComfyUI でよく使用される 50 個のノードを機能別に分類したものです。各ノードの基本的な役割と主な接続先を確認できます。

基本入力ノード

#	ノード名	役割	主な出力	主な接続先
1	Load Checkpoint	モデルファイルを読み込む	MODEL, CLIP, VAE	KSampler, CLIP Text Encode
2	CLIP Text Encode (Prompt)	プロンプトをエンコード	CONDITIONING	KSampler（positive）
3	CLIP Text Encode (Negative)	ネガティブプロンプトをエンコード	CONDITIONING	KSampler（negative）
4	Empty Latent Image	空の潜在空間画像を生成	LATENT	KSampler
5	Load Image	画像ファイルを読み込む	IMAGE, MASK	VAE Encode, Image Scale

サンプリング・生成ノード

#	ノード名	役割	主な入力	主な出力
6	KSampler	画像生成のメイン処理	MODEL, CONDITIONING, LATENT	LATENT
7	KSampler Advanced	詳細設定が可能なサンプラー	MODEL, CONDITIONING, LATENT	LATENT
8	KSampler (Efficient)	効率化されたサンプラー	MODEL, CONDITIONING, LATENT	LATENT
9	SamplerCustom	カスタムサンプリング設定	MODEL, NOISE, SIGMAS	LATENT
10	VAE Decode	潜在空間から画像へデコード	LATENT, VAE	IMAGE

VAE 関連ノード

#	ノード名	役割	主な入力	主な出力
11	VAE Encode	画像を潜在空間へエンコード	IMAGE, VAE	LATENT
12	VAE Encode (for Inpainting)	インペイント用エンコード	IMAGE, VAE, MASK	LATENT
13	VAE Loader	VAE ファイルを個別に読み込む	-	VAE
14	VAE Decode (Tiled)	タイル分割でデコード	LATENT, VAE	IMAGE

LoRA・モデル拡張ノード

#	ノード名	役割	主な入力	主な出力
15	Load LoRA	LoRA モデルを読み込む	MODEL, CLIP	MODEL, CLIP
16	LoRA Stacker	複数の LoRA を積み重ねる	MODEL, CLIP	MODEL, CLIP
17	Apply ControlNet	ControlNet を適用	CONDITIONING, CONTROL_NET, IMAGE	CONDITIONING
18	Load ControlNet Model	ControlNet モデルを読み込む	-	CONTROL_NET
19	Apply IPAdapter	IPAdapter を適用	MODEL, IPADAPTER, IMAGE	MODEL
20	Load IPAdapter Model	IPAdapter モデルを読み込む	-	IPADAPTER

画像処理・変換ノード

#	ノード名	役割	主な入力	主な出力
21	Image Scale	画像のサイズを変更	IMAGE	IMAGE
22	Image Resize	指定サイズにリサイズ	IMAGE	IMAGE
23	Image Crop	画像を切り抜く	IMAGE	IMAGE
24	Image Pad	画像に余白を追加	IMAGE	IMAGE
25	Image Flip	画像を反転	IMAGE	IMAGE
26	Image Rotate	画像を回転	IMAGE	IMAGE
27	Image Blur	画像をぼかす	IMAGE	IMAGE
28	Image Sharpen	画像をシャープにする	IMAGE	IMAGE

マスク・領域処理ノード

#	ノード名	役割	主な入力	主な出力
29	Mask Editor	マスクを手動で編集	IMAGE	MASK
30	Grow Mask	マスク領域を拡大	MASK	MASK
31	Invert Mask	マスクを反転	MASK	MASK
32	Mask to Image	マスクを画像に変換	MASK	IMAGE
33	Image to Mask	画像をマスクに変換	IMAGE	MASK
34	Mask Composite	複数マスクを合成	MASK, MASK	MASK

