Self-hosted yapay zeka görsel oluşturucu donanım rehberi

Self-hosted bir yapay zeka görsel oluşturucunun gerçek ihtiyaçları

Self-hosted bir yapay zeka görsel oluşturucu, bir web uygulaması ve bir model dosyasından oluşur. Uygulama ComfyUI'dır ve herhangi bir Linux sunucusunda çalışır. Donanım gereksinimlerinizi belirleyen ise modeldir. SDXL sınıfı bir checkpoint, 6.94 GB boyutunda tek bir dosyadır ve GPU belleğinde tutulması gerekir. Bu tek gerçek, tüm bütçenizi belirler; bu nedenle herhangi bir kiralama yapmadan önce aşağıdaki donanım kademesini inceleyin.

Dürüst bir özet: Sadece CPU içeren bir VPS, yazılımı kurup çalıştırabilir ve daha eski bir Stable Diffusion 1.5 modeliyle 512x512 boyutunda görselleri görsel başına bir veya iki dakikada oluşturabilir. Aynı sunucuda SDXL ile 1024x1024 boyutunda görsel oluşturmak ise görsel başına on ila yirmi dakika sürer. Bu, bozuk bir yapılandırma değildir. Bu tamamen aritmetiktir ve bu kılavuz bunu açıklamaktadır.

Model boyutunun makine seçimini belirleme nedeni

Görüntü oluşturma işlemi bir gürültü giderme (denoising) döngüsü çalıştırır. 30 adımlık bir render işlemi, gürültü gidericiyi ve SDXL modelinin UNet yapısını görüntü üzerinde 30 kez çalıştırır; her geçişte tüm UNet ağırlıkları okunur. İki metin kodlayıcı (text encoder) döngüden önce bir kez, VAE kod çözücü ise döngüden sonra bir kez çalışır; bu nedenle bunlar adım başına maliyetin bir parçası değildir. SDXL modelinin UNet yapısı yarım hassasiyette (half precision) 5.14 GB ağırlığa sahiptir; bu basitleştirilmiş bakış açısıyla 30 adımlık bir render işlemi, siz bir görüntü görmeden önce yaklaşık 154 GB ağırlığı bellekten geçirir ve ara tensörler bunun üzerine ek yük getirir.

24 GB video belleğine (VRAM, grafik yongasının yanına lehimlenmiş bellek) sahip bir GPU, saniyede yüzlerce gigabayt hızla okuma yapar ve 6.9 GB'lık modelin tamamını aynı anda belleğinde tutar. Bir CPU VPS ise sistem RAM'ini saniyede onlarca gigabayt hızla okur ve evrişim (convolution) işlemleri için matris donanımına sahip değildir; bu nedenle aynı döngü, bir ila iki büyüklük derecesi kadar daha yavaş çalışır. Bu, metin modellerini de yöneten aynı bellek bant genişliği argümanıdır ve GPU'lu bir VPS'in maliyetine değdiği durumlar ile birlikte okunmalıdır.

Görüntü oluşturma, metin oluşturmadan önemli bir noktada ayrılır. Bir sohbet modeli token'ları akış halinde sunar; bu nedenle yavaş bir makine bile kullanılabilir hissettirir çünkü siz okurken kelimeler görünmeye devam eder. Bir görüntü ise ancak son adım tamamlandığında ortaya çıkar. Yavaşlık, bir ilerleme çubuğuna bakmak anlamına gelir.

Donanım merdiveni ve gerçek sayılar

Aşağıdaki blok, Temmuz 2026 itibarıyla 1024x1024 çözünürlükte, 30 adımda ve Euler örnekleyici ile üretilen tek bir SDXL görseli için tipik değerleri içerir. Bu değerleri büyüklük mertebesi olarak kabul edin. Örnekleyiciniz, adım sayınız ve çözünürlüğünüz bu değerleri değiştirecektir.

[
  {
    "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 satırı 780 saniyedir, yani yaklaşık on üç dakika. 24 GB kart ise 9 saniyedir. Satın aldığınız performans farkı bu aralıktadır.

