ComfyUI 部署教程：云端 GPU 文生图工作流搭建

摘要

ComfyUI 以节点连线的方式编排图像生成流程，相比一体化界面更灵活，适合需要精细控制生成过程的创作者。本文在一台带 GPU 的云服务器上完成 ComfyUI 部署，涵盖显存与模型规模的对应关系、环境准备、安装与启动、模型文件放置、远程访问的安全设置，以及显存不足和生成缓慢的排查方法，并说明模型授权与内容合规要求。

一、显存决定你能跑什么

图像生成模型对显存的需求与模型架构和生成分辨率直接相关，这是选配置前必须先算清楚的事。

上表为经验参考值，实际占用受模型版本、采样器设置、批量大小和插件影响，请以运行时实测为准。

几条实践经验：

• 分辨率对显存的影响是非线性的。 把边长增大一倍，像素数会变成四倍，显存占用增长比想象中快。先在较低分辨率验证工作流，确认效果后再放大。
• 批量生成会成倍占用显存。 一次生成四张的显存需求接近单张的四倍，显存紧张时改为逐张生成。
• 插件和附加模型也占显存。 放大模型、姿态控制模型等会额外加载，工作流越复杂占用越高。

内存方面建议不低于显存容量，模型加载和切换时需要在内存中中转。磁盘要预留充足空间，单个基础模型文件通常几 GB，配套的辅助模型、放大模型累计起来很容易超过 100 GB。如果计划尝试多个模型，建议直接规划 200 GB 以上。

腾讯云的高性能应用服务 HAI 提供 GPU 算力和预置的 GPU 相关镜像，官方与社区都提供了可直接使用的镜像，能省去驱动和运行时环境的配置步骤。

二、环境准备

使用预置 GPU 环境的镜像时，驱动通常已就绪，登录后先验证：

nvidia-smi

正常会输出驱动版本、CUDA 版本、显卡型号和显存总量。记下显存数值，它决定了你能跑的模型规模。命令报错说明驱动未就绪，需要先处理驱动再继续。

安装基础依赖：

sudo apt update
sudo apt install -y git python3-pip python3-venv wget

三、安装 ComfyUI

建议在虚拟环境中安装，避免与系统 Python 包冲突。

cd ~
git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI
python3 -m venv venv
source venv/bin/activate

安装 PyTorch。这一步需要选择与 CUDA 版本匹配的构建，版本不匹配会导致无法使用 GPU：

nvidia-smi | grep "CUDA Version"

根据输出的 CUDA 版本，从 PyTorch 官网获取对应的安装命令。以 CUDA 12.1 为例：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

安装 ComfyUI 自身依赖：

pip install -r requirements.txt

验证 PyTorch 能识别到 GPU：

python3 -c "import torch; print(torch.cuda.is_available()); print(torch.cuda.get_device_name(0))"

第一行输出 True、第二行输出显卡型号，说明 GPU 环境就绪。输出 False 则是 PyTorch 版本与 CUDA 不匹配，需要重装对应版本。这一步不通过，后面跑起来也只会用 CPU，速度完全不可用。

四、放置模型文件

ComfyUI 按目录区分模型类型，放错位置会导致界面上选不到模型。

主要目录结构：

ComfyUI/models/
├── checkpoints/     # 主模型文件
├── vae/             # 编码解码模型
├── loras/           # 微调模型
├── controlnet/      # 控制类模型
├── upscale_models/  # 放大模型
└── embeddings/      # 嵌入文件

把下载的模型文件放入对应目录：

cd ~/ComfyUI/models/checkpoints
wget 模型文件下载地址

关于模型来源与授权，这一点必须说清楚。 开源图像生成模型的许可条款差异较大，部分模型限制商业用途，部分要求标注来源，部分对生成内容有明确的使用限制。下载和使用前务必阅读该模型的许可协议，确认你的用途在允许范围内。用于商业项目时尤其要谨慎，不要默认所有开源模型都可以商用。

五、启动与远程访问配置

默认启动只监听本机：

cd ~/ComfyUI
source venv/bin/activate
python3 main.py

需要从其他机器访问时，监听所有地址：

python3 main.py --listen 0.0.0.0 --port 8188

这里有个必须重视的安全问题：ComfyUI 默认没有身份认证机制。 把 8188 端口直接对公网开放，等于把 GPU 算力和已加载的模型开放给所有人，可能被他人任意调用生成内容，既消耗资源也带来内容风险。

正确做法有几种：

方案一，限制来源 IP。 在控制台放通 8188 时，来源填自己的固定公网 IP，而不是 0.0.0.0/0。轻量应用服务器在实例详情页的「防火墙」页签添加规则时可指定来源；云服务器 CVM 在安全组入站规则中同样支持按 IP 或网段限定。

方案二，前置反向代理并加认证。 ComfyUI 只监听本机，由反向代理接管入口并配置基础认证和 HTTPS：

comfy.example.com {
    basic_auth {
        用户名 加密后的密码哈希
    }
    reverse_proxy 127.0.0.1:8188
    request_body {
        max_size 100MB
    }
}