条件付け・コントロールノード

#	ノード名	役割	主な入力	主な出力
35	Conditioning Combine	複数の条件を結合	CONDITIONING, CONDITIONING	CONDITIONING
36	Conditioning Average	条件を平均化	CONDITIONING, CONDITIONING	CONDITIONING
37	Conditioning Set Area	条件の適用範囲を設定	CONDITIONING	CONDITIONING
38	Conditioning Set Mask	マスクで条件を制限	CONDITIONING, MASK	CONDITIONING
39	GLIGEN Loader	GLIGEN モデルを読み込む	-	GLIGEN
40	GLIGEN Text Box Apply	テキストボックスを適用	CONDITIONING, GLIGEN	CONDITIONING

バッチ・複数画像処理ノード

#	ノード名	役割	主な入力	主な出力
41	Batch Images	複数画像をバッチ化	IMAGE, IMAGE	IMAGE
42	Image Batch	画像をバッチにまとめる	IMAGE	IMAGE
43	Repeat Latent Batch	潜在空間をバッチ複製	LATENT	LATENT
44	Latent From Batch	バッチから潜在空間を抽出	LATENT	LATENT

出力・保存ノード

#	ノード名	役割	主な入力	主な出力
45	Save Image	画像を保存	IMAGE	-
46	Preview Image	画像をプレビュー表示	IMAGE	-
47	Save Latent	潜在空間を保存	LATENT	-
48	Load Latent	保存した潜在空間を読み込む	-	LATENT

ユーティリティノード

#	ノード名	役割	主な入力	主な出力
49	Reroute	配線を整理するための中継点	任意	任意
50	Note	ワークフローにメモを追加	-	-

背景

ComfyUI は、Stable Diffusion などの画像生成 AI をノードベースで操作できる強力なツールです。GUI でドラッグ&ドロップしながらワークフローを構築できるため、柔軟性が高く、複雑な画像生成プロセスも視覚的に理解できます。

しかし、その柔軟性の高さゆえに、初心者の方にとっては「どのノードを使えばいいのか」「どう繋げばいいのか」が分かりにくいという課題があります。

以下の図は、ComfyUI の基本的なワークフロー構造を示しています。

mermaidflowchart TB
    input["入力ノード<br/>(モデル・プロンプト)"] --> process["処理ノード<br/>(サンプリング・変換)"]
    process --> output["出力ノード<br/>(保存・プレビュー)"]

    subgraph enhancement["拡張機能"]
        lora["LoRA"]
        controlnet["ControlNet"]
        ipadapter["IPAdapter"]
    end

    enhancement -.->|強化| process

図で理解できる要点：

基本的なワークフローは「入力 → 処理 → 出力」の 3 段階
拡張機能（LoRA、ControlNet など）は処理を強化する役割
ノードを組み合わせることで複雑な処理も実現可能

課題

ComfyUI を使い始めた方が直面する主な課題は以下の通りです。

課題 1：ノードの種類が多すぎる

ComfyUI には標準で数十種類のノードがあり、カスタムノードを含めると数百種類に及びます。どのノードが何をするのか、一つ一つ調べるのは時間がかかります。

課題 2：接続方法が分からない

ノードの入出力端子には型があり、互換性のない接続はできません。しかし、どの端子とどの端子を繋げばいいのか、初見では判断が難しいでしょう。

課題 3：エラーメッセージが技術的

接続ミスや設定ミスをすると、技術的なエラーメッセージが表示されます。例えば以下のようなエラーです。

textError: TypeError: 'NoneType' object is not subscriptable

このようなエラーは、プログラミング経験がないと理解しにくく、どこを修正すればいいのか分かりません。

課題 4：参考情報が散在している

公式ドキュメントやコミュニティの情報は英語が中心で、日本語の情報は断片的です。必要な情報を探すのに時間がかかります。

以下の図は、初心者が遭遇する典型的な課題を示しています。

mermaidflowchart LR
    user["初心者ユーザー"] -->|直面| prob1["ノードが<br/>多すぎる"]
    user -->|直面| prob2["接続方法が<br/>不明"]
    user -->|直面| prob3["エラーが<br/>難解"]

