著者 Stable Diffusion自前運用に必要なスペック
CPU VPSでSD 1.5は512x512を1〜2分、SDXLは10〜20分。ComfyUIの導入コマンド、6.94 GBのモデル容量、必要なGPUとディスクを実測値で確認できます。
自分でホストするAI画像生成に本当に必要なもの
自分でホストするAI画像生成環境に必要なのは、1つのWebアプリケーションと1つのモデルファイルです。アプリケーションはComfyUIで、Linux環境であれば実行できます。ハードウェアを決めるのはモデルです。SDXLクラスのチェックポイントは単一の6.94 GBファイルで、GPUメモリ上に配置する必要があります。この点だけで必要な予算全体が決まるため、サーバーをレンタルする前に以下のハードウェア構成を確認してください。
要点は次のとおりです。CPUのみのVPSでもソフトウェアをインストールして提供できます。また、旧式のStable Diffusion 1.5モデルを使用すれば、512x512の画像を1枚あたり1〜2分で生成できます。同じ環境でSDXLを1024x1024で実行すると、1枚あたり10〜20分かかります。これは構成が壊れているのではありません。計算上そうなります。このガイドでは、その理由を説明します。
モデルサイズでマシンが決まる理由
画像生成はデノイズループを実行します。30ステップのレンダリングでは、画像全体に対してモデルを30回適用し、各ステップですべての重みを読み取ります。SDXLの半精度の重みは約6.9 GBあるため、画像が表示されるまでに、各ステップで約200 GBのデータをメモリ上で処理します。
ビデオメモリ（VRAM。グラフィックスチップの隣に実装されたメモリ）が24 GBあるGPUは、毎秒数百GBの速度で読み取り、6.9 GB全体を一度に保持できます。CPU VPSはシステムRAMを毎秒数十GBの速度で読み取り、畳み込み処理用の行列演算ハードウェアを持たないため、同じループの実行速度は1〜2桁遅くなります。これはテキストモデルの性能も左右するメモリ帯域幅の問題と同じです。GPU搭載VPSに費用をかける価値が実際にある場合と併せて読むと理解しやすくなります。
画像生成は、重要な点でテキスト生成と異なります。チャットモデルはトークンをストリーミングするため、遅いマシンでも読んでいる間に単語が表示され、使用感を保てます。画像は最後のステップが完了するまで表示されません。遅い場合は、プログレスバーを見続けることになります。
実測値で見るハードウェアの段階
以下の表は、2026年7月時点で、SDXLの画像1枚を1024x1024、30 steps、Euler samplerで生成した場合の一般的な数値です。桁の目安として扱ってください。sampler、step数、解像度によって変わります。
The data behind this chart
[
{
"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
}
]CPU行は780秒で、約13分です。24 GBのカードは9秒です。購入によって縮まる差はこの範囲です。
この表は次のように読んでください。VRAMが8 GB未満でも、SDXLは動作します。ComfyUIは自動的にlayerをsystem RAMへoffloadし、1 GB程度のカードでも処理できます。ただし、offloadには各stepで時間がかかります。そのため、6 GBのカードでは画像1枚あたり30秒よりも1分に近い時間がかかります。8 GBあればbase modelが収まり、快適にrenderできます。12 GBあれば、offloadなしでControlNetを1つまたは2つcheckpointと併用できます。24 GBあれば、1つのworkflowでSDXL、refiner、upscalingを実行できます。また、生成よりもはるかに多くのメモリを必要とするLoRA adapterのtrainingも開始できます。
CPU VPSでできることとできないこと
期待されるより多くのことができますが、マーケティングで示されるほどではありません。境界を具体的に把握してください。
CPU VPSには、ComfyUIをインストールし、Webインターフェースを提供し、モデルライブラリを保持し、キューを実行し、GPUなしで画像を生成できます。Stable Diffusion 1.5を512x512、20 stepsで実行する場合、16 GBのRAMを搭載した最新のvCPU 8個で、1枚あたりおよそ60〜150秒かかります。一晩実行するバッチ処理や、キューの背後に置く低トラフィックの画像エンドポイントであれば、十分に実用的です。
CPU VPSでは、インタラクティブな作業はできません。プロンプトの反復には1時間に20回のレンダリングが必要ですが、1回に13分かかる場合、実行できるのは4回です。また、学習もできません。CPUでのLoRAファインチューニングは時間ではなく日単位で測る必要があるため、利用できないものとして扱ってください。
CPUのみの場合、メモリの基準はGPUの場合と異なります。重みはシステムRAMに読み込まれるため、モデルサイズに加えて作業領域が必要です。SDXLには約16 GBのRAM、SD 1.5には約8 GBが必要です。4 GBのマシンではComfyUIは起動しますが、最初のレンダリングの途中でout-of-memory killerにより終了します。その場合、プロセスがKilledを伴って消失し、dmesgにはPython tracebackが表示されません。
