Mahitaji ya maunzi ya Stable Diffusion na ComfyUI

Mahitaji halisi ya jenereta ya picha ya AI inayojiendesha (self-hosted)

Jenereta ya picha ya AI inayojiendesha inajumuisha programu moja ya wavuti na faili moja ya modeli. Programu hiyo ni ComfyUI, na inaendeshwa kwenye mashine yoyote ya Linux. Modeli ndiyo inayotawala mahitaji ya maunzi yako. Checkpoint ya daraja la SDXL ni faili moja ya 6.94 GB, na inahitaji kukaa kwenye kumbukumbu ya GPU (VRAM). Ukweli huo mmoja ndio huamua bajeti nzima, kwa hivyo soma ngazi ya maunzi hapa chini kabla ya kukodisha chochote.

Muhtasari wa kweli: VPS inayotumia CPU pekee inaweza kusakinisha na kuendesha programu hiyo, na inaweza kutengeneza picha za 512x512 kwa kutumia modeli ya zamani ya Stable Diffusion 1.5. Makadirio ya mwongozo huu ya Oktoba 2026 yalikuwa dakika moja au mbili kwa kila picha, na dakika kumi hadi ishirini kwa SDXL katika 1024x1024. Muda huo haujathibitishwa upya kwenye maunzi ya sasa. Hiyo si usanidi uliovunjika. Ni hesabu, na mwongozo huu unaielezea.

Kwa nini ukubwa wa modeli huamua mashine inayohitajika

Uzalishaji wa picha hutumia mzunguko wa denoising. Render ya hatua 30 huendesha denoiser, ambayo ni UNet ya SDXL, juu ya picha mara 30, na kila pasi husoma kila uzito (weight) wa UNet. Text encoders mbili huendeshwa mara moja kabla ya mzunguko kuanza na VAE hufanya decoding mara moja baada ya mzunguko, kwa hivyo hizi si sehemu ya gharama ya kila hatua. UNet ya SDXL katika half precision ina uzito wa 5.14 GB, kwa hivyo katika mtazamo huu rahisi, render ya hatua 30 husogeza takriban 154 GB ya uzito kupitia kumbukumbu kabla picha haijaonekana, na tensors za kati huongeza mzigo zaidi.

GPU yenye 24 GB ya video memory (VRAM, kumbukumbu iliyounganishwa kando ya chip ya michoro) husoma kwa kasi ya mamia ya gigabytes kwa sekunde, na hushikilia yote 6.9 GB kwa wakati mmoja. CPU VPS husoma system RAM kwa kasi ya makumi ya gigabytes kwa sekunde. Pengo la kasi hutegemea CPU na GPU, si uwezo wao wa kumbukumbu pekee. Huu ni hoja ileile ya memory-bandwidth inayotawala modeli za maandishi, na inafaa kusomwa sambamba na wakati ambapo VPS yenye GPU inastahili gharama yake.

Uzalishaji wa picha hutofautiana na uzalishaji wa maandishi katika njia moja muhimu. Chat model hutiririsha tokens, kwa hivyo mashine ya polepole bado huonekana kama inafaa kutumika kwa sababu maneno huonekana wakati unasoma. Picha huonekana tu wakati hatua ya mwisho inapokamilika. Polepole inamaanisha kutazama upau wa maendeleo (progress bar).

Ngazi ya maunzi, ikiwa na namba halisi

Kizuizi hapo chini kinahifadhi makadirio ya Julai 2026 ya mwongozo huu kwa picha moja ya SDXL katika 1024x1024, hatua 30, Euler sampler. Muda huu wa kihistoria haujathibitishwa upya kwenye maunzi ya sasa. Ichukulie kama makadirio ya ukubwa wa utendaji. Sampler yako, idadi ya hatua, na resolution hubadilisha muda huu.

[
  {
    "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
  }
]

Safu ya CPU ni 780 sekunde, takriban dakika kumi na tatu. Kadi ya 24 GB ni 9 sekunde. Hiyo ndiyo tofauti unayolipa ili kuipata.

