Self-hosted AI امیج جنریٹر کے لیے درکار ہارڈویئر

خود میزبان (self-hosted) AI امیج جنریٹر کو درحقیقت کن چیزوں کی ضرورت ہوتی ہے

ایک خود میزبان AI امیج جنریٹر دراصل ایک ویب ایپ اور ایک ماڈل فائل پر مشتمل ہوتا ہے۔ اس ایپ کا نام ComfyUI ہے، اور یہ کسی بھی Linux مشین پر چل سکتی ہے۔ ماڈل کا انتخاب ہی آپ کے ہارڈویئر کی ضروریات طے کرتا ہے۔ SDXL-class کا ایک چیک پوائنٹ 6.94 GB کی ایک فائل ہوتی ہے، جسے GPU میموری میں لوڈ ہونا ضروری ہے۔ یہی ایک حقیقت پورے بجٹ کا تعین کرتی ہے، لہذا کسی بھی سرور کو کرائے پر لینے سے پہلے نیچے دی گئی ہارڈویئر کی درجہ بندی کو ضرور پڑھیں۔

ایماندارانہ خلاصہ یہ ہے کہ: صرف CPU والا VPS سافٹ ویئر کو انسٹال اور سروس فراہم کر سکتا ہے، اور یہ پرانے Stable Diffusion 1.5 ماڈل کے ساتھ 512x512 سائز کی تصاویر بنا سکتا ہے۔ اس گائیڈ کا اکتوبر 2026 کا تخمینہ فی تصویر ایک سے دو منٹ تھا، اور SDXL کے لیے 1024x1024 سائز پر دس سے بیس منٹ کا وقت درکار تھا۔ ان اوقات کی موجودہ ہارڈویئر پر دوبارہ تصدیق نہیں کی گئی ہے۔ یہ کوئی خراب سیٹ اپ نہیں ہے۔ یہ محض ریاضی ہے، اور یہ گائیڈ اسی کی وضاحت کرتی ہے۔

ماڈل کا سائز مشین کے انتخاب کا تعین کیوں کرتا ہے

تصویر کی تخلیق ایک denoising لوپ پر مشتمل ہوتی ہے۔ 30 مراحل پر مبنی رینڈر، denoiser یعنی SDXL کے UNet کو تصویر پر 30 بار چلاتا ہے، اور ہر پاس (pass) کے دوران تمام UNet ویٹس (weights) کو پڑھا جاتا ہے۔ دو ٹیکسٹ انکوڈرز لوپ سے پہلے ایک بار چلتے ہیں اور VAE لوپ کے بعد ایک بار ڈیکوڈ کرتا ہے، لہذا یہ فی مرحلہ لاگت کا حصہ نہیں ہیں۔ SDXL کا UNet ہاف پریسیژن (half precision) میں 5.14 GB ویٹس پر مشتمل ہے، اس لیے اس سادہ نقطہ نظر سے ایک 30 مراحل کا رینڈر تصویر دکھانے سے پہلے تقریباً 154 GB ویٹس کو میموری سے گزارتا ہے، اور درمیانی ٹینسرز (intermediate tensors) اس کے علاوہ مزید بوجھ ڈالتے ہیں۔

ایک GPU جس میں 24 GB ویڈیو میموری (VRAM، جو گرافکس چپ کے ساتھ لگی ہوتی ہے) ہو، وہ سینکڑوں گیگا بائٹس فی سیکنڈ کی رفتار سے ڈیٹا پڑھتا ہے، اور یہ تمام 6.9 GB کو ایک ساتھ ہولڈ کر سکتا ہے۔ ایک CPU VPS سسٹم RAM کو دسیوں گیگا بائٹس فی سیکنڈ کی رفتار سے پڑھتا ہے۔ رفتار کا یہ فرق صرف میموری کی گنجائش پر نہیں بلکہ CPU اور GPU پر منحصر ہے۔ یہ وہی میموری بینڈوڈتھ کا استدلال ہے جو ٹیکسٹ ماڈلز پر لاگو ہوتا ہے، اور اسے کب GPU والا VPS واقعی پیسے کے قابل ہوتا ہے کے ساتھ پڑھنا مفید ہے۔

