Flux Kontext 免费开源P图神器：本地安装与使用教程

Kontext 开源模型终于正式发布，这无疑是图像编辑领域的一大惊喜。

该模型的商业 API 此前已上线并赢得良好口碑，其出色表现曾让社区对开源版本不抱期待。然而惊喜不期而至——官方直接开放了完整开源包，这堪称近期最具潜力的智能图片编辑模型之一。

下面梳理 Flux Kontext 的核心功能亮点：

这款模型的定位直指智能 P 图场景，功能设计高度聚焦。

以下快速预览其典型效果与适用场景：

风格迁移演示：

提示词：将原图转换为 1960 年代波普艺术风格，突出明亮色彩、粗线条与商业美学

文字叠加：

提示词：在显示屏上添加 ASCII 风格文本，仅保留单词 "In"，不出现额外字符

对象擦除：

风格参考匹配：

视角旋转切换：

提示词：将相机旋转 180 度，从狗狗正后方视角观察，展示其背部与尾巴，同时保持相同 3D 风格

多轮迭代编辑：

多张图片合成：

光照条件调整：

模型能力介绍至此，接下来讲解本地部署流程。

硬件与软件准备

首先，你需要一台配备大显存 NVIDIA 显卡的电脑。硬件是硬性门槛，其余均为细节问题。

我在 RTX 5060 Ti 16GB 与 RTX 3090 24GB 两台设备上分别完成了安装与运行。首次验证在 5060 Ti 上通过，后续主力操作用 3090，以下截图均基于 3090 环境。

安装软件

全新部署方案

ComfyUI 的安装方式主要分三种：

• 桌面安装程序，图形化引导，最适新手。
• Windows 便携压缩包，解压即用，所有依赖封装于单一归档。
• 手动配置，全程自主可控，但操作复杂度较高。

桌面应用虽便捷，但需在线加载依赖，网络不稳定容易报错，且排查与干预困难。因此，我更推荐第二种方式——直接下载 7z 压缩包。

下载到本地后直接解压。推荐使用 7-Zip（免费无广告）。若不想额外安装，Windows 自带的解压功能也能胜任。

右键压缩包，选择“全部解压缩”，指定目标路径，点击“提取”即可。但需注意，自带工具解压大体积包时可能消耗大量资源甚至假死，请确保 C 盘剩余空间充足。

解压完毕，进入 ComfyUI_windows_portable 文件夹，双击 run_nvidia_gpu.bat 启动程序。这是一个完整的集成包，无需任何额外配置。

启动日志如下：

务必确认 PyTorch 版本：只有 2.7 + cu128 才支持 RTX 50 系列显卡。最新版压缩包默认已适配 50 系列。当出现 “http…” 字样时，表示启动成功，程序将自动调用本地浏览器打开对应地址。

已有版本升级

若本机已存在 ComfyUI 旧版本，无需重新下载，可直接升级。

进入 ComfyUI 的解压目录，打开 update 文件夹，双击 update_comfyui_stable.bat，等待运行完成即可。

通常情况下，此操作足以完成升级。但 RTX 5060 等 50 系列显卡需使用更新的 CUDA 版本，因此还需要同步更新 PyTorch 版本。

具体操作：打开 python_embeded 文件夹。这是一个独立的 Python 环境，需要更新其中的 PyTorch 依赖包。

在文件资源管理器地址栏输入 CMD 并回车，即可在本目录打开命令行。接着执行以下命令：

python.exe -m pip install -U torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu128

命令执行后，将在线下载数 GB 的安装文件。下载完成会自动安装，安装结束后 ComfyUI 最新版即可正常使用，新版已默认集成 Flux Kontext 图片编辑功能。

加载工作流

ComfyUI 的所有操作基于工作流。Flux Kontext 这款 P 图模型同样自带专用工作流，官方软件已预置。

在网页中找到“工作流”菜单，打开并选择“浏览模板”，点击进入。找到 Flux，点击第一个“小兔子”工作流。这里提供两个 Kontext 相关的工作流，先选用第一个。

载入后，工作流界面如下：

接着，选择参考图片，输入修改提示词，点击运行即可。

下载模型文件

首次使用该模板时，本地缺乏对应模型，打开工作流会自动弹出下载提示。共涉及四个模型，可直接点击下载按钮开始获取。完成后，将其移入对应文件夹。

具体路径：在解压的软件目录下找到 ComfyUI，其下的 models 文件夹中包含多个子目录，所有模型需按类别存放。

配置工作流

模型放置完毕后，需对工作流进行简单调整。

首先，刷新节点定义。点击“编辑”菜单，选择“刷新自定义节点”。刷新后工作流才能正确识别模型。

然后，选择模型。若按照工作流预设模型下载并放对路径，刷新节点后基本无需改动即可直接使用。如需更换，可在上方下拉菜单中切换。

上传参考图片

进行 P 图操作，必须有原始图像，即参考图片。点击“选择文件”，上传一张预先准备好的图片。此处我选用了一张展开翅膀的 Model X 照片。

设置提示词

上传图片后，描述需要修改的内容。例如，将车辆颜色替换为红色。

模型、图片、提示词全部就绪，工作流配置即可完成。

运行工作流

一切准备妥当后，点击运行。系统将依次加载图片、模型与提示词，随后生成原图的预览图以及最终结果。

结果如下：

效果极其惊艳。我特意选择了一张背景纯白的图片，模型准确识别车辆并完成颜色替换，只修改目标区域，其余部分纹丝不动。这种一致性正是 P 图的核心品质。若用 GPT-4o 执行类似操作，主体往往会出现不同程度的变化。

运行过程中的日志可在队列中查看。显存占用情况：3090 的 24GB 消耗约 18.7GB，5060 Ti 的 16GB 消耗约 14.8GB。两者均未调用共享 GPU 内存，因此可以合理判断：5060 Ti 的 16GB 显存足以运行此 FP8 模型，并未退而求其次使用 CPU 借力。

生成耗时：3090 首次运行总计 86 秒，其中图片生成占 63 秒。5060 Ti 首次运行总计 131 秒，图片生成占 93 秒。

处理一张图片大约一分多钟，效果优于手动 P 图，耗时更短，且完全本地运行，无需付费调用任何第三方 API。性价比相当出色。

按照上述流程，多数用户应能顺利部署。至此，你的本机便拥有了一台完全离线的 AI P 图工具。工作流配置好后，拖入图片，描述操作需求，即可高效完成批量图片编辑。

来源：互联网