Stable Diffusion selbst hosten: Hardware und Kosten
Welche Hardware braucht Stable Diffusion selbst gehostet? SDXL belegt 6,94 GB GPU-Speicher, CPU-VPS schaffen 512x512 in 1 bis 2 Minuten. Mit ComfyUI-Setup.
Was ein selbst gehosteter KI-Bildgenerator wirklich benötigt
Ein selbst gehosteter KI-Bildgenerator besteht aus einer Webanwendung und einer Modelldatei. Die Anwendung ist ComfyUI und läuft auf jedem Linux-System. Das Modell bestimmt die erforderliche Hardware. Ein Checkpoint der SDXL-Klasse ist eine einzelne Datei mit 6.94 GB und sollte im GPU-Speicher liegen. Diese eine Tatsache bestimmt das gesamte Budget. Lesen Sie daher die folgende Hardware-Übersicht, bevor Sie etwas mieten.
Die sachliche Zusammenfassung: Ein VPS ohne GPU kann die Software installieren und bereitstellen. Mit einem älteren Stable Diffusion 1.5-Modell kann er Bilder mit 512x512 erzeugen. Für diese Anleitung lag die Schätzung im Oktober 2026 bei ein bis zwei Minuten pro Bild. Für SDXL mit 1024x1024 waren es zehn bis zwanzig Minuten. Diese Zeiten wurden auf aktueller Hardware nicht erneut überprüft. Das bedeutet nicht, dass die Installation fehlerhaft ist. Es ist eine Rechenfrage. Diese Anleitung erklärt die Zusammenhänge.
Die Modellgröße bestimmt die Maschine
Die Bildgenerierung läuft in einer Entrauschungsschleife. Bei einem Rendering mit 30 Schritten führt der Denoiser, also der UNet von SDXL, 30-mal eine Berechnung über das Bild aus. Jeder Durchlauf liest sämtliche UNet-Gewichte. Die beiden Text-Encoder laufen einmal vor der Schleife, und der VAE decodiert einmal danach. Sie sind daher nicht Teil der Kosten pro Schritt. Der UNet von SDXL belegt bei halber Genauigkeit 5.14 GB für die Gewichte. In dieser vereinfachten Betrachtung werden bei einem Rendering mit 30 Schritten also ungefähr 154 GB an Gewichten durch den Speicher bewegt, bevor Sie ein Bild sehen. Die Zwischentensoren kommen zusätzlich hinzu.
Eine GPU mit 24 GB Videospeicher (VRAM, also dem Speicher, der neben dem Grafikchip verlötet ist) liest mit mehreren hundert Gigabyte pro Sekunde und kann alle 6.9 GB gleichzeitig halten. Ein CPU-VPS liest den Arbeitsspeicher mit mehreren zehn Gigabyte pro Sekunde. Der Geschwindigkeitsunterschied hängt von CPU und GPU ab, nicht nur von der Speicherkapazität. Das ist dasselbe Argument zur Speicherbandbreite, das auch für Textmodelle gilt. Lesen Sie dazu auch wann sich ein VPS mit GPU tatsächlich lohnt.
Die Bildgenerierung unterscheidet sich in einem wichtigen Punkt von der Textgenerierung. Ein Chat-Modell gibt Tokens schrittweise aus. Eine langsame Maschine bleibt dadurch nutzbar, weil Wörter erscheinen, während Sie lesen. Ein Bild wird erst angezeigt, wenn der letzte Schritt abgeschlossen ist. Langsam bedeutet, dass Sie auf einen Fortschrittsbalken starren.
Die Hardware-Rangliste mit realen Zahlen
Der folgende Block enthält die Schätzwerte dieses Leitfadens vom Juli 2026 für ein SDXL-Bild mit 1024x1024, 30 Schritten und dem Euler-Sampler. Diese historischen Zeitangaben wurden auf aktueller Hardware nicht erneut überprüft. Betrachten Sie sie als Größenordnung. Ihr Sampler, die Schrittanzahl und die Auflösung verändern diese Werte.
