ComfyUI本地部署与优化指南-AI智能范式网

ComfyUI本地部署与优化指南

珍喜欢点灯啊·2026-08-13·阅读 23 GEO检测（免费）

ComfyUIStable Diffusion本地部署

|难度：普通|阅读约 16 分钟

1. ComfyUI本地部署环境准备

1.1 硬件与系统要求

对于ComfyUI的本地部署，建议使用以下配置作为基础环境：

操作系统：Rocky Linux 9.7（兼容CentOS/RHEL生态）
显卡：NVIDIA RTX 4070（12GB显存）或更高性能显卡
内存：建议32GB以上
存储：至少50GB可用空间（用于存放模型文件）

实测发现，RTX 4070在生成512x512分辨率图像时显存占用约4GB，8GB显存可满足大部分基础需求，但处理高分辨率(1024x1024+)或多图并行时需要12GB以上显存。

1.2 软件依赖安装

首先确保系统基础环境就绪：

bash复制# 安装基础开发工具
sudo dnf groupinstall "Development Tools"
sudo dnf install -y git wget python3-devel

# 安装CUDA Toolkit 11.8（需与显卡驱动版本匹配）
sudo dnf config-manager --add-repo https://developer.download.nvidia.com/compute/cuda/repos/rhel9/x86_64/cuda-rhel9.repo
sudo dnf install -y cuda-toolkit-11-8

验证CUDA安装：

bash复制nvcc --version
# 应输出类似：nvcc: NVIDIA (R) Cuda compiler version 11.8.89

1.3 Python环境配置

推荐使用Anaconda管理Python环境：

bash复制# 下载并安装Anaconda
wget https://repo.anaconda.com/archive/Anaconda3-2023.09-0-Linux-x86_64.sh
bash Anaconda3-2023.09-0-Linux-x86_64.sh

# 创建专用虚拟环境
conda create -n comfyui python=3.10 -y  # 实测3.10版本兼容性最佳
conda activate comfyui

需要模型API调用？免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。

2. ComfyUI核心安装步骤

2.1 源码获取与目录结构

bash复制mkdir -p /home/data/stable
cd /home/data/stable
git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI

目录结构说明：

models/checkpoints/：存放Stable Diffusion基础模型
models/loras/：存放LoRA微调模型
custom_nodes/：第三方扩展节点
web/：前端界面资源

2.2 依赖安装与加速技巧

使用国内镜像源加速安装：

bash复制pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

# 单独安装PyTorch（确保CUDA版本匹配）
pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu118

常见依赖问题解决：

如遇xformers安装失败，可尝试：

bash复制pip install xformers --pre -i https://pypi.tuna.tsinghua.edu.cn/simple

openjpeg报错时需安装系统库：

bash复制sudo dnf install -y openjpeg2-devel

2.3 模型文件部署

推荐模型存放路径：

模型类型	存放路径	典型文件大小
基础模型	models/checkpoints/	2-7GB
LoRA模型	models/loras/	10-200MB
ControlNet模型	models/controlnet/	1-2GB
VAE模型	models/vae/	300-700MB

手动下载示例（以Stable Diffusion XL为例）：

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

3. 启动与基础配置

3.1 启动参数详解

常用启动命令：

bash复制python main.py \
  --listen 0.0.0.0 \  # 允许远程访问
  --port 7861 \       # 指定端口
  --auto-launch \     # 自动打开浏览器
  --highvram          # 高显存模式

显存优化策略：

--highvram：全模型常驻显存（速度最快）
--normalvram：默认模式（平衡型）
--lowvram：显存不足时使用（速度下降30%）
--medvram：中等优化（推荐8GB显存使用）

3.2 系统服务配置（可选）

创建systemd服务实现开机自启：

bash复制sudo tee /etc/systemd/system/comfyui.service <<EOF
[Unit]
Description=ComfyUI Service
After=network.target