GPUマシンにComfyUIをインストールする
これはupstreamのコマンドです。NVIDIAドライバーがすでにインストールされている、クリーンなUbuntu 24.04環境から開始してください。まずドライバーを確認します。この確認を省略すると、後続のすべての障害が同じように見えます。
nvidia-smiカードとCUDAのバージョンを含む表が表示される必要があります。command not found または NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver は、ドライバーがないか、アップグレード後にkernel moduleがロードされていないことを示します。ComfyUIが気付かないうちにCPUへフォールバックし、ソフトウェアが原因だと誤認するため、続行する前に修正してください。
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.txtvirtual environmentは任意ではありません。PyTorchは大量の依存関係をインストールします。ほかの処理も実行するマシンにsystem-wideでインストールすると、別の処理を壊す原因になります。先に進む前に、PyTorchからカードが認識できることを確認してください。
python -c "import torch; print(torch.cuda.is_available(), torch.cuda.get_device_name(0))"True とカード名が表示されれば、stackは正常に動作しています。False は、インストールしたwheelがドライバーと一致していないことを示します。通常は、CPU-onlyのtorch wheelがすでにcacheされていることが原因です。上記のindex URLを指定して再インストールしてください。
モデルを取得し、ディスク容量を計画する
ComfyUI には重みが含まれていません。チェックポイントは models/checkpoints に、VAE ファイルは models/vae に、LoRA アダプターは models/loras に配置します。
cd ~/ComfyUI/models/checkpoints
wget https://huggingface.co/stabilityai/stable-diffusion-xl-base-1.0/resolve/main/sd_xl_base_1.0.safetensors常に .ckpt より .safetensors を優先してください。.ckpt ファイルは pickle 化された Python オブジェクトです。これを読み込むと、作成者が含めたコードが実行されます。safetensors 形式にはテンソルのみが格納されるため、悪意のあるファイルでもコードを実行できません。
ストレージ容量は見落とされがちなコストです。SDXL のベースチェックポイントは1つで6.94 GBあります。リファイナーにはさらに6 GB必要です。ControlNet モデルは1つで1.4〜2.5 GB、アップスケーラーは60〜350 MB、LoRA は20〜400 MB必要です。この用途を継続する人は、1週間以内に2つ目、3つ目のベースモデルもダウンロードします。運用可能なインストールには100 GBのディスク容量を確保してください。また、出力ディレクトリも監視してください。1024x1024 の PNG ファイルは1つあたり1〜2 MBあり、無人のバッチ処理で小容量のディスクがすぐに埋まります。models/ と output/ は拡張可能なボリュームに配置し、ワークフローの JSON ファイルは、オブジェクトストレージへの暗号化された増分バックアップ などを使ってバックアップしてください。重みは再ダウンロードできます。調整したワークフローは再現できません。
実行し、安全にアクセスする
cd ~/ComfyUI
. venv/bin/activate
python main.py --listen 127.0.0.1 --port 8188ComfyUI は port 8188 でサービスを提供します。CPU のみの環境では --cpu を追加してください。CUDA device が見つからずに失敗する代わりに、CPU 用の処理経路を強制します。
0.0.0.0 ではなく 127.0.0.1 に bind してください。ComfyUI には login screen も user account もありません。この port に到達できるユーザーは、job を queue に追加し、生成済みのすべての image を読み取り、custom node を install できます。これは server 上で任意の code を実行できることを意味します。代わりに、laptop から SSH tunnel 経由でアクセスしてください。
ssh -N -L 8188:127.0.0.1:8188 you@your-server次に、ローカルで http://127.0.0.1:8188 を開きます。実際の multi-user access が必要な場合は、authentication 機能を備えた reverse proxy を前段に配置し、app は localhost に bind したままにしてください。同じ考え方は、認証されていない self-hosted service にも適用できます。これは VPS での Docker Compose デプロイで標準的に使用される構成です。
