سخت‌افزار واقعی برای اجرای self-hosted Stable Diffusion

آنچه یک مولد تصویر هوش مصنوعی self-hosted واقعاً نیاز دارد

یک مولد تصویر هوش مصنوعی self-hosted از یک web app و یک فایل مدل تشکیل می‌شود. این برنامه ComfyUI است و روی هر Linux box اجرا می‌شود. مدل، سخت‌افزار موردنیاز را تعیین می‌کند. یک checkpoint در ردهٔ SDXL یک فایل منفرد با حجم 6.94 GB است و باید در حافظهٔ GPU قرار بگیرد. همین واقعیت بودجهٔ کلی را تعیین می‌کند؛ بنابراین پیش از اجارهٔ هر چیزی، نردبان سخت‌افزاری زیر را بخوانید.

خلاصهٔ صادقانه این است: یک VPS فقط با CPU می‌تواند نرم‌افزار را نصب و ارائه کند و با یک مدل قدیمی Stable Diffusion 1.5، تصاویر 512x512 را در مدت یک یا دو دقیقه برای هر تصویر تولید کند. همان ماشین با اجرای SDXL در ابعاد 1024x1024، برای هر تصویر به 10 تا 20 دقیقه زمان نیاز دارد. این به معنای خراب بودن setup نیست. این نتیجهٔ محاسبات است و این راهنما دلیل آن را توضیح می‌دهد.

چرا اندازه مدل، سخت‌افزار مورد نیاز را تعیین می‌کند

تولید تصویر شامل یک حلقه حذف نویز (denoising) است. یک رندر 30 مرحله‌ای، denoiser یا همان UNet مدل SDXL را 30 بار روی تصویر اجرا می‌کند و در هر مرحله، تمام وزن‌های UNet خوانده می‌شوند. دو انکودر متن یک‌بار پیش از شروع حلقه اجرا می‌شوند و VAE نیز یک‌بار پس از پایان حلقه تصویر را رمزگشایی می‌کند؛ بنابراین این بخش‌ها جزو هزینه هر مرحله محسوب نمی‌شوند. وزن‌های UNet مدل SDXL در حالت half precision برابر با 5.14 GB است؛ بنابراین در این نگاه ساده‌سازی‌شده، یک رندر 30 مرحله‌ای پیش از آنکه تصویری ببینید، حدود 154 GB وزن را از حافظه عبور می‌دهد و تانسورهای میانی نیز باری اضافه بر آن تحمیل می‌کنند.

یک GPU با 24 GB حافظه ویدیویی (VRAM، حافظه‌ای که در کنار تراشه گرافیکی لحیم شده است)، داده‌ها را با سرعت صدها گیگابایت بر ثانیه می‌خواند و تمام 6.9 GB را به‌طور هم‌زمان در خود نگه می‌دارد. یک VPS مبتنی بر CPU، حافظه RAM سیستم را با سرعت ده‌ها گیگابایت بر ثانیه می‌خواند و فاقد سخت‌افزار ماتریسی برای عملیات کانولوشن است؛ در نتیجه همان حلقه، یک تا دو مرتبه بزرگی کندتر اجرا می‌شود. این همان استدلال پهنای‌باند حافظه است که بر مدل‌های متنی حاکم است و مطالعه آن در کنار زمانی که یک VPS دارای GPU واقعاً ارزش هزینه کردن دارد توصیه می‌شود.

تولید تصویر از تولید متن در یک مورد مهم تفاوت دارد. مدل‌های چت، توکن‌ها را به‌صورت جریانی (stream) تولید می‌کنند؛ بنابراین یک ماشین کند همچنان قابل استفاده به نظر می‌رسد، زیرا کلمات هم‌زمان با خواندن شما ظاهر می‌شوند. اما تصویر تنها زمانی ظاهر می‌شود که آخرین مرحله به پایان برسد. کند بودن در اینجا به معنای خیره شدن به نوار پیشرفت است.

نردبان سخت‌افزاری، با اعداد واقعی

بلاک زیر ارقام معمول برای تولید یک تصویر SDXL در ابعاد 1024x1024، با 30 گام و سمپلر Euler را تا جولای 2026 نشان می‌دهد. این اعداد را به عنوان مقیاس کلی در نظر بگیرید. سمپلر، تعداد گام‌ها و رزولوشن انتخابی شما، این اعداد را تغییر می‌دهند.

