尧图网页设计 
ComfyUI 性能优化清单按显存档位调通慢生成与爆显存【免费下载链接】ComfyUIThe most powerful and modular diffusion model GUI, api and backend with a graph/nodes interface.项目地址: https://gitcode.com/GitHub_Trending/co/ComfyUI这是一份 ComfyUI 性能优化实操清单。ComfyUI 是目前最强、最模块化的扩散模型 GUI 与后端图/节点式工作流、API 齐全而生成慢、爆显存是新手踩得最多的两个坑。适合手里有一块普通显卡、只想把出图跑顺的人跟着打勾往下走每改一项都能当场验证。0️⃣ 先抄起步配置一张卡一个命令不确定自己该用哪档按显存大小直接抄先跑通再谈精细调优显存档位典型显卡起步命令4–8 GBRTX 3060 / 4060python main.py --lowvram --reserve-vram 18–12 GBRTX 3080 / 4070 Tipython main.py --reserve-vram 112 GBRTX 4090python main.py --highvram --fp16-unet三条命令的共同点用--reserve-vram给系统和浏览器留出一块显存余量单位 GB。先跑 512 分辨率的最小工作流不出错再往上加参数。上图是一条最典型的 ComfyUI 工作流加载 Checkpoint → 叠加 LoRA → KSampler 采样 → VAE 解码。后面所有调优说白了都在处理这条链路上的两件事——模型权重放哪显存问题和采样算得多快速度问题。瓶颈基本都落在 KSampler 这一步扩散模型被反复调用几十次吃显存也吃算力。1️⃣ 爆显存OOM先自查这 3 项OOM显存不够用、进程被强制中断。它不一定是卡不行按下面 3 步定位现象出图到一半报错、启动模型时直接崩、分辨率一拉高就挂。定位 1先看系统级占用。任务管理器 /nvidia-smi里显存是不是已经快满了——浏览器、另一个 ComfyUI 实例、视频软件都在吃显存先关掉再说。定位 2启动日志里确认 ComfyUI 识别到的设备是 GPU 而不是 CPU。设备识别错了所有权重都会压到显存和内存上反复搬运。定位 3还爆的话按档位降级显存模式一次只改一个# 小显存模型用后及时卸到内存文本编码器改在 CPU 上跑 python main.py --lowvram # lowvram 仍不够显存最省速度最慢CPU 兜底前最后的 GPU 档 python main.py --novram # 大显存模型常驻显存换模型不用反复加载 python main.py --highvram验证同一个工作流分辨率按 512 → 768 → 1024 逐级放大全程不再报 OOM就算这一项过。2️⃣ 生成慢先查这 3 项现象不报错但一步采样要等好几秒GPU 占用忽高忽低。定位 1观察 GPU 利用率。跑着工作流时 GPU 长期低于 30%多半是设备或后端没对上回启动日志看Device和 VRAM 那几行。定位 2确认显存模式与任务匹配。--lowvram跑大图会反复在 CPU 和显存之间搬权重卡顿是搬运造成的——升一档模式往往比换参数更有效反过来--highvram切换不同工作流时首次加载变慢是模型常驻显存要腾位置属正常现象。定位 3做个步数对照实验。同一提示词20 步和 5 步各跑一次耗时基本按比例缩短说明机器没问题是步数/CFG 设多了5 步还是慢才轮到怀疑硬件或后端。验证5 步小图从分钟级降到秒级且 GPU 占用稳定在高位。上图是节点开发侧的输入参数选项lazy、min/max、dynamicPrompts 等它解释了 ComfyUI 的一个设计取向把省资源做成节点级的默认行为。作为使用者你不用关心实现但能解释为什么它比同硬件下的其他工具更省显存——很多开销在架构层面就被压掉了。3️⃣ 精度优化半精度是性价比最高的一档混合精度用 16 位/8 位存权重换来约一半的显存和更快的搬运。分档给4–8 GB加--fp16-unet主模型半精度省显存且质量损失很小。VAE 先保持默认精度硬开半精度可能出现黑图。8–12 GB加--bf16-vae解码阶段更稳是大显存小卡上最常用的一个参数。12 GB--fp16-unet --fp8_e4m3fn-text-enc文本编码器权重压成 8 位存储对文字理解影响可忽略给采样让出空间。# 平衡方案 python main.py --fp16-unet --bf16-vae # 大显存极限方案 python main.py --highvram --fp16-unet --fp8_e4m3fn-text-enc验证同一工作流对比调参前后出图肉眼看不出差异就保留出现色偏、发灰或黑图立刻回退最近加的那一项。