ComfyUI入門2026｜ノードベースで画像生成ワークフローを組む完全ガイド

ComfyUI（コンフィーユーアイ）は、Stable DiffusionやFluxといった画像生成AIを、ノードを線でつなぐグラフUIで自在に操るオープンソースのツールだ。 画像生成を触ったことがある人なら、こんな壁にぶつかった経験があるはずだ——「テキスト欄とスライダーだけのUIでは、思い通りの絵にならない。プロンプトを盛るだけでは、構図もポーズもディテールも制御しきれない」。ComfyUIは、その不満に「処理そのものを分解して、自分で配線する」という答えを出す。

一枚岩のUIが1つの黒箱だとすれば、ComfyUIは黒箱を開けて中の部品を並べたようなものだ。モデルの読み込み、プロンプトのエンコード、ノイズ除去（サンプリング）、画像への変換——生成の各工程が独立したノードになり、それらを線でつないでワークフローを組む。どこで何が起きているかが一目で見え、途中に別の処理を挟むのも思いのままだ。この記事では、ComfyUIを「何ができるか → インストール → 基本フロー → カスタムノード → 対応モデル → 実運用 → 注意点と比較」の順に、公式情報で裏取りしながら解説する。

ノードベースを含むAI自動化ツール全体の見取り図は AI自動化ツール｜ノーコードからコードまで2026年版の比較と選び方 をご覧ください。本記事はその中でも「ComfyUI」という画像生成ワークフローのツールに絞った実践編です。

ComfyUIとは何か——3つの疑問に先に答える

新しいOSSに対して読者が知りたいのはいつも同じ3つ、「何ができて、何を解決し、何を代替するのか」だ。ComfyUIについて先に答えを置く。

① 何ができるのか。 ComfyUIは、Stable Diffusionをはじめとするさまざまな拡散モデルを、ノード（グラフ）でつなぐGUIで動かし、画像・動画・音声・3Dを生成できる。コードを書かずに、複雑な生成パイプライン——たとえば「画像を生成し、ControlNetで構図を制御し、アップスケールで高解像度化し、さらに動画化する」といった多段処理——を、ノードを配線するだけで組み立てられる。作ったワークフローはJSONやPNGに保存して共有でき、他人の環境で完全に再現できる。

② 何を解決するのか。 「テキスト欄とスライダーだけの一枚岩UI」では表現しきれない、細かい制御と再現性の問題を解決する。ComfyUIでは全処理ステップが可視化・検査可能で、どのモデルを・どのパラメータで・どの順序で処理したかが1枚のグラフに残る。変更のあった部分だけを再計算する仕組みで無駄な再生成を省き、スマートなメモリ管理で1GBのVRAMでも動く。「思い通りにならない」「再現できない」という画像生成の二大ストレスに、構造的な答えを出している。プロンプトを何度も書き換えて偶然に賭けるのではなく、処理の各段を自分で組み替えて意図的に結果を作りにいく——この主導権の移動が、ComfyUIが解決するものの核心だ。

③ 何を代替するのか。 定型的なタブUIのAUTOMATIC1111 / Forgeを、自由配線のノードUIで置き換える（手軽さでは劣るが、複雑な処理と再現共有では勝る）。「簡単さ」志向のFooocusに対しては「制御性」志向で対をなす。そしてMidjourneyのようなクラウド画像生成サービスに対しては、従量課金もブラックボックスもないローカル完全実行＋モデルの自由選択という代替を提供する。明示的に設定しない限り一切ダウンロードしない、完全オフライン動作が基本だ。

ComfyUIの立ち位置を一枚で捉えると、拡散モデルという「生成エンジン」を、ノードグラフという「操作盤」で制御する構造だと理解すると腑に落ちる。

本体はGPL-3.0のオープンソースで、GitHubスターは約11.9万（GitHub API実測）。リポジトリは元の comfyanonymous/ComfyUI から Comfy-Org 組織へ移管され（旧URLは自動リダイレクト）、2026年6月30日には最新のv0.27.0が公開された。ローカルのComfy Desktopのほか、ブラウザで使うComfy Cloud、ワークフローを本番エンドポイント化するComfy APIなど、製品ラインも広がっている。

ComfyUIのインストール（デスクトップ / Manager / 手動）

ComfyUIの導入には複数の道がある。手軽さ重視なら公式デスクトップアプリ、細かく制御したいなら手動インストールだ。

公式デスクトップアプリ（最も簡単） — Windows / macOS版を公式サイト comfy.org からダウンロードする。インストーラを実行するだけで、Python環境の構築まで面倒を見てくれる。初めてなら、まずこれが確実だ。

