సెల్ఫ్-హోస్టెడ్ AI ఇమేజ్ జనరేటర్‌కు కావాల్సిన హార్డ్‌వేర్

సెల్ఫ్-హోస్టెడ్ AI ఇమేజ్ జనరేటర్‌కు నిజంగా అవసరమైనవి

సెల్ఫ్-హోస్టెడ్ AI ఇమేజ్ జనరేటర్ అంటే ఒక వెబ్ యాప్ మరియు ఒక మోడల్ ఫైల్. ఈ యాప్ పేరు ComfyUI, ఇది ఏదైనా Linux బాక్స్‌పై రన్ అవుతుంది. మీ హార్డ్‌వేర్‌ను నిర్ణయించేది మోడల్ మాత్రమే. SDXL-క్లాస్ చెక్‌పాయింట్ అనేది 6.94 GB పరిమాణం ఉన్న ఒకే ఒక ఫైల్, ఇది GPU మెమరీలో ఉండాలని కోరుకుంటుంది. ఈ ఒక్క అంశమే మొత్తం బడ్జెట్‌ను నిర్ణయిస్తుంది, కాబట్టి మీరు ఏదైనా అద్దెకు తీసుకునే ముందు కింద ఉన్న హార్డ్‌వేర్ క్రమాన్ని చదవండి.

నిజాయితీతో కూడిన సారాంశం: కేవలం CPU మాత్రమే ఉన్న VPS సాఫ్ట్‌వేర్‌ను ఇన్‌స్టాల్ చేసి అందించగలదు. ఇది పాత Stable Diffusion 1.5 మోడల్‌తో 512x512 పరిమాణంలో చిత్రాలను నిమిషం లేదా రెండు నిమిషాల్లో రూపొందించగలదు. అదే బాక్స్‌లో SDXL ఉపయోగించి 1024x1024 పరిమాణంలో చిత్రాలను రూపొందించడానికి పది నుండి ఇరవై నిమిషాలు పడుతుంది. ఇది సెటప్ లోపం కాదు. ఇది కేవలం గణితం, మరియు ఈ గైడ్ దానిని వివరిస్తుంది.

మోడల్ పరిమాణం యంత్ర సామర్థ్యాన్ని ఎందుకు నిర్ణయిస్తుంది

ఇమేజ్ జనరేషన్ ఒక డీనాయిజింగ్ లూప్‌ను రన్ చేస్తుంది. 30-స్టెప్ రెండర్ ప్రక్రియలో పూర్తి మోడల్ ఇమేజ్‌పై 30 సార్లు ప్రసరిస్తుంది, ప్రతి పాస్‌లోనూ అన్ని వెయిట్స్‌ను రీడ్ చేస్తుంది. SDXL హాఫ్ ప్రిసిషన్‌లో సుమారు 6.9 GB వెయిట్స్‌ను కలిగి ఉంటుంది, కాబట్టి ఒక 30-స్టెప్ రెండర్ పూర్తయ్యేలోపు సుమారు 200 GB డేటా మెమరీ ద్వారా ప్రవహిస్తుంది.

24 GB వీడియో మెమరీ (VRAM, గ్రాఫిక్స్ చిప్ పక్కనే ఉండే మెమరీ) ఉన్న GPU సెకనుకు వందల GB వేగంతో డేటాను రీడ్ చేయగలదు మరియు ఇది మొత్తం 6.9 GBని ఒకేసారి తనలో ఉంచుకోగలదు. ఒక CPU VPS సిస్టమ్ RAMను సెకనుకు పదుల GB వేగంతో మాత్రమే రీడ్ చేయగలదు, అంతేకాకుండా కన్వల్యూషన్స్ కోసం ఇందులో మ్యాట్రిక్స్ హార్డ్‌వేర్ ఉండదు, కాబట్టి అదే లూప్ ఒకటి నుండి రెండు రెట్లు నెమ్మదిగా రన్ అవుతుంది. టెక్స్ట్ మోడల్స్‌ను ప్రభావితం చేసే మెమరీ-బ్యాండ్‌విడ్త్ అంశమే ఇక్కడ కూడా వర్తిస్తుంది, దీని గురించి GPU ఉన్న VPS ఎప్పుడు డబ్బుకు తగిన విలువను ఇస్తుంది అనే విభాగంలో చదవడం మంచిది.