Die Daten hinter diesem Diagramm
[
{
"label": "8 vCPU VPS, no GPU",
"seconds_per_image": 780
},
{
"label": "8GB VRAM GPU",
"seconds_per_image": 32
},
{
"label": "12GB VRAM GPU",
"seconds_per_image": 18
},
{
"label": "24GB VRAM GPU",
"seconds_per_image": 9
}
]Die CPU-Zeile entspricht 780 Sekunden, also etwa dreizehn Minuten. Die Karte mit 24 GB benötigt 9 Sekunden. Diese Differenz kaufen Sie mit der leistungsfähigeren Hardware.
Lesen Sie die Rangliste so: Unter 8 GB VRAM läuft SDXL weiterhin, weil ComfyUI VRAM und System-RAM gemeinsam verwaltet und Modellgewichte automatisch auslagert. Im Oktober 2026 beschreibt die README des Projekts das Ausführen von Modellen mit nur 4 GB VRAM und 8 GB System-RAM mithilfe des asynchronen Streamings von Gewichten. Mehr VRAM lässt Raum für ControlNet, den Refiner und Upscaling, ohne Daten auslagern zu müssen; wie viel hineinpasst, hängt vom Workflow ab. Training ist mit weniger VRAM möglich: Der SDXL-Trainingsleitfaden für den Trainer kohya-ss sd-scripts sagt, dass LoRA-Training mit 8 GB GPU-Speicher möglich ist; 10 GB werden empfohlen. Dafür sollen Sie nur das U-Net trainieren, Gradient Checkpointing aktivieren, die Ausgaben des Text-Encoders und die Latents zwischenspeichern, einen 8-Bit-Optimizer oder Adafactor verwenden und die LoRA-Dimension auf einer Karte mit 8 GB auf 4 bis 8 reduzieren. Der LoRA-Leitfaden für die kohya_ss GUI, die diese Skripte kapselt, ist vorsichtiger: Er empfiehlt für LoRA-Training eine GPU mit mindestens 12 GB Speicher.
Was ein CPU-VPS leisten kann und was nicht
Er kann mehr, als viele erwarten, und weniger, als das Marketing suggeriert. Machen Sie diese Grenze konkret.
Ein CPU-VPS kann ComfyUI installieren, die Weboberfläche bereitstellen, Ihre Modellsammlung speichern, die Warteschlange ausführen und Bilder ganz ohne vorhandene GPU erzeugen. Mit Stable Diffusion 1.5 bei 512x512 und 20 Schritten lag die Schätzung dieses Leitfadens für Oktober 2026 bei etwa 60 bis 150 Sekunden pro Bild auf 8 modernen vCPUs mit 16 GB RAM. Für einen Batch-Job, der über Nacht läuft, oder einen Bildendpunkt mit geringem Volumen hinter einer Warteschlange ist das durchaus ausreichend.
Ein CPU-VPS eignet sich schlecht für interaktives Arbeiten. Beim Iterieren von Prompts entstehen zwanzig Renderings pro Stunde. Bei der historischen Schätzung von dreizehn Minuten pro Rendering erhalten Sie davon vier. Verwenden Sie für das Training eine GPU.
Die Speicherregel für den reinen CPU-Betrieb unterscheidet sich von der GPU-Regel. Die Gewichte werden in den System-RAM geladen. Planen Sie daher Speicher für das Modell und zusätzlichen Arbeitsspeicher ein. 16 GB für SDXL und 8 GB für SD 1.5 sind Planungswerte, keine festen Anforderungen. Ein System mit 4 GB kann wegen Speichermangels ausfallen. Die RAM-Kapazität allein sagt jedoch nicht aus, ob oder wann Linux den Prozess beendet. Swap, Speicherlimits und die Zuweisungsrichtlinie sind ebenfalls relevant. Bei overcommit mode 2 lehnt Linux Zuweisungen, die das Commit-Limit überschreiten, im Allgemeinen ab, anstatt den Prozess beim Zugriff auf diese Seiten zu beenden.