Windows Portable版 — NVIDIA / AMD / Intel GPU向けのプリパッケージがReleasesで配布されている。展開してバッチファイルを叩くだけで起動する、インストール不要の形態だ。

手動インストール（git clone + pip） — 環境を細かく制御したい場合や、Linuxサーバに載せたい場合はこちら。PyTorchを自分のGPUに合わせて入れるのがポイントだ。

# リポジトリを取得
git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI

# 依存をインストール（PyTorchはGPUに合わせて別途導入）
# NVIDIA例: pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu130
pip install -r requirements.txt

# 起動（ブラウザで http://127.0.0.1:8188 が開く）
python main.py

起動すると既定でポート8188でWeb UIが立ち上がる。GPUがない環境では python main.py --cpu でCPU動作にフォールバックできる（低速）。Apple SiliconやIntel Arcでも動くが、実用速度にはやはりVRAM量が効く。

VRAMが限られる環境や、他PCからアクセスしたい場合は、起動時のフラグで挙動を調整できる。

# VRAMが少ない環境向けの省メモリ起動＋LAN内の他端末からアクセス可能にする
python main.py --lowvram --listen 0.0.0.0 --port 8188
# --lowvram / --novram: 省メモリモード（速度と引き換え）
# --listen: 待ち受けアドレス（0.0.0.0で外部公開。認証がないため公開範囲に注意）

--listen 0.0.0.0 で外部公開する場合、ComfyUIには標準で認証機構がないため、リバースプロキシやVPN、ファイアウォールでアクセス元を絞ること。安易な全開放は避ける。

そして、ComfyUIを使いこなすうえでほぼ必須なのが、次に説明するカスタムノード管理ツール ComfyUI-Manager だ。これを入れておくと、以降の拡張やモデル導入がGUIで完結する。

# ComfyUI-Manager を custom_nodes に配置（GUIから拡張を管理できるようになる）
cd ComfyUI/custom_nodes
git clone https://github.com/ltdrdata/ComfyUI-Manager.git
# ComfyUIを再起動すると、UIに "Manager" ボタンが出る

基本ワークフローの仕組み——4つのノードを理解する

ComfyUIを最初に開くと、既に基本のテキスト→画像ワークフローが配置されている。これを理解すれば、あとは応用だ。中核となるノードは次の4つ（＋出力）である。

流れはこうだ。① Load Checkpoint で使うモデル（checkpoint）を読み込む。② CLIP Text Encode で「描きたいもの（正のプロンプト）」と「避けたいもの（負のプロンプト）」をそれぞれベクトルに変換する。③ KSampler が生成の心臓部で、ランダムなノイズからプロンプトに沿った潜在画像を、指定したステップ数・サンプラー・seedで少しずつ描き出す。④ VAE Decode が、KSamplerの出した「潜在空間の表現」を、人間が見られるピクセル画像へと変換する。最後に Save Image で保存する。

この4ノードの意味さえ掴めば、ComfyUIの応用はすべて「この基本フローのどこに、何を挟むか」で理解できる。たとえばLoRAを効かせたければ Load Checkpoint と CLIP の間に Load LoRA ノードを挟む。構図を制御したければ ControlNet のノードを KSampler の条件に接続する。高解像度化したければ VAE Decode の後に Upscale ノードをつなぐ。「基本フロー＋差し込み」——この発想がComfyUIの本質だ。

生成の質を左右するのは、心臓部であるKSamplerのパラメータだ。ここを理解すると、狙った絵に近づけやすくなる。主要なものを押さえておこう。

・steps（ステップ数） — ノイズ除去の反復回数。多いほど緻密になるが時間もかかる（20〜30が目安）
・cfg（CFGスケール） — プロンプトへの忠実度。高すぎると不自然、低すぎると無視される（7前後が定番）
・sampler / scheduler — ノイズ除去のアルゴリズムとノイズの減らし方。euler・dpmpp_2m などモデルとの相性で選ぶ
・seed（乱数の種） — 同じseed・同じ設定なら同じ画像が出る。再現性の鍵であり、良い絵のseedを固定して微調整するのが定石
・denoise（デノイズ強度） — img2img（画像から画像）で、元画像をどれだけ残すかを決める

これらを1つずつ動かして結果の変化を見ることが、ComfyUI習得の近道だ。特にseedの扱いは重要で、「偶然出た良い絵」のseedを固定し、プロンプトやstepsだけを少し変えて詰めていく——この操作が、ComfyUIの制御性を実感する第一歩になる。