టెక్స్ట్ జనరేషన్‌తో పోలిస్తే ఇమేజ్ జనరేషన్‌లో ఒక ముఖ్యమైన తేడా ఉంది. చాట్ మోడల్ టోకెన్లను స్ట్రీమ్ చేస్తుంది, కాబట్టి యంత్రం నెమ్మదిగా ఉన్నా మీరు చదువుతున్నప్పుడే పదాలు కనిపిస్తాయి కాబట్టి అది ఉపయోగకరంగా అనిపిస్తుంది. కానీ ఇమేజ్ మాత్రం చివరి స్టెప్ పూర్తయిన తర్వాతే కనిపిస్తుంది. అంటే, యంత్రం నెమ్మదిగా ఉంటే మీరు ప్రోగ్రెస్ బార్‌ను చూస్తూ వేచి ఉండాల్సిందే.

హార్డ్‌వేర్ నిచ్చెన, వాస్తవ సంఖ్యలతో

కింద ఉన్న బ్లాక్‌లో జూలై 2026 నాటికి, 1024x1024 రిజల్యూషన్, 30 స్టెప్స్, Euler శాంప్లర్‌తో ఒక SDXL ఇమేజ్ తయారీకి సంబంధించిన సాధారణ గణాంకాలు ఉన్నాయి. వీటిని పరిమాణ క్రమంగా (order of magnitude) పరిగణించండి. మీరు ఉపయోగించే శాంప్లర్, స్టెప్ కౌంట్ మరియు రిజల్యూషన్‌ను బట్టి ఈ సమయాలు మారుతుంటాయి.

[
  {
    "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 వరుసలో ఉన్న సమయం 780 సెకన్లు, అంటే సుమారు పదమూడు నిమిషాలు. 24 GB కార్డ్ సమయం 9 సెకన్లు. మీరు కొనుగోలు చేసే హార్డ్‌వేర్ మధ్య ఉన్న వ్యత్యాసం ఇదే.

ఈ నిచ్చెనను ఇలా అర్థం చేసుకోండి. 8 GB VRAM కంటే తక్కువ ఉన్నా కూడా SDXL రన్ అవుతుంది, ఎందుకంటే ComfyUI ఆటోమేటిక్‌గా లేయర్లను సిస్టమ్ RAMకి ఆఫ్‌లోడ్ చేస్తుంది మరియు 1 GB ఉన్న కార్డ్‌తో కూడా పని చేయిస్తుంది. ఆఫ్‌లోడింగ్ వల్ల ప్రతి స్టెప్‌కు సమయం పడుతుంది, కాబట్టి 6 GB కార్డ్ విషయంలో ఒక ఇమేజ్ తయారీకి 30 సెకన్ల కంటే ఒక నిమిషానికి దగ్గరగా సమయం పడుతుంది. 8 GB వద్ద బేస్ మోడల్ సరిపోతుంది మరియు రెండరింగ్ సౌకర్యవంతంగా ఉంటుంది. 12 GB వద్ద మీరు ఆఫ్‌లోడింగ్ చేయకుండానే చెక్‌పాయింట్‌తో పాటు ఒకటి లేదా రెండు ControlNetలను ఉంచవచ్చు. 24 GB వద్ద మీరు ఒకే వర్క్‌ఫ్లోలో SDXL, రిఫైనర్ మరియు అప్‌స్కేలింగ్‌లను రన్ చేయవచ్చు, అలాగే LoRA అడాప్టర్లను ట్రైనింగ్ చేయడం ప్రారంభించవచ్చు; దీనికి ఇమేజ్ జనరేషన్ కంటే చాలా ఎక్కువ మెమరీ అవసరమవుతుంది.

