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 gereksinimlerini belirleyen ise modeldir. SDXL sınıfı bir checkpoint dosyası 6.94 GB boyutundadır ve GPU belleğinde tutulması gerekir. Bu tek gerçek, tüm bütçeyi belirler; bu nedenle herhangi bir kiralama yapmadan önce aşağıdaki donanım kademelerini 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 kurulum değildir. Bu tamamen aritmetiktir ve bu kılavuz bunu açıklamaktadır.

Model boyutu makine seçimini neden belirler

Görüntü oluşturma işlemi bir gürültü giderme (denoising) döngüsü çalıştırır. 30 adımlık bir render işlemi, tam modeli görüntü üzerinde 30 kez geçirir ve her geçişte tüm ağırlıkları okur. SDXL, yarım hassasiyette yaklaşık 6.9 GB ağırlığa sahiptir; bu nedenle 30 adımlık bir render, siz görüntüyü görmeden önce bellek üzerinden yaklaşık 200 GB veri taşır.

24 GB video belleğine (VRAM, grafik çipinin yanına lehimlenmiş bellek) sahip bir GPU, saniyede yüzlerce gigabayt hızla okuma yapar ve 6.9 GB'ın tamamını aynı anda tutabilir. Bir CPU VPS ise sistem RAM'ini saniyede onlarca gigabayt hızla okur ve evrişimler (convolutions) için matris donanımına sahip değildir; bu yüzden aynı döngü bir ila iki kat daha yavaş çalışır. Bu, metin modellerini de yöneten aynı bellek bant genişliği argümanıdır ve GPU'lu bir VPS'in ne zaman maliyetine değdiği konusuyla birlikte okunmalıdır.

Görüntü oluşturma, metin oluşturmadan önemli bir noktada ayrılır. Bir sohbet modeli token'ları akış halinde sunar; bu nedenle kelimeler siz okurken belirdiği için yavaş bir makine bile kullanılabilir hissettirir. Bir görüntü ise yalnızca son adım tamamlandığında belirir. Yavaşlık, bir ilerleme çubuğuna bakmak anlamına gelir.

Donanım merdiveni ve gerçek rakamlar

Aşağıdaki blok, Temmuz 2026 itibarıyla 1024x1024 çözünürlükte, 30 adımda, Euler örnekleyici ile tek bir SDXL görseli için tipik değerleri içermektedir. 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 tam olarak budur.

Merdiveni şu şekilde okuyun: 8 GB VRAM'in altında SDXL hala çalışır, çünkü ComfyUI katmanları otomatik olarak sistem RAM'ine aktarır (offload) ve 1 GB gibi düşük bir belleğe sahip kartları bile çalıştırabilir. Aktarım işlemi her adımda zaman kaybına yol açar, bu nedenle 6 GB'lık bir kartta görsel oluşturma süresi otuz saniyeden ziyade bir dakikaya yaklaşır. 8 GB'da temel model belleğe sığar ve render işlemi rahat gerçekleşir. 12 GB'da, checkpoint'in yanında bir veya iki ControlNet modelini aktarım yapmadan tutabilirsiniz. 24 GB'da ise tek bir iş akışında SDXL, refiner ve ölçeklendirme (upscaling) işlemlerini bir arada çalıştırabilir, ayrıca görsel oluşturmaya kıyasla çok daha fazla bellek gerektiren LoRA adaptörleri eğitme sürecine başlayabilirsiniz.

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

Bir CPU VPS, interaktif çalışma imkanı sunamaz. İstemi yinelemek, saatte yirmi render almak demektir; render başına on üç dakika sürdüğünde ise sadece dört adet alabilirsiniz. Ayrıca eğitim (training) yapamaz. CPU üzerinde LoRA ince ayarı (fine-tuning) saatlerle değil günlerle ölçülür, bu nedenle bu özelliği kullanılamaz olarak değerlendirin.

Sadece CPU kullanılan durumlarda 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 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 içinde dmesg ile hiçbir Python izleme çıktısı (traceback) vermeden kaybolmasıyla sonuçlanır.