[
  {
    "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
  }
]

ردیف CPU برابر با 780 ثانیه، یعنی حدود سیزده دقیقه است. کارت 24 گیگابایتی این کار را در 9 ثانیه انجام می‌دهد. این همان شکافی است که با خرید سخت‌افزار قوی‌تر پر می‌کنید.

نردبان را این‌گونه بخوانید. زیر 8 گیگابایت VRAM، مدل SDXL همچنان اجرا می‌شود، زیرا ComfyUI مدیریت VRAM و رم سیستم را به‌صورت یکپارچه انجام داده و وزن‌های مدل را به‌طور خودکار offload می‌کند. تا اکتبر 2026، فایل README این پروژه، حداقل سخت‌افزار مورد نیاز را 4 گیگابایت VRAM به همراه 8 گیگابایت رم سیستم با استفاده از قابلیت asynchronous weight streaming اعلام کرده است. عملیات offloading در هر گام زمان‌بر است، بنابراین یک کارت 6 گیگابایتی به جای 30 ثانیه، به زمانی نزدیک به یک دقیقه برای هر تصویر نیاز دارد. در 8 گیگابایت، مدل پایه در حافظه جای می‌گیرد و رندرینگ وضعیت مطلوبی دارد. در 12 گیگابایت می‌توانید یک یا دو ControlNet را در کنار checkpoint بدون نیاز به offloading نگه دارید. در 24 گیگابایت می‌توانید SDXL را به همراه refiner و upscaling در یک workflow اجرا کنید و LoRA adapterها را با فضای کافی آموزش دهید. آموزش مدل به حافظه کمتری نیاز دارد: راهنمای آموزش SDXL برای trainer مدل kohya-ss sd-scripts بیان می‌کند که آموزش LoRA با 8 گیگابایت حافظه GPU قابل انجام است، هرچند 10 گیگابایت توصیه می‌شود. برای رسیدن به این هدف، راهنما پیشنهاد می‌کند فقط U-Net را آموزش دهید، gradient checkpointing را فعال کنید، خروجی‌های text encoder و latentها را cache کنید، از یک optimizer 8-bit یا Adafactor استفاده کنید و در کارت 8 گیگابایتی، مقدار LoRA dim را به 4 تا 8 کاهش دهید. راهنمای LoRA برای رابط کاربری kohya_ss که این اسکریپت‌ها را در بر می‌گیرد، محتاطانه‌تر عمل کرده و توصیه می‌کند برای آموزش LoRA از GPU با حداقل 12 گیگابایت حافظه استفاده کنید.

یک VPS مبتنی بر CPU چه کارهایی را می‌تواند و نمی‌تواند انجام دهد

این VPS می‌تواند بیش از انتظار بسیاری از افراد انجام دهد، اما کمتر از چیزی که بازاریابی القا می‌کند. مرز توانایی‌های آن را دقیق مشخص کنید.

یک VPS مبتنی بر CPU می‌تواند ComfyUI را نصب کند، رابط وب را ارائه دهد، کتابخانه مدل‌ها را نگه دارد، صف پردازش را اجرا کند و بدون وجود GPU تصویر تولید کند. با Stable Diffusion 1.5 در ابعاد 512x512 و با 20 گام، در یک محیط دارای 8 vCPU مدرن و 16 GB RAM، برای هر تصویر حدود 60 تا 150 ثانیه زمان در نظر بگیرید. برای یک job دسته‌ای که در طول شب اجرا می‌شود یا یک endpoint کم‌ترافیک تولید تصویر که پشت صف قرار دارد، این عملکرد واقعاً قابل‌قبول است.

یک VPS مبتنی بر CPU برای کار تعاملی مناسب نیست. تکرار prompt به معنای تولید 20 تصویر در یک ساعت است؛ اگر تولید هر تصویر 13 دقیقه طول بکشد، فقط 4 تصویر دریافت می‌کنید. چنین VPSای برای آموزش مدل نیز مناسب نیست. زمان LoRA fine-tuning روی CPU برحسب روز اندازه‌گیری می‌شود، نه ساعت؛ بنابراین آن را عملاً غیرقابل‌استفاده در نظر بگیرید.