    prob1 --> result["作業効率<br/>低下"]
    prob2 --> result
    prob3 --> result

解決策

これらの課題を解決するため、本記事では以下のアプローチを採用しました。

解決策 1：カテゴリ別分類

50 個のノードを機能別に分類することで、目的に応じて必要なノードをすぐに見つけられるようにしました。

カテゴリ一覧：

基本入力ノード（モデル読み込み、プロンプト入力など）
サンプリング・生成ノード（画像生成の中核）
VAE 関連ノード（エンコード・デコード処理）
LoRA・モデル拡張ノード（モデルの機能拡張）
画像処理・変換ノード（リサイズ、回転など）
マスク・領域処理ノード（部分的な編集）
条件付け・コントロールノード（生成条件の制御）
バッチ・複数画像処理ノード（一括処理）
出力・保存ノード（結果の保存）
ユーティリティノード（補助機能）

解決策 2：早見表形式

表形式で「ノード名」「役割」「主な入出力」「接続先」を一目で確認できるようにしました。作業中にすぐ参照できるチートシートとして活用いただけます。

解決策 3：接続例の明示

各ノードの主な接続先を記載することで、どのノードと組み合わせるべきかが分かるようにしました。

解決策 4：日本語による丁寧な説明

すべての情報を日本語で、初心者にも分かりやすい表現で記載しました。技術用語には簡潔な説明を添えています。

以下の図は、本記事が提供する解決策の全体像を示しています。

mermaidflowchart TB
    solution1["カテゴリ別<br/>分類"] --> benefit["素早い<br/>参照"]
    solution2["早見表<br/>形式"] --> benefit
    solution3["接続例<br/>明示"] --> benefit
    solution4["日本語<br/>説明"] --> benefit

    benefit --> goal["効率的な<br/>ワークフロー<br/>構築"]

図で理解できる要点：

4 つの解決策が相互補完的に機能
すべての解決策が「素早い参照」に貢献
最終的に効率的なワークフロー構築を実現

具体例

実際のワークフローで、どのノードをどう組み合わせるのか、具体例を見ていきましょう。

例 1：基本的な Text-to-Image 生成

最もシンプルな画像生成ワークフローです。テキストから画像を生成します。

使用するノード：

Load Checkpoint（#1）
CLIP Text Encode - Positive（#2）
CLIP Text Encode - Negative（#3）
Empty Latent Image（#4）
KSampler（#6）
VAE Decode（#10）
Save Image（#45）

接続の流れ：

textLoad Checkpoint
├─ MODEL → KSampler
├─ CLIP → CLIP Text Encode (Positive)
├─ CLIP → CLIP Text Encode (Negative)
└─ VAE → VAE Decode

CLIP Text Encode (Positive)
└─ CONDITIONING → KSampler (positive)

CLIP Text Encode (Negative)
└─ CONDITIONING → KSampler (negative)

Empty Latent Image
└─ LATENT → KSampler (latent_image)

KSampler
└─ LATENT → VAE Decode

VAE Decode
└─ IMAGE → Save Image

この接続により、プロンプトに基づいた画像が生成され、保存されます。

以下の図は、基本的な Text-to-Image 生成の処理フローを示しています。

mermaidflowchart LR
    model["Load<br/>Checkpoint"] -->|MODEL| sampler["KSampler"]
    model -->|CLIP| pos["Positive<br/>Prompt"]
    model -->|CLIP| neg["Negative<br/>Prompt"]
    model -->|VAE| decode["VAE<br/>Decode"]

    pos -->|CONDITIONING| sampler
    neg -->|CONDITIONING| sampler
    empty["Empty<br/>Latent"] -->|LATENT| sampler

    sampler -->|LATENT| decode
    decode -->|IMAGE| save["Save<br/>Image"]