GPU sunucusuna ComfyUI kurulumu

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

nvidia-smi

nvidia-smi

Bu komut, kartınızı ve bir CUDA sürümünü içeren bir tablo yazdırmalıdır. command not found veya NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver hatası, sürücünün eksik olduğu veya çekirdek modülünün bir yükseltme sonrasında yüklenemediği anlamına gelir. Devam etmeden önce bu sorunu giderin; aksi takdirde ComfyUI sessizce CPU moduna geçecek ve sorunu yazılımda arayacaksınız.

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

Sanal ortam kullanımı isteğe bağlı bir tavsiye değildir. PyTorch geniş bir bağımlılık ağacına sahiptir ve bunu başka servislerin çalıştığı bir sunucuda sistem geneline kurmak, diğer servislerin bozulmasına yol açar. İlerlemeden önce PyTorch'un kartı görüp görmediğini doğrulayın.

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 ve ardından kartınızın adı, yığının (stack) çalıştığı anlamına gelir. False hatası, yüklediğiniz paketin sürücüyle eşleşmediğini gösterir; bu durum genellikle CPU tabanlı bir torch paketinin önbellekte kalmasından kaynaklanır. Yukarıdaki index URL'sini kullanarak yeniden kurulum yapın.

Bir model edinin ve disk planlaması yapın

ComfyUI herhangi bir ağırlık dosyasıyla birlikte 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. .ckpt dosyası, Python nesnelerinin serileştirilmiş halidir 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 alanı, genellikle göz ardı edilen bir maliyet kalemidir. Tek bir SDXL temel checkpoint dosyası 6.94 GB boyutundadır. Refiner modeli ise ek 6 GB yer kaplar. Tek bir ControlNet modeli 1.4 ile 2.5 GB, bir upscaler 60 ile 350 MB ve bir LoRA 20 ile 400 MB arasındadır. Bu işi yapan herkes, bir hafta içinde ikinci ve üçüncü temel modelleri indirir. Çalışır durumda bir kurulum için 100 GB disk alanı ayırın ve çıktı dizinini de izleyin: 1024x1024 boyutundaki PNG dosyalarının her biri 1 ile 2 MB arasındadır ve kontrolsüz bir toplu işlem, küçük bir diski hızla doldurabilir. models/ ve output/ dizinlerini genişletilebilir bir birime taşıyın 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 geri getirilemez.

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, eksik bir CUDA aygıtı nedeniyle hata almamak için --cpu bayrağını ekleyin; bu, CPU yolunu zorunlu kılar.

Servisi 0.0.0.0 adresine değil, 127.0.0.1 adresine bağlayın. ComfyUI'da giriş ekranı veya kullanıcı hesabı sistemi bulunmamaktadır. Porta erişebilen herhangi biri iş kuyruğuna öğe ekleyebilir, oluşturduğunuz tüm görselleri okuyabilir ve özel düğümler (custom nodes) yükleyebilir; bu da sunucunuzda rastgele kod yürütülmesi anlamına gelir. 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 ihtiyaç duyuyorsanız, uygulamanın önüne kimlik doğrulama özellikli bir reverse proxy yerleştirin ve uygulamayı localhost'a bağlı 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 işleme kuyruğu, bir servis değildir. Bir /etc/systemd/system/comfyui.service yazın.

[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 yazan bir günlük satırı, servisin çalıştığı anlamına gelir. ExecStart ifadesinin sanal ortam içindeki yorumlayıcıyı doğrudan adlandırdığına dikkat edin; çünkü systemd kabuk profilinizi çalıştırmaz ve activate hiçbir zaman gerçekleşmez.

Bütçeye göre pragmatik öneri

Görüntü oluşturmayı denemek istiyorsanız ve hızdan ziyade maliyet önemliyse, 16 GB RAM'e sahip bir CPU VPS edinin, SD 1.5 modelini 512x512 çözünürlükte çalıştırın ve görüntü başına bir veya iki dakika beklemeyi göze alın. Bu, giriş seviyesi için dürüst bir yaklaşımdır ve GPU içeren herhangi bir sistemin maliyetinin çok küçük bir kısmına denk gelir. Ayrıca, karar verme sürecinizde model kütüphanesini ve iş akışlarını barındırmak için de doğru noktadır.