ComfyUI auf einem GPU-System installieren
Dies sind die Upstream-Befehle. Beginnen Sie mit einer sauberen Ubuntu-24.04-Installation, auf der der NVIDIA-Treiber bereits installiert ist. Prüfen Sie zuerst den Treiber. Ohne diese Prüfung sehen alle späteren Fehler gleich aus.
nvidia-smiDieser Befehl muss eine Tabelle mit Ihrer Karte und einer CUDA-Version ausgeben. command not found oder NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver bedeutet, dass der Treiber fehlt oder das Kernelmodul nach einem Upgrade nicht geladen wurde. Beheben Sie das, bevor Sie fortfahren. Der standardmäßige NVIDIA-Pfad von ComfyUI schlägt ohne ein funktionierendes CUDA-Gerät fehl. Die CPU-Ausführung erfordert --cpu. Die folgenden CUDA-13.0-Wheels erfordern einen NVIDIA-Treiber aus der 580er-Serie oder neuer.
sudo apt update
sudo apt install -y git python3-venv python3-pip wget
git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI
python3 -m venv venv
. venv/bin/activate
pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu130
pip install -r requirements.txtDie virtuelle Umgebung ist keine optionale Empfehlung. PyTorch zieht einen großen Abhängigkeitsbaum nach sich. Wenn Sie es systemweit auf einem System installieren, auf dem andere Software läuft, können Sie diese Software beschädigen. Prüfen Sie, ob PyTorch die Karte erkennt, bevor Sie fortfahren.
python -c "import torch; print(torch.cuda.is_available(), torch.cuda.get_device_name(0))"True zusammen mit dem Namen Ihrer Karte bedeutet, dass der Software-Stack funktioniert. Wenn CUDA nicht verfügbar ist, löst dieser Befehl beim Anfordern des Kartennamens einen Fehler aus. Prüfen Sie den Treiber, die GPU-Sichtbarkeit und den installierten PyTorch-Build, bevor Sie die CUDA-Wheels erneut installieren.
Laden Sie ein Modell herunter und planen Sie den Speicherplatz
ComfyUI enthält keine Gewichte. Checkpoints gehören nach models/checkpoints, VAE-Dateien nach models/vae und LoRA-Adapter nach models/loras.
cd ~/ComfyUI/models/checkpoints
wget https://huggingface.co/stabilityai/stable-diffusion-xl-base-1.0/resolve/main/sd_xl_base_1.0.safetensorsBevorzugen Sie immer .safetensors gegenüber .ckpt. Ein auf Pickle basierender Checkpoint kann über einen uneingeschränkten Loader Code ausführen. ComfyUI verwendet für diese Dateien inzwischen PyTorchs eingeschränkten weights_only=True-Loader. Das safetensors-Format speichert Tensoren ohne den Codeausführungsmechanismus von Pickle.
Der Speicherplatzbedarf wird häufig unterschätzt. Ein SDXL-Basis-Checkpoint belegt 6.94 GB. Der Refiner benötigt weitere 6 GB. Ein SDXL-ControlNet-Modell belegt beim kleinen Canny-Modell 320 MB und beim vollständigen Modell mit halber Genauigkeit 2.5 GB. Ein Upscaler ist klein: Das standardmäßige Real-ESRGAN-x4plus-Modell belegt 67 MB, sein Anime-Modell 17.9 MB und sein Anime-Video-Modell 2.5 MB. Eine LoRA benötigt zwischen einigen Dutzend Megabyte und 787 MB bei ByteDances Hyper-SDXL-Adaptern. Wer dieses System regelmäßig nutzt, lädt innerhalb einer Woche ein zweites und drittes Basismodell herunter. Planen Sie 100 GB Speicherplatz für eine funktionierende Installation ein. Beobachten Sie auch das Ausgabeverzeichnis: Die PNG-Größe hängt vom Bildinhalt und den Metadaten ab, und ein unbeaufsichtigter Batch kann eine kleine Festplatte unbemerkt füllen. Legen Sie models/ und output/ auf einem Volume ab, das Sie vergrößern können, und sichern Sie Ihre Workflow-JSON-Dateien beispielsweise mit verschlüsselten inkrementellen Backups in einem Objektspeicher. Die Gewichte können Sie erneut herunterladen. Die von Ihnen optimierten Workflows nicht.