Merdiveni şu şekilde okuyun: 8 GB VRAM altındaki sistemlerde SDXL hala çalışır, çünkü ComfyUI, VRAM ve sistem RAM'ini birlikte yöneterek model ağırlıklarını otomatik olarak boşaltır (offload). Ekim 2026 itibarıyla projenin README dosyası, asenkron ağırlık akışı (asynchronous weight streaming) kullanıldığında alt sınırı 4 GB VRAM ve 8 GB sistem RAM'i olarak belirlemektedir. Boşaltma işlemi her adımda zaman kaybettirir; bu nedenle 6 GB bir kartta süre otuz saniyeden ziyade bir dakikaya yaklaşır. 8 GB VRAM ile temel model sığar ve render işlemi rahat gerçekleşir. 12 GB ile checkpoint'in yanında bir veya iki ControlNet modelini boşaltma yapmadan tutabilirsiniz. 24 GB ile tek bir iş akışında SDXL, refiner ve upscaling işlemlerini bir arada yürütebilir, ayrıca LoRA adaptörlerini boş alan bırakarak eğitebilirsiniz. Eğitim süreci bundan daha azına da sığabilir: kohya-ss sd-scripts eğitmeni için hazırlanan SDXL eğitim kılavuzu, LoRA eğitiminin 8 GB GPU belleği ile yapılabileceğini, 10 GB'ın ise önerildiğini belirtir. Bu seviyeye ulaşmak için sadece U-Net'i eğitmeniz, gradient checkpointing özelliğini açmanız, metin kodlayıcı çıktılarını ve latent'leri önbelleğe almanız, 8-bit optimizer veya Adafactor kullanmanız ve 8 GB kartlarda LoRA dim değerini 4 ile 8 arasına düşürmeniz gerekir. Bu betikleri sarmalayan kohya_ss GUI için hazırlanan LoRA kılavuzu daha temkinlidir: LoRA eğitimi için en az 12 GB belleğe sahip bir GPU kullanılmasını önerir.

Bir CPU VPS neleri yapabilir, neleri yapamaz

İnsanların beklentisinden fazlasını yapabilir ancak pazarlama söylemlerinin ima ettiğinden daha azını sunar. Sınırları net bir şekilde belirlemek gerekir.

Bir CPU VPS, ComfyUI kurabilir, web arayüzünü sunabilir, model kütüphanenizi barındırabilir, kuyruğu yönetebilir ve herhangi bir GPU olmadan görüntü oluşturabilir. 8 modern vCPU ve 16 GB RAM üzerinde, Stable Diffusion 1.5 ile 512x512 çözünürlükte ve 20 adımda, görüntü başına yaklaşık 60 ila 150 saniye arasında bir süre beklenmelidir. Gece boyunca çalışan toplu işler veya bir kuyruk arkasındaki düşük hacimli görüntü uç noktaları için bu süre oldukça makuldür.

Bir CPU VPS, etkileşimli çalışma için uygun değildir. İstemi yinelemek, saatte yirmi render almak anlamına gelir; ancak render başına on üç dakika sürdüğünde saatte sadece dört adet alabilirsiniz. Ayrıca eğitim yapamaz. CPU üzerinde LoRA ince ayarı saatlerle değil günlerle ölçülür, bu nedenle bu özelliği kullanılamaz olarak kabul edin.

Sadece CPU kullanılan senaryolarda bellek kuralı, GPU kuralından farklıdır. Ağırlıklar sistem RAM'ine yüklendiği için model boyutuna ek olarak çalışma alanına da ihtiyaç duyarsınız: SDXL için yaklaşık 16 GB RAM, SD 1.5 için ise yaklaşık 8 GB RAM gereklidir. 4 GB'lık bir sunucu ComfyUI'ı başlatır ancak ilk render sırasında out-of-memory killer tarafından sonlandırılır; bu durum, sürecin Killed ile dmesg içinde hiçbir Python traceback hatası vermeden kaybolmasıyla sonuçlanır.

GPU sunucusuna ComfyUI kurulumu

Aşağıdaki komutlar yukarı akış (upstream) kaynaklıdır. NVIDIA sürücüsü halihazırda yüklü olan temiz bir Ubuntu 24.04 kurulumu ile başlayın. İlk olarak sürücüyü doğrulayın; bu kontrol yapılmadığında sonraki tüm hatalar aynı görünür.

nvidia-smi

Bu komut, ekran kartınızı ve bir CUDA sürümünü içeren bir tablo çıktısı vermelidir. command not found veya NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver hatası, sürücünün eksik olduğunu ya da çekirdek modülünün bir güncelleme sonrası yüklenemediğini gösterir. Devam etmeden önce bu sorunu giderin; aksi takdirde ComfyUI sessizce CPU moduna geçecek ve sorunu yazılımda aramanıza neden olacaktır.