Eğer her gün istemler (prompt) üzerinde yinelemeler yapıyorsanız, saatlik ücretlendirme yapan bir GPU bulut servisinden en az 12 GB VRAM kapasiteli bir GPU kiralayın ve işiniz bittiğinde kapatın. Görüntü oluşturma ani ve yoğun iş yükü gerektiren bir süreçtir; aylık faturalandırılan boşta bir GPU, bu alanda en sık karşılaşılan gereksiz harcama yöntemidir. Kontrol noktalarını (checkpoint) ucuz blok depolama birimlerinde tutun ve gerektiğinde bağlayın (mount).

Eğer başkalarına hizmet veriyorsanız veya LoRA adaptörleri eğitiyorsanız, 24 GB VRAM kapasitesine ve sürekli açık tutacağınız bir makineye ihtiyacınız vardır. Bu noktada aynı sunucu, genellikle Ollama ile LLM self-hosting başlığında açıklanan kurulumla yerel bir dil modelini de çalıştırarak kendi maliyetini karşılayacaktır.

Hangi seviyeyi seçerseniz seçin, yayınlanmış herhangi bir veriye inanmadan önce kendi makinenizi ölçün. Aynı istemi beş kez kuyruğa alın ve ComfyUI konsolunda yazan iterasyon başına saniye değerini okuyun. O sayı, sizin gerçek performans seviyenizdir.

FAQ

GPU olmadan Stable Diffusion çalıştırabilir miyim?

Evet. ComfyUI, python main.py --cpu ile çalışır ve herhangi bir grafik kartı olmadan görüntü oluşturabilir. 8 modern vCPU üzerinde Stable Diffusion 1.5 ile 512x512 çözünürlükte görüntü başına yaklaşık 60 ila 150 saniye, SDXL ile 1024x1024 çözünürlükte ise on ila yirmi dakika arasında bir süre beklemelisiniz. Bu süreler, gece boyunca yapılan toplu işlemler ve düşük hacimli uç noktalar için uygundur. Hızlı deneme yanılma süreçleri için uygun değildir ve eğitim işlemleri tamamen imkansızdır.

SDXL için ne kadar VRAM gerekir?

8 GB VRAM, SDXL'i 1024x1024 çözünürlükte rahatça çalıştırmak için yeterlidir. Bu değerin altında ComfyUI, katmanları otomatik olarak sistem RAM'ine aktarır ve yaklaşık 1 GB VRAM'e kadar çalışmaya devam eder; ancak aktarılan her adım zaman kaybına neden olur. 12 GB VRAM, checkpoint ile birlikte bir ControlNet kullanmanıza olanak tanır; 24 GB VRAM ise temel model, refiner ve upscaling işlemlerini tek bir iş akışında birleştirmenizi sağlar ve LoRA adaptörleri eğitmek için pratik alt sınırdır.

Modeller ne kadar disk alanı kaplar?

Yalnızca SDXL temel checkpoint dosyası 6.94 GB boyutundadır ve refiner yaklaşık 6 GB daha ekler. ControlNet modelleri 1.4 ila 2.5 GB, LoRA adaptörleri 20 ila 400 MB, upscaler modelleri ise 350 MB'a kadar yer kaplar. Birkaç temel model içeren çalışan bir kurulum için 100 GB disk alanı ayırın. Çıktı dizinini ayrıca takip edin; çünkü 1024x1024 boyutundaki PNG dosyalarının her biri 1 ila 2 MB yer kaplar.

ComfyUI'ı genel internete açmak güvenli midir?

Hayır. ComfyUI herhangi bir kimlik doğrulama mekanizmasına sahip değildir. Ayrıca özel düğüm (custom-node) sistemi, arayüz üzerinden Python kodu yükleyip çalıştırabildiği için açık bir port, sunucunuzda uzaktan kod yürütülmesine (RCE) olanak tanır. Servisi 127.0.0.1 adresine bağlayın, ssh -N -L 8188:127.0.0.1:8188 you@your-server ile bir SSH tüneli üzerinden erişin ve birden fazla kişinin erişmesi gerekiyorsa önüne kimlik doğrulama yapan bir reverse proxy yerleştirin.

Render işlemim neden hata mesajı vermeden sonlandırıldı?

İşlemin dmesg içinde Killed ile aniden kaybolması ve herhangi bir Python hata izi (traceback) bırakmaması, bir ComfyUI hatası değil, Linux'un bellek yetersizliği (OOM) koruyucusunun bir sonucudur. 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 çözünürlük kullanın.