Führen Sie es aus und greifen Sie sicher darauf zu
cd ~/ComfyUI
. venv/bin/activate
python main.py --listen 127.0.0.1 --port 8188ComfyUI stellt den Dienst auf Port 8188 bereit. Auf einem Rechner ohne GPU fügen Sie --cpu hinzu. Dadurch wird der CPU-Pfad verwendet, anstatt wegen eines fehlenden CUDA-Geräts zu fehlschlagen.
Binden Sie den Dienst an 127.0.0.1 und nicht an 0.0.0.0. ComfyUI unterstützt inzwischen zwar Konten, aber keines davon schützt Ihren Server. Die Anmeldung unter Settings im Bereich User meldet Sie bei einem Comfy-Konto an und funktioniert auch bei einer lokalen Installation. In der Comfy-Dokumentation werden die Anmeldung per E-Mail, Google, GitHub und API key aufgeführt. Dort wird dieses Konto als Zugriff auf Partnerknoten und Comfy Cloud-Abonnements beschrieben. Nichts in der Dokumentation stellt es als Möglichkeit dar, Ihren eigenen Server mit einem Passwort zu schützen. Das Flag --multi-user aktiviert nur die benutzerspezifische Speicherung. Seit Oktober 2026 übernimmt der Server die Benutzer-ID aus einem comfy-user-Request-Header und prüft kein Passwort. Jeder, der den Port erreicht, kann Aufträge in die Warteschlange einreihen und erzeugte Bilder abrufen. Mit --enable-manager führt die Installation benutzerdefinierter Nodes außerdem Code auf Ihrem Server aus, abhängig von den Sicherheitseinstellungen des Managers. Die aktuellen Standardeinstellungen des Managers verweigern beliebige Git-URLs und eigenständige pip-Installationen. Für diese Wege sind explizite Flags und ein Loopback-Listener erforderlich. Die Installation registrierter Nodes bleibt gemäß der normalen Sicherheitsrichtlinie verfügbar. Greifen Sie stattdessen über einen SSH-Tunnel von Ihrem Laptop darauf zu.
ssh -N -L 8188:127.0.0.1:8188 you@your-serverÖffnen Sie anschließend http://127.0.0.1:8188 lokal. Wenn Sie echten Mehrbenutzerzugriff benötigen, schalten Sie einen Reverse Proxy mit Authentifizierung davor und binden Sie die Anwendung weiterhin an localhost. Dasselbe gilt für jeden nicht authentifizierten Self-Hosted-Dienst. Das ist das Standardmuster bei Docker-Compose-Bereitstellungen auf einem VPS.
Unter systemd dauerhaft ausführen
Eine Render-Warteschlange, die beim Schließen Ihrer SSH-Sitzung beendet wird, ist kein Dienst. Führen Sie sie als comfy-Benutzer ohne Login aus, nicht als Sie selbst: Benutzerdefinierte Nodes sind Code, und dieser Code sollte keinen Zugriff auf Ihr Home-Verzeichnis haben. Legen Sie den Benutzer an und verschieben Sie die Installation in sein Home-Verzeichnis:
sudo useradd --system --create-home --home-dir /home/comfy --shell /usr/sbin/nologin comfy
sudo mv ~/ComfyUI /home/comfy/
sudo chown -R comfy:comfy /home/comfy/ComfyUIErstellen Sie die virtuelle Umgebung nach dem Verschieben neu, da installierte Skripte absolute Pfade zu ihrem früheren Speicherort enthalten.
sudo -u comfy python3 -m venv --clear /home/comfy/ComfyUI/venv
sudo -u comfy /home/comfy/ComfyUI/venv/bin/python -m pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu130
sudo -u comfy /home/comfy/ComfyUI/venv/bin/python -m pip install -r /home/comfy/ComfyUI/requirements.txtErstellen Sie anschließend /etc/systemd/system/comfyui.service.