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 kullanımı isteğe bağlı bir tavsiye değildir. PyTorch geniş bir bağımlılık ağacına sahiptir; başka servislerin çalıştığı bir sunucuda sistem geneline kurulum yapmak diğer uygulamaların bozulmasına yol açar. İlerlemeden önce PyTorch'un ekran kartını görüp görmediğini doğrulayın.

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

True ve ardından kartınızın adı, yazılım yığınının çalıştığı anlamına gelir. False ise yüklediğiniz paketin sürücüyle uyumsuz olduğunu gösterir; bu durum genellikle CPU tabanlı bir torch paketinin önbellekte kalmasından kaynaklanır. Yukarıdaki index URL adresini kullanarak yeniden kurulum yapın.

Bir model edinin ve disk planlaması yapın

ComfyUI herhangi bir ağırlık dosyası ile gelmez. Checkpoint dosyaları models/checkpoints dizinine, VAE dosyaları models/vae dizinine ve LoRA adaptörleri models/loras dizinine yerleştirilmelidir.

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 formatını tercih edin. Bir .ckpt dosyası, pickle edilmiş bir Python nesnesidir ve bu tür bir dosyanın yüklenmesi, dosyayı oluşturan kişinin kodunu çalıştırır. safetensors formatı ise yalnızca tensörleri barındırır; bu nedenle kötü niyetli bir dosya herhangi bir kod çalıştıramaz.

Depolama, insanların genellikle göz ardı ettiği bir maliyettir. Bir adet SDXL temel checkpoint dosyası 6.94 GB boyutundadır. Refiner modeli ise ek 6 GB yer kaplar. Bir SDXL ControlNet modeli, küçük Canny modeli için 320 MB'tan, tam sürüm yarım hassasiyetli model için 2.5 GB'a kadar değişen boyutlara sahiptir. Bir upscaler modeli küçüktür: standart Real-ESRGAN x4plus modeli 67 MB, anime modeli 17.9 MB ve anime video modeli 2.5 MB'tır. Bir LoRA dosyasının boyutu, onlarca megabayttan ByteDance'in Hyper-SDXL adaptörleri için 787 MB'a kadar çıkabilir. Bu işten keyif alan herkes, bir hafta içinde ikinci ve üçüncü temel modellerini indirir. Çalışır durumdaki bir kurulum için 100 GB disk alanı ayırın ve outputs dizinini de takip edin: 1024x1024 boyutundaki PNG dosyalarının her biri 1 ila 2 MB arasındadır ve gözetimsiz bırakılan bir toplu işlem, küçük bir diski sessizce doldurabilir. models/ ve output/ dizinlerini genişletebileceğiniz bir birime yerleştirin ve iş akışı JSON dosyalarınızı nesne depolama alanına şifreli artımlı yedekler gibi bir yöntemle yedekleyin. Ağırlık dosyaları tekrar indirilebilir, ancak üzerinde ince ayar yaptığınız iş akışları indirilemez.

Çalıştırın ve güvenli bir şekilde erişin

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

ComfyUI, 8188 numaralı port üzerinden hizmet verir. Yalnızca CPU kullanılan bir sunucuda, CUDA aygıtı bulunamadığı için işlemin başarısız olmasını engellemek adına --cpu bayrağını ekleyin.

0.0.0.0 adresine değil, 127.0.0.1 adresine bağlayın. ComfyUI artık hesap desteğine sahip olsa da, bu hesapların hiçbiri sunucunuzu kilitlemez. Ayarlar (Settings) altındaki Kullanıcı (User) bölümünden yapılan giriş, sizi bir Comfy hesabına bağlar ve yerel kurulumda çalışır: Comfy belgeleri e-posta, Google, GitHub ve API anahtarı ile giriş seçeneklerini listeler. Belgeler, bu hesabı iş ortağı düğümlerine ve Comfy Cloud aboneliklerine erişiminiz olarak tanımlar; sunucunuzu parola ile korumanın bir yolu olarak sunmaz. --multi-user bayrağı yalnızca kullanıcı bazlı depolamayı etkinleştirir: Ekim 2026 itibarıyla sunucu, kullanıcı adını bir comfy-user istek başlığından alır ve herhangi bir parola denetimi yapmaz. Porta erişebilen herkes iş kuyruğuna öğe ekleyebilir, oluşturduğunuz tüm görselleri okuyabilir ve eğer sunucuyu --enable-manager ile başlattıysanız, sunucunuzda rastgele kod yürütülmesine neden olacak özel düğümler yükleyebilir. Bunun yerine, dizüstü bilgisayarınızdan bir SSH tüneli aracılığıyla erişim sağlayın.

