Stable Diffusion-க்குத் தேவையான வன்பொருள் விவரங்கள்

சுயமாக இயங்கும் AI image generator-க்குத் தேவையானவை

சுயமாக இயங்கும் AI image generator என்பது ஒரு web app மற்றும் ஒரு model file ஆகியவற்றின் கலவையாகும். இதில் பயன்படும் app-ன் பெயர் ComfyUI; இது எந்தவொரு Linux கணினியிலும் இயங்கும். உங்கள் வன்பொருளை (hardware) தீர்மானிப்பது நீங்கள் பயன்படுத்தும் model தான். SDXL-வகை checkpoint என்பது 6.94 GB அளவுள்ள ஒரு கோப்பு; இது GPU memory-ல் இருக்க வேண்டும். இந்த ஒரு உண்மைதான் உங்கள் மொத்த பட்ஜெட்டையும் தீர்மானிக்கிறது, எனவே எதையும் வாடகைக்கு எடுக்கும் முன் கீழே உள்ள வன்பொருள் வரிசையைப் படிக்கவும்.

சுருக்கமான உண்மை: CPU-மட்டும் கொண்ட VPS-ல் இந்த மென்பொருளை நிறுவி இயக்க முடியும். இது பழைய Stable Diffusion 1.5 model-ஐப் பயன்படுத்தி 512x512 அளவில் ஒரு படத்தை உருவாக்க ஒன்று அல்லது இரண்டு நிமிடங்கள் எடுத்துக்கொள்ளும். அதே கணினியில் SDXL-ஐப் பயன்படுத்தி 1024x1024 அளவில் படம் உருவாக்க பத்து முதல் இருபது நிமிடங்கள் வரை ஆகும். இது பழுதடைந்த அமைப்பு அல்ல. இது வெறும் கணக்கீடு மட்டுமே; இந்த வழிகாட்டி அதை விளக்குகிறது.

மாதிரியின் அளவு ஏன் கணினியைத் தீர்மானிக்கிறது

Image generation ஒரு denoising loop-ஐ இயக்குகிறது. 30-step render என்பது முழு மாதிரியையும் படத்தின் மீது 30 முறை செலுத்துவதாகும்; ஒவ்வொரு முறையும் அனைத்து weight-களும் வாசிக்கப்படும். SDXL, half precision-ல் சுமார் 6.9 GB weight-களைக் கொண்டது. எனவே, ஒரு படம் தெரிவதற்கு முன்பே 30-step render சுமார் 200 GB தரவை memory வழியாக நகர்த்துகிறது.

24 GB VRAM (graphics chip-க்கு அருகில் பொருத்தப்பட்ட memory) கொண்ட GPU, வினாடிக்கு நூற்றுக்கணக்கான gigabytes வேகத்தில் வாசிக்கும் திறன் கொண்டது; அது 6.9 GB தரவையும் ஒரே நேரத்தில் வைத்திருக்கும். ஒரு CPU VPS, system RAM-ஐ வினாடிக்கு சில பத்தாயிரம் gigabytes வேகத்தில் மட்டுமே வாசிக்கும். மேலும், அதில் convolutions-க்கான matrix hardware இல்லாததால், அதே loop ஒன்று முதல் இரண்டு மடங்கு மெதுவாக இயங்கும். இது text models-க்கு பொருந்தும் அதே memory-bandwidth வாதம்தான். இதைப் பற்றி GPU கொண்ட VPS எப்போது பணத்திற்கு மதிப்புடையது என்பதில் விரிவாகப் படிக்கலாம்.

Image generation, text generation-லிருந்து ஒரு முக்கியமான விஷயத்தில் வேறுபடுகிறது. Chat model-கள் tokens-ஐ stream செய்கின்றன; எனவே, நீங்கள் வாசிக்கும்போதே சொற்கள் தோன்றுவதால் மெதுவான கணினியும் பயன்படுத்தக்கூடியதாகத் தோன்றும். ஆனால், image generation-ல் கடைசி step முடிந்த பிறகுதான் படம் தோன்றும். மெதுவான வேகம் என்றால், நீங்கள் progress bar-ஐப் பார்த்துக்கொண்டே இருக்க வேண்டும் என்று பொருள்.