4️⃣ ComfyUI 多 GPU 用法多实例 API 分发ComfyUI 单实例不做自动负载均衡但双卡完全可以一人一实例# 终端 1GPU 0 CUDA_VISIBLE_DEVICES0 python main.py --port 8188 --highvram # 终端 2GPU 1 CUDA_VISIBLE_DEVICES1 python main.py --port 8189 --highvram两个实例各自独立再通过 API 把任务分出去import requests from itertools import cycle # 双实例轮询分发也可以按任务类型固定路由重活固定给 GPU 1 router cycle([http://localhost:8188, http://localhost:8189]) def submit(workflow): url next(router) resp requests.post(f{url}/prompt, jsonworkflow) return resp.json()分发策略建议训练/出大图固定走一个实例小图快速迭代走另一个比随机轮询更稳。验证两个浏览器标签页分别打开 8188 / 8189同时提交工作流两边各自出图、互不卡顿。5️⃣ 调优自查清单逐项打勾启动日志里设备识别正确GPU 而非 CPU显存模式符合预期已用--reserve-vram预留系统显存显存模式与卡档匹配4–8G 用 lowvram12G 用 highvram主模型已上--fp16-unetVAE 按档位选默认或--bf16-vae大显存已给文本编码器上--fp8_e4m3fn-text-enc双卡已拆成多实例API 分发就位跑过 5 步/20 步对照实验确认慢的根源不是步数设置上图是 ComfyUI 优化后跑出的示例图同样的工作流调通显存与精度后出图快且质量无可见损失——这就是所有参数调整要达到的终点。6️⃣ 总结三步闭环按档位起步抄第 0 节对应的命令先让工作流跑通。用日志定位OOM 看显存占用慢看 GPU 利用率日志里Device和 VRAM 两行能回答 80% 的问题。小步调 验证一次只加一个参数每加一项就跑一次 5 步对照出了问题能立刻指认元凶。最后一句能直接照抄的起步配置# 8GB 档起步换卡只改第一行 python main.py --lowvram --reserve-vram 1 --fp16-unet跑通之后再按清单往上加。【免费下载链接】ComfyUIThe most powerful and modular diffusion model GUI, api and backend with a graph/nodes interface.项目地址: https://gitcode.com/GitHub_Trending/co/ComfyUI创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 ComfyUI 性能优化清单：按显存档位调通慢生成与爆显存
ComfyUI 性能优化清单按显存档位调通慢生成与爆显存【免费下载链接】ComfyUIThe most powerful and modular diffusion model GUI, api and backend with a graph/nodes interface.项目地址: https://gitcode.com/GitHub_Trending/co/ComfyUI这是一份 ComfyUI 性能优化实操清单。ComfyUI 是目前最强、最模块化的扩散模型 GUI 与后端图/节点式工作流、API 齐全而生成慢、爆显存是新手踩得最多的两个坑。适合手里有一块普通显卡、只想把出图跑顺的人跟着打勾往下走每改一项都能当场验证。0️⃣ 先抄起步配置一张卡一个命令不确定自己该用哪档按显存大小直接抄先跑通再谈精细调优显存档位典型显卡起步命令4–8 GBRTX 3060 / 4060python main.py --lowvram --reserve-vram 18–12 GBRTX 3080 / 4070 Tipython main.py --reserve-vram 112 GBRTX 4090python main.py --highvram --fp16-unet三条命令的共同点用--reserve-vram给系统和浏览器留出一块显存余量单位 GB。先跑 512 分辨率的最小工作流不出错再往上加参数。上图是一条最典型的 ComfyUI 工作流加载 Checkpoint → 叠加 LoRA → KSampler 采样 → VAE 解码。后面所有调优说白了都在处理这条链路上的两件事——模型权重放哪显存问题和采样算得多快速度问题。瓶颈基本都落在 KSampler 这一步扩散模型被反复调用几十次吃显存也吃算力。1️⃣ 爆显存OOM先自查这 3 项OOM显存不够用、进程被强制中断。它不一定是卡不行按下面 3 步定位现象出图到一半报错、启动模型时直接崩、分辨率一拉高就挂。定位 1先看系统级占用。任务管理器 /nvidia-smi里显存是不是已经快满了——浏览器、另一个 ComfyUI 实例、视频软件都在吃显存先关掉再说。定位 2启动日志里确认 ComfyUI 识别到的设备是 GPU 而不是 CPU。设备识别错了所有权重都会压到显存和内存上反复搬运。