تصویر کی تخلیق، ٹیکسٹ کی تخلیق سے ایک اہم پہلو میں مختلف ہے۔ ایک چیٹ ماڈل ٹوکنز کو اسٹریم کرتا ہے، اس لیے سست مشین بھی قابل استعمال محسوس ہوتی ہے کیونکہ الفاظ آپ کے پڑھنے کے دوران ظاہر ہوتے رہتے ہیں۔ تصویر صرف اس وقت ظاہر ہوتی ہے جب آخری مرحلہ مکمل ہو جائے۔ سست ہونے کا مطلب ہے پروگریس بار کو گھورتے رہنا۔

ہارڈ ویئر کا درجہ بندی، حقیقی اعداد و شمار کے ساتھ

نیچے دیا گیا بلاک 1024x1024 ریزولوشن، 30 سٹیپس، اور Euler سیمپلر پر ایک SDXL امیج کے لیے جولائی 2026 کے تخمینوں کو محفوظ رکھتا ہے۔ یہ تاریخی ٹائمنگز موجودہ ہارڈ ویئر پر دوبارہ تصدیق شدہ نہیں ہیں۔ انہیں صرف ایک اندازے کے طور پر لیں۔ آپ کا سیمپلر، سٹیپ کاؤنٹ اور ریزولوشن ان اعداد و شمار کو تبدیل کر سکتے ہیں۔

[
  {
    "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 کی قطار 780 سیکنڈز ہے، جو تقریباً تیرہ منٹ بنتے ہیں۔ 24 GB کارڈ 9 سیکنڈز لیتا ہے۔ یہ وہ فرق ہے جس کے لیے آپ سرمایہ کاری کر رہے ہیں۔

اس درجہ بندی کو اس طرح پڑھیں۔ 8 GB VRAM سے کم پر بھی SDXL چلتا ہے، کیونکہ ComfyUI VRAM اور سسٹم RAM کو ایک ساتھ منظم کرتا ہے اور ماڈل ویٹس کو خودکار طور پر آف لوڈ کر دیتا ہے۔ اکتوبر 2026 تک، پروجیکٹ کی README کے مطابق، اس کی اسنکرونس ویٹ سٹریمنگ کا استعمال کرتے ہوئے صرف 4 GB VRAM اور 8 GB سسٹم RAM کے ساتھ ماڈلز چلائے جا سکتے ہیں۔ زیادہ VRAM ہونے سے ControlNet، ریفائنر اور اپ اسکیلنگ کے لیے آف لوڈنگ کے بغیر گنجائش پیدا ہوتی ہے؛ ورک فلو یہ طے کرتا ہے کہ کتنا ڈیٹا فٹ ہو سکتا ہے۔ ٹریننگ اس سے بھی کم میں ممکن ہے: kohya-ss sd-scripts ٹرینر کے لیے SDXL ٹریننگ گائیڈ کہتی ہے کہ LoRA ٹریننگ 8 GB GPU میموری کے ساتھ کی جا سکتی ہے، جبکہ 10 GB کی سفارش کی جاتی ہے۔ اس مقصد کے حصول کے لیے یہ گائیڈ آپ کو صرف U-Net کو ٹرین کرنے، گریڈینٹ چیک پوائنٹنگ کو آن کرنے، ٹیکسٹ انکوڈر آؤٹ پٹس اور لیٹنٹس کو کیش کرنے، 8-bit آپٹیمائزر یا Adafactor استعمال کرنے، اور 8 GB کارڈ پر LoRA dim کو 4 سے 8 تک کم کرنے کا مشورہ دیتی ہے۔ kohya_ss GUI کے لیے LoRA گائیڈ، جو ان اسکرپٹس کو ریپ کرتی ہے، زیادہ محتاط ہے: یہ کہتی ہے کہ LoRA ٹریننگ کے لیے کم از کم 12 GB میموری والا GPU استعمال کریں۔