வன்பொருள் படிநிலை, உண்மையான எண்களுடன்

கீழே உள்ள தொகுப்பு, ஜூலை 2026 நிலவரப்படி, 1024x1024 தெளிவுத்திறன், 30 படிகள், Euler sampler ஆகியவற்றைக் கொண்ட ஒரு SDXL படத்திற்கான பொதுவான புள்ளிவிவரங்களைக் கொண்டுள்ளது. இவற்றை ஒரு தோராயமான அளவீடாகக் கருதவும். நீங்கள் பயன்படுத்தும் sampler, படிகளின் எண்ணிக்கை மற்றும் தெளிவுத்திறன் ஆகியவற்றைப் பொறுத்து இவை மாறுபடும்.

[
  {
    "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 வரிசையானது 780 வினாடிகள், அதாவது சுமார் பதிமூன்று நிமிடங்கள். 24 GB கார்டு 9 வினாடிகள் ஆகும். இந்த இடைவெளிதான் நீங்கள் வாங்கும் வன்பொருளின் செயல்திறன் வேறுபாடு.

இந்த படிநிலையை இவ்வாறு வாசிக்கவும். 8 GB VRAM-க்குக் குறைவாக இருந்தால், SDXL இன்னும் இயங்கும், ஏனெனில் ComfyUI தானாகவே அடுக்குகளை (layers) கணினியின் RAM-க்கு மாற்றும் (offload). இது 1 GB கார்டில் கூட இயங்கும். ஒவ்வொரு படியிலும் இந்த offloading நேரத்தை எடுத்துக்கொள்ளும், எனவே 6 GB கார்டு ஒரு படத்திற்கு முப்பது வினாடிகளுக்குப் பதிலாக ஒரு நிமிடத்திற்கு அருகில் நேரத்தை எடுத்துக்கொள்ளும். 8 GB-ல் அடிப்படை மாதிரி (base model) சரியாகப் பொருந்தும் மற்றும் ரெண்டரிங் வசதியாக இருக்கும். 12 GB-ல் நீங்கள் offloading செய்யாமலேயே checkpoint-உடன் ஒன்று அல்லது இரண்டு ControlNet-களை வைத்திருக்க முடியும். 24 GB-ல் நீங்கள் SDXL, refiner மற்றும் upscaling ஆகியவற்றை ஒரே workflow-ல் இயக்க முடியும், மேலும் LoRA adapters-க்கு பயிற்சி அளிக்கத் தொடங்கலாம், இதற்கு உருவாக்குவதை விட (generating) அதிக நினைவகம் தேவைப்படும்.

CPU VPS-ஆல் செய்யக்கூடியவை மற்றும் செய்ய முடியாதவை

மக்கள் எதிர்பார்ப்பதை விட இது அதிக வேலைகளைச் செய்யும், ஆனால் விளம்பரங்களில் கூறப்படுவதை விடக் குறைவான திறனையே கொண்டிருக்கும். இந்த எல்லைகளைத் தெளிவாகப் புரிந்துகொள்வது அவசியம்.

ஒரு CPU VPS-ல் ComfyUI-ஐ நிறுவ முடியும், அதன் web interface-ஐ இயக்க முடியும், உங்கள் model library-ஐச் சேமிக்க முடியும், queue-வை நிர்வகிக்க முடியும், மேலும் GPU இல்லாமலேயே படங்களை உருவாக்க முடியும். 8 நவீன vCPU மற்றும் 16 GB RAM கொண்ட சூழலில், Stable Diffusion 1.5-ஐப் பயன்படுத்தி 512x512 அளவில் 20 steps-க்கு ஒரு படத்தை உருவாக்க சுமார் 60 முதல் 150 வினாடிகள் வரை ஆகும். இரவு முழுவதும் இயங்கும் batch job-களுக்கோ அல்லது queue-க்குப் பின்னால் இருக்கும் குறைந்த அளவிலான image endpoint-களுக்கோ இது போதுமானது.