例 2：LoRA を使用した画像生成

LoRA モデルを追加して、特定のスタイルやキャラクターを生成します。

追加するノード：

Load LoRA（#15）

接続の変更：

textLoad Checkpoint
├─ MODEL → Load LoRA
└─ CLIP → Load LoRA

Load LoRA
├─ MODEL → KSampler
└─ CLIP → CLIP Text Encode (Positive/Negative)

Load Checkpoint と KSampler の間に Load LoRA を挟むことで、モデルに LoRA の特徴が追加されます。

例 3：ControlNet を使用した構図制御

ControlNet を使って、参照画像の構図やポーズを再現します。

追加するノード：

Load Image（#5）
Apply ControlNet（#17）
Load ControlNet Model（#18）

接続の流れ：

textLoad ControlNet Model
└─ CONTROL_NET → Apply ControlNet

Load Image
└─ IMAGE → Apply ControlNet

CLIP Text Encode (Positive)
└─ CONDITIONING → Apply ControlNet

Apply ControlNet
└─ CONDITIONING → KSampler (positive)

ControlNet を適用することで、参照画像の構造情報が条件として追加されます。

以下の図は、ControlNet を使用した高度なワークフローを示しています。

mermaidflowchart TB
    ref["Load Image<br/>(参照画像)"] -->|IMAGE| apply["Apply<br/>ControlNet"]
    cn_model["Load ControlNet<br/>Model"] -->|CONTROL_NET| apply
    prompt["Positive<br/>Prompt"] -->|CONDITIONING| apply

    apply -->|CONDITIONING| sampler["KSampler"]

    model["Load<br/>Checkpoint"] -->|MODEL| sampler
    latent["Empty<br/>Latent"] -->|LATENT| sampler

    sampler -->|LATENT| decode["VAE<br/>Decode"]
    decode -->|IMAGE| save["Save<br/>Image"]

図で理解できる要点：

ControlNet は条件付けの段階で適用
参照画像の構造情報が生成プロセスに反映
基本ワークフローに追加する形で実装可能

例 4：Inpainting による部分修正

画像の一部分だけを修正するインペイント処理です。

使用するノード：

Load Image（#5）
VAE Encode（#11）または VAE Encode for Inpainting（#12）
Mask Editor（#29）
KSampler（#6）
VAE Decode（#10）

接続の流れ：

textLoad Image
├─ IMAGE → VAE Encode (for Inpainting)
└─ MASK → Mask Editor

Mask Editor
└─ MASK → VAE Encode (for Inpainting)

VAE Encode (for Inpainting)
└─ LATENT → KSampler (latent_image)

マスクで指定した領域のみが再生成されます。

例 5：バッチ処理で複数画像を一度に生成

同じ設定で複数枚の画像を生成します。

使用するノード：

Empty Latent Image（#4）
Repeat Latent Batch（#43）

設定変更：

textEmpty Latent Image
└─ batch_size: 4 に設定

または

Empty Latent Image
└─ LATENT → Repeat Latent Batch (amount: 4)
└─ LATENT → KSampler