ایک CPU VPS کیا کر سکتا ہے اور کیا نہیں

یہ لوگوں کی توقعات سے زیادہ کام کر سکتا ہے، اور مارکیٹنگ کے دعووں سے کم۔ اس حد کے بارے میں واضح رہیں۔

ایک CPU VPS پر ComfyUI انسٹال کیا جا سکتا ہے، ویب انٹرفیس چلایا جا سکتا ہے، ماڈل لائبریری رکھی جا سکتی ہے، کیو (queue) کو سنبھالا جا سکتا ہے، اور بغیر کسی GPU کے تصاویر تیار کی جا سکتی ہیں۔ Stable Diffusion 1.5 کے ساتھ 512x512 ریزولوشن اور 20 سٹیپس پر، اس گائیڈ کا اکتوبر 2026 کا تخمینہ 8 جدید vCPUs اور 16 GB RAM پر فی تصویر تقریباً 60 سے 150 سیکنڈ تھا۔ رات بھر چلنے والے بیچ جاب (batch job) یا کیو کے پیچھے موجود کم حجم والے امیج اینڈ پوائنٹ کے لیے یہ بالکل مناسب ہے۔

ایک CPU VPS انٹرایکٹو کام کے لیے موزوں نہیں ہے۔ پرامپٹ میں تبدیلی کا مطلب ایک گھنٹے میں بیس رینڈرز ہے، اور 13 منٹ فی رینڈر کے تاریخی تخمینے کے مطابق آپ صرف چار رینڈر حاصل کر پائیں گے۔ ٹریننگ کے لیے GPU کا استعمال کریں۔

صرف CPU والے سیٹ اپ کے لیے میموری کا اصول GPU کے اصول سے مختلف ہے۔ ویٹس (weights) سسٹم RAM میں لوڈ ہوتے ہیں، لہذا ماڈل اور ورکنگ اسپیس کے لیے بجٹ مختص کریں؛ SDXL کے لیے 16 GB اور SD 1.5 کے لیے 8 GB منصوبہ بندی کے بجٹ ہیں، نہ کہ حتمی ضروریات۔ 4 GB والا باکس میموری ختم ہونے کا شکار ہو سکتا ہے، لیکن صرف RAM کی گنجائش یہ طے نہیں کرتی کہ Linux کب پروسیس کو ختم (kill) کرے گا۔ Swap، میموری کی حدود اور ایلوکیشن پالیسی اہمیت رکھتی ہے۔ اوور کمٹ موڈ 2 (overcommit mode 2) کے ساتھ، Linux عام طور پر ان ایلوکیشنز کو مسترد کر دیتا ہے جو اس کی کمٹ لمٹ سے تجاوز کر جاتی ہیں، بجائے اس کے کہ جب پروسیس ان پیجز تک رسائی حاصل کرے تو اسے ختم کر دیا جائے۔

GPU مشین پر ComfyUI انسٹال کریں

یہ upstream کمانڈز ہیں۔ ایک صاف ستھری Ubuntu 24.04 انسٹالیشن سے شروع کریں جس میں NVIDIA ڈرائیور پہلے سے موجود ہو۔ سب سے پہلے ڈرائیور کی تصدیق کریں، کیونکہ اس چیک کے بغیر بعد میں آنے والی ہر ناکامی ایک جیسی دکھائی دیتی ہے۔

nvidia-smi

nvidia-smi

یہ آپ کے کارڈ اور CUDA ورژن کے ساتھ ایک ٹیبل پرنٹ کرے گا۔ command not found، یا NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver کا مطلب ہے کہ ڈرائیور غائب ہے یا اپ گریڈ کے بعد kernel module لوڈ نہیں ہوا۔ جاری رکھنے سے پہلے اسے ٹھیک کریں، کیونکہ ComfyUI کا ڈیفالٹ NVIDIA پاتھ کام کرنے والے CUDA ڈیوائس کے بغیر ناکام ہو جاتا ہے؛ CPU پر ایگزیکیوشن کے لیے --cpu درکار ہوتا ہے۔ نیچے دیے گئے CUDA 13.0 wheels کے لیے 580 سیریز یا اس سے نیا NVIDIA ڈرائیور درکار ہے۔

