使用ComfyUI构建可视化DeOldify图像上色工作流

你是不是也遇到过这种情况？翻看家里的老照片，那些黑白或泛黄的影像虽然珍贵，但总觉得少了点色彩带来的生动感。手动上色？太费时费力，而且对技术要求很高。用一些简单的在线工具？效果往往不尽如人意，颜色生硬，细节丢失。

现在，有了DeOldify这样的AI模型，给老照片上色变得简单多了。但传统的使用方式往往需要敲代码、配环境，对很多设计师、摄影师或者只是想修复家庭相册的朋友来说，门槛还是有点高。

今天，我要分享一个更直观、更强大的方法：把DeOldify装进ComfyUI里。ComfyUI是一个图形化的AI工作流工具，你可以像搭积木一样，通过拖拽节点来构建复杂的图像处理流程。这意味着，你不需要写一行代码，就能玩转DeOldify，甚至还能把它和其他AI功能（比如人脸修复、超分辨率）串联起来，打造一条属于你自己的“老照片修复流水线”。

接下来，我就带你一步步走进这个可视化的魔法世界，看看如何轻松让黑白记忆重现光彩。

1. 为什么选择ComfyUI + DeOldify？

在深入动手之前，我们先聊聊为什么这个组合值得一试。你可能用过一些现成的DeOldify演示网站或简单脚本，它们确实能上色，但往往缺乏控制力和扩展性。

ComfyUI 的核心魅力在于“可视化”和“可编排”。它把AI模型的各种功能拆解成一个个小模块（节点），比如“加载图片”、“运行模型”、“保存结果”。你需要什么功能，就把对应的节点拖到画布上，然后用线把它们连接起来，数据就按照你设计的路线流动了。这带来了几个实实在在的好处：

• 零代码，直观操作：所有参数都变成了节点上的滑块、输入框，调一调、拉一拉就能看到实时效果，学习成本极低。
• 工作流可保存、可分享：你搭建好的一个完整上色流程，可以保存为一个文件。下次直接加载，一键运行。也可以分享给朋友，他们拿到就能用，无需重复配置。
• 强大的扩展能力：DeOldify只是其中一个节点。你完全可以把它和“人脸修复”节点、“背景增强”节点甚至“文生图”节点连在一起，创造出自定义的处理管线。比如，先上色，再智能修复人脸上的划痕，最后整体提升清晰度。
• 过程透明，易于调试：哪个环节效果不好？你可以清晰地看到数据流到了哪里，方便你单独调整某个节点的参数，或者替换某个处理模块。

而 DeOldify 本身在老旧媒体着色领域就是佼佼者。它经过大量电影、照片数据的训练，不仅颜色还原自然，而且对历史色调有独特的理解，上色后的照片往往带有一种复古的韵味，而不是生硬的现代色彩。

把它们俩结合，就等于把一台强大的上色引擎，装进了一个你可以随意改装、直观操控的车厢里。你不再是乘客，而是司机。

2. 准备工作：安装与部署

好了，心动不如行动。我们先把“车间”搭建起来。整个过程就像安装一个软件，跟着步骤走就行。

2.1 获取ComfyUI

首先，你需要把ComfyUI本体请到你的电脑上。推荐的方式是通过Git（一个代码管理工具）来获取，这样以后更新也方便。

1. 打开你的命令行终端（Windows上是CMD或PowerShell，Mac/Linux上是Terminal）。
2. 导航到你希望安装的文件夹，比如在桌面创建一个AI_Tools文件夹。
3. 执行以下命令克隆仓库：

   git clone https://github.com/comfyanonymous/ComfyUI.git
   

4. 进入克隆下来的文件夹：

   cd ComfyUI
   

2.2 安装依赖

ComfyUI是用Python写的，所以需要一些Python库来运行。通常，项目会提供一个requirements.txt文件来列出所有需要的库。我们使用pip来安装它们。

