适用版本:qwen-image-2.1 int8 + Fun-ControlNet-Union 7.03GB + SDPose 1.92GB + ComfyUI 0.41.0|更新时间:2026-11
结论先行:qwen-image-2.1 的 10 号姿态控制工作流,核心是「SDPose 提骨架 + ControlNet 锁姿态 + 提示词换人换景」。先用 SDPose 从参考人像提取骨架图(火柴人),再把骨架图传给 Fun-ControlNet-Union 的 Pose 模式,提示词描述新主体和场景。生成的图保持参考姿态,但人物和场景全换。3 组实测覆盖叉腰/托腮/举手动态。
合规声明:姿态控制技术仅用于合法用途(人像创意、角色设计、动作参考),禁止冒充真实人物、禁止侵犯肖像权。本文演示全部使用 AI 生成的虚构人像。
一、问题现象
文生图最让人头疼的一点:提示词写"双手叉腰站立",模型给你画个双手插兜的。姿势控制是 AI 绘画的刚需------电商模特要统一姿势、角色设计要多角度同姿态、动作参考要精确复现。
qwen-image-2.1 的 10 号工作流解决这个问题,分两步:第一步用 SDPose 模型从参考人像提取骨架图(火柴人),第二步把骨架图传给 Fun-ControlNet-Union 的 Pose 模式,按提示词生成保持该姿态的新图。

二、工作流节点拆解
整个流程分两个阶段,共 17 个节点。

阶段一:SDPose 提取骨架图
| 节点 | class_type | 作用 |
|---|---|---|
| 1 | CheckpointLoaderSimple | 加载 SDPose 模型(1.92GB,自带 VAE) |
| 5 | LoadImage | 参考人像 |
| 13 | SDPoseKeypointExtractor | 提取人体关键点 |
| 14 | SDPoseDrawKeypoints | 画骨架图(火柴人) |
SDPose 模型放在 models/checkpoints/ 目录,用 CheckpointLoaderSimple 加载,输出 MODEL + CLIP + VAE。SDPoseKeypointExtractor 接收 MODEL、VAE 和参考图,提取人体关键点。SDPoseDrawKeypoints 把关键点画成骨架图。
阶段二:ControlNet 姿态控制生成
| 节点 | class_type | 作用 |
|---|---|---|
| 1 | UNETLoader | 加载 qwen-image-2.1 DiT(int8) |
| 2 | CLIPLoader | qwen3vl_8b 编码器 |
| 3 | VAELoader | qwen VAE |
| 4 | QwenImage21UnionLoader | 加载 Fun-ControlNet-Union(7.03GB) |
| 5 | LoadImage | 骨架图(阶段一输出) |
| 6 | TextEncodeQwenImage21 | 正向+负向提示词 |
| 7 | QwenImage21UnionApply | Pose 模式,strength 1.0,绑定骨架图 |
| 8 | EmptySD3LatentImage | 空 latent(从噪声起笔) |
| 9 | KSampler | 40 步,denoise 1.0 |
| 10-12 | VAEDecode + VAEDeGrid + SaveImage | 解码保存 |
2.1 为什么必须先提骨架
这是整个工作流最关键的设计。Fun-ControlNet-Union 的 QwenImage21UnionApply 节点会把 control_image 直接 VAE 编码成 structural latent 注入生成过程。如果传原始人像,整张图的视觉特征(脸、衣服、背景)都会渗透到成品里,导致成品和参考图太像。
先用 SDPose 提取骨架图(火柴人),再传给 ControlNet,就只有姿态信息进入控制信号。成品的人物、服装、场景全由提示词决定,只保留参考图的姿势。
2.2 API 格式 JSON(阶段二)
json
{
"1": {"class_type": "UNETLoader", "inputs": {"unet_name": "qwen_image_2.1_int8_convrot.safetensors", "weight_dtype": "default"}},
"2": {"class_type": "CLIPLoader", "inputs": {"clip_name": "qwen3vl_8b_int8_convrot.safetensors", "type": "qwen_image", "device": "default"}},
"3": {"class_type": "VAELoader", "inputs": {"vae_name": "qwen_image_2.1_vae_bf16.safetensors"}},
"4": {"class_type": "QwenImage21UnionLoader", "inputs": {"union_model": "Qwen-Image-2.1-Fun-Controlnet-Union-ComfyUI.safetensors"}},
"5": {"class_type": "LoadImage", "inputs": {"image": "skeleton.png"}},
"6": {"class_type": "TextEncodeQwenImage21", "inputs": {"clip": ["2", 0], "prompt": "新主体描述", "negative_prompt": "low quality, blurry, deformed", "resolution": 1024}},
"7": {"class_type": "QwenImage21UnionApply", "inputs": {"model": ["1", 0], "union_patch": ["4", 0], "vae": ["3", 0], "control_mode": "Pose", "strength": 1.0, "start_percent": 0.0, "end_percent": 1.0, "control_image": ["5", 0]}},
"8": {"class_type": "EmptySD3LatentImage", "inputs": {"width": 1024, "height": 1024, "batch_size": 1}},
"9": {"class_type": "KSampler", "inputs": {"model": ["7", 0], "positive": ["6", 0], "negative": ["6", 1], "latent_image": ["8", 0], "seed": 43, "steps": 40, "cfg": 4.0, "sampler_name": "euler", "scheduler": "normal", "denoise": 1.0}}
}
注意三个关键点:
- 节点 5 加载的是骨架图(skeleton.png),不是原始人像。
- 节点 8 是 EmptySD3LatentImage,从空 latent 起笔,不保留参考图任何视觉特征。
- 节点 9 的 steps 40,ControlNet 约束需要更多步数收敛。
三、参数口径
| 参数 | 值 | 说明 |
|---|---|---|
| SDPose 模型 | sdpose_wholebody_fp16.safetensors | 1.92GB,提骨架 |
| ControlNet | Fun-ControlNet-Union | 7.03GB,Pose 模式 |
| strength | 1.0 | 姿态控制强度满载 |
| cfg | 4.0 | 文生图标准值 |
| denoise | 1.0 | 全幅生成 |
| steps | 40 | ControlNet 需更多步数 |
| resolution | 1024 | ControlNet 输入分辨率 |
四、3 组姿态控制实测
每组三联图从左到右:参考姿态图 、姿态骨架图 、姿态控制成品。注意成品和参考图的人物、服装、场景完全不同,但姿势一致。
01 叉腰站立