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/cu130

ورچوئل انوائرنمنٹ کوئی اختیاری مشورہ نہیں ہے۔ PyTorch ایک بڑی dependency tree کھینچتا ہے، اور اسے سسٹم لیول پر ایسی مشین پر انسٹال کرنا جو کچھ اور بھی چلا رہی ہو، دوسری چیزوں کے خراب ہونے کا سبب بنتا ہے۔ مزید آگے بڑھنے سے پہلے تصدیق کریں کہ PyTorch کارڈ کو دیکھ سکتا ہے۔

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 اور آپ کے کارڈ کا نام ظاہر ہونے کا مطلب ہے کہ اسٹیک کام کر رہا ہے۔ اگر CUDA دستیاب نہ ہو تو، یہ کمانڈ کارڈ کا نام مانگتے وقت ایرر دیتی ہے۔ CUDA wheels کو دوبارہ انسٹال کرنے سے پہلے ڈرائیور، GPU کی ویزیبلٹی اور انسٹال شدہ PyTorch بلڈ کو چیک کریں۔

ماڈل حاصل کریں، اور ڈسک کے لیے منصوبہ بندی کریں

ComfyUI کسی بھی weights کے بغیر آتا ہے۔ Checkpoints کو models/checkpoints میں، VAE فائلز کو models/vae میں، اور LoRA اڈاپٹرز کو models/loras میں رکھا جاتا ہے۔

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

ہمیشہ .ckpt پر .safetensors کو ترجیح دیں۔ pickle پر مبنی checkpoint ایک غیر محدود لوڈر کے ذریعے کوڈ چلا سکتا ہے؛ موجودہ ComfyUI ان فائلز کے لیے PyTorch کا محدود weights_only=True لوڈر استعمال کرتا ہے۔ safetensors فارمیٹ tensors کو pickle کے کوڈ ایگزیکیوشن میکانزم کے بغیر اسٹور کرتا ہے۔

اسٹوریج وہ لاگت ہے جسے لوگ اکثر بھول جاتے ہیں۔ ایک SDXL بیس checkpoint کا سائز 6.94 GB ہے۔ Refiner مزید 6 GB لیتا ہے۔ ایک SDXL ControlNet ماڈل چھوٹے Canny ماڈل کے لیے 320 MB سے لے کر ہاف پریسجن پر مکمل ماڈل کے لیے 2.5 GB تک ہوتا ہے۔ ایک اپ اسکیلر چھوٹا ہوتا ہے: معیاری Real-ESRGAN x4plus ماڈل 67 MB کا ہے، اس کا اینیمی ماڈل 17.9 MB کا، اور اس کا اینیمی ویڈیو ماڈل 2.5 MB کا ہے۔ ایک LoRA کا سائز دسیوں میگا بائٹس سے لے کر ByteDance کے Hyper-SDXL اڈاپٹرز کے لیے 787 MB تک ہو سکتا ہے۔ جو بھی اس کام سے لطف اندوز ہوتا ہے، وہ ایک ہفتے کے اندر دوسرا اور تیسرا بیس ماڈل ڈاؤن لوڈ کر لیتا ہے۔ ایک فعال انسٹالیشن کے لیے 100 GB ڈسک کا بجٹ رکھیں، اور outputs ڈائریکٹری پر بھی نظر رکھیں: PNG کا سائز تصویر کے مواد اور میٹا ڈیٹا پر منحصر ہوتا ہے، اور ایک غیر زیر نگرانی بیچ (batch) چھوٹی ڈسک کو خاموشی سے بھر سکتا ہے۔ models/ اور output/ کو ایسے والیوم پر رکھیں جسے آپ بڑھا سکیں، اور اپنی ورک فلو JSON فائلز کا بیک اپ آبجیکٹ اسٹوریج پر انکرپٹڈ انکریمنٹل بیک اپس جیسی کسی چیز کے ساتھ رکھیں۔ Weights کو دوبارہ ڈاؤن لوڈ کیا جا سکتا ہے۔ وہ ورک فلوز جنہیں آپ نے ٹیون کیا ہے، انہیں دوبارہ حاصل نہیں کیا جا سکتا۔

