Kendinden Barındırılan AI Görüntü Üretici Donanımı

Kendinden barındırılan bir yapay zeka görüntü oluşturucunun gerçekten gerektirdikleri

Kendinden barındırılan bir yapay zeka görüntü oluşturucu, bir web uygulaması ile bir model dosyasından oluşur. Uygulama ComfyUI'dir ve herhangi bir Linux sunucusunda çalışır. Donanım gereksinimlerini belirleyen modeldir. SDXL sınıfı bir checkpoint, 6.94 GB boyutunda tek bir dosyadır ve GPU belleğinde tutulmak ister. Bütçenin tamamını belirleyen temel nokta budur. Bu nedenle herhangi bir sunucu kiralamadan önce aşağıdaki donanım seçeneklerini inceleyin.

Gerçekçi özet şöyledir: Yalnızca CPU kullanan bir VPS yazılımı kurup sunabilir. Ayrıca eski bir Stable Diffusion 1.5 modeliyle 512x512 boyutunda görüntüleri görüntü başına bir veya iki dakikada oluşturabilir. Aynı sunucuda SDXL kullanılarak 1024x1024 boyutunda görüntü oluşturmak ise görüntü başına on ila yirmi dakika sürer. Bu, kurulumun bozuk olduğu anlamına gelmez. Bu süreler donanım hesaplamasının sonucudur ve bu kılavuz bunları açıklar.

Model boyutu makineyi neden belirler

Görüntü oluşturma işlemi bir gürültü giderme döngüsü çalıştırır. 30 adımlı bir oluşturma işleminde modelin tamamı görüntü üzerinde 30 kez çalıştırılır ve her adımda tüm ağırlıklar okunur. SDXL, yarı hassasiyette yaklaşık 6.9 GB ağırlık içerir. Bu nedenle bir görüntü görmeden önce her 30 adımlı işlemde bellek üzerinden yaklaşık 200 GB veri geçirilir.

24 GB video belleğine (VRAM; grafik yongasının yanına lehimlenmiş bellek) sahip bir GPU, saniyede yüzlerce gigabayt hızında okuma yapar ve 6.9 GB'ın tamamını aynı anda tutar. CPU tabanlı bir VPS, sistem RAM'ini saniyede onlarca gigabayt hızında okur ve evrişim işlemleri için matris donanımına sahip değildir. Bu nedenle aynı döngü bir ila iki büyüklük mertebesi daha yavaş çalışır. Bu, metin modellerinin performansını belirleyen bellek bant genişliğiyle aynı etkendir. Konu, GPU'lu bir VPS'in ne zaman gerçekten maliyetini karşıladığı açıklamayla birlikte okunmalıdır.

Görüntü oluşturma, önem taşıyan bir açıdan metin oluşturmadan farklıdır. Bir sohbet modeli belirteçleri akış olarak gönderir. Bu nedenle sözcükler okunurken görüntülendiği için yavaş bir makine yine de kullanılabilir hissettirir. Görüntü yalnızca son adım tamamlandığında görüntülenir. Yavaşlık, ilerleme çubuğuna bakmak anlamına gelir.

Gerçek sayılarla donanım basamakları

Aşağıdaki blokta, Temmuz 2026 itibarıyla 1024x1024 boyutunda, 30 adımlı ve Euler sampler kullanılan tek bir SDXL görüntüsü için tipik değerler yer alır. Bu değerleri yaklaşık büyüklükler olarak değerlendirin. sampler, adım sayısı ve çözünürlük bu değerleri değiştirir.

[
  {
    "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 satırındaki değer 780 saniyedir; bu, yaklaşık on üç dakikaya karşılık gelir. 24 GB karttaki değer 9 saniyedir. Satın aldığınız donanım farkı budur.

Basamakları şu şekilde değerlendirin. 8 GB VRAM altında SDXL yine çalışır; çünkü ComfyUI katmanları otomatik olarak sistem RAM'ine aktarır ve 1 GB kadar az belleğe sahip bir kartı bile kullanabilir. Aktarma işlemi her adımda zaman kaybettirir. Bu nedenle 6 GB kartta görüntü başına süre otuz saniyeden çok bir dakikaya yaklaşır. 8 GB'ta temel model sığar ve oluşturma işlemi rahat gerçekleşir. 12 GB'ta ControlNet veya iki ControlNet'i checkpoint ile birlikte aktarma yapmadan bellekte tutabilirsiniz. 24 GB'ta SDXL'yi refiner ve upscaling ile birlikte tek bir iş akışında çalıştırabilirsiniz. Ayrıca, görüntü oluşturmaya kıyasla çok daha fazla bellek gerektiren LoRA adapter'larını eğitmeye başlayabilirsiniz.