カスタムノードとComfyUI-Manager——拡張のエコシステム

ComfyUIの強さは、標準ノードだけにとどまらないカスタムノードのエコシステムにある。公式サイトは60,000を超えるノードのエコシステムを掲げ、新しいモデルや技法が登場するたびに、コミュニティが対応ノードを公開する。ComfyUIが新技術に素早く追随できるのは、このエコシステムのおかげだ。

その入口が ComfyUI-Manager だ。UIの「Manager」ボタンから、カスタムノードやモデルを install / remove / enable / disable でき、ワークフローに必要なのに未導入のノードを検出して一括インストールすることもできる。手動でgit cloneして依存を入れる作業が、クリックで済むようになる。実際の使い方はシンプルで、他人のワークフロー（PNGやJSON）を読み込んだときに「未導入のノードがあります」と警告が出たら、Managerの「Install Missing Custom Nodes」を押すだけで必要な拡張が揃う。作例を再現するハードルがぐっと下がる。

カスタムノードには、用途ごとに定番のカテゴリがある。ControlNet系（構図・ポーズ・深度の制御）、アップスケール系（高解像度化・ディテール補完）、制御フロー系（条件分岐・ループ・バッチ処理をワークフローに足す）、ユーティリティ系（画像のプレビュー・保存・整列を便利にする）などだ。これらを組み合わせることで、標準ノードだけでは届かない表現や自動化が可能になる。新しい生成モデルが公開されると、たいていは数日のうちにコミュニティが対応ノードを出すため、ComfyUIは「最新技術がまず動く場所」であり続けている。

ただし、ここには重要なセキュリティ上の注意がある。カスタムノードは、ComfyUIの実行環境内で任意のPythonコードを実行できる。つまり、信頼できない第三者のノードを入れると、悪意あるコードが動きうる。ComfyUI-Manager公式も「カスタムノードの正常動作は保証しない」と明記しており、Managerには security level（strong / normal / normal- / weak） の設定がある。導入するノードは、開発元が明確で広く使われているものに絞り、素性の分からないノードは避ける——ソフトウェアのサプライチェーン管理と同じ衛生観念が要る。

モデルファイルの置き場所も覚えておきたい。ComfyUIは種類ごとにディレクトリが分かれており、ダウンロードしたモデルを正しい場所に置く必要がある。

・models/checkpoints/ — メインのモデル（SD/SDXL/Flux等のcheckpoint）
・models/loras/ — LoRA（追加学習）
・models/vae/ — VAE（潜在→画像変換器）
・models/controlnet/ — ControlNet（構図・ポーズ制御）
・models/upscale_models/ — アップスケーラ（高解像度化）
・models/embeddings/ — Textual Inversion の埋め込み

複数のComfyUIインスタンスやA1111とモデルを共有したい場合は、extra_model_paths.yaml で外部のモデルフォルダを指定できる。同じ巨大なモデルファイルを二重に持たずに済む。

対応モデルと主要機能——画像から動画・音声まで

ComfyUIの守備範囲は、いまや画像生成だけではない。2026年時点で公式が対応をうたうモデル・機能を整理する。

注目すべきは、これらすべてが同じノードUIの上で組み合わせられる点だ。画像を生成してから動画化する、ControlNetで構図を固定してLoRAでスタイルを当てる、といった複合的な処理を、別々のツールを行き来せずに1つのワークフローで完結できる。新しいモデルが出れば対応ノードが追加され、既存のワークフローに差し込めばよい。この拡張のしやすさが、ComfyUIを「最新技術がまず載るプラットフォーム」にしている。

実際にモデルを使うには、まずモデルファイルを入手して所定のフォルダに置く必要がある。checkpointやLoRAは Hugging Face やモデル共有サイトで配布されており、ダウンロードした .safetensors ファイルを前述の models/checkpoints/ や models/loras/ に配置すれば、UIのノードの選択肢に現れる。ここで気をつけたいのが、モデルにもそれぞれライセンスがあるという点だ。商用利用の可否や、生成物の権利の扱いはモデルごとに異なるため、業務で使う画像を生成するなら、使うモデルの利用規約を必ず確認しておきたい。ComfyUI本体がGPL-3.0で自由に使えても、モデルの条件は別物である——この線引きは、OllamaでオープンウェイトLLMを扱うときと同じ注意点だ。

実運用ユースケースと再現性の強み

ComfyUIは趣味の実験だけでなく、制作現場のパイプラインにも載る。代表的な使い方を挙げる。

① 再現可能なワークフロー共有。 PNGやWebPに埋め込まれたグラフ（seed込み）をチームで配布すれば、誰の環境でも同一の出力を再現できる。VFXや広告制作で「あの絵をもう一度、少しだけ変えて」という要求に、パイプラインごと応えられる。制作の属人化を防ぎ、標準化する武器になる。