اسے چلائیں اور محفوظ طریقے سے رسائی حاصل کریں

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

ComfyUI پورٹ 8188 پر سروس فراہم کرتا ہے۔ صرف CPU والے باکس پر، --cpu شامل کریں، جو CUDA ڈیوائس نہ ملنے پر ناکام ہونے کے بجائے CPU پاتھ کو زبردستی استعمال کرتا ہے۔

اسے 127.0.0.1 پر بائنڈ کریں، نہ کہ 0.0.0.0 پر۔ ComfyUI میں اب اکاؤنٹس موجود ہیں، لیکن ان میں سے کوئی بھی آپ کے سرور کو لاک نہیں کرتا۔ Settings کے تحت User سیکشن میں لاگ ان آپ کو Comfy اکاؤنٹ میں سائن ان کرتا ہے، اور یہ لوکل انسٹالیشن پر کام کرتا ہے: Comfy کی دستاویزات میں ای میل، Google، GitHub اور API کی سائن ان درج ہیں۔ دستاویزات اس اکاؤنٹ کو پارٹنر نوڈز اور Comfy Cloud سبسکرپشنز تک آپ کی رسائی کے طور پر بیان کرتی ہیں، اور ان میں سے کوئی بھی اسے آپ کے اپنے سرور کو پاس ورڈ سے محفوظ کرنے کے طریقے کے طور پر پیش نہیں کرتا۔ --multi-user فلیگ صرف فی صارف اسٹوریج کو فعال کرتا ہے: اکتوبر 2026 تک، سرور صارف کی ID کو comfy-user ریکویسٹ ہیڈر سے لیتا ہے اور کسی پاس ورڈ کی جانچ نہیں کرتا۔ پورٹ تک پہنچنے والی کوئی بھی چیز جابز کو قطار میں لگا سکتی ہے اور تیار کردہ تصاویر حاصل کر سکتی ہے۔ --enable-manager کے ساتھ، کسٹم نوڈ کی تنصیب بھی آپ کے سرور پر کوڈ چلاتی ہے، جو مینیجر کی سیکیورٹی سیٹنگز کے تابع ہے۔ موجودہ مینیجر ڈیفالٹس من مانی Git URL اور اسٹینڈ الون pip انسٹالیشنز کو مسترد کرتے ہیں؛ ان راستوں کو فعال کرنے کے لیے واضح فلیگز اور لوپ بیک لسنر کی ضرورت ہوتی ہے۔ رجسٹرڈ نوڈ کی تنصیب اپنی معمول کی سیکیورٹی پالیسی کے تحت دستیاب رہتی ہے۔ اس کے بجائے اپنے لیپ ٹاپ سے SSH ٹنل کے ذریعے اس تک رسائی حاصل کریں۔

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

پھر مقامی طور پر http://127.0.0.1:8188 کھولیں۔ اگر آپ کو حقیقی ملٹی یوزر رسائی کی ضرورت ہو تو اس کے سامنے تصدیق (authentication) کے ساتھ ایک ریورس پراکسی لگائیں اور ایپ کو localhost پر بائنڈ رکھیں۔ یہی استدلال کسی بھی غیر تصدیق شدہ سیلف ہوسٹڈ سروس پر لاگو ہوتا ہے، اور یہ VPS پر Docker Compose تعیناتیوں میں معیاری طریقہ کار ہے۔