[Unit]
Description=ComfyUI
After=network-online.target
[Service]
User=comfy
WorkingDirectory=/home/comfy/ComfyUI
ExecStart=/home/comfy/ComfyUI/venv/bin/python main.py --listen 127.0.0.1 --port 8188
Restart=on-failure
RestartSec=5
[Install]
WantedBy=multi-user.targetsudo systemctl daemon-reload
sudo systemctl enable --now comfyui
systemctl status comfyuiactive (running) und eine Logzeile mit To see the GUI go to: http://127.0.0.1:8188 bedeuten, dass der Dienst läuft. Beachten Sie, dass ExecStart den Interpreter innerhalb der virtuellen Umgebung direkt angibt, da systemd Ihr Shell-Profil nicht ausführt und activate niemals ausgeführt wird.
Die pragmatische Empfehlung nach Budget
Wenn Sie die Bildgenerierung ausprobieren möchten und die Kosten wichtiger sind als die Geschwindigkeit, verwenden Sie einen CPU-VPS mit 16 GB RAM, führen Sie SD 1.5 mit 512x512 aus und messen Sie die Renderzeit, bevor Sie sich auf einen bestimmten Workload festlegen. Während dieser Entscheidungsphase können Sie dort auch die Modellbibliothek und die Workflows hosten.
Wenn Sie täglich Prompts überarbeiten, mieten Sie stundenweise eine GPU mit mindestens 12 GB VRAM bei einem GPU-Cloud-Anbieter und fahren Sie sie herunter, sobald Sie sie nicht mehr benötigen. Bildgenerierung fällt typischerweise in einzelnen Auslastungsspitzen an. Eine ungenutzte GPU mit monatlicher Abrechnung ist hier die häufigste Ursache für unnötig hohe Kosten. Speichern Sie die Checkpoints auf günstigem Block-Storage und mounten Sie ihn.
Wenn Sie andere Benutzer bedienen oder regelmäßig LoRA-Adapter trainieren, sollten Sie 24 GB VRAM und eine dauerhaft betriebene Maschine einplanen. Der SDXL-Leitfaden von sd-scripts nennt für das LoRA-Training mit den dort beschriebenen speichersparenden Einstellungen 8 GB als ausreichend und 10 GB als Empfehlung. Der LoRA-Leitfaden der kohya_ss GUI verlangt mindestens 12 GB. Der Leitfaden beschreibt außerdem das SDXL-Fine-Tuning mit 24 GB bei einer Batchgröße von 1. Empfohlen werden dabei ausschließliches U-Net-Training, Gradient Checkpointing, zwischengespeicherte Ausgaben des Text-Encoders und Latents sowie Adafactor. Das ist eine bedingte Konfiguration und kein allgemeiner Speicherbedarf für das Training des gesamten Modells. An diesem Punkt lohnt sich dieselbe Maschine in der Regel auch für den Betrieb eines lokalen Sprachmodells. Diese Konfiguration wird unter Self-Hosting eines LLM mit Ollama beschrieben.
Unabhängig davon, für welche Stufe Sie sich entscheiden, sollten Sie Ihre eigene Maschine messen, bevor Sie veröffentlichten Angaben vertrauen. Stellen Sie fünfmal denselben Prompt in die Warteschlange und lesen Sie die von ComfyUI in der Konsole ausgegebenen Sekunden pro Iteration ab. Diese Zahl zeigt Ihre tatsächliche Position auf der Leistungsskala.
FAQ
Kann ich Stable Diffusion ohne GPU ausführen?
Ja. ComfyUI läuft mit python main.py --cpu und erzeugt auch ohne Grafikkarte echte Bilder. Die Schätzungen dieses Leitfadens für Oktober 2026 lagen bei Stable Diffusion 1.5 mit 512x512 bei etwa 60 bis 150 Sekunden pro Bild und bei SDXL mit 1024x1024 bei zehn bis zwanzig Minuten auf 8 modernen vCPUs. Diese Zeiten wurden auf aktueller Hardware nicht erneut validiert. Das reicht für Stapelverarbeitung über Nacht und Endpunkte mit geringem Volumen aus. Verwenden Sie für die Iteration von Prompts und für das Training eine GPU.
Wie viel VRAM benötige ich für SDXL?