batch_size を増やすか、Repeat Latent Batch を使うことで、一度の実行で複数画像を生成できます。

よく使うノード詳細解説

各カテゴリの代表的なノードについて、より詳しく解説します。

基本入力ノード

#1 Load Checkpoint

役割： Stable Diffusion のモデルファイル（.safetensors、.ckpt など）を読み込みます。

出力：

MODEL：画像生成の核となるモデル
CLIP：テキストをエンコードするモデル
VAE：潜在空間と画像を変換するモデル

使用時の注意：

モデルファイルは ComfyUI/models/checkpoints/ フォルダに配置
大きなモデルは読み込みに時間がかかる場合があります

#2, #3 CLIP Text Encode

役割： テキストプロンプトをモデルが理解できる形式（CONDITIONING）に変換します。

入力：

CLIP：Load Checkpoint から取得
text：プロンプト文字列

出力：

CONDITIONING：KSampler で使用される条件情報

使用時のヒント：

Positive には生成したい内容を記述
Negative には避けたい要素を記述（例：low quality, blurry）

#4 Empty Latent Image

役割： 空の潜在空間画像を生成します。これが画像生成の「キャンバス」になります。

設定項目：

width：画像の幅（ピクセル）
height：画像の高さ（ピクセル）
batch_size：一度に生成する枚数

推奨サイズ：

SD 1.5 系：512×512、512×768、768×512
SDXL 系：1024×1024、1024×1536 など

サンプリング・生成ノード

#6 KSampler

役割： 画像生成のメイン処理を行います。ノイズから徐々に画像を形成していきます。

主な設定項目：

seed：乱数シード（同じ値で同じ画像を再現可能）
steps：サンプリングステップ数（20-30 が一般的）
cfg：プロンプトへの忠実度（7.0 前後が標準）
sampler_name：サンプリングアルゴリズム（euler、dpmpp_2m など）
scheduler：スケジューラー（normal、karras など）

入力：

MODEL：生成に使用するモデル
positive：ポジティブ条件
negative：ネガティブ条件
latent_image：Empty Latent Image など

出力：

LATENT：生成された潜在空間画像

よくあるエラーと解決方法：

エラーコード： RuntimeError: CUDA out of memory

エラーメッセージ：

textRuntimeError: CUDA out of memory. Tried to allocate 2.00 GiB

発生条件： 画像サイズが大きすぎる、または VRAM が不足している

解決方法：

画像サイズを小さくする（1024×1024 → 512×512）
batch_size を減らす
モデルを軽量なものに変更
--lowvram または --medvram オプションで ComfyUI を起動

#10 VAE Decode

役割： 潜在空間（LATENT）から実際の画像（IMAGE）に変換します。

入力：

samples：KSampler からの LATENT
vae：Load Checkpoint または VAE Loader からの VAE

出力：

IMAGE：表示・保存可能な画像データ

VAE 関連ノード

#11 VAE Encode

役割： 実際の画像を潜在空間に変換します。img2img や Inpainting で使用します。

入力：

pixels：Load Image からの画像
vae：VAE モデル

出力：

LATENT：潜在空間表現

使用例： 既存の画像を読み込んで、それをベースに新しい画像を生成する

#13 VAE Loader

役割： VAE モデルを個別に読み込みます。Checkpoint に含まれる VAE とは別の VAE を使いたい場合に使用します。

使用理由：

より高品質な VAE（例：vae-ft-mse-840000）を使用
特定のモデルに最適化された VAE を使用

配置場所： ComfyUI/models/vae/

LoRA・モデル拡張ノード

#15 Load LoRA

役割： LoRA（Low-Rank Adaptation）モデルを読み込み、ベースモデルに追加の特徴を与えます。

入力：

model：ベースモデル
clip：CLIP モデル

設定：

lora_name：使用する LoRA ファイル
strength_model：モデルへの影響度（0.0-1.0、標準は 0.8-1.0）
strength_clip：CLIP への影響度（0.0-1.0）

出力：

MODEL：LoRA が適用されたモデル
CLIP：LoRA が適用された CLIP

使用例：

キャラクター LoRA：特定のキャラクターを生成
スタイル LoRA：特定の画風を適用
コンセプト LoRA：特定の概念や表現を追加

#17, #18 ControlNet 関連

役割： 参照画像の構造情報（エッジ、深度、ポーズなど）を生成条件として使用します。

ControlNet の種類：

Canny：エッジ検出
Depth：深度情報
OpenPose：人物のポーズ
Lineart：線画
Scribble：ラフスケッチ

使用の流れ：

Load ControlNet Model でモデルを読み込む
Load Image で参照画像を読み込む
Apply ControlNet で条件に適用
KSampler で生成