اسے systemd کے تحت چلتا رکھیں

ایک render queue جو آپ کا SSH سیشن بند ہونے پر ختم ہو جائے، وہ service نہیں ہے۔ اسے ایک ایسے comfy صارف کے طور پر چلائیں جس کے پاس لاگ ان کی سہولت نہ ہو، نہ کہ اپنے طور پر: کسٹم نوڈز کوڈ ہوتے ہیں، اور اس کوڈ کو آپ کی home ڈائریکٹری تک رسائی نہیں ہونی چاہیے۔ صارف بنائیں اور تنصیب کو اس کی home ڈائریکٹری میں منتقل کریں:

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

منتقلی کے بعد virtual environment کو دوبارہ بنائیں، کیونکہ انسٹال شدہ اسکرپٹس میں اس کے پرانے مقام کے absolute paths موجود ہوتے ہیں۔

sudo -u comfy python3 -m venv --clear /home/comfy/ComfyUI/venv
sudo -u comfy /home/comfy/ComfyUI/venv/bin/python -m pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu130
sudo -u comfy /home/comfy/ComfyUI/venv/bin/python -m pip install -r /home/comfy/ComfyUI/requirements.txt

پھر /etc/systemd/system/comfyui.service لکھیں۔

[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) اور To see the GUI go to: http://127.0.0.1:8188 پر مشتمل ایک log لائن کا مطلب ہے کہ یہ چل رہا ہے۔ نوٹ کریں کہ ExecStart براہ راست virtual environment کے اندر موجود interpreter کا نام لیتا ہے، کیونکہ systemd آپ کا shell profile نہیں چلاتا اور activate کبھی نہیں ہوتا۔

بجٹ کے لحاظ سے عملی سفارشات

اگر آپ image generation آزمانا چاہتے ہیں اور رفتار کے مقابلے میں لاگت زیادہ اہم ہے، تو 16 GB RAM والا CPU VPS لیں، 512x512 پر SD 1.5 چلائیں، اور کسی بھی ورک لوڈ کا فیصلہ کرنے سے پہلے اپنے رینڈرنگ کے وقت کی پیمائش کریں۔ یہ جگہ ماڈل لائبریری اور ورک فلو کو ہوسٹ کرنے کے لیے بھی مناسب ہے جب تک آپ حتمی فیصلہ نہ کر لیں۔

اگر آپ روزانہ پرامپٹس (prompts) پر کام کرتے ہیں، تو GPU کلاؤڈ سے کم از کم 12 GB VRAM والا GPU گھنٹے کے حساب سے کرائے پر لیں، اور کام ختم ہونے پر اسے بند کر دیں۔ Image generation ایک وقفے وقفے سے ہونے والا کام ہے، اور ماہانہ بل پر چلنے والا بیکار GPU وہ سب سے عام طریقہ ہے جس سے لوگ یہاں زیادہ خرچ کر بیٹھتے ہیں۔ چیک پوائنٹس (checkpoints) کو سستے بلاک اسٹوریج پر رکھیں اور انہیں ماؤنٹ کریں۔