قاعده حافظه برای حالت فقط-CPU با قاعده GPU متفاوت است. وزن‌های مدل در RAM سیستم بارگذاری می‌شوند؛ بنابراین علاوه بر اندازه مدل، به فضای کاری نیز نیاز دارید: برای SDXL حدود 16 GB RAM و برای SD 1.5 حدود 8 GB RAM لازم است. یک ماشین با 4 GB ابتدا ComfyUI را اجرا می‌کند، اما سپس در میانه نخستین render توسط out-of-memory killer خاتمه می‌یابد. در این حالت، فرایند بدون Python traceback ناپدید می‌شود و Killed در dmesg مشاهده خواهد شد.

یک ComfyUI را روی ماشین مجهز به GPU نصب کنید

این‌ها فرمان‌های upstream هستند. کار را از یک نصب پاک Ubuntu 24.04 شروع کنید که درایور NVIDIA از قبل روی آن نصب شده باشد. ابتدا درایور را بررسی کنید، چون بدون این بررسی، همه خطاهای بعدی یکسان به نظر می‌رسند.

nvidia-smi

این فرمان باید جدولی شامل کارت شما و نسخه CUDA نمایش دهد. command not found یا NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver یعنی درایور نصب نیست یا ماژول kernel پس از upgrade بارگذاری نشده است. پیش از ادامه این مشکل را برطرف کنید، زیرا ComfyUI به‌صورت بی‌سروصدا به CPU برمی‌گردد و شما نرم‌افزار را مقصر می‌دانید.

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.txt

محیط مجازی یک توصیه اختیاری نیست. PyTorch درخت بزرگی از dependencyها را نصب می‌کند و نصب system-wide آن روی سیستمی که برنامه‌های دیگری اجرا می‌کند، می‌تواند همان برنامه‌ها را خراب کند. پیش از ادامه بررسی کنید که PyTorch می‌تواند کارت را شناسایی کند.

python -c "import torch; print(torch.cuda.is_available(), torch.cuda.get_device_name(0))"

True به‌همراه نام کارت شما یعنی stack به‌درستی کار می‌کند. False یعنی wheel نصب‌شده با درایور سازگار نیست؛ معمولاً چون یک wheel مربوط به torch فقط برای CPU از قبل در cache وجود داشته است. با index URL بالا دوباره نصب کنید.

دریافت مدل و برنامه‌ریزی برای دیسک

نرم‌افزار ComfyUI بدون هیچ وزن (weights) پیش‌فرضی عرضه می‌شود. فایل‌های Checkpoint باید در مسیر models/checkpoints، فایل‌های VAE در models/vae و آداپتورهای LoRA در models/loras قرار بگیرند.

cd ~/ComfyUI/models/checkpoints
wget https://huggingface.co/stabilityai/stable-diffusion-xl-base-1.0/resolve/main/sd_xl_base_1.0.safetensors

همیشه فرمت .safetensors را به .ckpt ترجیح دهید. فایل .ckpt یک شیء Python است که به روش pickle ذخیره شده و بارگذاری آن باعث اجرای کدی می‌شود که توسط سازنده فایل نوشته شده است. فرمت safetensors فقط شامل تانسورهاست، بنابراین یک فایل مخرب نمی‌تواند هیچ کدی را اجرا کند.

فضای ذخیره‌سازی هزینه‌ای است که معمولاً نادیده گرفته می‌شود. یک Checkpoint پایه SDXL حجمی معادل 6.94 GB دارد. مدل Refiner نیز 6 GB دیگر اشغال می‌کند. مدل‌های SDXL ControlNet از 320 MB برای مدل کوچک Canny تا 2.5 GB برای مدل کامل با دقت نیم‌بیت (half precision) متغیر هستند. یک مدل Upscaler حجم کمی دارد: مدل استاندارد Real-ESRGAN x4plus حدود 67 MB، مدل انیمه آن 17.9 MB و مدل ویدیوی انیمه آن 2.5 MB است. حجم یک LoRA از چند ده مگابایت تا 787 MB برای آداپتورهای Hyper-SDXL شرکت ByteDance متغیر است. هر کسی که از این ابزار لذت ببرد، در عرض یک هفته مدل‌های پایه دوم و سوم را نیز دانلود می‌کند. برای یک نصب کاربردی، 100 GB فضا در نظر بگیرید و دایرکتوری خروجی‌ها را نیز زیر نظر داشته باشید: فایل‌های PNG با ابعاد 1024x1024 هر کدام 1 تا 2 MB حجم دارند و اجرای دسته‌ای (batch) بدون نظارت، می‌تواند به سرعت یک دیسک کوچک را پر کند. مسیرهای models/ و output/ را روی پارتیشنی قرار دهید که قابلیت افزایش حجم داشته باشد و از فایل‌های JSON مربوط به workflowهای خود با ابزاری مانند پشتیبان‌گیری افزایشی رمزنگاری‌شده در فضای ذخیره‌سازی شیء محافظت کنید. وزن‌ها قابل دانلود مجدد هستند، اما workflowهایی که تنظیم کرده‌اید، خیر.