CPU VPS-ஆல் interactive பணிகளைச் செய்ய முடியாது. Prompt-களை மாற்றி மாற்றிச் சோதிக்கும்போது, ஒரு மணி நேரத்திற்கு இருபது படங்களை உருவாக்க வேண்டியிருக்கும்; ஆனால் ஒரு படத்திற்கு 13 நிமிடங்கள் வீதம் கணக்கிட்டால், உங்களால் நான்கு படங்களை மட்டுமே உருவாக்க முடியும். மேலும், இதில் training செய்ய முடியாது. CPU-வில் LoRA fine-tuning செய்ய மணிநேரங்கள் அல்ல, நாட்கணக்கில் ஆகும் என்பதால், இந்த வசதி இல்லை என்றே கருத வேண்டும்.

CPU-மட்டும் கொண்ட சூழலில் memory விதி, GPU விதியிலிருந்து மாறுபட்டது. Model weights அனைத்தும் system RAM-ல் ஏற்றப்படும் என்பதால், model-ன் அளவு மற்றும் அதற்கான working space ஆகியவற்றைச் சேர்த்து கணக்கிட வேண்டும்: SDXL-க்கு சுமார் 16 GB RAM-ம், SD 1.5-க்கு சுமார் 8 GB RAM-ம் தேவைப்படும். 4 GB கொண்ட server-ல் ComfyUI தொடங்கும், ஆனால் முதல் render-ன் பாதியிலேயே out-of-memory killer அந்தச் செயல்பாட்டை நிறுத்திவிடும். இது எந்தவித Python traceback-உம் இன்றி, Killed குறியீட்டுடன் dmesg-ல் process மறைந்துபோவதாகக் காட்டும்.

GPU machine-ல் ComfyUI-ஐ நிறுவுதல்

இவை upstream கட்டளைகள். NVIDIA driver ஏற்கனவே உள்ள, சுத்தமான Ubuntu 24.04 நிறுவலிலிருந்து தொடங்கவும். முதலில் driver-ஐ உறுதிப்படுத்தவும், ஏனெனில் இந்தச் சரிபார்ப்பு இல்லையெனில், பிற்காலத்தில் ஏற்படும் அனைத்துப் பிழைகளும் ஒரே மாதிரியாகவே தோன்றும்.

nvidia-smi

nvidia-smi

இது உங்கள் card மற்றும் CUDA version அடங்கிய அட்டவணையை அச்சிட வேண்டும். command not found அல்லது NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver என்று வந்தால், driver விடுபட்டுள்ளது அல்லது மேம்படுத்தலுக்குப் பிறகு kernel module ஏற்றப்படவில்லை என்று பொருள். தொடர்வதற்கு முன் இதைச் சரிசெய்யவும், ஏனெனில் ComfyUI தானாகவே CPU-க்கு மாறிவிடும், அப்போது நீங்கள் மென்பொருளைக் குறை கூறுவீர்கள்.

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/cu124

Virtual environment என்பது விருப்பத்தேர்வு அல்ல, கட்டாயமானது. PyTorch பெரிய அளவிலான dependency-களைக் கொண்டுள்ளது; மற்ற சேவைகள் இயங்கும் ஒரு கணினியில் இதை system-wide ஆக நிறுவினால், மற்ற சேவைகள் பாதிக்கப்படலாம். மேலும் செல்வதற்கு முன், PyTorch-ஆல் card-ஐக் காண முடிகிறதா என்பதைச் சரிபார்க்கவும்.

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 மற்றும் உங்கள் card-ன் பெயர் வந்தால், stack சரியாக வேலை செய்கிறது என்று பொருள். False என்று வந்தால், நீங்கள் நிறுவிய wheel driver-உடன் பொருந்தவில்லை என்று பொருள்; பொதுவாக CPU-மட்டும் கொண்ட torch wheel ஏற்கனவே cache-ல் இருந்ததே இதற்குக் காரணம். மேலே உள்ள index URL-ஐப் பயன்படுத்தி மீண்டும் நிறுவவும்.

மாதிரியைப் பெறுதல் மற்றும் வட்டு இடத்தைத் திட்டமிடுதல்

ComfyUI எந்தவொரு weights-உம் இன்றி வருகிறது. Checkpoints-களை models/checkpoints-லும், VAE கோப்புகளை models/vae-லும், LoRA adapters-களை models/loras-லும் வைக்க வேண்டும்.