CPU VPS’nin yapabilecekleri ve yapamayacakları

Beklenenden fazlasını yapabilir, ancak pazarlama söylemlerinin ima ettiğinden daha azını yapar. Sınırı net olarak belirlemek gerekir.

CPU VPS, ComfyUI’yi kurabilir, web arayüzünü sunabilir, model kitaplığınızı barındırabilir, kuyruğu çalıştırabilir ve hiç GPU olmadan görüntü üretebilir. Stable Diffusion 1.5 ile 512x512 çözünürlükte ve 20 adımda, 16 GB RAM’e sahip 8 modern vCPU üzerinde görüntü başına yaklaşık 60 ila 150 saniye beklenmelidir. Gece boyunca çalışan bir toplu iş veya kuyruk arkasında çalışan düşük hacimli bir görüntü uç noktası için bu performans gerçekten yeterlidir.

CPU VPS etkileşimli çalışmayı sağlayamaz. İstem yineleme süreci saatte yirmi oluşturma anlamına gelir. Her biri on üç dakika sürdüğünde yalnızca dört görüntü elde edilir. Ayrıca eğitim de yapılamaz. CPU üzerinde LoRA ince ayarı saatlerle değil, günlerle ölçülür. Bu nedenle kullanılamaz olarak değerlendirilmelidir.

Yalnızca CPU kullanılan sistemlerde bellek kuralı, GPU kuralından farklıdır. Ağırlıklar sistem RAM’ine yüklenir. Bu nedenle model boyutuna ek olarak çalışma alanı da gerekir: SDXL için yaklaşık 16 GB RAM, SD 1.5 için yaklaşık 8 GB RAM. 4 GB belleğe sahip bir sistem ComfyUI’yi başlatır. Ardından ilk oluşturma işlemi tamamlanmadan out-of-memory killer tarafından sonlandırılır. Bu durum, sürecin Killed içindeki dmesg ile birlikte herhangi bir Python traceback olmadan ortadan kaybolması şeklinde görülür.

GPU makinesine ComfyUI kurulumu

Bunlar upstream komutlarıdır. NVIDIA sürücüsü zaten kurulu olan temiz bir Ubuntu 24.04 kurulumu ile başlayın. Önce sürücüyü doğrulayın. Bu kontrol yapılmazsa sonraki tüm hatalar aynı şekilde görünür.

nvidia-smi

Çıktıda kartınızı ve bir CUDA sürümünü içeren bir tablo görüntülenmelidir. command not found veya NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver, sürücünün eksik olduğu ya da yükseltme sonrasında kernel modülünün yüklenmediği anlamına gelir. Devam etmeden önce sorunu düzeltin. Aksi durumda ComfyUI sessizce CPU kullanımına geçer ve sorunun yazılımda olduğunu düşünürsünüz.

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

Sanal ortam isteğe bağlı bir öneri değildir. PyTorch büyük bir bağımlılık ağacı kurar. Başka uygulamalar çalıştıran bir makineye sistem genelinde kurulum yapılması, diğer uygulamaların bozulmasına neden olur. Devam etmeden önce PyTorch'un kartı görebildiğini doğrulayın.

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

True ile birlikte kart adınızın görüntülenmesi, yığının çalıştığı anlamına gelir. False, kurduğunuz wheel paketinin sürücüyle eşleşmediği anlamına gelir. Bunun yaygın nedeni, yalnızca CPU kullanan bir torch wheel paketinin önceden önbelleğe alınmış olmasıdır. Yukarıdaki index URL ile yeniden kurulum yapın.

Bir model edinin ve disk kapasitesini planlayın

ComfyUI herhangi bir ağırlık dosyası içermez. Checkpoint dosyalarını models/checkpoints, VAE dosyalarını models/vae ve LoRA adaptörlerini models/loras dizinine yerleştirin.