اجرا و دسترسی ایمن به آن

cd ~/ComfyUI
. venv/bin/activate
python main.py --listen 127.0.0.1 --port 8188

سرویس ComfyUI روی پورت 8188 اجرا می‌شود. اگر از سیستمی استفاده می‌کنید که فقط CPU دارد، از پرچم --cpu استفاده کنید؛ این کار باعث می‌شود مسیر پردازش CPU اجباری شود و از بروز خطا به دلیل نبود دستگاه CUDA جلوگیری می‌کند.

سرویس را روی 127.0.0.1 متصل کنید، نه روی 0.0.0.0. ComfyUI اکنون دارای سیستم حساب کاربری است، اما هیچ‌کدام از آن‌ها سرور شما را قفل نمی‌کنند. ورود به سیستم در بخش Settings و قسمت User، شما را به یک حساب کاربری Comfy متصل می‌کند و در نصب محلی نیز کار می‌کند: مستندات Comfy روش‌های ورود با ایمیل، Google، GitHub و کلید API را فهرست کرده‌اند. مستندات توضیح می‌دهند که این حساب برای دسترسی به نودهای شریک و اشتراک‌های Comfy Cloud است و هیچ‌کدام از آن‌ها به عنوان روشی برای محافظت از سرور شخصی شما با رمز عبور معرفی نشده‌اند. پرچم --multi-user فقط فضای ذخیره‌سازی برای هر کاربر را فعال می‌کند: تا اکتبر 2026، سرور نام کاربری را از هدر درخواست comfy-user می‌خواند و هیچ رمز عبوری را بررسی نمی‌کند. هر چیزی که به این پورت دسترسی پیدا کند می‌تواند کارها را در صف قرار دهد، تمام تصاویری که تولید کرده‌اید را بخواند و اگر آن را با --enable-manager اجرا کرده باشید، نودهای سفارشی نصب کند که به معنای اجرای کد دلخواه روی سرور شماست. به جای این کار، از طریق یک تونل SSH از لپ‌تاپ خود به آن دسترسی پیدا کنید.

ssh -N -L 8188:127.0.0.1:8188 you@your-server

سپس http://127.0.0.1:8188 را به صورت محلی باز کنید. اگر به دسترسی چندکاربره واقعی نیاز دارید، یک reverse proxy با احراز هویت در مقابل آن قرار دهید و برنامه را همچنان روی localhost محدود نگه دارید. همین استدلال برای هر سرویس خودمیزبانی‌شده (self-hosted) بدون احراز هویت صدق می‌کند و این الگوی استاندارد در استقرار با Docker Compose روی VPS است.

اجرای مداوم تحت systemd

صف پردازشی که با بستن نشست SSH متوقف می‌شود، یک سرویس نیست. آن را به عنوان یک کاربر comfy بدون دسترسی ورود به سیستم اجرا کنید، نه به عنوان خودتان: گره‌های سفارشی کد هستند و آن کد نباید به دایرکتوری home شما دسترسی داشته باشد. کاربر را ایجاد کرده و محل نصب را به دایرکتوری home او منتقل کنید:

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/ComfyUI

محیط مجازی پس از انتقال همچنان کار می‌کند، زیرا unit مستقیماً python را فراخوانی می‌کند. سپس /etc/systemd/system/comfyui.service را بنویسید.