CPU VPS ఏమి చేయగలదు మరియు ఏమి చేయలేదు

ఇది ప్రజలు ఆశించే దానికంటే ఎక్కువ చేయగలదు, మరియు మార్కెటింగ్ పేర్కొన్న దానికంటే తక్కువ చేయగలదు. ఈ పరిమితి విషయంలో స్పష్టంగా ఉండండి.

ఒక CPU VPS లో ComfyUI ని ఇన్‌స్టాల్ చేయవచ్చు, వెబ్ ఇంటర్‌ఫేస్‌ను అందించవచ్చు, మీ మోడల్ లైబ్రరీని నిల్వ చేయవచ్చు, క్యూను నిర్వహించవచ్చు మరియు GPU లేకపోయినా చిత్రాలను రూపొందించవచ్చు. 8 ఆధునిక vCPUలు మరియు 16 GB RAM ఉన్న సిస్టమ్‌లో, Stable Diffusion 1.5 తో 512x512 రిజల్యూషన్ మరియు 20 స్టెప్స్‌తో ఒక చిత్రానికి సుమారు 60 నుండి 150 సెకన్ల సమయం పడుతుంది. రాత్రిపూట నడిచే బ్యాచ్ జాబ్ కోసం లేదా క్యూ వెనుక ఉండే తక్కువ వాల్యూమ్ ఇమేజ్ ఎండ్‌పాయింట్ కోసం, ఇది సరిపోతుంది.

CPU VPS మీకు ఇంటరాక్టివ్ పనిని అందించలేదు. ప్రాంప్ట్ ఇటరేషన్ అంటే గంటకు ఇరవై రెండర్లు, కానీ ఒక్కో దానికి పదమూడు నిమిషాల సమయం పడితే, మీరు గంటకు నాలుగు మాత్రమే పొందగలరు. ఇది శిక్షణ (training) కూడా ఇవ్వలేదు. CPU పై LoRA ఫైన్-ట్యూనింగ్ గంటల్లో కాకుండా రోజుల్లో లెక్కించబడుతుంది, కాబట్టి ఇది అందుబాటులో లేదని భావించండి.

CPU-మాత్రమే ఉన్నప్పుడు మెమరీ నియమం GPU నియమం కంటే భిన్నంగా ఉంటుంది. వెయిట్స్ (weights) సిస్టమ్ RAM లోకి లోడ్ అవుతాయి, కాబట్టి మీకు మోడల్ పరిమాణం మరియు పని చేయడానికి అదనపు స్థలం అవసరం: SDXL కోసం సుమారు 16 GB RAM, మరియు SD 1.5 కోసం సుమారు 8 GB RAM అవసరం. 4 GB ఉన్న బాక్స్‌లో ComfyUI ప్రారంభమవుతుంది, కానీ మొదటి రెండర్ మధ్యలోనే అవుట్-ఆఫ్-మెమరీ కిల్లర్ (out-of-memory killer) ద్వారా ప్రాసెస్ ఆగిపోతుంది. ఇది dmesg లో Killed గా కనిపిస్తుంది మరియు ఎటువంటి Python ట్రేస్‌బ్యాక్ ఉండదు.

GPU మెషీన్‌లో ComfyUIని ఇన్‌స్టాల్ చేయడం

ఇవి అప్‌స్ట్రీమ్ కమాండ్‌లు. NVIDIA డ్రైవర్ ఇప్పటికే ఉన్న క్లీన్ Ubuntu 24.04 ఇన్‌స్టాలేషన్‌తో ప్రారంభించండి. ముందుగా డ్రైవర్‌ను నిర్ధారించుకోండి, ఎందుకంటే ఈ తనిఖీ లేకుండా తర్వాత వచ్చే ప్రతి వైఫల్యం ఒకేలా కనిపిస్తుంది.

nvidia-smi

ఇది మీ కార్డ్ మరియు CUDA వెర్షన్‌తో కూడిన పట్టికను ప్రింట్ చేయాలి. command not found, లేదా NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver అంటే డ్రైవర్ లేదు లేదా అప్‌గ్రేడ్ తర్వాత కెర్నల్ మాడ్యూల్ లోడ్ కాలేదని అర్థం. కొనసాగే ముందు దానిని సరిచేయండి, ఎందుకంటే ComfyUI నిశ్శబ్దంగా CPUకి మారుతుంది మరియు మీరు సాఫ్ట్‌వేర్‌ను నిందిస్తారు.