Soma ngazi hii kwa njia hii. Chini ya 8 GB ya VRAM, SDXL bado inafanya kazi, kwa sababu ComfyUI inasimamia VRAM na RAM ya mfumo pamoja na kuhamisha uzito wa model (model weights) kiotomatiki. Kufikia Oktoba 2026, README ya mradi huu inaelezea kuendesha model kwa kiasi kidogo cha 4 GB ya VRAM pamoja na 8 GB ya RAM ya mfumo, kwa kutumia utiririshaji wa uzito wa asynchronous. VRAM zaidi huacha nafasi kwa ControlNet, refiner na upscaling bila kuhitaji offloading; workflow ndiyo huamua kiasi kinachotosha. Mafunzo (training) yanafaa katika kiasi kidogo kuliko hicho: mwongozo wa mafunzo ya SDXL kwa ajili ya kohya-ss sd-scripts trainer unasema mafunzo ya LoRA yanaweza kufanywa kwa 8 GB ya kumbukumbu ya GPU, huku 10 GB ikipendekezwa. Ili kufikia hapo, inakuambia ufunze U-Net pekee, uwashe gradient checkpointing, uhifadhi (cache) matokeo ya text encoder na latents, utumie 8-bit optimizer au Adafactor, na ushusha LoRA dim hadi 4 hadi 8 kwenye kadi ya 8 GB. Mwongozo wa LoRA kwa ajili ya kohya_ss GUI, ambayo inafunga script hizo, ni wa tahadhari zaidi: unasema utumie GPU yenye angalau 12 GB ya kumbukumbu kwa ajili ya mafunzo ya LoRA.

Uwezo na mipaka ya CPU VPS

Inaweza kufanya mambo mengi kuliko watu wanavyotarajia, na machache kuliko inavyotangazwa. Ni muhimu kufahamu mpaka wake.

CPU VPS inaweza kusakinisha ComfyUI, kuendesha interface ya wavuti, kuhifadhi maktaba ya model zako, kusimamia foleni (queue), na kutengeneza picha bila kuwa na GPU yoyote. Kwa kutumia Stable Diffusion 1.5 katika 512x512 na hatua 20, makadirio ya mwongozo huu ya Oktoba 2026 yalikuwa takriban sekunde 60 hadi 150 kwa kila picha kwenye vCPU 8 za kisasa zenye 16 GB ya RAM. Kwa kazi za kundi (batch job) zinazoendeshwa usiku kucha, au endpoint ya picha yenye mahitaji madogo nyuma ya foleni, hii inafaa kabisa.

CPU VPS haifai kwa kazi za mwingiliano (interactive work). Kufanya majaribio ya prompt kunahitaji render ishirini kwa saa, na kwa makadirio ya kihistoria ya dakika kumi na tatu kwa kila moja, utapata nne tu. Tumia GPU kwa ajili ya mafunzo (training).

Kanuni ya kumbukumbu kwa ajili ya CPU pekee ni tofauti na ile ya GPU. Uzito wa model (weights) hupakiwa kwenye RAM ya mfumo, kwa hivyo tengeneza bajeti kwa ajili ya model pamoja na nafasi ya kufanyia kazi; 16 GB kwa SDXL na 8 GB kwa SD 1.5 ni bajeti za kupanga, si mahitaji yasiyobadilika. Mashine ya 4 GB inaweza kuishiwa na kumbukumbu, lakini uwezo wa RAM pekee hauwezi kubainisha kama au lini Linux itasitisha mchakato (kill the process). Swap, mipaka ya kumbukumbu, na sera ya ugawaji ni muhimu. Kwa kutumia overcommit mode 2, Linux kwa ujumla hukataa ugawaji unaozidi kikomo chake cha commit badala ya kusitisha mchakato wakati unapojaribu kufikia kurasa hizo.

Sakinisha ComfyUI kwenye mashine yenye GPU

Hizi ndizo amri za msingi. Anza na usakinishaji safi wa Ubuntu 24.04 ukiwa tayari umeweka driver ya NVIDIA. Thibitisha driver kwanza, kwa sababu kila hitilafu itakayotokea baadaye itaonekana sawa ikiwa hutaangalia hili.

nvidia-smi

nvidia-smi

Hiyo lazima ichapishe jedwali lenye kadi yako na toleo la CUDA. command not found, au NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver, inamaanisha driver haipo au kernel module haikupakia baada ya upgrade. Rekebisha hilo kabla ya kuendelea, kwa sababu njia ya kawaida ya NVIDIA ya ComfyUI inashindwa bila kifaa cha CUDA kinachofanya kazi; utekelezaji wa CPU unahitaji --cpu. Wheels za CUDA 13.0 hapa chini zinahitaji driver ya NVIDIA kutoka mfululizo wa 580 au mpya zaidi.

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

python3 -m venv venv
source venv/bin/activate
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu126

Mazingira ya virtual (virtual environment) si ushauri wa hiari. PyTorch huvuta mti mkubwa wa dependencies, na kuisakinisha kwenye mfumo mzima (system-wide) kwenye seva inayoendesha vitu vingine ndiyo njia ya kuharibu huduma hizo nyingine. Thibitisha kuwa PyTorch inaweza kuona kadi kabla ya kwenda mbele zaidi.