[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.target

sudo systemctl daemon-reload
sudo systemctl enable --now comfyui
systemctl status comfyui

active (running) و یک خط لاگ که To see the GUI go to: http://127.0.0.1:8188 را نشان می‌دهد، به معنای فعال بودن آن است. توجه داشته باشید که ExecStart مستقیماً مفسر داخل محیط مجازی را نام‌گذاری می‌کند، زیرا systemd پروفایل shell شما را اجرا نمی‌کند و activate هرگز اتفاق نمی‌افتد.

توصیه عملی بر اساس بودجه

اگر می‌خواهید تولید تصویر را امتحان کنید و هزینه برایتان مهم‌تر از سرعت است، یک VPS با پردازنده مرکزی (CPU) و 16 GB رم تهیه کنید، SD 1.5 را در ابعاد 512x512 اجرا کنید و بپذیرید که تولید هر تصویر یک یا دو دقیقه زمان می‌برد. این صادقانه‌ترین نقطه شروع است و هزینه‌اش بسیار کمتر از هر سیستمی است که کارت گرافیک (GPU) دارد. این همچنین بهترین مکان برای میزبانی کتابخانه مدل‌ها و گردش‌کارها (workflows) در حین تصمیم‌گیری است.

اگر روزانه پرامپت‌ها را تغییر می‌دهید، یک GPU با حداقل 12 GB حافظه ویدیویی (VRAM) را به‌صورت ساعتی از یک سرویس ابری GPU اجاره کنید و پس از پایان کار، آن را خاموش کنید. تولید تصویر کاری است که به‌صورت انفجاری انجام می‌شود و داشتن یک GPU بلااستفاده که ماهانه هزینه دارد، رایج‌ترین دلیل هدررفت بودجه در این حوزه است. فایل‌های checkpoint را روی فضای ذخیره‌سازی ارزان (block storage) نگه دارید و آن‌ها را mount کنید.

اگر به دیگران سرویس می‌دهید یا به‌طور مرتب آداپتورهای LoRA را آموزش می‌دهید، برای 24 GB حافظه VRAM و داشتن یک دستگاه اختصاصی برنامه‌ریزی کنید. راهنمای sd-scripts برای SDXL بیان می‌کند که آموزش LoRA با 8 GB حافظه امکان‌پذیر است (با توصیه 10 GB) که از تنظیمات کاهش مصرف حافظه استفاده می‌کند، و راهنمای LoRA در رابط کاربری kohya_ss حداقل 12 GB را درخواست می‌کند. عدد 24 GB در راهنمای sd-scripts برای fine-tuning کامل SDXL با batch size برابر با 1 است؛ بنابراین یک کارت 24 GB کارهای مربوط به LoRA را پوشش می‌دهد و همچنان امکان fine-tuning را فراهم می‌کند. در این سطح، همان دستگاه معمولاً با اجرای یک مدل زبانی محلی (LLM) نیز هزینه‌های خود را جبران می‌کند؛ این همان پیکربندی است که در میزبانی محلی LLM با Ollama توضیح داده شده است.

هر سطحی را که انتخاب می‌کنید، پیش از باور کردن هر عدد منتشرشده، دستگاه خود را بسنجید. یک پرامپت یکسان را پنج بار در صف قرار دهید و تعداد ثانیه-به-ازای-تکرار (seconds-per-iteration) که ComfyUI در کنسول خود چاپ می‌کند را بخوانید. آن عدد، جایگاه واقعی شما در این مسیر است.

FAQ

آیا می‌توانم Stable Diffusion را بدون GPU اجرا کنم؟

بله. ComfyUI با python main.py --cpu اجرا می‌شود و تصاویر واقعی را بدون نیاز به کارت گرافیک تولید می‌کند. برای Stable Diffusion 1.5 در ابعاد 512x512، حدود 60 تا 150 ثانیه برای هر تصویر، و برای SDXL در ابعاد 1024x1024، حدود ده تا بیست دقیقه زمان روی 8 عدد vCPU مدرن انتظار داشته باشید. این سرعت برای پردازش‌های دسته‌ای شبانه و endpointهای با حجم پایین مناسب است. این روش برای تکرار سریع پرامپت‌ها کارایی ندارد و آموزش مدل (training) نیز به‌طور کامل خارج از دسترس است.

