Krita AI Diffusion模型配置六步法从空模型目录到第一张AI成图【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当你把 Krita AI Diffusion 插件装好满怀期待地写下第一句提示词点击生成却弹出一行“找不到模型”的英文报错时那种挫败感大概每个新手都经历过。作为在 Krita 中直接进行 AI 绘画与局部重绘Inpaint / Outpaint的开源插件Krita AI Diffusion 的设计目标就是“少调参、快出图”而模型配置正是决定这个体验是否成立的关键一环。这篇文章不堆术语而是用六个步骤带你走完一条从零到出图的完整路线先认识模型的构成再做硬件与后端选型接着批量拉取模型、正确归位最后学会看日志、查报错、共享模型库。每一步都对应新手最容易卡壳的真实场景照着走基本不会迷路。第一步先弄清一次AI出图到底依赖哪些模型很多人的误区是把“AI模型”当成一个孤零零的大文件于是下载时只盯住某个 checkpoint装完却发现还是报缺模型。实际上一次正常的生成是好几类模型协同工作的结果它们各有分工模型类型职责常见的“找不到”表现主模型 Checkpoint决定画风、画质与生成基础选不了风格提示词无效果文本编码器 Text Encoder把提示词翻译成机器能理解的语义报缺 CLIP、T5、Qwen 等图像编码器 VAE把潜空间数据还原成可见像素出图黑屏或纯色块ControlNet用线条、深度、姿态等约束构图控制层无法使用IP-Adapter / CLIP Vision参考图、风格迁移、人脸替换报缺 CLIP Vision 或 IP-Adapter 模型你可以把这条流水线想象成一家小型工作室主模型是导演负责审美与构图文本编码器是翻译官把你的话转成机器语言VAE 是冲印师傅把“底片”洗成照片ControlNet 则是分镜脚本把构图和动作锁死。任一个环节缺席成片都出不来。以姿态控制为例下图展示的就是 ControlNet 模型的典型应用——你只需要摆好骨架节点AI 就会严格照着动作生成人物这在角色设计里非常实用所以当插件提示“模型缺失”时先别慌着重新下载同一个文件而是要确认整条链路里到底哪一环没就位。这也是后面所有排查工作的前提。第二步三分钟硬件体检决定你适合哪种运行方式本地跑 AI 绘画对硬件有明确的下限要求先对照下表看看自己的机器属于哪一档硬件加速方案基本要求NVIDIA 显卡CUDARTX 2060 或更高Apple 芯片MPSApple SiliconM1–M5Intel 核显/独显XPUArc 系列8GB 显存以上AMD 显卡ROCm支持 ROCm 的显卡纯 CPU无加速能跑但速度很慢⚠️ 装机前记得确认两件事一是 GPU 驱动必须更新到较新版本二是磁盘要留够空间——模型普遍不小10GB 只是底线装了多个模型后占用 50GB 以上非常常见。硬件确认后还要在三种后端运行方式里选一种。插件配置界面里会直接给出这三个选项后端方式安装成本硬件门槛维护责任适合谁在线服务极低注册即用无服务商想快速体验、电脑配置一般的用户本地托管服务器中插件自动安装需要较强 GPU插件代管日常创作的主力选择自定义 ComfyUI高需自己搭视配置而定完全自理已有 ComfyUI 环境或想深度定制的人如果你只是想稳定地把图画出来本地托管服务器是性价比最高的选择如果你对隐私和可玩性有更高要求再考虑自建 ComfyUI。需要提醒的是Windows 商店版、Steam 版 Krita 以及 Linux 下的 Flatpak 版本在安装 Python 组件时可能受限建议使用 Krita 官方渠道的安装包。第三步用一条命令把模型仓库“搬”回本地选好后端之后最让新手头疼的就是“模型到底去哪儿下、下哪些”。其实项目早就替你考虑好了仓库里自带一个模型下载脚本会按照插件需要的版本、文件名和目录结构把模型批量拉取到指定位置。先克隆项目仓库然后安装脚本依赖并执行git clone https://gitcode.com/gh_mirrors/kr/krita-ai-diffusion cd krita-ai-diffusion python -m pip install aiohttp tqdm python scripts/download_models.py --recommended /path/to/your/comfyui如果你使用的是插件自带的托管服务器这个脚本也随插件一同安装在插件目录的ai_diffusion文件夹里同样能找到原理完全一致。脚本最贴心的地方在于自动识别硬件它会检测你的显卡NVIDIA 的 Blackwell 新卡会自动选择 FP4 量化版本模型其他情况则会匹配普通 CUDA 或 CPU 版本不用你自己猜该下哪套。常用参数如下参数作用--minimal/--recommended/--all最小集 / 推荐集 / 全部模型--sd15/--sdxl/--flux/--illu/--zimage按模型架构批量下载配套组件--controlnet/--upscalers额外下载控制网络、放大模型--checkpoint单独指定某个主模型--list/--dry-run只列出待下载清单或只建目录不下载--check校验已下载文件的 SHA256 完整性-j/--continue-on-error调整并行下载数 / 遇错继续下载过程自带断点续传和失败重试即使网络不稳也能扛过去。如果你在国内、直连下载缓慢还可以通过环境变量AI_DIFFUSION_DOWNLOAD_URL把下载地址替换成镜像源速度会有明显改善。如果你更习惯图形界面也可以直接在插件的连接设置里打开 Manage 面板勾选需要的工作负载Workload后一键安装下载和放置都由插件完成。界面大致是这样的两种方式殊途同归选择顺手的即可。特别提醒--all会拉取非常庞大的模型集合第一次使用建议先用--recommended跑通流程再按需补充。第四步把模型放进ComfyUI认得的目录里模型下载到本地后并不意味着插件就一定能找到它们——文件必须放在正确的位置。