确保你的电脑已经安装了Python（建议版本3.10或以上）。然后在ComfyUI文件夹内，运行：

pip install -r requirements.txt

这个过程可能会花点时间，它会自动下载和安装所有必要的组件，比如PyTorch（深度学习框架）等。泡杯茶休息一下就好。

2.3 获取DeOldify模型与自定义节点

ComfyUI本身不包含DeOldify，我们需要两个东西：DeOldify的预训练模型文件，以及能让ComfyUI调用它的“插件”（自定义节点）。

1. 下载DeOldify模型： DeOldify官方提供了训练好的模型。你需要下载名为ColorizeArtistic_gen.pth的模型文件。你可以从DeOldify的GitHub发布页面或相关模型仓库找到它。下载后，将它放在一个你记得住的路径，比如在ComfyUI文件夹内新建一个models/deoldify/目录放进去。

2. 安装DeOldify自定义节点： 这才是关键步骤。有热心的开发者已经制作了让DeOldify在ComfyUI中运行的节点包。我们需要把它安装到ComfyUI的custom_nodes目录下。

• 进入ComfyUI的custom_nodes文件夹。
• 同样使用git命令克隆节点仓库（这里以某个流行的DeOldify节点实现为例，具体仓库地址可能需要你根据社区推荐搜索一下，例如 ComfyUI-DeOldify-Nodes）：

  git clone https://github.com/某个作者/ComfyUI-DeOldify-Nodes.git
  

• 克隆完成后，这个自定义节点包通常也有自己的依赖需要安装。进入该节点文件夹，查看是否有requirements.txt并安装：

  cd ComfyUI-DeOldify-Nodes
  pip install -r requirements.txt
  

2.4 启动ComfyUI

所有东西就绪后，回到ComfyUI的主目录，运行启动命令：

python main.py

如果一切顺利，终端会输出一个本地网络地址，通常是 http://127.0.0.1:8188。打开你的浏览器，输入这个地址，就能看到ComfyUI的图形化界面了。

一个空白的画布，旁边是节点选择面板，你的可视化AI工作室已经准备就绪。

3. 构建你的第一个上色工作流

现在来到最有意思的部分——搭积木。我们从一个最简单、最核心的工作流开始：加载一张黑白照片，用DeOldify上色，然后保存。

3.1 从零开始搭建节点

1. 添加“加载图像”节点：在节点面板找到 Load Image 节点（通常在 image 或 io 分类下），把它拖到画布上。点击节点上的“选择”按钮，上传一张你想上色的老照片。
2. 添加“DeOldify上色”节点：这是刚才安装的自定义节点。在节点面板里搜索“DeOldify”，你应该能找到类似 DeOldify Colorize 的节点，拖出来。
3. 添加“保存图像”节点：在节点面板找到 Save Image 节点，拖出来。
4. 连接节点：现在，用鼠标从 Load Image 节点的 IMAGE 输出端口，拖出一条线，连接到 DeOldify Colorize 节点的 image 输入端口。这表示把加载的图片送给DeOldify处理。
5. 连接保存节点：再从 DeOldify Colorize 节点的 image 输出端口，拖线连接到 Save Image 节点的 images 输入端口。
6. 配置模型路径：点击 DeOldify Colorize 节点，它可能有一个输入框让你指定 model_path。点击输入框，找到你之前存放 ColorizeArtistic_gen.pth 文件的路径并选择它。

你的画布上现在应该有三个节点，两条线，形成一个简单的链条：加载 -> 上色 -> 保存。

3.2 运行并查看结果

点击画布右下角的 “Queue Prompt” 按钮。你会看到终端窗口开始滚动信息，节点上可能有进度条显示。稍等片刻（具体时间取决于你的电脑性能和图片大小），处理就完成了。

处理完成后，Save Image 节点通常会显示一个预览图，并且图片已经保存到了ComfyUI指定的输出文件夹（默认是 ComfyUI/output 目录）。去那个文件夹看看，你的彩色照片已经在那里了！