#19, #20 IPAdapter 関連

役割： 参照画像のスタイルや雰囲気を生成画像に反映させます。

ControlNet との違い：

ControlNet：構造・形状を再現
IPAdapter：スタイル・雰囲気を再現

使用例：

特定のイラストのタッチを再現
写真の色調や雰囲気を適用

画像処理・変換ノード

#21 Image Scale

役割： 画像のサイズを変更します。

設定：

upscale_method：拡大方法（nearest-exact、bilinear、area、bicubic など）
scale_by：倍率指定

使用例：

生成画像をアップスケール
ControlNet 用の参照画像をリサイズ

#27 Image Blur

役割： 画像にぼかし効果を適用します。

使用例：

背景をぼかして被写界深度を表現
ノイズ軽減

#28 Image Sharpen

役割： 画像をシャープにします。

使用例：

生成画像のディテールを強調
ぼやけた画像を修正

マスク・領域処理ノード

#29 Mask Editor

役割： マスクを手動で作成・編集します。

使用方法：

Load Image で元画像を読み込む
Mask Editor に接続
ブラシで編集したい領域を塗る
マスクを VAE Encode (for Inpainting)に接続

#30 Grow Mask

役割： マスク領域を拡大します。

設定：

expand：拡大ピクセル数

使用例：

Inpainting 時に境界を滑らかにする
マスク領域を微調整

#31 Invert Mask

役割： マスクを反転します（白黒を入れ替え）。

使用例：

マスクの対象領域を逆にする

条件付け・コントロールノード

#35 Conditioning Combine

役割： 複数の条件を結合します。

使用例：

ControlNet と IPAdapter を同時に使用
複数のプロンプトを組み合わせ

#37 Conditioning Set Area

役割： 条件の適用範囲を画像の特定領域に限定します。

設定：

x, y：領域の開始位置
width, height：領域のサイズ
strength：強度

使用例：

画像の左半分と右半分で異なるプロンプトを適用
領域ごとに異なるスタイルを適用

#38 Conditioning Set Mask

役割： マスクで条件の適用領域を制限します。

使用例：

マスクした部分にのみ特定のプロンプトを適用

バッチ・複数画像処理ノード

#41 Batch Images

役割： 複数の個別画像を 1 つのバッチにまとめます。

使用例：

複数の画像を同時に処理
画像比較のためのグリッド作成

#43 Repeat Latent Batch

役割： 同じ潜在空間を複数回複製します。

設定：

amount：複製回数

使用例：

同じ設定で複数のバリエーションを生成
seed を変えて複数パターンを試す

出力・保存ノード

#45 Save Image

役割： 生成した画像をファイルとして保存します。

設定：

filename_prefix：ファイル名の接頭辞

保存場所： ComfyUI/output/

ファイル形式： PNG（メタデータ含む）

#46 Preview Image

役割： 画像をプレビュー表示します（保存はしない）。

使用例：

中間結果の確認
テスト時の一時的な表示

ユーティリティノード

#49 Reroute

役割： 配線を整理するための中継点です。機能的な処理はしません。

使用例：

長い配線を見やすく整理
複数のノードに同じ出力を分配

使用方法：

Reroute ノードを配置
入力を接続
Reroute の出力を複数のノードに接続

#50 Note

役割： ワークフローにメモを追加します。

使用例：

ワークフローの説明を記載
設定値のメモ
TODO リスト

接続時のよくあるエラーと対処法

ComfyUI でワークフローを構築する際によく遭遇するエラーとその解決方法をまとめました。

エラー 1：型の不一致

エラーコード： TypeError: Cannot connect LATENT to IMAGE

エラーメッセージ：

textTypeError: Cannot connect output of type 'LATENT' to input of type 'IMAGE'

発生条件： 互換性のない型同士を接続しようとした

解決方法：

LATENT と IMAGE 間には VAE Decode を挿入
IMAGE と LATENT 間には VAE Encode を挿入
接続元と接続先の型を確認

エラー 2：必須入力が未接続

エラーコード： ValueError: Required input 'model' is not connected

エラーメッセージ：

textValueError: Node 'KSampler' - Required input 'model' is not connected

発生条件： 必須の入力端子が接続されていない

解決方法：

エラーメッセージで指定されたノードを確認
必須入力（通常は太字または*マーク）をすべて接続
KSampler の場合：MODEL, positive, negative, latent_image が必須