② バッチ画像生成。 キューにパラメータ違いのジョブを積み、変更のあった部分だけを再計算する仕組みで、大量のバリエーションを効率よく出力する。ゲームアセットやeコマースの商品画像のように、大量かつ一貫した画像が要る現場で効く。

③ ControlNet / LoRA による制御生成。 構図・ポーズ・スタイルを厳密に制御した画像を量産する。ラフスケッチから構図を固定し、ブランド固有のスタイルをLoRAで当てる——「偶然の良い絵」ではなく「狙った絵」を安定して出せるのが、商用制作で重宝される理由だ。

④ 動画生成パイプライン。 Wan 2.2やLTX-Video、Hunyuan Videoを多段ノードで組み、「画像生成 → 動画化 → アップスケール」を一貫処理する。静止画から短尺動画までを1つのワークフローで扱える。

⑤ APIによる本番組み込み。 ローカルAPIやクラウドのComfy APIで、ワークフローを本番サービスのエンドポイントとして公開する。作った生成パイプラインを、そのままアプリのバックエンドとして呼び出せる。

これらに共通する軸は「再現性」と「制御性」だ。生成AIの画像は本来ランダム性が高いが、ComfyUIはワークフローとseedを丸ごと保存・共有することで、その再現を可能にする。ここが、思いつきで1枚を出すツールとは決定的に違う。画像の後処理まで含めて完結させたい場合は、PhotoGIMP徹底解説：GIMPをPhotoshop化する無料パッチ のような後処理ツールと組み合わせるのも有効だ。

注意点とAUTOMATIC1111などとの比較

強力な一方で、ComfyUIには明確なトレードオフがある。導入前に知っておきたい点を挙げる。

① 学習コストが高い。 ノードの配線とデータフローの理解が前提になるため、一枚岩UIより初期ハードルは高い。最初は基本の4ノードから始め、少しずつ差し込みを覚えるのが挫折しないコツだ（初心者向けのApp Modeも用意されている）。

② VRAMと処理時間。 最小1GBで動くとはいえ、FLUX 2や動画モデルのような大型モデルを実用速度で回すには相応のVRAMが要る。動く＝快適、ではない点に注意したい。

③ カスタムノードのセキュリティ。 前述の通り、カスタムノードは任意コードを実行しうる。便利さと引き換えのリスクを理解し、信頼できるノードに絞る。

④ 依存関係とアップデートの管理。 カスタムノードを増やすほど、Pythonパッケージのバージョン衝突が起きやすくなる。「昨日まで動いていたワークフローが、ノードを1つ足したら壊れた」というのはComfyUIあるあるだ。対策としては、環境を仮想環境（conda/venv）で隔離し、大きな変更の前に動く状態をバックアップしておく。ComfyUI本体とフロントエンド（ComfyUI_frontend）は分離して更新されるため、アップデート時は両者の互換性にも注意する。「動く構成を壊さない」という運用の勘所は、拡張性の高いツールほど重要になる。

主要ツールとの比較を、選び分けの観点で整理する。

まとめると、手早さのA1111系、簡単さのFooocus、手軽さのクラウド、そして制御性・再現性のComfyUI。もしあなたが「狙った絵を安定して出したい」「パイプラインをチームで再現したい」「最新モデルをいち早く試したい」のいずれかに当てはまるなら、学習コストを払う価値は十分にある。生成AIワークフローという広い文脈では、LLMアプリ側の Dify完全ガイド2026 や、プロンプト設計の Awesome Nano Banana Pro Prompts と併せて見ると、”作る”側のツール選びの視野が広がる。

まずは公式デスクトップアプリを入れ、既定の基本ワークフローで1枚生成してみてほしい。次に、良い絵が出たらそのseedを固定して、プロンプトやstepsを少しずつ変えてみる。さらにControlNetやLoRAのノードを1つ挟んでみる——この「少しずつ差し込む」練習を重ねるうちに、ノードグラフは自然と身体に馴染んでいく。ノードの意味が腑に落ちた瞬間から、ComfyUIは「難しいツール」から「思い通りに操れる操作盤」に変わる。そこに至れば、最新の生成モデルが出るたびに真っ先に手元で試せる、最前線の環境が手に入る。

参照ソース

・comfyanonymous/ComfyUI — GitHub 公式リポジトリ（GPL-3.0）
・ComfyUI 公式サイト（Comfy.org）
・ComfyUI 公式ドキュメント（docs.comfy.org）
・公式: 最初の画像生成ガイド
・公式: 手動インストール手順
・ComfyUI-Manager（ltdrdata）
・公式ワークフロー例集（ComfyUI_examples）