ComfyUI 如何部署 Docker 镜像到生产环境

大家好，我是白日梦想家 Nexmoe。近期，我将一套基于 Docker 打包的 ComfyUI 弹性 Serverless 应用进行了开源，该应用具备完整的前后端分离架构以及用户友好的界面。

在完成 ComfyUI 工作流的开发后，把它部署到生产环境是一件较为棘手的事情。因此，我开源了一套案例，以供大家学习参考。

Demo：https://hadoop.nexmoe.com/
开源地址：https://github.com/nexmoe/serverless-comfyui

项目特点#

🐳 完整的 Docker 化部署方案
🎨 现代化的前端界面
🔌 模块化的后端架构
🛠 简单的配置和使用方式

架构图#

Mermaid Loading...

项目结构#

comfy-docker/
├── frontend/           # Next.js 前端项目
│   ├── src/           # 源代码
│   └── .env          # 环境配置
├── backend/           # ComfyUI 后端
│   ├── checkpoints/   # 模型检查点
│   ├── controlnet/    # ControlNet 模型
│   ├── custom_nodes/  # 自定义节点
│   └── loras/        # LoRA 模型
└── bruno/            # API 测试文件

frontend/ 目录结构如下，模型和自定义节点需要自行下载安装

.
├── Dockerfile
├── checkpoints
│   └── dreamshaperXL_sfwV2TurboDPMSDE.safetensors
├── controlnet
│   ├── sai_xl_canny_256lora.safetensors
│   └── sai_xl_depth_256lora.safetensors
├── custom_nodes
│   ├── ComfyUI-Custom-Scripts
│   ├── ComfyUI-WD14-Tagger
│   ├── ComfyUI_Comfyroll_CustomNodes
│   ├── comfyui-art-venture
│   └── comfyui_controlnet_aux
├── docker-compose.yml
├── loras
│   └── StudioGhibli.Redmond-StdGBRRedmAF-StudioGhibli.safetensors
├── provisioning.sh  // 自定义脚本
└── sanhua.json  // 工作流

环境要求#

Docker & Docker Compose
NVIDIA GPU（当前演示工作流需要 12G 显存以上）
足够的磁盘空间（100G~200G）用于存储模型

快速开始#

后端本地测试#

cd backend

下载模型文件

请参考：https://gongjiyun.com/docs/tutorials/comfyui.html#%E4%B8%8B%E8%BD%BD%E6%A8%A1%E5%9E%8B%E5%92%8C%E6%89%A9%E5%B1%95

构建 Docker 镜像

docker build -t gongji/comfyui:0.1 .

运行 Docker 容器

docker run -it --rm --gpus all -p 3000:3000 -p 8188:8188 --name comfyui gongji/comfyui:0.1

容器启动后可以访问：

ComfyUI 界面：http://localhost:8188
API 接口：http://localhost:3000/docs

前端本地测试#

cd frontend

配置环境变量

cp .env.example .env
# 编辑 .env 文件配置必要的环境变量

安装依赖并启动

pnpm install
pnpm dev

ComfyUI Docker 部署到 Serverless 弹性平台#

请参考共绩科技的 ComfyUI 部署文档

API 文档#

项目使用 Bruno 进行 API 测试和文档管理，相关文件位于 bruno/ 目录。

ComfyUI API 调用示例#

以下是调用 ComfyUI API 的示例代码（参考 frontend/src/app/api/route.ts）：

async function generateImage(imageUrl: string) {
    // 1. 准备 prompt 数据
    const promptData = { ...promptob };  // 从 JSON 文件导入基础 prompt
    promptData.prompt["30"].inputs.image = imageUrl;  // 修改输入图片

    // 2. 设置请求选项
    const url = `${process.env.GONGJI_ENDPOINT}/prompt`;
    const options = {
        method: 'POST',
        headers: { 'content-type': 'application/json' },
        body: JSON.stringify(promptData)
    };

    // 3. 发送请求
    const response = await fetch(url, options);
    const data = await response.json();

    // 4. 错误处理
    if (response.status !== 200) {
        throw new Error(response.statusText);
    }

    // 5. 处理返回的图片数据
    if (data.images && data.images.length > 0) {
        return data.images[0];  // 返回 base64 格式的图片数据
    } else {
        throw new Error('没有返回有效的图片数据');
    }
}

主要步骤说明：

准备 Prompt：
- 从 JSON 文件导入基础 prompt 配置
- 根据需要修改 prompt 中的参数（如输入图片）
发送请求：
- 使用 POST 方法
- Content-Type 设置为 application/json
- 请求体为序列化后的 prompt 数据
处理响应：
- 检查响应状态码
- 解析返回的 JSON 数据
- 提取生成的图片（base64 格式）
错误处理：
- 记录错误日志
- 抛出适当的错误信息

环境变量配置#

在使用 API 之前，确保配置以下环境变量：

GONGJI_ENDPOINT=your-comfyui-api-endpoint  # ComfyUI API 端点

S3 配置说明#

项目的图片上传功能需要配置 S3 存储服务。你可以使用 AWS S3 或其他兼容 S3 协议的对象存储服务（如 MinIO）。

在 frontend/.env 文件中配置以下环境变量：

S3_ENDPOINT=your-s3-endpoint
S3_ACCESS_KEY=your-access-key
S3_SECRET_KEY=your-secret-key
S3_BUCKET=your-bucket-name
S3_REGION=your-region

注意：

确保创建的 bucket 具有适当的访问权限
如果使用 MinIO，endpoint 应该是完整的 URL（例如：http://localhost:9000）
使用 AWS S3 时，可以省略 endpoint 配置

贡献指南#

欢迎提交 Issue 和 Pull Request！

许可证#

MIT License