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

Ardından yerel makinenizde http://127.0.0.1:8188 adresini açın. Gerçek bir çok kullanıcılı erişime ihtiyacınız varsa, uygulamanın önüne kimlik doğrulama özellikli bir reverse proxy yerleştirin ve uygulamayı localhost üzerinde tutmaya devam edin. Aynı mantık, kimlik doğrulaması olmayan tüm self-hosted servisler için geçerlidir ve bu, VPS üzerinde Docker Compose dağıtımları için standart yöntemdir.

systemd altında çalışır durumda tutma

SSH oturumunuz kapandığında sonlanan bir iş kuyruğu, bir servis değildir. Bunu kendi kullanıcı hesabınızla değil, giriş yetkisi olmayan bir comfy kullanıcısı ile çalıştırın: özel düğümler koddur ve bu kod ev dizininize erişim yetkisiyle çalışmamalıdır. Kullanıcıyı oluşturun ve kurulumu onun ev dizinine taşıyın:

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

Sanal ortam, taşıma işleminden sonra da çalışmaya devam eder çünkü unit dosyası python yolunu doğrudan çağırır. Ardından /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) komutu ve To see the GUI go to: http://127.0.0.1:8188 ifadesini içeren bir günlük satırı, servisin çalıştığı anlamına gelir. ExecStart içerisinde sanal ortamdaki yorumlayıcının doğrudan belirtildiğine dikkat edin; çünkü systemd shell profilinizi çalıştırmaz ve activate hiçbir zaman gerçekleşmez.

Bütçeye göre pragmatik öneri

Görüntü oluşturmayı denemek istiyor ve hızdan ziyade maliyeti önemsiyorsanız, 16 GB RAM'e sahip bir CPU VPS kiralayın, SD 1.5 üzerinde 512x512 çözünürlükte çalıştırın ve görüntü başına bir veya iki dakika sürmesini kabul edin. Bu, dürüst bir başlangıç noktasıdır ve GPU içeren herhangi bir sistemin maliyetinin çok küçük bir kısmına mal olur. Ayrıca, karar verme sürecinizde model kütüphanesini ve iş akışlarını barındırmak için doğru yerdir.

İstemler (prompt) üzerinde günlük olarak yineleme yapıyorsanız, saatlik olarak GPU bulut servislerinden en az 12 GB VRAM'e sahip bir GPU kiralayın ve işiniz bittiğinde kapatın. Görüntü oluşturma ani yoğunluklu bir iştir ve aylık faturalandırılan boşta bir GPU, insanların bu alanda en çok aşırı harcama yapma nedenidir. Kontrol noktalarını (checkpoint) ucuz blok depolama alanında tutun ve gerektiğinde mount edin.

Başkalarına hizmet veriyorsanız veya düzenli olarak LoRA adaptörleri eğitiyorsanız, 24 GB VRAM'li ve size ait bir makine planlayın. sd-scripts SDXL kılavuzu, bellek tasarrufu ayarları kullanılarak LoRA eğitiminin 8 GB ile yapılabileceğini (10 GB önerilir) belirtirken, kohya_ss GUI'sinin LoRA kılavuzu en az 12 GB talep etmektedir. sd-scripts kılavuzundaki 24 GB rakamı, 1 batch size ile tam SDXL ince ayarı (fine-tuning) içindir; dolayısıyla 24 GB'lık bir kart, LoRA çalışmalarını karşılar ve ince ayarı da ulaşılabilir kılar. Bu noktada aynı makine, Ollama ile LLM self-hosting bölümünde açıklanan kurulumla yerel bir dil modelini çalıştırarak da kendi maliyetini genellikle karşılar.

Hangi seviyeyi seçerseniz seçin, yayınlanmış herhangi bir rakama inanmadan önce kendi makinenizi ölçün. Aynı istemi beş kez sıraya alın ve ComfyUI'nin konsolunda yazdırdığı saniye/yineleme değerini okuyun. Bu sayı, sizin gerçek performans seviyenizdir.