定位 3还爆的话按档位降级显存模式一次只改一个# 小显存模型用后及时卸到内存文本编码器改在 CPU 上跑 python main.py --lowvram # lowvram 仍不够显存最省速度最慢CPU 兜底前最后的 GPU 档 python main.py --novram # 大显存模型常驻显存换模型不用反复加载 python main.py --highvram验证同一个工作流分辨率按 512 → 768 → 1024 逐级放大全程不再报 OOM就算这一项过。2️⃣ 生成慢先查这 3 项现象不报错但一步采样要等好几秒GPU 占用忽高忽低。定位 1观察 GPU 利用率。跑着工作流时 GPU 长期低于 30%多半是设备或后端没对上回启动日志看Device和 VRAM 那几行。定位 2确认显存模式与任务匹配。--lowvram跑大图会反复在 CPU 和显存之间搬权重卡顿是搬运造成的——升一档模式往往比换参数更有效反过来--highvram切换不同工作流时首次加载变慢是模型常驻显存要腾位置属正常现象。定位 3做个步数对照实验。同一提示词20 步和 5 步各跑一次耗时基本按比例缩短说明机器没问题是步数/CFG 设多了5 步还是慢才轮到怀疑硬件或后端。验证5 步小图从分钟级降到秒级且 GPU 占用稳定在高位。上图是节点开发侧的输入参数选项lazy、min/max、dynamicPrompts 等它解释了 ComfyUI 的一个设计取向把省资源做成节点级的默认行为。作为使用者你不用关心实现但能解释为什么它比同硬件下的其他工具更省显存——很多开销在架构层面就被压掉了。3️⃣ 精度优化半精度是性价比最高的一档混合精度用 16 位/8 位存权重换来约一半的显存和更快的搬运。分档给4–8 GB加--fp16-unet主模型半精度省显存且质量损失很小。VAE 先保持默认精度硬开半精度可能出现黑图。8–12 GB加--bf16-vae解码阶段更稳是大显存小卡上最常用的一个参数。12 GB--fp16-unet --fp8_e4m3fn-text-enc文本编码器权重压成 8 位存储对文字理解影响可忽略给采样让出空间。# 平衡方案 python main.py --fp16-unet --bf16-vae # 大显存极限方案 python main.py --highvram --fp16-unet --fp8_e4m3fn-text-enc验证同一工作流对比调参前后出图肉眼看不出差异就保留出现色偏、发灰或黑图立刻回退最近加的那一项。4️⃣ ComfyUI 多 GPU 用法多实例 API 分发ComfyUI 单实例不做自动负载均衡但双卡完全可以一人一实例# 终端 1GPU 0 CUDA_VISIBLE_DEVICES0 python main.py --port 8188 --highvram # 终端 2GPU 1 CUDA_VISIBLE_DEVICES1 python main.py --port 8189 --highvram两个实例各自独立再通过 API 把任务分出去import requests from itertools import cycle # 双实例轮询分发也可以按任务类型固定路由重活固定给 GPU 1 router cycle([http://localhost:8188, http://localhost:8189]) def submit(workflow): url next(router) resp requests.post(f{url}/prompt, jsonworkflow) return resp.json()分发策略建议训练/出大图固定走一个实例小图快速迭代走另一个比随机轮询更稳。验证两个浏览器标签页分别打开 8188 / 8189同时提交工作流两边各自出图、互不卡顿。5️⃣ 调优自查清单逐项打勾启动日志里设备识别正确GPU 而非 CPU显存模式符合预期已用--reserve-vram预留系统显存显存模式与卡档匹配4–8G 用 lowvram12G 用 highvram主模型已上--fp16-unetVAE 按档位选默认或--bf16-vae大显存已给文本编码器上--fp8_e4m3fn-text-enc双卡已拆成多实例API 分发就位跑过 5 步/20 步对照实验确认慢的根源不是步数设置上图是 ComfyUI 优化后跑出的示例图同样的工作流调通显存与精度后出图快且质量无可见损失——这就是所有参数调整要达到的终点。6️⃣ 总结三步闭环按档位起步抄第 0 节对应的命令先让工作流跑通。用日志定位OOM 看显存占用慢看 GPU 利用率日志里Device和 VRAM 两行能回答 80% 的问题。小步调 验证一次只加一个参数每加一项就跑一次 5 步对照出了问题能立刻指认元凶。最后一句能直接照抄的起步配置# 8GB 档起步换卡只改第一行 python main.py --lowvram --reserve-vram 1 --fp16-unet跑通之后再按清单往上加。【免费下载链接】ComfyUIThe most powerful and modular diffusion model GUI, api and backend with a graph/nodes interface.项目地址: https://gitcode.com/GitHub_Trending/co/ComfyUI创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考