systemd で実行し続ける
SSH セッションを閉じると停止するレンダリングキューは、サービスとは呼べません。/etc/systemd/system/comfyui.service を記述します。
[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) と To see the GUI go to: http://127.0.0.1:8188 というログ行が表示されれば、起動しています。ExecStart は仮想環境内のインタープリターを直接指定している点に注意してください。systemd はシェルプロファイルを実行しないため、activate は発生しません。
予算別の現実的な推奨
画像生成を試したいが、速度よりコストを重視する場合は、RAMが16 GBのCPU VPSを利用し、SD 1.5を512x512で実行して、画像1枚あたり1〜2分かかることを受け入れてください。これが現実的な入門方法です。GPU付きの環境と比べて、費用はわずかです。判断する間は、モデルライブラリとワークフローをホストする場所としても適しています。
毎日プロンプトを試行する場合は、GPU cloudからVRAMが少なくとも12 GBあるGPUを時間単位で借り、作業を終えたら停止してください。画像生成は断続的な処理です。ここで過剰支出につながる最も一般的な原因は、使っていないGPUに月額料金を払い続けることです。チェックポイントは安価なblock storageに保存し、マウントしてください。
他の人にサービスを提供する場合や、LoRA adapterをトレーニングする場合は、VRAMが24 GBあり、常時稼働させるマシンが必要です。この段階では、通常、同じマシンでlocal language modelも実行すると、費用に見合う運用になります。これはOllamaでLLMをセルフホストするで説明している構成です。
どの段階を選ぶ場合でも、公開されている数値を信じる前に、自分のマシンで測定してください。同じプロンプトを5回キューに入れ、ComfyUIがコンソールに表示する1反復あたりの秒数を確認します。その数値が、実際の環境における段階の位置です。
FAQ
GPUなしでStable Diffusionを実行できますか？
はい。ComfyUIはpython main.py --cpuで実行でき、グラフィックスカードがなくても実際の画像を生成できます。8個の最新vCPUでは、Stable Diffusion 1.5を512x512で1枚生成するのに、およそ60から150秒かかります。SDXLを1024x1024で生成する場合は、10分から20分かかります。夜間のバッチ処理や少量のエンドポイントには適しています。プロンプトの反復調整には適していません。トレーニングは完全に現実的ではありません。
SDXLにはどのくらいのVRAMが必要ですか？
8 GBあれば、SDXLを1024x1024で快適に実行できます。それ未満の場合、ComfyUIはレイヤーをシステムRAMに自動的にオフロードします。VRAMが約1 GBまで減っても動作しますが、オフロードするステップごとに処理時間が増えます。12 GBあれば、チェックポイントと一緒にControlNetを保持できます。24 GBあれば、1つのワークフローでベースモデル、refiner、アップスケーリングを扱えます。LoRAアダプターのトレーニングには、24 GBが実用上の最低容量です。
モデルにはどのくらいのディスク容量が必要ですか？
SDXLのベースチェックポイントだけで6.94 GBあり、refinerでさらに約6 GB増えます。ControlNetモデルは1個あたり1.4から2.5 GB、LoRAアダプターは20から400 MB、アップスケーラーは最大350 MBです。複数のベースモデルを含む稼働環境には100 GBを確保してください。1024x1024のPNGファイルは1個あたり1から2 MBになるため、出力ディレクトリは別に監視してください。
ComfyUIをパブリックインターネットに公開しても安全ですか？
いいえ。ComfyUIには認証機能が一切ありません。また、カスタムノードシステムはインターフェースからPythonコードをインストールして実行します。そのため、ポートを開放すると、サーバー上でリモートコード実行が可能になります。127.0.0.1にバインドし、ssh -N -L 8188:127.0.0.1:8188 you@your-serverを使用してSSHトンネル経由で接続してください。複数のユーザーがアクセスする場合は、認証機能を持つリバースプロキシを前段に配置してください。
レンダリングがエラーメッセージなしで強制終了したのはなぜですか？
dmesgでKilledを伴ってプロセスが消え、Pythonのトレースバックも表示されない場合は、ComfyUIのバグではなく、LinuxのOOMキラーが原因です。CPUのみのサーバーでは重みがシステムRAMに格納されるため、SDXLには約16 GB、SD 1.5には約8 GBに加えて作業領域が必要です。RAMまたはswapを追加してください。または、より小さいモデルと低い解像度を使用してください。