生成密码哈希：

caddy hash-password

方案三，通过 SSH 端口转发访问。 完全不开放公网端口：

ssh -L 8188:127.0.0.1:8188 用户名@服务器IP

然后在本地浏览器访问 http://127.0.0.1:8188。这是安全性最高的方式，适合只有自己使用的场景。

配置为系统服务

sudo tee /etc/systemd/system/comfyui.service > /dev/null <<'UNIT'
[Unit]
Description=ComfyUI
After=network.target

[Service]
Type=simple
User=ubuntu
WorkingDirectory=/home/ubuntu/ComfyUI
ExecStart=/home/ubuntu/ComfyUI/venv/bin/python3 main.py --listen 127.0.0.1 --port 8188
Restart=on-failure
RestartSec=10

[Install]
WantedBy=multi-user.target
UNIT

sudo systemctl daemon-reload
sudo systemctl enable --now comfyui
sudo systemctl status comfyui --no-pager

用户名和路径请按实际情况替换。

六、验证部署是否成功

服务正在运行

sudo systemctl status comfyui --no-pager
sudo ss -lntp | grep 8188

界面可访问：浏览器打开访问地址，能看到节点编辑界面。

模型已被识别：在加载模型的节点中展开下拉列表，确认能看到放入的模型文件。看不到说明文件放错了目录或权限不对。

完成一次实际生成：使用默认工作流，输入简单提示词执行一次生成。能输出图片说明整条链路打通了。

确认跑在 GPU 上：生成过程中在另一个终端观察：

watch -n 1 nvidia-smi

显存占用明显上升、GPU 利用率有波动，说明确实在用 GPU。如果显存几乎不动而 CPU 满载，说明退化到 CPU 推理了，回头检查 PyTorch 与 CUDA 的匹配。

记录基准耗时：记下一次标准生成的耗时，作为后续判断性能变化的参照。

七、常见问题与排查

提示显存不足

按顺序尝试：降低生成分辨率；把批量大小改为 1；关闭不必要的插件和附加模型；启动时加上低显存相关参数；仍不够则需要更大显存的规格。

先确认显存是否被残留进程占用：

nvidia-smi
sudo systemctl restart comfyui

PyTorch 检测不到 GPU

多为 PyTorch 版本与 CUDA 版本不匹配。确认 nvidia-smi 显示的 CUDA 版本，重新安装对应构建的 PyTorch。

界面能打开但模型列表为空

检查模型文件是否放在正确的子目录下，以及运行服务的用户对该目录是否有读取权限。

生成速度很慢

先确认在用 GPU。确认后仍慢则考虑：模型规模对当前显卡偏大；采样步数设置过高；分辨率过大；工作流中串联了过多处理节点。

插件安装后启动失败

第三方插件可能引入依赖冲突。查看启动日志定位具体报错，临时把该插件目录移出再启动验证。安装插件前建议先创建快照。

磁盘空间不足

du -sh ~/ComfyUI/models/*
df -h

模型文件是主要占用来源。删除不再使用的模型，或为模型目录单独挂载云硬盘，后续扩容不必迁移整台服务器。

服务重启后需要重新加载模型

这是预期行为，模型驻留在显存中，重启后显存被清空。首次生成会较慢，之后恢复正常。

八、维护与合规要求

成本控制

GPU 资源的计费通常明显高于普通计算资源。如果只在特定时段使用，注意在不用时及时释放或关停实例，避免持续计费。生成任务集中处理比长期空转更经济。

备份要点

需要备份的是工作流配置和自定义设置，模型文件通常可以重新下载。工作流是你投入时间调试出来的成果，建议导出保存并同步到服务器之外。

变更前创建快照：安装插件、升级版本前给实例创建快照。回滚会把整块系统盘恢复到快照时间点，之后写入的数据会被清除，运行中的实例会自动关机。

内容合规，这部分需要认真对待

图像生成工具的使用有明确的法律和平台边界：

• 模型许可：使用前确认所选模型的授权条款，商业用途需特别核实是否被允许。
• 训练素材来源：如果自行微调模型，用于训练的素材必须是你有权使用的内容，不要使用未获授权的他人作品。
• 生成内容的权利：不要生成侵犯他人肖像权、著作权的内容，不要用真实人物的形象生成可能造成误导或损害的图像。
• 禁止生成的内容：不得生成违法违规内容，包括但不限于淫秽色情、暴力恐怖、侵犯他人合法权益的内容。
• 标识义务：用于对外发布的生成内容，应按照相关规定进行标识，说明其为人工智能生成。
• 数据边界：不要把他人的照片在未获同意的情况下作为输入素材处理。

这些不是形式要求。生成内容的责任由使用者承担，部署前请确认你的使用场景符合法律法规和平台规范。

部署完成后，如果需要把生成结果归档到成本更低的存储，或为服务配置统一的域名入口与访问认证，可以作为下一步方向。

需要开箱可用的 GPU 环境时，高性能应用服务 HAI 提供 GPU 算力和预置的 GPU 相关镜像，可以跳过驱动与运行时的配置；模型文件和生成结果的存储可以使用云硬盘扩容或归档到对象存储 COS。