ComfyUI 会在models目录下按类型查找常见的子目录包括your_comfyui_root/models/ ├── clip_vision/ # CLIP Vision 模型 ├── controlnet/ # ControlNet 模型 ├── ipadapter/ # IP-Adapter 模型 ├── inpaint/ # 修复专用模型 ├── upscale_models/ # 放大模型 └── loras/ # LoRA 微调模型有几个细节新手容易踩坑第一文件名必须包含插件要求的搜索关键词比如clip-vision_vit-h.safetensors只换个任意名字就可能识别不到第二文件可以放在这些目录下的任意子文件夹里插件仍能递归找到但多个匹配时位于krita子文件夹内的文件会被优先使用这是官方刻意留出的“优先通道”。如果你已经有了一批存放在其他位置的模型不想重复下载可以通过extra_model_paths.yaml把外部目录映射进来。在托管服务器的ComfyUI目录下打开该文件把路径指到你的模型所在位置即可clip_vision: - path: /your/path/models/clip_vision controlnet: - path: /your/path/models/controlnet ipadapter: - path: /your/path/models/ipadapter注意inpaint目录必须在这里被显式声明否则即使模型存在也可能找不到。项目里还提供了 Docker 场景下的配置示例可以参考 scripts/docker/extra_model_paths.yaml。另外Windows 用户如果遇到“文件路径过长”的报错多半是系统 260 字符的路径上限被触发把服务器安装目录挪到更短的路径比如C:\KritaAI就能缓解。第五步生成失败时照着这张排查地图找答案即使前面都做对了偶尔还是会遇到意外。这时记住一个原则先看日志再猜原因。插件在连接设置里提供了“View log files”入口日志目录中的client.log会记录模型检测的详细结果包括哪些模型找到了、哪些缺失、搜索模式是什么——几乎每次排查都以它为起点。如果自己看不出端倪就把诊断报告发给懂行的人或社区。在插件设置的 Plugin 标签页里点击“Collect Diagnostics”插件会收集系统与配置信息并复制到剪贴板全程只在本地进行、不会上传诊断信息里包含插件版本、操作系统、显卡、日志文件位置等关键字段是描述问题时的“标准动作”。下面这张表汇总了最常遇到的几类报错和对应的解法报错类型常见原因处理办法缺失自定义节点ComfyUI 扩展没装全或版本过旧按插件要求的节点列表逐一安装装完重启 ComfyUI找不到 CLIP Vision / IP-Adapter / 放大模型文件放错目录或搜索路径配置有误到 ComfyUI 网页界面用对应加载器确认能否找到MAT 修复模型缺失inpaint目录未被识别手动创建models/inpaint目录并放入模型某个架构的 Workload 未安装缺少该架构的全部前置模型确认主模型对应架构所需的组件都齐了反序列化头错误模型文件下载损坏删除后重新下载或用 Manage → Verify 自动校验修复端口被占用另一个 ComfyUI 实例占用 8188结束旧进程或修改server_arguments更换端口如果你的服务器由插件托管还有一个省心大招在连接设置里点击 Manage → Verify插件会自动检查全部模型并重新下载损坏的部分Manage → Re-install 则会重装服务端软件同时保留你已经下载好的模型很适合“怀疑服务端坏了”的时候使用。第六步进阶玩法——共享模型目录团队不再重复下载当使用场景从“一个人画着玩”升级到“几个人或一个团队共用资源”时最划算的做法是让所有人指向同一份模型库。做法很简单把模型统一放到 NAS 或共享磁盘上然后让每台工作站的extra_model_paths.yaml都指向这个共享目录再用符号链接把models文件夹映射过来即可。这样新增一个模型只需要下载一次谁都能立刻用上。团队环境还可以配合统一的初始化脚本把目录创建、模型下载、配置文件生成一次性完成新成员接入时跑一遍脚本就能达到和团队一致的配置省去大量口头指导的成本。日常维护同样有章可循每周留意插件与 ComfyUI 是否有更新更新后重启一次验证生成是否正常每月清理下载缓存释放磁盘空间。缓存位置由环境变量控制可以按需迁移到空间更大的磁盘每个季度备份settings.json、自定义风格预设和extra_model_paths.yaml防止重装系统后配置丢失。缓存类型默认位置Windows环境变量HuggingFace 模型缓存%USERPROFILE%\.cache\huggingfaceHF_HOMEuv 包缓存%LOCALAPPDATA%\uv\cacheUV_CACHE_DIRpip 包缓存%LOCALAPPDATA%\pip\cachePIP_CACHE_DIR这些缓存删掉也无需担心需要时插件会重新下载只是清理前记得确认当前没有正在进行的生成任务。收尾把这份清单带走正式开画最后把整个流程压缩成一份可以随时对照的检查清单硬件体检通过磁盘空间充足10GB 起步选定后端方式确认 Krita 版本与安装来源用下载脚本或插件 Manage 面板拉取推荐模型集核对模型文件位置与extra_model_paths.yaml配置出现报错先看client.log必要时采集诊断信息跑通一次文生图再逐一验证控制层与放大功能。到这里你的 Krita AI Diffusion 环境已经具备了稳定出图的基础。剩下的时间请留给创作本身——那些关于模型路径的纠结、报错页面的忐忑都会在你看到第一张成图的瞬间烟消云散。真正的好工具是让你忘记工具的存在。现在打开 Krita写下你的第一句提示词吧。【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