FAQ

GPU olmadan Stable Diffusion çalıştırabilir miyim?

Evet. ComfyUI, python main.py --cpu ile çalışır ve grafik kartı olmadan gerçek görüntüler oluşturur. 8 modern vCPU üzerinde, 512x512 çözünürlükte Stable Diffusion 1.5 için görüntü başına yaklaşık 60 ila 150 saniye, 1024x1024 çözünürlükte SDXL için ise on ila yirmi dakika arasında bir süre beklemelisiniz. Bu süreler, gece boyunca yapılan toplu işlemler ve düşük hacimli uç noktalar için uygundur. Hızlı komut denemeleri (prompt iteration) için uygun değildir; eğitim süreci ise tamamen imkansızdır.

SDXL için ne kadar VRAM gerekir?

8 GB VRAM, SDXL'i 1024x1024 çözünürlükte rahatça çalıştırır. Bunun altındaki değerlerde ComfyUI, model ağırlıklarını otomatik olarak sistem RAM'ine aktarır ve çalışmaya devam eder. Ekim 2026 itibarıyla README dosyası, 4 GB VRAM ve 8 GB sistem RAM'ini alt sınır olarak belirtmektedir; ancak her aktarım adımı zaman kaybettirir. 12 GB VRAM, checkpoint ile birlikte bir ControlNet kullanmanıza olanak tanır; 24 GB ise tek bir iş akışında temel model, refiner ve ölçeklendirme (upscaling) işlemlerini kapsar. kohya-ss sd-scripts kılavuzu, bellek tasarrufu ayarları kullanıldığında SDXL LoRA eğitiminin 8 GB ile yapılabileceğini (10 GB önerilir) belirtirken, kohya_ss GUI'nin LoRA kılavuzu en az 12 GB talep etmektedir. Tam SDXL ince ayarı (fine-tuning), 1 batch size değeriyle 24 GB gerektirir.

Modeller ne kadar disk alanı kaplar?

Yalnızca SDXL temel checkpoint dosyası 6.94 GB'tır; refiner modeli ise yaklaşık 6 GB daha ekler. SDXL ControlNet modelleri yarım hassasiyette (half precision) 320 MB ile 2.5 GB arasında değişir, LoRA adaptörleri onlarca megabayttan 787 MB'a kadar çıkabilir ve Real-ESRGAN ölçekleyicileri 2.5 MB ile 67 MB arasındadır. Birkaç temel model içeren çalışan bir kurulum için 100 GB disk alanı ayırın. 1024x1024 PNG dosyaları 1 ila 2 MB arasında yer kapladığından, çıktı dizinini ayrıca takip edin.

ComfyUI'ı genel internete açmak güvenli midir?

Hayır. ComfyUI ayarlarındaki Comfy hesap girişi yerel kurulumda çalışır ancak bu, Comfy'nin iş ortağı düğümlerine ve bulut aboneliklerine erişim sağlar; Comfy belgelerinde bunun sunucunuz için bir koruma sağladığına dair hiçbir ifade yoktur. --multi-user bayrağı, herhangi bir parola denetimi yapmadan yalnızca kullanıcı bazlı depolamayı ayırır. ComfyUI-Manager etkinleştirildiğinde arayüz, sunucunuzda çalışan Python kodları olan özel düğümler yükler; bu nedenle açık bir port, uzaktan kod yürütme (remote code execution) riski taşır. Servisi 127.0.0.1 adresine bağlayın, ssh -N -L 8188:127.0.0.1:8188 you@your-server ile SSH tüneli üzerinden erişin ve birden fazla kişinin erişmesi gerekiyorsa önüne kimlik doğrulaması yapan bir reverse proxy yerleştirin.

Oluşturma işlemim neden hata mesajı vermeden sonlandırıldı?

İşlemin dmesg içinde Killed ile kaybolması ve herhangi bir Python hata izi (traceback) bırakmaması, ComfyUI hatası değil, Linux'un bellek yetersizliği (out-of-memory) sonlandırıcısıdır. Yalnızca CPU kullanılan bir sistemde ağırlıklar sistem RAM'inde tutulur; bu nedenle SDXL yaklaşık 16 GB, SD 1.5 ise çalışma alanı dahil yaklaşık 8 GB RAM gerektirir. RAM miktarını artırın, swap alanı ekleyin veya daha küçük bir model ve daha düşük bir çözünürlüğe geçin.