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

எப்போதும் .ckpt-ஐ விட .safetensors-க்கு முன்னுரிமை அளிக்க வேண்டும். ஒரு .ckpt கோப்பு என்பது pickled Python object ஆகும்; அதை ஏற்றும்போது, அதை உருவாக்கியவரின் குறியீடு (code) இயங்கும். safetensors வடிவம் tensors-களை மட்டுமே கொண்டிருக்கும், எனவே தீங்கிழைக்கும் கோப்பால் எதையும் இயக்க முடியாது.

வட்டு சேமிப்பகத்தின் செலவை மக்கள் பெரும்பாலும் மறந்துவிடுகிறார்கள். ஒரு SDXL base checkpoint 6.94 GB அளவு கொண்டது. Refiner மாடல் கூடுதலாக 6 GB எடுக்கும். ஒரு ControlNet மாடல் 1.4 முதல் 2.5 GB வரையிலும், upscaler 60 முதல் 350 MB வரையிலும், LoRA 20 முதல் 400 MB வரையிலும் இருக்கும். இதைப் பயன்படுத்தத் தொடங்குபவர்கள் ஒரு வாரத்திற்குள் இரண்டாவது மற்றும் மூன்றாவது base மாடல்களைத் தரவிறக்கம் செய்துவிடுவார்கள். ஒரு செயல்பாட்டு நிறுவலுக்கு (working install) 100 GB வட்டு இடத்தை ஒதுக்குங்கள். அத்துடன் outputs கோப்பகத்தையும் கவனிக்க வேண்டும்: 1024x1024 PNG கோப்புகள் ஒவ்வொன்றும் 1 முதல் 2 MB வரை இருக்கும்; கவனிக்கப்படாத batch செயல்பாடுகள் சிறிய வட்டை விரைவாக நிரப்பிவிடும். models/ மற்றும் output/ ஆகியவற்றை விரிவாக்கக்கூடிய ஒரு volume-ல் வைக்கவும். உங்கள் workflow JSON கோப்புகளை object storage-க்கு என்க்ரிப்ட் செய்யப்பட்ட incremental backups போன்ற ஏதேனும் ஒன்றைப் பயன்படுத்தி காப்புப் பிரதி (backup) எடுக்கவும். Weights-களை மீண்டும் தரவிறக்கம் செய்ய முடியும், ஆனால் நீங்கள் செம்மைப்படுத்திய workflows-களை மீண்டும் பெற முடியாது.

இயக்கி, பாதுகாப்பாக அணுகவும்

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

ComfyUI ஆனது 8188 port-ல் இயங்குகிறது. CPU-மட்டும் கொண்ட கணினியில், --cpu என்பதைச் சேர்க்கவும்; இது CUDA device இல்லாதபோது ஏற்படும் பிழையைத் தவிர்த்து, CPU-ஐப் பயன்படுத்த கட்டாயப்படுத்தும்.

127.0.0.1-ல் bind செய்யவும், 0.0.0.0-ல் செய்ய வேண்டாம். ComfyUI-ல் login திரை அல்லது பயனர் கணக்குகள் கிடையாது. இந்த port-ஐ அணுகும் எவரும் பணிகளை (jobs) வரிசைப்படுத்தலாம், நீங்கள் உருவாக்கிய அனைத்துப் படங்களையும் பார்க்கலாம், மேலும் custom nodes-களை நிறுவலாம்; இது உங்கள் server-ல் தன்னிச்சையான code-ஐ இயக்குவதற்கு (arbitrary code execution) சமம். அதற்குப் பதிலாக, உங்கள் laptop-லிருந்து SSH tunnel வழியாக இதை அணுகவும்.

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

பிறகு உள்ளூர் கணினியில் http://127.0.0.1:8188-ஐத் திறக்கவும். உங்களுக்கு உண்மையான multi-user அணுகல் தேவைப்பட்டால், authentication வசதி கொண்ட ஒரு reverse proxy-ஐ முன்னால் வைத்து, app-ஐ localhost-லேயே bind செய்து வைக்கவும். அங்கீகாரம் இல்லாத எந்தவொரு self-hosted service-க்கும் இதே தர்க்கமே பொருந்தும், மேலும் இது VPS-ல் Docker Compose deployments செய்வதற்கான நிலையான முறையாகும்.

systemd-ன் கீழ் இயங்க வைத்தல்

உங்கள் SSH session முடிவடையும்போது நின்றுவிடும் ஒரு render queue, ஒரு service ஆகாது. இதற்காக ஒரு /etc/systemd/system/comfyui.service-ஐ உருவாக்கவும்.