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

వర్చువల్ ఎన్విరాన్‌మెంట్ అనేది ఐచ్ఛిక సలహా కాదు. PyTorch పెద్ద డిపెండెన్సీ ట్రీని తీసుకుంటుంది, మరియు వేరే ఏదైనా రన్ అయ్యే బాక్స్‌లో దానిని సిస్టమ్-వైడ్‌గా ఇన్‌స్టాల్ చేయడం వల్ల ఇతర అప్లికేషన్లు పాడవుతాయి. మీరు ముందుకు వెళ్లే ముందు PyTorch కార్డ్‌ని గుర్తించగలదని నిర్ధారించుకోండి.

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

True మరియు మీ కార్డ్ పేరు ఉంటే స్టాక్ పనిచేస్తుందని అర్థం. False అంటే మీరు ఇన్‌స్టాల్ చేసిన వీల్ డ్రైవర్‌తో సరిపోలడం లేదని అర్థం, సాధారణంగా CPU-మాత్రమే ఉండే torch వీల్ ఇప్పటికే కాష్‌లో ఉండటం వల్ల ఇలా జరుగుతుంది. పైన పేర్కొన్న ఇండెక్స్ URLతో మళ్లీ ఇన్‌స్టాల్ చేయండి.

మోడల్‌ను పొందడం మరియు డిస్క్ కోసం ప్రణాళిక

ComfyUI ఎటువంటి వెయిట్స్‌తో రాదు. చెక్‌పాయింట్‌లను models/checkpoints లో, VAE ఫైళ్లను models/vae లో, మరియు LoRA అడాప్టర్లను models/loras లో ఉంచాలి.

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

ఎల్లప్పుడూ .ckpt కంటే .safetensors నే ఎంచుకోండి. .ckpt ఫైల్ అనేది ఒక పికల్డ్ (pickled) Python ఆబ్జెక్ట్, కాబట్టి దానిని లోడ్ చేసినప్పుడు దాన్ని తయారు చేసిన వ్యక్తి రాసిన కోడ్ రన్ అవుతుంది. safetensors ఫార్మాట్‌లో కేవలం టెన్సర్లు మాత్రమే ఉంటాయి, కాబట్టి హానికరమైన ఫైల్ ఏదీ రన్ చేయలేదు.

స్టోరేజ్ ఖర్చును చాలామంది మర్చిపోతుంటారు. ఒక SDXL బేస్ చెక్‌పాయింట్ పరిమాణం 6.94 GB ఉంటుంది. రిఫైనర్ మరొక 6 GB ఉంటుంది. ఒక్కో ControlNet మోడల్ 1.4 నుండి 2.5 GB వరకు, అప్‌స్కేలర్ 60 నుండి 350 MB వరకు, మరియు LoRA 20 నుండి 400 MB వరకు ఉంటాయి. ఈ పనిని ఇష్టపడే ఎవరైనా ఒక వారంలోపే రెండో మరియు మూడో బేస్ మోడల్‌ను డౌన్‌లోడ్ చేసుకుంటారు. పని చేసే ఇన్‌స్టాలేషన్ కోసం 100 GB డిస్క్ స్థలాన్ని కేటాయించండి. అలాగే అవుట్‌పుట్స్ డైరెక్టరీని కూడా గమనిస్తూ ఉండండి: 1024x1024 PNG ఫైళ్లు ఒక్కొక్కటి 1 నుండి 2 MB ఉంటాయి, కాబట్టి పర్యవేక్షణ లేని బ్యాచ్ ప్రాసెసింగ్ చిన్న డిస్క్‌ను త్వరగా నింపేస్తుంది. models/ మరియు output/ లను మీరు పెంచుకోగలిగే వాల్యూమ్‌లో ఉంచండి, మరియు మీ వర్క్‌ఫ్లో JSON ఫైళ్లను ఆబ్జెక్ట్ స్టోరేజ్‌కు ఎన్‌క్రిప్టెడ్ ఇంక్రిమెంటల్ బ్యాకప్‌లు వంటి వాటితో బ్యాకప్ తీసుకోండి. వెయిట్స్‌ను మళ్లీ డౌన్‌లోడ్ చేసుకోవచ్చు, కానీ మీరు ట్యూన్ చేసిన వర్క్‌ఫ్లోలను మళ్లీ పొందలేరు.