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

python3 -c "import torch; print(torch.cuda.get_device_name(0))"

True pamoja na jina la kadi yako inamaanisha stack inafanya kazi. Ikiwa CUDA haipatikani, amri hii hutoa hitilafu inapoomba jina la kadi. Angalia driver, mwonekano wa GPU na toleo la PyTorch lililosakinishwa kabla ya kusakinisha tena wheels za CUDA.

Pata model, na panga nafasi ya diski

ComfyUI haiji na weights zozote. Checkpoints huwekwa kwenye models/checkpoints, faili za VAE kwenye models/vae, na LoRA adapters kwenye models/loras.

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

Pendelea .safetensors kuliko .ckpt kila wakati. Checkpoint inayotegemea pickle inaweza kuendesha code kupitia loader isiyo na vikwazo; ComfyUI ya sasa inatumia loader ya weights_only=True yenye vikwazo ya PyTorch kwa faili hizi. Umbizo la safetensors huhifadhi tensors bila utaratibu wa uendeshaji wa code wa pickle.

Hifadhi ni gharama ambayo watu husahau. Checkpoint moja ya msingi ya SDXL ni 6.94 GB. Refiner ni 6 GB nyingine. Model ya SDXL ControlNet huanzia 320 MB kwa model ndogo ya Canny hadi 2.5 GB kwa ile kamili ya half precision. Upscaler ni ndogo: model ya kawaida ya Real-ESRGAN x4plus ni 67 MB, model yake ya anime ni 17.9 MB, na model yake ya video ya anime ni 2.5 MB. LoRA ina ukubwa kuanzia makumi ya megabytes hadi 787 MB kwa adapters za Hyper-SDXL za ByteDance. Mtu yeyote anayefurahia kazi hii atapakua model ya pili na ya tatu ndani ya wiki moja. Tenga 100 GB ya diski kwa ajili ya usakinishaji unaofanya kazi, na ufuatilie saraka ya outputs pia: ukubwa wa PNG hutegemea maudhui ya picha na metadata, na batch inayofanya kazi bila kusimamiwa inaweza kujaza diski ndogo kimya kimya. Weka models/ na output/ kwenye volume unayoweza kuiongezea nafasi, na uhifadhi nakala za faili zako za workflow za JSON kwa kutumia kitu kama encrypted incremental backups to object storage. Weights zinaweza kupakuliwa tena. Workflow ulizozisanidi haziwezi.

Iendeshe, na uifikie kwa usalama

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

ComfyUI hufanya kazi kwenye port 8188. Kwenye seva inayotumia CPU pekee, ongeza --cpu, ambayo hulazimisha njia ya CPU badala ya kufeli kwa sababu ya kukosekana kwa kifaa cha CUDA.

Iunganishe kwenye 127.0.0.1, si kwenye 0.0.0.0. ComfyUI sasa ina akaunti, lakini hakuna hata moja inayofunga seva yako. Kuingia kwenye Settings, katika sehemu ya User, kunakuingiza kwenye akaunti ya Comfy, na inafanya kazi kutoka kwenye usakinishaji wa ndani: Nyaraka za Comfy zinaorodhesha kuingia kwa barua pepe, Google, GitHub na API key. Nyaraka hizo zinaelezea akaunti hiyo kama njia yako ya kufikia node za washirika na usajili wa Comfy Cloud, na hakuna chochote ndani yake kinachoionyesha kama njia ya kulinda seva yako kwa nenosiri. Flag ya --multi-user huwezesha tu hifadhi ya kila mtumiaji: kufikia Oktoba 2026, seva huchukua kitambulisho cha mtumiaji kutoka kwa header ya ombi la comfy-user na haikagui nenosiri lolote. Kitu chochote kinachofika kwenye port hiyo kinaweza kupanga kazi na kupata picha zilizotengenezwa. Kwa --enable-manager, usakinishaji wa custom-node pia huendesha msimbo kwenye seva yako, kulingana na mipangilio ya usalama ya Manager. Mipangilio ya sasa ya Manager hukataa URL za Git za kiholela na usakinishaji wa pip wa pekee; kuwezesha njia hizo kunahitaji flag maalum na msikilizaji wa loopback. Usakinishaji wa node zilizosajiliwa unabaki kupatikana chini ya sera yake ya kawaida ya usalama. Ifikie kupitia SSH tunnel kutoka kwenye laptop yako badala yake.