ComfyUI lagert Modellgewichte automatisch in den System-RAM aus. Die VRAM-Kapazität allein legt daher für keinen SDXL-Workflow ein festes Minimum fest. Im Oktober 2026 beschreibt die README die Ausführung von Modellen mit nur 4 GB VRAM plus 8 GB System-RAM über asynchrones Streaming der Gewichte. ControlNet, der Refiner und Upscaling erhöhen den Speicherbedarf. Der Leitfaden für die kohya-ss sd-scripts besagt, dass SDXL-LoRA-Training mit 8 GB möglich ist und 10 GB empfohlen werden, wenn Sie die speichersparenden Einstellungen verwenden. Der LoRA-Leitfaden der kohya_ss GUI verlangt dagegen mindestens 12 GB. Der sd-scripts-Leitfaden beschreibt Fine-Tuning mit 24 GB bei Batchgröße 1. Empfohlen werden dabei Training nur des U-Net, Gradient Checkpointing, gecachte Ausgaben des Text-Encoders und Latents sowie Adafactor. Daraus ergibt sich keine allgemeingültige Anforderung von 24 GB für das Training des vollständigen Modells.
Wie viel Speicherplatz benötigen die Modelle?
Der SDXL-Basis-Checkpoint allein ist 6.94 GB groß. Der Refiner benötigt zusätzlich etwa 6 GB. SDXL-ControlNet-Modelle benötigen bei halber Genauigkeit jeweils 320 MB bis 2.5 GB. LoRA-Adapter benötigen einige zehn Megabyte bis 787 MB. Real-ESRGAN-Upscaler benötigen 2.5 MB bis 67 MB. Planen Sie für eine funktionsfähige Installation mit einigen Basismodellen 100 GB ein. Überwachen Sie das Ausgabeverzeichnis separat, da die PNG-Größe vom Bildinhalt und von den Metadaten abhängt.
Ist es sicher, ComfyUI im öffentlichen Internet bereitzustellen?
Nein. Die Anmeldung mit einem Comfy-Konto in den ComfyUI-Einstellungen funktioniert bei einer lokalen Installation. Sie gewährt Ihnen jedoch Zugriff auf die Partner-Nodes und Cloud-Abonnements von Comfy. In keiner Comfy-Dokumentation wird sie als Schutz für Ihren Server beschrieben. Das Flag --multi-user trennt lediglich den Speicher pro Benutzer, ohne ein Passwort zu prüfen. Wenn ComfyUI-Manager aktiviert ist, führen erlaubte Installationen benutzerdefinierter Nodes Python-Code auf Ihrem Server aus. Die Sicherheitseinstellungen des Managers beschränken die Installationswege. Sie authentifizieren jedoch keinen Zugriff auf ComfyUI. Binden Sie ComfyUI an 127.0.0.1. Greifen Sie über einen SSH-Tunnel mit ssh -N -L 8188:127.0.0.1:8188 you@your-server darauf zu. Setzen Sie einen authentifizierenden Reverse Proxy davor, wenn mehrere Personen Zugriff benötigen.
Warum wurde mein Render ohne Fehlermeldung beendet?
Wenn ein Prozess mit Killed verschwindet und kein Python-Traceback ausgegeben wird, beweist das allein noch keinen Out-of-Memory-Kill. Prüfen Sie dmesg oder das Kernel-Journal auf einen OOM-Bericht, in dem der Prozess genannt wird. Auf einem System ohne GPU liegen die Gewichte im System-RAM. Der benötigte Speicher hängt jedoch vom Modell, von der Genauigkeit, der Auflösung und vom Workflow ab. RAM-Kapazität, Swap, Speicherlimits und die Overcommit-Richtlinie bestimmen, ob eine Speicherreservierung fehlschlägt oder der Prozess beendet wird. Bei Overcommit-Modus 2 gibt Linux im Allgemeinen Reservierungsfehler zurück, statt den Prozess beim Zugriff auf die Seiten zu beenden. Wenn die Logs eine Speichererschöpfung bestätigen, erweitern Sie den RAM, prüfen Sie Swap und Speicherlimits oder verwenden Sie ein kleineres Modell und eine niedrigere Auflösung.