దీన్ని రన్ చేయండి మరియు సురక్షితంగా యాక్సెస్ చేయండి

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

ComfyUI అనేది 8188 పోర్ట్‌లో రన్ అవుతుంది. కేవలం CPU మాత్రమే ఉన్న బాక్స్‌లో, --cpuని జోడించండి. ఇది CUDA పరికరం లేనప్పుడు ఫెయిల్ అవ్వకుండా, CPU పాత్‌ను బలవంతంగా ఉపయోగిస్తుంది.

దీన్ని 127.0.0.1కి బైండ్ చేయండి, 0.0.0.0కి కాదు. ComfyUIలో లాగిన్ స్క్రీన్ లేదా యూజర్ అకౌంట్లు ఉండవు. ఈ పోర్ట్‌ను యాక్సెస్ చేయగలిగే ఎవరైనా జాబ్‌లను క్యూలో ఉంచవచ్చు, మీరు జనరేట్ చేసిన ప్రతి ఇమేజ్‌ను చూడవచ్చు మరియు కస్టమ్ నోడ్స్‌ను ఇన్‌స్టాల్ చేయవచ్చు. ఇది మీ సర్వర్‌లో ఏకపక్ష కోడ్ ఎగ్జిక్యూషన్‌కు (arbitrary code execution) దారితీస్తుంది. కాబట్టి, మీ ల్యాప్‌టాప్ నుండి SSH టన్నెల్ ద్వారా దీన్ని యాక్సెస్ చేయండి.

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

ఆ తర్వాత మీ లోకల్ మెషీన్‌లో http://127.0.0.1:8188ని ఓపెన్ చేయండి. మీకు నిజమైన మల్టీ-యూజర్ యాక్సెస్ అవసరమైతే, దాని ముందు అథెంటికేషన్‌తో కూడిన రివర్స్ ప్రాక్సీని ఉంచండి మరియు అప్లికేషన్‌ను localhostకి మాత్రమే బైండ్ చేసి ఉంచండి. అథెంటికేషన్ లేని ఏ సెల్ఫ్-హోస్టెడ్ సర్వీస్‌కైనా ఇదే వర్తిస్తుంది. VPSలో Docker Compose డిప్లాయ్‌మెంట్స్లో ఇది ప్రామాణిక పద్ధతి.

systemd కింద రన్ చేయడం

మీ SSH సెషన్ ముగిసినప్పుడు ఆగిపోయే రెండర్ క్యూ (render queue) ఒక సర్వీస్ కాదు. /etc/systemd/system/comfyui.service ని రాయండి.

[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) మరియు To see the GUI go to: http://127.0.0.1:8188 అని ఉన్న లాగ్ లైన్ అది రన్ అవుతోందని సూచిస్తాయి. ExecStart వర్చువల్ ఎన్విరాన్‌మెంట్‌లోని ఇంటర్‌ప్రెటర్‌ను నేరుగా పేర్కొంటుందని గమనించండి, ఎందుకంటే systemd మీ షెల్ ప్రొఫైల్‌ను రన్ చేయదు మరియు activate ఎప్పటికీ జరగదు.