第一次看到黑白照片焕发新生，那种感觉还是挺奇妙的。你可以多试几张不同的照片，看看DeOldify在不同场景（人物、风景、建筑）下的表现。

4. 进阶：打造功能更丰富的工作流

只会简单上色怎么够？ComfyUI的强大在于组合。我们来升级一下工作流，让它更智能、更实用。

4.1 集成人脸修复

老照片上色后，有时人脸部分因为原图模糊或破损，效果仍不理想。我们可以接入一个专门的人脸修复模型，比如 GFPGAN 或 CodeFormer。

1. 在节点面板搜索并添加一个人脸修复节点，例如 FaceRestoreCF。
2. 将工作流从 DeOldify Colorize -> Save Image，改为 DeOldify Colorize -> FaceRestoreCF -> Save Image。
3. 在人脸修复节点上，你可以选择不同的修复模型，调整修复强度。这样，上色后的照片会自动进行人脸增强，得到更清晰、自然的面部效果。

4.2 添加预处理与后处理

• 预处理-调整大小：如果原始照片太大，可以先添加一个 Image Scale 节点放在最前面，将图像缩放到一个适合处理的尺寸，加快速度。
• 后处理-色彩微调：上色后的色调可能你想稍微调整一下。可以在保存前，添加一个 Image Adjust Hue/Saturation 节点，微调色相和饱和度，让色彩更符合你的个人偏好。
• 后处理-增强细节：添加一个 Unsharp Mask 节点，可以适度锐化图像，让细节更突出。

4.3 构建批处理流程

如果你有一整个文件夹的老照片要处理，一个一个上传太麻烦。我们可以利用ComfyUI的“从目录加载图像”节点。

1. 添加一个 Load Image (from directory) 节点。
2. 将它连接到DeOldify节点。这样，它会自动读取指定文件夹里的所有图片，依次处理。
3. 保存节点也会自动按顺序保存所有结果，命名有序。

你还可以结合“循环”相关的节点（需要一些高级操作），实现更复杂的自动化批处理逻辑。

5. 分享与复用你的工作流

当你搭建好一个令自己满意的“老照片修复流水线”后，肯定想保存下来，或者分享给同样喜欢老照片的朋友。

保存工作流：在ComfyUI界面，点击菜单栏的 “Save” 按钮，可以将当前画布上所有节点和连接关系保存为一个 .json 文件。这个文件很小，只记录了工作流的逻辑结构。

加载工作流：点击 “Load” 按钮，选择你之前保存的 .json 文件，整个复杂的工作流瞬间还原。你不需要重新拖拽节点和连线。

分享工作流：你可以把这个 .json 文件发给任何人。只要他也有一个配置好DeOldify节点和模型的ComfyUI环境，加载这个文件就能立即使用你精心设计的工作流。社区里很多高手就是这样分享他们的神奇配方的。

6. 总结

走完这一趟，你会发现，给老照片上色这件事，从一项需要技术背景的“任务”，变成了一种可以自由创作的“体验”。ComfyUI提供的这个可视化环境，极大地降低了DeOldify这类强大AI工具的使用门槛。

你不再需要关心复杂的命令行参数，也不用去理解深奥的代码。你需要做的，就是思考：“我想先做什么，再做什么？” 然后把对应的“功能积木”拖过来，连上线。这种直观的方式，让你能把更多精力放在创意和效果调整上，而不是和环境与代码搏斗。

我建议你从那个最简单的三节点工作流开始，亲手让它跑起来，获得第一张彩色照片的成就感。然后，再一点点尝试添加人脸修复、色彩微调这些节点，感受工作流逐步强大起来的过程。多试试不同的老照片，你会发现DeOldify在还原历史氛围方面确实有独到之处。

当然，这个过程中你可能会遇到一些问题，比如节点找不到、模型路径错误等。别担心，这都很正常。多看看终端的报错信息（通常是英文），它们能给你很直接的线索。ComfyUI和DeOldify都有活跃的社区，遇到解决不了的问题，去那里搜索一下，很可能已经有人给出了答案。

希望这个可视化的方法，能帮你打开一扇新的大门，更轻松、更快乐地唤醒那些沉睡在黑白世界里的珍贵记忆。

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。