


复制报错内容到google或百度直接搜索,查看相关报错和解决方案

查看界面中红色描边的节点,表示输入未找到。如果缺少图片那么上传图片,缺少模型则重新选择对应的模型,如果发现没有可选模型可以将加载的模型名称输入到google进行搜索,一般是可以直接搜索到相关资源,下载后放到对应的模型目录即可。

查看comfyui后台异常信息,先翻译异常尝试理解错误信息含义,或者复制到google进行搜索;一般的错误消息带有Error关键词,我们需要去寻找Error附近的日志信息,找到一行语义化相对明确,或简短的错误提示,将其复制然后搜索寻找答案。【注:不是所有Error都是严重错误,有些Error不会影响正常使用】

常见报错格式说明:一般我们需要关注异常原因,通过搜索异常原因关键词找到对应的解决方案。其次需要注意是什么节点抛出的异常,也就是异常组件。针对不同节点有不同的解决方案,要更具实际情况判断;异常代码信息,通常不需要关注,对于大部分使用者提供不了有用的信息,除节点开发者外;

错误说明:缺少模型输入,找到红色描边节点并重新选择模型

错误说明:未找到图片路径,查看红色描边的节点选择choose file to upload重新上传图片即可


错误说明:内存溢出,出现这个关键词表示你的内存以及达到上限了。关闭掉多余的软件并尝试重启comfyui再次运行,如果还是跑不了说你的内存确实不足,加内存条吧铁汁~

错误说明:模型版本不匹配,确保模型选择了正确的版本。

错误说明:缺少插件节点,在管理器中搜索并安装对应的节点。如果你搜索出来发现以及安装,那么尝试更新节点到最新版本。如果还是没有,那么检查一下启动过程中是否存在关于此插件的加载失败异常;

错误说明:大模型/lora/controlnet这些模型的版本不匹配,或者某插件不兼容该版本的模型。确认所有的模型版本均一致,现在主流的是SD1.5模型或者SDXL模型,确保大模型/lora/controlnet都使用的相同版本模型

错误说明:在运行某些插件节点时,插件会自动下载所需的模型。这些模型并不是我们通俗说的大模型/lora等,而是其模型自身运行所需的模型或必要文件。下载地址通常指向国外,需要通过学术加速来解决网络问题,然后再次运行工作流,直到下载成功。


秋叶整合包中,你可以尝试开启DL设置(需要配置你的学术加速IP 或 端口),或者打开国内加速镜像。重新启动后再次下载,下载进度可在控制台查看。

还有一种方式是,手动下载插件所需模型,然后放到对应的文件夹中。例如在这个异常中,我们可以看出这里是instantid中的节点,在模型加载器这里去下载的模型。我们就可以通过去寻找instantid插件所需的必要模型,手动放置到对应的模型目录下后,重新运行工作流。

错误说明:视觉模型未找到,视觉模型位于models/clip_models目录下,目前主流的视觉模型就两个,SD1.5的和SDXL版本的。可以通过我的网盘链接去下载clip视觉模型然后放到models/clip_models目录下https://pan.quark.cn/s/9ee79c6ce6fb;

错误说明:ipadapter节点的异常,要求传入一个faceid的模型。ipadapter目前有两大模型体系,一个是普通的风格模型ip-ipadapter 或 plus,普通风格模型中又有plus版本的加强模型,顾名思义对风格的模型更加到位。还有一类是faceid的面部特征参考模型,分普通版/plus/plusV2等版本,需要配合ipadapter faceid节点一起使用,用于模仿人物面部特征;且所有风格模型都有SD1.5和SDXL两大模型版本,所以在使用时一定要注意于大模型版本对应;
下载地址:https://pan.quark.cn/s/4e67ee2e40f7

错误说明:工作流中使用到了预设文本的节点,该节点的预设配置名称为“default negative”,且你当前的工作流环境中没有该预设名称的配置;在开发工作流时,不介意使用预设文本这个节点,如果其他人没有会导致一直出现该弹窗,无法关闭。

错误说明:freeu插件和当前内核不兼容,节点管理器中搜索freeu插件将其卸载重启即可;
clipseg插件问题,使用的API和当前环境不兼容,需要修改其代码进行调整;

编辑custom_nodes/clipseg.py文件的代码:
1.找到这部分代码位置
# Predict the segemntation mask
with torch.no_grad():
outputs = model(**input_prc)
tensor = torch.sigmoid(outputs[0]) # get the mask 2.修改为如下
# Predict the segemntation mask
with torch.no_grad():
outputs = model(**input_prc)
preds = outputs.logits.unsqueeze(1)
tensor = torch.sigmoid(preds[0][0]) # get the mask