బడ్జెట్ పరంగా ఆచరణాత్మక సిఫార్సు

మీరు ఇమేజ్ జనరేషన్‌ను ప్రయత్నించాలనుకుంటే మరియు వేగం కంటే ఖర్చు ముఖ్యమైతే, 16 GB RAM ఉన్న CPU VPSని తీసుకోండి. SD 1.5ని 512x512 పరిమాణంలో రన్ చేయండి. ప్రతి ఇమేజ్‌కు ఒకటి లేదా రెండు నిమిషాల సమయం పడుతుందని గుర్తించండి. ఇది సరైన ప్రారంభ స్థానం, మరియు GPU ఉన్న సర్వర్లతో పోలిస్తే దీని ఖర్చు చాలా తక్కువ. మీరు నిర్ణయం తీసుకునే వరకు మోడల్ లైబ్రరీని మరియు వర్క్‌ఫ్లోలను హోస్ట్ చేయడానికి కూడా ఇది సరైన ప్రదేశం.

మీరు ప్రతిరోజూ ప్రాంప్ట్‌లను మారుస్తుంటే, GPU క్లౌడ్ నుండి కనీసం 12 GB VRAM ఉన్న GPUని గంటల ప్రాతిపదికన అద్దెకు తీసుకోండి. పని పూర్తయ్యాక దానిని షట్‌డౌన్ చేయండి. ఇమేజ్ జనరేషన్ అనేది అప్పుడప్పుడు చేసే పని. ఖాళీగా ఉన్న GPUకి నెలవారీ బిల్లు చెల్లించడం వల్ల అనవసరమైన ఖర్చులు పెరుగుతాయి. చెక్‌పాయింట్‌లను తక్కువ ధరలో లభించే బ్లాక్ స్టోరేజ్‌లో ఉంచి, వాటిని మౌంట్ చేయండి.

మీరు ఇతరులకు సేవలు అందిస్తుంటే లేదా LoRA అడాప్టర్లను ట్రైన్ చేస్తుంటే, మీకు 24 GB VRAM మరియు సొంతంగా ఒక మెషీన్ అవసరం. ఆ దశలో, అదే మెషీన్ Ollamaతో సొంతంగా LLMని హోస్ట్ చేయడంలో వివరించిన విధంగా లోకల్ లాంగ్వేజ్ మోడల్‌ను రన్ చేయడానికి కూడా ఉపయోగపడుతుంది.

మీరు ఏ స్థాయిని ఎంచుకున్నా, ప్రచురించబడిన గణాంకాలను నమ్మే ముందు మీ స్వంత మెషీన్‌పై పరీక్షించండి. ఒకే ప్రాంప్ట్‌ను ఐదుసార్లు క్యూలో ఉంచండి. ComfyUI కన్సోల్‌లో చూపించే సెకన్ల సమయాన్ని గమనించండి. ఆ సంఖ్యే మీ అసలైన పనితీరు స్థాయి.

FAQ

నేను GPU లేకుండా Stable Diffusionని రన్ చేయగలనా?

అవును. ComfyUI, python main.py --cpuతో రన్ అవుతుంది మరియు గ్రాఫిక్స్ కార్డ్ లేకపోయినా చిత్రాలను రూపొందిస్తుంది. 8 ఆధునిక vCPUలపై, Stable Diffusion 1.5 (512x512) కోసం ప్రతి చిత్రానికి సుమారు 60 నుండి 150 సెకన్లు, మరియు SDXL (1024x1024) కోసం పది నుండి ఇరవై నిమిషాల సమయం పడుతుంది. ఇది రాత్రిపూట బ్యాచ్ ప్రాసెసింగ్‌కు మరియు తక్కువ వాల్యూమ్ ఎండ్‌పాయింట్‌లకు సరిపోతుంది. ప్రాంప్ట్ ఇటరేషన్ కోసం ఇది పనికిరాదు, మరియు ట్రైనింగ్ చేయడం అసాధ్యం.

SDXL కోసం నాకు ఎంత VRAM అవసరం?