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

Her zaman .ckpt yerine .safetensors kullanın. .ckpt dosyası, serileştirilmiş bir Python nesnesidir. Bu dosyanın yüklenmesi, dosyayı oluşturan kişinin kodunu çalıştırır. safetensors biçimi yalnızca tensörleri içerir. Bu nedenle kötü amaçlı bir dosya kod çalıştıramaz.

Depolama alanı, çoğu kişinin gözden kaçırdığı maliyettir. Tek bir SDXL base checkpoint dosyası 6.94 GB yer kaplar. Refiner için ayrıca 6 GB gerekir. Tek bir ControlNet modeli 1.4 ila 2.5 GB, bir upscaler 60 ila 350 MB ve bir LoRA 20 ila 400 MB yer kaplar. Bu işle ilgilenen kişiler bir hafta içinde ikinci ve üçüncü base model dosyasını indirir. Çalışan bir kurulum için 100 GB disk alanı ayırın. Ayrıca outputs dizinini de izleyin. 1024x1024 PNG dosyalarının her biri 1 ila 2 MB boyutundadır. Denetimsiz bir toplu işlem küçük bir diski sessizce doldurabilir. models/ ve output/ dizinlerini büyütülebilen bir birimde tutun. İş akışı JSON dosyalarını nesne depolamaya şifreli artımlı yedeklemeler gibi bir yöntemle yedekleyin. Ağırlık dosyaları yeniden indirilebilir. İnce ayar yaptığınız iş akışları yeniden oluşturulamaz.

Çalıştırın ve güvenli şekilde erişin

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

ComfyUI, 8188 numaralı portta hizmet verir. Yalnızca CPU kullanılan bir sistemde --cpu eklenmelidir. Bu seçenek, CUDA cihazı bulunamadığında işlemin başarısız olması yerine CPU yolunu zorlar.

127.0.0.1 adresine bağlanın, 0.0.0.0 adresine değil. ComfyUI'de giriş ekranı ve kullanıcı hesapları yoktur. Porta erişebilen herkes iş kuyruğuna görev ekleyebilir, oluşturduğunuz tüm görüntüleri okuyabilir ve özel düğümler yükleyebilir. Bu, sunucuda rastgele kod çalıştırılmasına olanak verir. Bunun yerine dizüstü bilgisayarınızdan bir SSH tüneli üzerinden erişin.

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

Ardından yerel olarak http://127.0.0.1:8188 adresini açın. Gerçek çok kullanıcılı erişim gerekiyorsa, önüne kimlik doğrulamalı bir ters proxy yerleştirin ve uygulamayı localhost'a bağlı tutun. Aynı yaklaşım, kimlik doğrulaması olmayan tüm self-hosted hizmetler için geçerlidir. Bu, VPS üzerindeki Docker Compose dağıtımlarında kullanılan standart modeldir.

systemd altında çalışmaya devam etmesini sağlama

SSH oturumu kapandığında duran bir işleme kuyruğu servis değildir. /etc/systemd/system/comfyui.service dosyasını oluşturun.

[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) ve To see the GUI go to: http://127.0.0.1:8188 günlük satırı, hizmetin çalıştığını gösterir. ExecStart sanal ortam içindeki yorumlayıcıyı doğrudan belirtir. Bunun nedeni, systemd'nin kabuk profilinizi çalıştırmaması ve activate işleminin hiçbir zaman gerçekleşmemesidir.

Bütçeye göre pratik öneri

Görüntü üretimini denemek istiyor ve maliyet hıza göre daha önemliyse 16 GB RAM içeren bir CPU VPS kullanın, SD 1.5'i 512x512 çözünürlükte çalıştırın ve görüntü başına bir veya iki dakika beklemeyi kabul edin. Bu, dürüst bir başlangıç noktasıdır ve GPU içeren seçeneklerin tamamından çok daha düşük maliyetlidir. Kararınızı verene kadar model kitaplığını ve iş akışlarını barındırmak için de uygun yerdir.

İstemleri her gün yinelemeli olarak geliştiriyorsanız bir GPU cloud sağlayıcısından saatlik olarak en az 12 GB VRAM içeren bir GPU kiralayın ve işlemi durdurduğunuzda kapatın. Görüntü üretimi yoğunluğu değişken bir iş yüküdür. Kullanılmadığı halde aylık ücretlendirilen bir GPU, bu alanda gereğinden fazla harcama yapmanın en yaygın nedenidir. Checkpoint'leri düşük maliyetli block storage üzerinde tutun ve bunları mount edin.