برای SDXL به چه مقدار VRAM نیاز دارم؟

8 گیگابایت VRAM برای اجرای راحت SDXL در ابعاد 1024x1024 کافی است. در مقادیر کمتر، ComfyUI به‌طور خودکار وزن‌های مدل را به RAM سیستم منتقل می‌کند و همچنان کار می‌کند. طبق مستندات اکتبر 2026، حداقل 4 گیگابایت VRAM به همراه 8 گیگابایت RAM سیستم مورد نیاز است و هر مرحله انتقال داده (offload) زمان‌بر خواهد بود. 12 گیگابایت VRAM به شما اجازه می‌دهد یک ControlNet را در کنار checkpoint نگه دارید و 24 گیگابایت VRAM برای اجرای همزمان base، refiner و upscaling در یک workflow کافی است. راهنمای kohya-ss sd-scripts بیان می‌کند که آموزش SDXL LoRA با 8 گیگابایت VRAM (و توصیه 10 گیگابایت) در صورت استفاده از تنظیمات کاهش مصرف حافظه امکان‌پذیر است، در حالی که راهنمای LoRA در رابط کاربری kohya_ss حداقل 12 گیگابایت را درخواست می‌کند. fine-tuning کامل SDXL با batch size برابر 1، به 24 گیگابایت VRAM نیاز دارد.

مدل‌ها به چه مقدار فضای دیسک نیاز دارند؟

checkpoint پایه SDXL به‌تنهایی 6.94 گیگابایت است و refiner حدود 6 گیگابایت دیگر به آن اضافه می‌کند. مدل‌های SDXL ControlNet هر کدام در حالت half precision بین 320 مگابایت تا 2.5 گیگابایت، آداپتورهای LoRA از ده‌ها مگابایت تا 787 مگابایت، و upscalerهای Real-ESRGAN از 2.5 مگابایت تا 67 مگابایت فضا اشغال می‌کنند. برای یک نصب کاری با چند مدل پایه، 100 گیگابایت فضا در نظر بگیرید و دایرکتوری خروجی را جداگانه مانیتور کنید، زیرا فایل‌های PNG با ابعاد 1024x1024 هر کدام 1 تا 2 مگابایت حجم دارند.

آیا قرار دادن ComfyUI روی اینترنت عمومی امن است؟

خیر. ورود به حساب Comfy در تنظیمات ComfyUI از یک نصب محلی کار می‌کند، اما این قابلیت فقط دسترسی به نودهای شریک Comfy و اشتراک‌های ابری را فراهم می‌کند و هیچ‌کدام از مستندات Comfy آن را به عنوان یک لایه حفاظتی برای سرور شما معرفی نکرده‌اند. فلگ --multi-user فقط فضای ذخیره‌سازی هر کاربر را جدا می‌کند و هیچ‌گونه بررسی رمز عبوری انجام نمی‌دهد. با فعال بودن ComfyUI-Manager، رابط کاربری نودهای سفارشی نصب می‌کند که در واقع کدهای پایتونی هستند که روی سرور شما اجرا می‌شوند؛ بنابراین باز بودن پورت به معنای امکان اجرای کد از راه دور (remote code execution) است. آن را روی 127.0.0.1 بایند کنید، از طریق تونل SSH با ssh -N -L 8188:127.0.0.1:8188 you@your-server به آن دسترسی پیدا کنید و اگر بیش از یک نفر نیاز به دسترسی دارد، یک reverse proxy با قابلیت احراز هویت در مقابل آن قرار دهید.

چرا رندر من بدون هیچ پیام خطایی متوقف (killed) می‌شود؟

ناپدید شدن پروسه با Killed در dmesg و بدون هیچ traceback پایتونی، به معنای فعال شدن مکانیزم out-of-memory killer در لینوکس است و باگ ComfyUI نیست. در سیستمی که فقط از CPU استفاده می‌کند، وزن‌های مدل در RAM سیستم قرار می‌گیرند؛ بنابراین SDXL به حدود 16 گیگابایت و SD 1.5 به حدود 8 گیگابایت RAM به علاوه فضای کاری نیاز دارد. RAM را افزایش دهید، swap اضافه کنید یا از مدل کوچک‌تر و رزولوشن پایین‌تر استفاده کنید.