اگر آپ دوسروں کو سروس فراہم کرتے ہیں، یا باقاعدگی سے LoRA adapters کی تربیت (training) کرتے ہیں، تو 24 GB VRAM والی مشین کا منصوبہ بنائیں جسے آپ مستقل رکھ سکیں۔ sd-scripts SDXL گائیڈ کے مطابق LoRA ٹریننگ 8 GB کے ساتھ کی جا سکتی ہے، جس کے لیے 10 GB کی سفارش کی گئی ہے، بشرطیکہ میموری بچانے والی سیٹنگز استعمال کی جائیں، جبکہ kohya_ss GUI کی LoRA گائیڈ کم از کم 12 GB کا تقاضا کرتی ہے۔ یہ گائیڈ 24 GB کے ساتھ batch size 1 پر SDXL فائن ٹیوننگ کی بھی وضاحت کرتی ہے، جس میں U-Net-only ٹریننگ، gradient checkpointing، cached text-encoder outputs اور latents، اور Adafactor کے استعمال کی سفارش کی گئی ہے۔ یہ ایک مشروط کنفیگریشن ہے، نہ کہ پورے ماڈل کی ٹریننگ کے لیے میموری کی عالمی ضرورت۔ اس سطح پر، وہی مشین عام طور پر مقامی لینگویج ماڈل چلانے کے لیے بھی کارآمد ثابت ہوتی ہے، جو کہ Ollama کے ساتھ LLM کو self-host کرنے کے طریقہ کار میں بیان کیا گیا ہے۔

آپ جس بھی سطح کا انتخاب کریں، کسی بھی شائع شدہ اعداد و شمار پر یقین کرنے سے پہلے اپنی مشین پر پیمائش کریں۔ ایک ہی پرامپٹ کو 5 بار کیو (queue) میں لگائیں اور ComfyUI کے کنسول میں ظاہر ہونے والے seconds-per-iteration کو پڑھیں۔ یہ نمبر آپ کی اصل پوزیشن ہے۔

FAQ

کیا میں بغیر GPU کے Stable Diffusion چلا سکتا ہوں؟

جی ہاں۔ ComfyUI کو python main.py --cpu کے ساتھ چلایا جا سکتا ہے اور یہ بغیر گرافکس کارڈ کے بھی تصاویر تیار کر سکتا ہے۔ اس گائیڈ کے اکتوبر 2026 کے تخمینے کے مطابق، 8 جدید vCPUs پر Stable Diffusion 1.5 (512x512) کے لیے فی تصویر تقریباً 60 سے 150 سیکنڈ، اور SDXL (1024x1024) کے لیے 10 سے 20 منٹ درکار تھے۔ یہ اوقات موجودہ ہارڈویئر پر دوبارہ تصدیق شدہ نہیں ہیں۔ یہ رفتار رات بھر کے بیچ پروسیسنگ اور کم حجم والے endpoints کے لیے موزوں ہے۔ prompt iteration اور training کے لیے GPU کا استعمال کریں۔

SDXL کے لیے مجھے کتنی VRAM درکار ہے؟

ComfyUI ماڈل ویٹس کو خودکار طور پر سسٹم RAM میں منتقل کر دیتا ہے، اس لیے صرف VRAM کی گنجائش ہر SDXL ورک فلو کے لیے کم از کم حد کا تعین نہیں کرتی۔ اکتوبر 2026 تک، اس کی README کے مطابق، asynchronous weight streaming کا استعمال کرتے ہوئے 4 GB VRAM اور 8 GB سسٹم RAM کے ساتھ بھی ماڈلز چلائے جا سکتے ہیں۔ ControlNet، refiner اور upscaling میموری کے بجٹ میں اضافہ کرتے ہیں۔ kohya-ss sd-scripts گائیڈ کے مطابق، اگر آپ میموری بچانے والی سیٹنگز استعمال کریں تو SDXL LoRA ٹریننگ 8 GB کے ساتھ ممکن ہے (10 GB کی سفارش کی جاتی ہے)، جبکہ kohya_ss GUI کی LoRA گائیڈ کم از کم 12 GB کا تقاضا کرتی ہے۔ sd-scripts گائیڈ 24 GB کے ساتھ batch size 1 پر fine-tuning کی وضاحت کرتی ہے، جس میں U-Net-only ٹریننگ، gradient checkpointing، cached text-encoder outputs اور latents، نیز Adafactor کے استعمال کی سفارش کی گئی ہے۔ یہ مکمل ماڈل ٹریننگ کے لیے 24 GB کی عالمی ضرورت قائم نہیں کرتی۔