[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) மற்றும் To see the GUI go to: http://127.0.0.1:8188 என்று பதிவாகியுள்ள log வரி, அது இயங்கிக்கொண்டிருப்பதைக் குறிக்கிறது. ExecStart என்பது virtual environment-க்குள் இருக்கும் interpreter-ஐ நேரடியாகக் குறிப்பிடுகிறது என்பதை கவனத்தில் கொள்க. ஏனெனில், systemd உங்கள் shell profile-ஐ இயக்காது, மேலும் activate ஒருபோதும் நிகழாது.

பட்ஜெட்டின் அடிப்படையில் நடைமுறைப் பரிந்துரை

நீங்கள் image generation-ஐ முயற்சி செய்ய விரும்பினால் மற்றும் வேகத்தை விட செலவு முக்கியம் என்றால், 16 GB RAM கொண்ட CPU VPS-ஐத் தேர்வு செய்யவும். அதில் 512x512 அளவில் SD 1.5-ஐ இயக்கவும்; ஒரு படத்திற்கு ஒன்று அல்லது இரண்டு நிமிடங்கள் ஆவதை ஏற்றுக்கொள்ளுங்கள். இதுவே உண்மையான தொடக்கப் புள்ளியாகும், மேலும் இது GPU கொண்ட எதையும் விட மிகக் குறைந்த செலவிலேயே கிடைக்கும். நீங்கள் முடிவெடுக்கும் வரை, model library மற்றும் workflows-ஐ சேமித்து வைக்க இதுவே சரியான இடமாகும்.

நீங்கள் தினமும் prompts-ஐ மாற்றி அமைப்பவர் என்றால், GPU cloud-லிருந்து குறைந்தது 12 GB VRAM கொண்ட GPU-வை மணிநேர அடிப்படையில் வாடகைக்கு எடுத்து, வேலை முடிந்ததும் அதை நிறுத்திவிடுங்கள். Image generation என்பது அவ்வப்போது செய்யப்படும் வேலை; மாதந்தோறும் கட்டணம் செலுத்தும் வகையில் idle-ஆக இருக்கும் GPU-வே மக்கள் அதிகப்படியாகச் செலவு செய்வதற்கு முக்கிய காரணமாகிறது. Checkpoints-ஐ மலிவான block storage-ல் வைத்து, தேவைப்படும்போது mount செய்யவும்.

நீங்கள் மற்றவர்களுக்குச் சேவை வழங்குகிறீர்கள் அல்லது LoRA adapters-ஐ train செய்கிறீர்கள் என்றால், உங்களுக்கு 24 GB VRAM கொண்ட, எப்போதும் இயங்கக்கூடிய ஒரு machine தேவை. அந்த நிலையில், அதே machine-ல் local language model-ஐயும் இயக்க முடியும். இதற்கான அமைப்பு self-hosting an LLM with Ollama என்பதில் விவரிக்கப்பட்டுள்ளது.

நீங்கள் எந்த நிலையைத் தேர்ந்தெடுத்தாலும், வெளியிடப்பட்ட புள்ளிவிவரங்களை நம்புவதற்கு முன் உங்கள் சொந்த machine-ல் அளவீடு செய்யுங்கள். ஒரே prompt-ஐ ஐந்து முறை வரிசைப்படுத்தி (queue), ComfyUI-ன் console-ல் காட்டப்படும் seconds-per-iteration அளவைப் பார்க்கவும். அந்த எண்ணே உங்கள் உண்மையான செயல்திறன் நிலையாகும்.

FAQ

GPU இல்லாமலேயே என்னால் Stable Diffusion-ஐ இயக்க முடியுமா?

ஆம். ComfyUI-ஐ python main.py --cpu மூலம் இயக்க முடியும், கிராபிக்ஸ் கார்டு இல்லாமலேயே படங்களை உருவாக்க முடியும். 8 நவீன vCPU-களைக் கொண்ட கணினியில், Stable Diffusion 1.5 (512x512) மாடலுக்கு ஒரு படத்திற்கு சுமார் 60 முதல் 150 வினாடிகளும், SDXL (1024x1024) மாடலுக்கு 10 முதல் 20 நிமிடங்களும் ஆகலாம். இது இரவு நேரங்களில் அதிகப்படியான படங்களை உருவாக்கவும், குறைந்த பயன்பாடு கொண்ட endpoints-க்கும் ஏற்றது. ஆனால், prompt-களை அடிக்கடி மாற்றி சோதிப்பதற்கும், மாடல்களைப் பயிற்றுவிப்பதற்கும் (training) இது உகந்தது அல்ல.