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

Kisha fungua http://127.0.0.1:8188 ndani ya kompyuta yako. Ikiwa unahitaji ufikiaji wa kweli wa watumiaji wengi, weka reverse proxy yenye uthibitishaji mbele yake na uiweke programu hiyo ikiwa imeunganishwa kwenye localhost. Hoja hiyo hiyo inatumika kwa huduma yoyote ya self-hosted isiyo na uthibitishaji, na ndiyo muundo wa kawaida katika Docker Compose deployments on a VPS.

Iweke ikiendelea kufanya kazi chini ya systemd

Foleni ya render inayokufa wakati kikao chako cha SSH kinafungwa si huduma. Iendeshe kama mtumiaji wa comfy asiye na uwezo wa kuingia (login), si kama wewe mwenyewe: custom nodes ni msimbo (code), na msimbo huo haupaswi kuendeshwa ukiwa na ufikiaji wa saraka yako ya nyumbani (home directory). Unda mtumiaji huyo na uhamishe usakinishaji kwenye saraka yake ya nyumbani:

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

Unda upya virtual environment baada ya kuhamisha, kwa sababu hati zilizosakinishwa zina njia kamili (absolute paths) zinazoelekeza kwenye eneo lake la zamani.

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.txt

Kisha andika /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.target

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

active (running) na mstari wa logi unaosomeka To see the GUI go to: http://127.0.0.1:8188 inamaanisha kuwa huduma inafanya kazi. Kumbuka kuwa ExecStart inataja interpreter iliyo ndani ya virtual environment moja kwa moja, kwa sababu systemd haiendeshi shell profile yako na activate haitawahi kutokea.

Mapendekezo ya kiutendaji kulingana na bajeti

Ikiwa unataka kujaribu utengenezaji wa picha na gharama ni muhimu zaidi kuliko kasi, chukua CPU VPS yenye 16 GB ya RAM, endesha SD 1.5 kwa 512x512, na upime muda wako wa render kabla ya kujitolea kwenye mzigo wa kazi. Hii pia ni sehemu sahihi ya kuhifadhi maktaba ya model na workflows wakati unafanya maamuzi.

Ikiwa unafanya marekebisho ya prompts kila siku, kodi GPU yenye angalau 12 GB ya VRAM kwa saa kutoka kwenye GPU cloud, na uizime unapomaliza. Utengenezaji wa picha ni kazi ya vipindi, na GPU isiyofanya kazi inayotozwa ada ya kila mwezi ndiyo njia ya kawaida inayofanya watu kutumia pesa nyingi kupita kiasi. Hifadhi checkpoints kwenye block storage ya bei nafuu na uzi-mount.

Ikiwa unawahudumia watu wengine, au unafanya mafunzo ya LoRA adapters mara kwa mara, panga kuwa na 24 GB ya VRAM na mashine unayomiliki. Mwongozo wa sd-scripts SDXL unasema mafunzo ya LoRA yanaweza kufanywa kwa 8 GB, huku 10 GB ikipendekezwa, kwa kutumia mipangilio yake ya kuokoa kumbukumbu, na mwongozo wa LoRA wa kohya_ss GUI unahitaji angalau 12 GB. Mwongozo huo pia unaelezea fine-tuning ya SDXL kwa 24 GB kwa batch size ya 1, ukipendekeza mafunzo ya U-Net pekee, gradient checkpointing, cached text-encoder outputs na latents, pamoja na Adafactor. Hiyo ni usanidi wa masharti, si hitaji la jumla la kumbukumbu kwa ajili ya kufunza model nzima. Katika hatua hiyo, mashine hiyo hiyo kwa kawaida hujilipia gharama zake kwa kuendesha pia local language model, ambayo ndiyo usanidi ulioelezwa katika kujihostia LLM kwa kutumia Ollama.

Chagua ngazi yoyote unayotaka, pima mashine yako mwenyewe kabla ya kuamini takwimu zozote zilizochapishwa. Weka prompt ile ile kwenye foleni mara tano na usome sekunde-kwa-iteration ambazo ComfyUI inachapisha kwenye console yake. Namba hiyo ndiyo nafasi yako halisi kwenye ngazi.

FAQ

Je, ninaweza kuendesha Stable Diffusion bila GPU?

Ndiyo. ComfyUI inaweza kuendeshwa kwa kutumia python main.py --cpu na inatengeneza picha halisi bila hitaji la kadi ya michoro. Makadirio ya mwongozo huu ya Oktoba 2026 yalikuwa takriban sekunde 60 hadi 150 kwa kila picha kwa Stable Diffusion 1.5 katika 512x512, na dakika kumi hadi ishirini kwa SDXL katika 1024x1024, kwenye vCPU 8 za kisasa. Muda huo haujathibitishwa upya kwenye vifaa vya sasa. Hii inafaa kwa kazi za usiku kucha na huduma zenye kiasi kidogo cha maombi. Tumia GPU kwa ajili ya majaribio ya haraka ya prompt na mafunzo (training).