[Service]
User=your_username
WorkingDirectory=/home/data/stable/ComfyUI
ExecStart=/bin/bash -c 'source /home/data/stable/ComfyUI/comfyui_313_env/bin/activate && python main.py --listen --port 7861'
Restart=always

[Install]
WantedBy=multi-user.target
EOF

# 启用服务
sudo systemctl daemon-reload
sudo systemctl enable --now comfyui

4. 工作流开发实践

4.1 基础工作流构建

典型文生图(txt2img)节点连接：

CLIP Text Encode：处理提示词
Empty Latent Image：创建初始潜空间
KSampler：设置采样参数
VAE Decode：解码潜空间为图像

基础工作流示意图

4.2 高级工作流技巧

图像放大工作流

json复制{
  "nodes": [
    {
      "type": "LoadImage",
      "inputs": {"image_path": "input.jpg"}
    },
    {
      "type": "UltimateSDUpscale",
      "inputs": {
        "model": "SDXL",
        "upscale_by": 2
      }
    }
  ]
}

视频生成工作流关键参数：

帧间一致性：使用AnimateDiff节点
帧率控制：通过Schedule节点调整
内存优化：启用--medvram模式

4.3 自定义节点开发

示例：创建简单文本处理节点

python复制# 保存为custom_nodes/text_processor.py
from nodes import register_node

@register_node
class TextProcessor:
    @classmethod
    def INPUT_TYPES(cls):
        return {
            "required": {
                "text": ("STRING", {"multiline": True}),
                "operation": (["upper", "lower", "reverse"],)
            }
        }
    
    RETURN_TYPES = ("STRING",)
    FUNCTION = "process"
    
    def process(self, text, operation):
        if operation == "upper":
            return (text.upper(),)
        elif operation == "lower":
            return (text.lower(),)
        else:
            return (text[::-1],)

5. 性能优化与问题排查

5.1 显存优化方案

优化方法	显存节省	速度影响	适用场景
使用--medvram	20-30%	10%	常规工作流
启用Tiled Diffusion	40-50%	30%	超高分辨率
使用--cpu-offload	50-70%	50%	极低显存环境
量化模型(8bit/4bit)	60%	15%	质量要求不高时

5.2 常见错误解决

问题1：CUDA out of memory

解决方案：
1. 减小生成分辨率（如从1024→768）
2. 添加--medvram参数
3. 关闭其他占用显存的程序

问题2：模型加载失败

检查点：
1. 确认模型文件完整（校验SHA256）
2. 检查模型路径是否正确
3. 验证文件权限（特别是docker环境）

问题3：节点缺失错误

bash复制# 安装ComfyUI Manager
cd custom_nodes
git clone https://github.com/ltdrdata/ComfyUI-Manager.git

重启后使用"Install Missing Nodes"功能

6. 生产环境部署建议

6.1 安全配置要点

访问控制：

bash复制# 使用基础认证
python main.py --listen --port 7861 --enable-auth --username admin --password yourpassword

HTTPS配置：

bash复制# 使用Nginx反向代理
sudo dnf install -y nginx
sudo certbot --nginx -d yourdomain.com

6.2 资源监控方案

推荐监控指标：

GPU利用率（nvidia-smi）
显存占用
请求响应时间
队列长度

使用Prometheus+Grafana监控示例：

yaml复制# prometheus.yml 片段
scrape_configs:
  - job_name: 'comfyui'
    static_configs:
      - targets: ['localhost:7861']

6.3 备份策略

关键数据备份清单：

models/目录（定期增量备份）
custom_nodes/配置
工作流JSON文件
输出成果目录

建议使用rsync进行增量备份：

bash复制rsync -avz --delete /home/data/stable/ComfyUI/ user@backup-server:/backup/comfyui/

我在实际部署中发现，使用ZFS文件系统可以显著提升大模型文件的读写效率，特别是在频繁加载不同模型时，ZFS的ARC缓存能减少约40%的加载时间。对于需要长期运行的生成任务，建议配置自动保存点功能，避免意外中断导致工作丢失。