8 GB VRAM ఉంటే SDXLని 1024x1024 వద్ద సులభంగా రన్ చేయవచ్చు. అంతకంటే తక్కువ ఉంటే, ComfyUI ఆటోమేటిక్‌గా లేయర్‌లను సిస్టమ్ RAMకి మారుస్తుంది (offload). ఇది సుమారు 1 GB VRAM వరకు పనిచేస్తుంది, కానీ ప్రతి ఆఫ్‌లోడ్ చేసిన స్టెప్ సమయాన్ని తీసుకుంటుంది. 12 GB VRAM ఉంటే చెక్‌పాయింట్‌తో పాటు ControlNetని కూడా ఉంచుకోవచ్చు. 24 GB VRAM ఉంటే బేస్, రిఫైనర్ మరియు అప్‌స్కేలింగ్‌ను ఒకే వర్క్‌ఫ్లోలో చేయవచ్చు, ఇది LoRA అడాప్టర్ల ట్రైనింగ్‌కు ప్రాథమిక అవసరం.

మోడల్స్‌కు ఎంత డిస్క్ స్పేస్ అవసరం?

SDXL బేస్ చెక్‌పాయింట్ మాత్రమే 6.94 GB ఉంటుంది, రిఫైనర్ అదనంగా సుమారు 6 GB తీసుకుంటుంది. ControlNet మోడల్స్ ఒక్కొక్కటి 1.4 నుండి 2.5 GB వరకు, LoRA అడాప్టర్లు 20 నుండి 400 MB వరకు, మరియు అప్‌స్కేలర్లు 350 MB వరకు ఉంటాయి. కొన్ని బేస్ మోడల్స్‌తో కూడిన ఇన్‌స్టాలేషన్ కోసం 100 GB స్పేస్ కేటాయించండి. అవుట్‌పుట్ డైరెక్టరీని విడిగా గమనిస్తూ ఉండండి, ఎందుకంటే 1024x1024 PNG ఫైల్స్ ఒక్కొక్కటి 1 నుండి 2 MB వరకు ఉంటాయి.

ComfyUIని పబ్లిక్ ఇంటర్నెట్‌లో ఉంచడం సురక్షితమేనా?

కాదు. ComfyUIలో ఎటువంటి అథెంటికేషన్ లేదు. దీని కస్టమ్-నోడ్ సిస్టమ్ ఇంటర్‌ఫేస్ ద్వారా Python కోడ్‌ను ఇన్‌స్టాల్ చేసి రన్ చేస్తుంది, కాబట్టి ఓపెన్ పోర్ట్ ఉంటే మీ సర్వర్‌లో రిమోట్ కోడ్ ఎగ్జిక్యూషన్ జరిగే ప్రమాదం ఉంది. దీన్ని 127.0.0.1కి బైండ్ చేయండి, ssh -N -L 8188:127.0.0.1:8188 you@your-serverతో SSH టన్నెల్ ద్వారా యాక్సెస్ చేయండి, మరియు ఒకటి కంటే ఎక్కువ మందికి యాక్సెస్ అవసరమైతే అథెంటికేషన్ ఉన్న రివర్స్ ప్రాక్సీని ముందు ఉంచండి.

ఎర్రర్ మెసేజ్ లేకుండా నా రెండర్ ఎందుకు ఆగిపోయింది?

dmesgలో Killedతో ప్రాసెస్ అదృశ్యమై, ఎటువంటి Python ట్రేస్‌బ్యాక్ కనిపించకపోతే, అది ComfyUI బగ్ కాదు, Linux అవుట్-ఆఫ్-మెమరీ కిల్లర్ కారణం. CPU-మాత్రమే ఉన్న బాక్స్‌లో వెయిట్స్ సిస్టమ్ RAMలో ఉంటాయి, కాబట్టి SDXLకి సుమారు 16 GB మరియు SD 1.5కి సుమారు 8 GB RAM, అదనంగా వర్కింగ్ స్పేస్ అవసరం. RAM పెంచండి, స్వాప్ (swap) జోడించండి, లేదా చిన్న మోడల్ మరియు తక్కువ రిజల్యూషన్‌కు మారండి.