Ninahitaji VRAM kiasi gani kwa ajili ya SDXL?

ComfyUI huhamisha uzito wa modeli (model weights) kwenye RAM ya mfumo kiotomatiki, kwa hivyo uwezo wa VRAM pekee hauweki kiwango cha chini kisichobadilika kwa kila workflow ya SDXL. Kufikia Oktoba 2026, README yake inaelezea kuendesha modeli kwa VRAM ndogo kama 4 GB pamoja na 8 GB ya RAM ya mfumo kwa kutumia mtiririko wa uzito wa asynchronous. ControlNet, refiner, na upscaling huongeza matumizi ya kumbukumbu. Mwongozo wa kohya-ss sd-scripts unasema mafunzo ya SDXL LoRA yanaweza kufanywa kwa 8 GB, huku 10 GB ikipendekezwa, ikiwa utatumia mipangilio yake ya kuokoa kumbukumbu, wakati mwongozo wa LoRA wa kohya_ss GUI unahitaji angalau 12 GB. Mwongozo wa sd-scripts unaelezea fine-tuning kwa 24 GB kwa batch size ya 1, ukipendekeza mafunzo ya U-Net pekee, gradient checkpointing, cached text-encoder outputs na latents, pamoja na Adafactor. Hii haijaweka hitaji la jumla la 24 GB kwa ajili ya mafunzo ya modeli nzima.

Modeli zinahitaji nafasi kiasi gani kwenye diski?

Checkpoint ya msingi ya SDXL pekee ni 6.94 GB, na refiner huongeza takriban 6 GB zaidi. Modeli za SDXL ControlNet huanzia 320 MB hadi 2.5 GB kila moja katika half precision, LoRA adapters kutoka makumi ya megabytes hadi 787 MB, na Real-ESRGAN upscalers kutoka 2.5 MB hadi 67 MB. Tenga 100 GB kwa ajili ya usakinishaji wa kazi wenye modeli chache za msingi, na ufuatilie saraka ya matokeo (output directory) kando, kwa sababu ukubwa wa PNG hutegemea maudhui ya picha na metadata.

Je, ni salama kuweka ComfyUI kwenye mtandao wa umma?

Hapana. Kuingia kwenye akaunti ya Comfy katika mipangilio ya ComfyUI hufanya kazi kutoka kwa usakinishaji wa ndani, lakini inakupa ufikiaji wa node za washirika wa Comfy na usajili wa wingu, na hakuna chochote katika nyaraka za Comfy kinachoiwasilisha kama ulinzi kwa seva yako. Flag ya --multi-user hutenganisha tu hifadhi ya kila mtumiaji bila kuhakiki nenosiri lolote. Pamoja na ComfyUI-Manager kuwashwa, usakinishaji wa custom-node zilizoruhusiwa huendesha msimbo wa Python kwenye seva yako. Mipangilio ya usalama ya Manager huzuia njia za usakinishaji, lakini haihakiki ufikiaji wa ComfyUI. Iunganishe na 127.0.0.1, ifikie kupitia SSH tunnel na ssh -N -L 8188:127.0.0.1:8188 you@your-server, na uweke reverse proxy inayohakiki utambulisho mbele yake ikiwa zaidi ya mtu mmoja anahitaji ufikiaji.

Kwa nini render yangu ilisitishwa bila ujumbe wa hitilafu?

Mchakato unaopotea na Killed bila Python traceback haithibitishi pekee kuwa ni mauaji ya "out-of-memory". Angalia dmesg au kernel journal kwa ripoti ya OOM inayotaja mchakato huo. Kwenye mashine ya CPU pekee, uzito wa modeli hukaa kwenye RAM ya mfumo, lakini kumbukumbu inayohitajika inategemea modeli, precision, resolution, na workflow. Uwezo wa RAM, swap, mipaka ya kumbukumbu, na sera ya overcommit huamua ikiwa ugawaji utafeli au mchakato utauawa. Kwa overcommit mode 2, Linux kwa ujumla hurejesha hitilafu za ugawaji badala ya kuua mchakato wakati unapofikia kurasa za kumbukumbu. Ikiwa logi zinathibitisha kuishiwa kwa kumbukumbu, ongeza RAM, kagua swap na mipaka ya kumbukumbu, au tumia modeli ndogo na resolution ya chini.