左边参考姿态图是穿驼色风衣的女性叉腰站立,中间是 SDPose 提取的骨架图(火柴人),右边成品换成了穿黑色高领毛衣的男性,站在城市天台看日落。姿势一致:双手叉腰、正面站立,人物和场景全换了。
02 托腮坐姿

左边参考姿态图是穿深蓝衬衫的男性坐在木椅上右手托腮,中间骨架图,右边成品换成了穿白色衬衫的女性,坐在咖啡店里。姿势一致:右手托腮、坐姿、头微偏。
03 举手动态

左边参考姿态图是穿粉色运动服的女性举手挥手动态,中间骨架图,右边成品换成了穿深灰卫衣的男性,在健身房里。姿势一致:右手高举、动态感。
五、踩坑记录
| # | 现象 | 原因(已验证) | 处理 |
|---|---|---|---|
| 1 | 成品和参考图几乎一样 | control_image 传了原始人像,ControlNet 把整张图 VAE 编码注入 | 先用 SDPose 提骨架,传骨架图给 control_image |
| 2 | 提示词没起作用 | 用 QwenImage21UnionLatentFromImage 从参考图起笔 | 改用 EmptySD3LatentImage 从噪声起笔 |
| 3 | 成品模糊 | steps 不足 30 | steps 用 40 |
| 4 | SDPose 报错 heatmap_head | 用 UNETLoader 加载 SDPose 模型 | 用 CheckpointLoaderSimple 加载(自带 VAE) |
| 5 | SDPose 报错 channel 不匹配 | 用 qwen VAE 给 SDPose | SDPose 自带 VAE,从 CheckpointLoader 取 |
| 6 | 姿态骨架提取失败 | 参考图人物太小/被遮挡 | 参考图用全身清晰人像 |
坑 1 是最大的坑。ControlNet 的 control_image 不是"提取骨架"的输入,是"VAE 编码注入"的输入。传人像就注入人像的视觉特征,传骨架就只注入姿态。这个坑不读源码很难发现。
六、小结与复现清单
以上结论在 qwen-image-2.1 int8 + Fun-ControlNet-Union 7.03GB + SDPose 1.92GB + ComfyUI 0.41.0 + RTX 5060 Ti 环境下成立。
- 阶段一:SDPose 从参考人像提取骨架图(火柴人)
- 阶段二:骨架图 → ControlNet Pose 模式 + 提示词 → 保持姿态的新人物新场景
- 参数:strength 1.0 / cfg 4.0 / denoise 1.0 / 40 步 / resolution 1024
- 显存:16G
合规提醒:姿态控制技术仅限合法用途,禁止冒充真实人物、侵犯肖像权。
如果这篇帮你跑通姿态控制,欢迎点赞/收藏。