SDXL-க்கு எவ்வளவு VRAM தேவை?

8 GB VRAM இருந்தால் SDXL-ஐ 1024x1024 அளவில் தடையின்றி இயக்கலாம். இதைவிடக் குறைவாக இருந்தால், ComfyUI தானாகவே layers-ஐ system RAM-க்கு மாற்றிவிடும்; 1 GB VRAM வரை இது வேலை செய்யும், ஆனால் ஒவ்வொரு முறை தரவுகளை மாற்றும்போதும் கூடுதல் நேரம் எடுக்கும். 12 GB VRAM இருந்தால் checkpoint-உடன் சேர்த்து ControlNet-ஐயும் பயன்படுத்தலாம். 24 GB VRAM இருந்தால் base, refiner மற்றும் upscaling ஆகியவற்றை ஒரே workflow-ல் கையாளலாம்; LoRA adapters-ஐப் பயிற்றுவிக்க இதுவே அடிப்படைத் தேவையாகும்.

மாடல்களுக்கு எவ்வளவு disk space தேவை?

SDXL base checkpoint மட்டும் 6.94 GB, refiner மாடல் கூடுதலாக சுமார் 6 GB எடுக்கும். ControlNet மாடல்கள் ஒவ்வொன்றும் 1.4 முதல் 2.5 GB வரையிலும், LoRA adapters 20 முதல் 400 MB வரையிலும், upscalers 350 MB வரையிலும் இருக்கும். சில அடிப்படை மாடல்களுடன் ஒரு முழுமையான நிறுவலுக்கு 100 GB இட ஒதுக்கீடு செய்யுங்கள். 1024x1024 PNG கோப்புகள் ஒவ்வொன்றும் 1 முதல் 2 MB வரை இருக்கும் என்பதால், output directory-ஐத் தனியாகக் கண்காணிப்பது அவசியம்.

ComfyUI-ஐ பொது இணையத்தில் (public internet) வெளிப்படுத்துவது பாதுகாப்பானதா?

இல்லை. ComfyUI-ல் எந்தவிதமான authentication வசதியும் இல்லை. மேலும், இதன் custom-node அமைப்பு interface மூலமாகவே Python code-ஐ நிறுவி இயக்கும் திறன் கொண்டது. எனவே, ஒரு port-ஐத் திறந்து வைப்பது உங்கள் server-ல் remote code execution ஆபத்தை ஏற்படுத்தும். இதை 127.0.0.1-ல் மட்டும் bind செய்யுங்கள், ssh -N -L 8188:127.0.0.1:8188 you@your-server மூலம் SSH tunnel வழியாக அணுகுங்கள். ஒன்றுக்கும் மேற்பட்ட நபர்கள் பயன்படுத்த வேண்டுமெனில், அதற்கு முன்னால் authentication வசதி கொண்ட ஒரு reverse proxy-ஐப் பயன்படுத்துங்கள்.

பிழைச் செய்தி ஏதுமின்றி எனது render ஏன் நின்றுவிடுகிறது?

dmesg-ல் Killed பிழையுடன் process திடீரென நின்றுவிடுவது ComfyUI-ன் குறைபாடு அல்ல, அது Linux-ன் out-of-memory killer ஆகும். CPU-மட்டும் கொண்ட கணினிகளில் மாடலின் weights system RAM-ல் சேமிக்கப்படும். எனவே, SDXL-க்கு சுமார் 16 GB RAM-ம், SD 1.5-க்கு 8 GB RAM-ம், கூடுதல் வேலை செய்யும் இடமும் (working space) தேவை. RAM-ஐ அதிகரியுங்கள், swap space-ஐச் சேருங்கள் அல்லது சிறிய மாடல்களையும் குறைந்த resolution-ஐயும் பயன்படுத்துங்கள்.