ماڈلز کو کتنی ڈسک اسپیس درکار ہوتی ہے؟

صرف SDXL بیس چیک پوائنٹ 6.94 GB کا ہے، اور refiner تقریباً 6 GB کا اضافہ کرتا ہے۔ SDXL ControlNet ماڈلز نصف درستگی (half precision) پر 320 MB سے 2.5 GB تک، LoRA اڈاپٹرز دسیوں میگا بائٹس سے 787 MB تک، اور Real-ESRGAN اپ اسکیلرز 2.5 MB سے 67 MB تک ہوتے ہیں۔ چند بنیادی ماڈلز کے ساتھ ورکنگ انسٹالیشن کے لیے 100 GB کا بجٹ رکھیں، اور آؤٹ پٹ ڈائریکٹری کو الگ سے مانیٹر کریں، کیونکہ PNG کا سائز تصویر کے مواد اور میٹا ڈیٹا پر منحصر ہوتا ہے۔

کیا ComfyUI کو پبلک انٹرنیٹ پر ایکسپوز کرنا محفوظ ہے؟

نہیں۔ ComfyUI کی سیٹنگز میں Comfy اکاؤنٹ لاگ ان مقامی انسٹالیشن سے کام کرتا ہے، لیکن یہ آپ کو Comfy کے پارٹنر نوڈز اور کلاؤڈ سبسکرپشنز تک رسائی دیتا ہے، اور Comfy کی دستاویزات میں اسے سرور کے تحفظ کے طور پر پیش نہیں کیا گیا ہے۔ --multi-user فلیگ صرف پاس ورڈ چیک کیے بغیر فی صارف اسٹوریج کو الگ کرتا ہے۔ ComfyUI-Manager فعال ہونے پر، اجازت یافتہ کسٹم نوڈ انسٹالیشنز آپ کے سرور پر Python کوڈ چلاتی ہیں۔ مینیجر کی سیکیورٹی سیٹنگز انسٹالیشن کے راستوں کو محدود کرتی ہیں، لیکن وہ ComfyUI تک رسائی کی تصدیق (authenticate) نہیں کرتیں۔ اسے 127.0.0.1 پر بائنڈ کریں، ssh -N -L 8188:127.0.0.1:8188 you@your-server کے ساتھ SSH ٹنل کے ذریعے رسائی حاصل کریں، اور اگر ایک سے زیادہ افراد کو رسائی درکار ہو تو اس کے سامنے ایک تصدیق کرنے والا reverse proxy لگائیں۔

میرا رینڈر بغیر کسی ایرر میسج کے کیوں بند ہو گیا؟

کسی عمل (process) کا Killed کے ساتھ غائب ہو جانا اور Python ٹریس بیک کا نہ ہونا، بذات خود out-of-memory (OOM) کل کا ثبوت نہیں ہے۔ dmesg یا کرنل جرنل میں OOM رپورٹ چیک کریں جس میں اس عمل کا نام درج ہو۔ صرف CPU والے باکس پر ویٹس سسٹم RAM میں رہتے ہیں، لیکن درکار میموری ماڈل، درستگی، ریزولوشن اور ورک فلو پر منحصر ہوتی ہے۔ RAM کی گنجائش، swap، میموری کی حدود اور overcommit پالیسی یہ طے کرتی ہے کہ آیا allocation ناکام ہوگی یا عمل کو ختم کر دیا جائے گا۔ overcommit mode 2 کے ساتھ، Linux عام طور پر میموری تک رسائی کے دوران عمل کو ختم کرنے کے بجائے allocation ایررز واپس کرتا ہے۔ اگر لاگز میموری ختم ہونے کی تصدیق کریں، تو RAM میں اضافہ کریں، swap اور میموری کی حدود کا جائزہ لیں، یا چھوٹے ماڈل اور کم ریزولوشن پر منتقل ہو جائیں۔