Başka kişilere hizmet sunuyorsanız veya LoRA adapter'ları eğitiyorsanız 24 GB VRAM'e ve sürekli çalışır durumda tutacağınız bir makineye ihtiyacınız vardır. Bu noktada aynı makine genellikle bir local language model çalıştırarak da maliyetini karşılar. Bu kurulum Ollama ile bir LLM'yi self-host etme bölümünde açıklanmaktadır.

Hangi seçeneği tercih ederseniz edin, yayımlanmış herhangi bir değere güvenmeden önce kendi makinenizi ölçün. Aynı prompt'u beş kez kuyruğa alın ve ComfyUI'nin konsolunda yazdırdığı saniye/iterasyon değerini okuyun. Bu değer, seçenekler arasındaki gerçek konumunuzu gösterir.

FAQ

Stable Diffusion GPU olmadan çalıştırılabilir mi?

Evet. ComfyUI, python main.py --cpu ile çalışır ve grafik kartı olmadan gerçek görüntüler oluşturur. 8 modern vCPU üzerinde Stable Diffusion 1.5 için 512x512 boyutunda görüntü başına yaklaşık 60 ila 150 saniye, SDXL için 1024x1024 boyutunda görüntü başına 10 ila 20 dakika beklenmelidir. Bu süreler gece boyunca çalıştırılan toplu işler ve düşük hacimli uç noktalar için uygundur. İstem yineleme işlemleri için uygun değildir. Eğitim ise tamamen mümkün değildir.

SDXL için ne kadar VRAM gerekir?

8 GB, SDXL'yi 1024x1024 boyutunda rahatça çalıştırır. Bunun altında ComfyUI katmanları otomatik olarak sistem RAM'ine aktarır ve yaklaşık 1 GB VRAM'e kadar çalışmaya devam eder. Ancak aktarılan her adım süreyi artırır. 12 GB, bir ControlNet'i checkpoint ile birlikte bellekte tutmayı sağlar. 24 GB ise temel model, refiner ve upscaling işlemlerini tek bir iş akışında çalıştırmaya yeterlidir. Bu kapasite, LoRA adapter'larını eğitmek için pratik alt sınırdır.

Modeller ne kadar disk alanı gerektirir?

Yalnızca SDXL base checkpoint 6.94 GB yer kaplar. Refiner yaklaşık 6 GB daha ekler. ControlNet modellerinin her biri 1.4 ila 2.5 GB, LoRA adapter'ları 20 ila 400 MB, upscaler'lar ise 350 MB'a kadar yer kaplar. Birkaç temel model içeren çalışır durumdaki kurulum için 100 GB ayırın. Çıktı dizinini ayrıca izleyin. 1024x1024 PNG dosyalarının her biri 1 ila 2 MB olabilir.

ComfyUI'yi herkese açık internete açmak güvenli mi?

Hayır. ComfyUI herhangi bir kimlik doğrulama mekanizmasına sahip değildir. Ayrıca custom-node sistemi, arayüz üzerinden Python kodu yükleyip çalıştırır. Bu nedenle açık bir port, sunucunuzda uzaktan kod çalıştırma anlamına gelir. 127.0.0.1 adresine bind edin. ssh -N -L 8188:127.0.0.1:8188 you@your-server ile SSH tunnel üzerinden erişin. Birden fazla kişinin erişmesi gerekiyorsa önüne kimlik doğrulamalı bir reverse proxy koyun.

Render işlemi neden hata mesajı olmadan sonlandırıldı?

dmesg içinde Killed ile birlikte işlemin kaybolması ve herhangi bir Python traceback görülmemesi, ComfyUI hatası değil, Linux out-of-memory killer işlemidir. Yalnızca CPU kullanılan bir sistemde ağırlıklar sistem RAM'inde tutulur. Bu nedenle SDXL yaklaşık 16 GB, SD 1.5 ise yaklaşık 8 GB RAM ve buna ek olarak çalışma alanı gerektirir. RAM veya swap ekleyin. Alternatif olarak daha küçük bir model ve daha düşük çözünürlük kullanın.