エラー 3：モデルファイルが見つからない

エラーコード： FileNotFoundError: Model file not found

エラーメッセージ：

textFileNotFoundError: [Errno 2] No such file or directory: 'models/checkpoints/model.safetensors'

発生条件： 指定したモデルファイルが存在しない

解決方法：

ファイルが正しいフォルダに配置されているか確認
- Checkpoint → ComfyUI/models/checkpoints/
- LoRA → ComfyUI/models/loras/
- ControlNet → ComfyUI/models/controlnet/
- VAE → ComfyUI/models/vae/
ファイル名のスペルを確認
ComfyUI を再起動してモデルリストを更新

エラー 4：画像サイズの問題

エラーコード： RuntimeError: Size mismatch

エラーメッセージ：

textRuntimeError: The size of tensor a (64) must match the size of tensor b (128) at non-singleton dimension 3

発生条件： 画像サイズが 8 の倍数でない、またはモデルと不一致

解決方法：

Empty Latent Image の width/height を 8 の倍数にする
Load Image の画像を Image Resize で調整
SD 1.5 は 512 基準、SDXL は 1024 基準を推奨

エラー 5：メモリ不足

エラーコード： RuntimeError: CUDA out of memory

エラーメッセージ：

textRuntimeError: CUDA out of memory. Tried to allocate 2.00 GiB (GPU 0; 8.00 GiB total capacity)

発生条件： VRAM（GPU メモリ）が不足している

解決方法：

画像サイズを小さくする
batch_size を 1 に減らす
ComfyUI を --lowvram オプションで起動
```
bashpython main.py --lowvram
```
ブラウザのタブを閉じて他の VRAM 使用を減らす
より軽量なモデルを使用

ワークフロー設計のベストプラクティス

効率的で保守しやすいワークフローを構築するためのヒントをご紹介します。

ヒント 1：Reroute で配線を整理

複雑なワークフローでは、配線が交差して見づらくなります。Reroute ノードを使って整理しましょう。

整理前：

配線が交差して接続関係が分かりにくい
どのノードがどこに繋がっているか追いにくい

整理後：

Reroute で中継することで配線がスッキリ
視覚的に追いやすい

ヒント 2：Note で説明を追加

ワークフローが複雑になったら、Note ノードで説明を追加しましょう。

記載する内容：

このワークフローの目的
重要な設定値とその理由
カスタマイズポイント
作成日や作成者

ヒント 3：グループ化で整理

関連するノードをまとめて配置し、機能ごとにグループ化します。

推奨グループ：

モデル読み込みグループ（Checkpoint, LoRA, ControlNet など）
プロンプトグループ（CLIP Text Encode など）
生成グループ（KSampler, VAE Decode など）
後処理グループ（Image Scale, Sharpen など）
保存グループ（Save Image など）

ヒント 4：よく使う組み合わせをテンプレート化

頻繁に使うノードの組み合わせは、テンプレートとして保存しましょう。

テンプレート例：

基本的な Text-to-Image
LoRA 使用版
ControlNet 使用版
Inpainting 用
アップスケール用

ヒント 5：パラメータを段階的に調整

一度に多くのパラメータを変更せず、1 つずつ変更して効果を確認しましょう。

調整順序の例：

まず basic 設定で動作確認（steps: 20, cfg: 7）
seed を固定して他のパラメータを調整
sampler_name を変更して比較
steps を増やして品質向上を試す
cfg を調整してプロンプトへの忠実度を調整

応用テクニック

基本的なワークフローをマスターしたら、以下の応用テクニックに挑戦してみましょう。

テクニック 1：複数 LoRA の組み合わせ

Load LoRA ノードを複数連結することで、複数の LoRA を同時に適用できます。

textLoad Checkpoint
└─ Load LoRA (Character)
   └─ Load LoRA (Style)
      └─ Load LoRA (Detail Enhancer)
         └─ KSampler

注意点：

LoRA が多すぎると互いに干渉する可能性があります
各 LoRA の strength を調整してバランスを取りましょう

テクニック 2：階層的な Inpainting

複数回の Inpainting 処理を重ねることで、細かい部分を段階的に修正できます。

手順：

全体を生成
顔部分を Inpaint で修正
手部分を Inpaint で修正
背景を Inpaint で調整

テクニック 3：ControlNet と IPAdapter の併用

構図とスタイルを両方制御できます。

textApply ControlNet (構図制御)
└─ CONDITIONING → Conditioning Combine
                    ↑
Apply IPAdapter (スタイル制御)
└─ MODEL → KSampler

テクニック 4：領域別プロンプト

Conditioning Set Area を使って、画像の領域ごとに異なるプロンプトを適用できます。

例：

左半分：「森の風景」
右半分：「都市の風景」

テクニック 5：段階的なアップスケール

大きな画像を生成する際、一度に大きくするのではなく、段階的にアップスケールします。

手順：

512×512 で生成
Image Scale で 1024×1024 に拡大
VAE Encode で潜在空間に変換
denoise: 0.3-0.5 で KSampler 実行（軽く再生成）
VAE Decode で画像化

この方法により、大きなサイズでも破綻しにくい画像が生成できます。

トラブルシューティング集

問題 1：生成画像がぼやける

原因：

VAE の品質が低い
サンプリングステップ数が少ない
CFG 値が低すぎる

解決策：

高品質な VAE（vae-ft-mse-840000 など）を使用
steps を 30-40 に増やす
cfg を 8-10 に上げる
Image Sharpen を適用

問題 2：プロンプト通りに生成されない

原因：

CFG 値が低い
プロンプトが曖昧
ネガティブプロンプトが強すぎる

解決策：

cfg を 10-15 に上げる
プロンプトをより具体的に記述
重要なキーワードを強調（例：(keyword:1.5)）
ネガティブプロンプトの strength を調整

問題 3：画像に artifacts（ノイズ・歪み）が出る

原因：

サンプラーとの相性
steps 数が不適切
画像サイズが不適切

解決策：

sampler_name を変更（euler → dpmpp_2m_sde）
scheduler を karras に変更
steps を 25-30 に調整
画像サイズを 8 の倍数、かつモデル推奨サイズに

問題 4：Inpainting で境界が不自然

原因：

マスクの境界が急峻
denoise が強すぎる

解決策：

Grow Mask で境界を拡大（10-20 ピクセル）
denoise を 0.4-0.7 に調整
Image Blur でマスクをぼかす
feather パラメータを調整（可能な場合）

問題 5：生成が遅い

原因：

画像サイズが大きすぎる
steps 数が多すぎる
重いサンプラーを使用

解決策：

画像サイズを小さくする
steps を 20-25 に減らす
高速なサンプラーに変更（euler_a, dpm_2 など）
batch_size を減らす

まとめ

本記事では、ComfyUI でよく使用される 50 個のノードを機能別に分類し、それぞれの役割と接続方法を早見表形式でまとめました。

記事のポイント：

カテゴリ別分類で目的のノードをすぐに見つけられます
表形式で役割・入出力・接続先を一目で確認できます
具体例で実際のワークフロー構築方法が分かります
エラー対処法で問題が発生しても解決できます
ベストプラクティスで効率的なワークフローを構築できます

ComfyUI は非常に強力なツールですが、その柔軟性ゆえに初心者には難しく感じることもあるでしょう。しかし、基本的なノードの使い方さえマスターすれば、複雑なワークフローも構築できるようになります。

この早見表を手元に置いて、ぜひ様々なワークフローに挑戦してみてください。最初は基本的な Text-to-Image から始めて、徐々に LoRA や ControlNet などの拡張機能を追加していくことをお勧めします。

ノードの組み合わせは無限大です。あなた独自のワークフローを見つけて、理想の画像生成を実現してください。