اگر تولید تصویر با هوش مصنوعی را از کامپیوتر شخصی به یک سرور قدرتمند منتقل کنید، ComfyUI می‌تواند به یک موتور پردازش دائمی برای ساخت تصاویر، اجرای Workflowهای پیچیده، استفاده از مدل‌های مختلف و حتی ایجاد یک خط تولید خودکار تبدیل شود.

ComfyUI چیست و چرا اجرای آن روی سرور منطقی است؟

:contentReference[oaicite:0]{index=0} یک رابط گرافی و ماژولار برای اجرای Workflowهای تولید محتوای هوش مصنوعی است. برخلاف ابزارهایی که تقریباً همه تنظیمات را پشت یک رابط ساده پنهان می‌کنند، در ComfyUI هر مرحله از پردازش می‌تواند به شکل یک Node در Workflow قرار بگیرد.

این معماری باعث می‌شود بتوانید مسیر تولید تصویر را دقیق‌تر کنترل کنید؛ برای مثال ورودی متن را به مدل بدهید، Sampling را تنظیم کنید، VAE متفاوت انتخاب کنید، تصویر اولیه وارد کنید، Upscale انجام دهید و خروجی نهایی را در یک Workflow مشخص ذخیره کنید.

اجرای چنین کاری روی کامپیوتر شخصی همیشه ایده‌آل نیست. مدل‌های بزرگ، Workflowهای سنگین و پردازش هم‌زمان چند تصویر می‌توانند VRAM و RAM زیادی مصرف کنند. به همین دلیل، سرور GPU برای کاربرانی که به پردازش مداوم یا دسترسی از چند دستگاه نیاز دارند، گزینه جذابی است.

پیش‌نیازهای نصب ComfyUI روی VPS یا سرور GPU

برای این آموزش، محیط اصلی را روی Ubuntu Linux و GPU انویدیا در نظر می‌گیریم. مستندات و مخزن رسمی ComfyUI در حال حاضر نصب دستی روی Linux را پشتیبانی می‌کنند و برای GPUهای NVIDIA باید نسخه مناسب PyTorch و CUDA متناسب با سخت‌افزار نصب شود. :contentReference[oaicite:1]{index=1}

حداقل اجزای مورد نیاز

چه مقدار VRAM لازم است؟

این اعداد قانون قطعی نیستند. مصرف VRAM به مدل، رزولوشن، Batch Size، VAE، Upscaler، Custom Node و ساختار Workflow بستگی دارد.

مرحله اول؛ اتصال به سرور و بررسی GPU

پس از اتصال SSH، اولین کار این است که مطمئن شوید سیستم‌عامل GPU را می‌شناسد. دستور زیر را اجرا کنید:

nvidia-smi

اگر خروجی شامل نام GPU، نسخه Driver، میزان VRAM و وضعیت مصرف GPU بود، ارتباط پایه با درایور برقرار است.

مرحله دوم؛ نصب ابزارهای پایه روی Ubuntu

ابتدا فهرست بسته‌های سیستم را به‌روزرسانی کنید:

sudo apt update
sudo apt install -y git git-lfs python3 python3-venv python3-pip ffmpeg libgl1 libglib2.0-0

وجود git برای دریافت کد ComfyUI و venv برای ایجاد محیط Python جداگانه اهمیت دارد. بسته‌هایی مانند FFmpeg نیز برای برخی Workflowهای ویدئویی و پردازش رسانه‌ای کاربرد دارند.

مرحله سوم؛ دریافت ComfyUI از مخزن اصلی

حالا پروژه را دریافت کنید:

cd /opt
sudo git clone https://github.com/Comfy-Org/ComfyUI.git
sudo chown -R $USER:$USER /opt/ComfyUI
cd /opt/ComfyUI

مخزن رسمی ComfyUI نیز روش Git Clone و نصب دستی روی Linux را به عنوان یکی از روش‌های نصب معرفی می‌کند. :contentReference[oaicite:2]{index=2}

مرحله چهارم؛ ساخت محیط مجازی Python

برای جلوگیری از تداخل نسخه‌های Python و کتابخانه‌های پروژه‌های دیگر، بهتر است ComfyUI را داخل یک محیط مجازی اجرا کنید.

cd /opt/ComfyUI
python3 -m venv venv
source venv/bin/activate
python -m pip install --upgrade pip

پس از فعال شدن محیط مجازی، معمولاً نام محیط در ابتدای خط ترمینال دیده می‌شود. از این مرحله به بعد بهتر است دستورات Python و pip را در همین محیط اجرا کنید.

مرحله پنجم؛ نصب PyTorch با پشتیبانی CUDA

این مرحله یکی از مهم‌ترین بخش‌های نصب است. ComfyUI برای استفاده از GPU باید PyTorch متناسب با سخت‌افزار و نسخه CUDA نصب‌شده داشته باشد. راهنمای رسمی فعلی ComfyUI برای کاربران NVIDIA، نصب نسخه پایدار PyTorch با Wheel مربوط به CUDA را پیشنهاد می‌کند. :contentReference[oaicite:3]{index=3}

در محیط مجازی، یک نمونه از نصب نسخه CUDA فعلی پیشنهادی در مستندات رسمی به شکل زیر است:

pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu130

مرحله ششم؛ اطمینان از فعال بودن CUDA در PyTorch

بعد از نصب PyTorch، این تست را اجرا کنید:

python -c "import torch; print('CUDA:', torch.cuda.is_available()); print('GPU:', torch.cuda.get_device_name(0) if torch.cuda.is_available() else 'Not detected')"

اگر مقدار CUDA: True نمایش داده شد و نام GPU را دیدید، PyTorch توانسته GPU را شناسایی کند.

مرحله هفتم؛ نصب وابستگی‌های ComfyUI

حالا وابستگی‌های اصلی پروژه را نصب کنید:

cd /opt/ComfyUI
source venv/bin/activate
pip install -r requirements.txt

مخزن رسمی ComfyUI نیز اجرای pip install -r requirements.txt را به عنوان مرحله نصب وابستگی‌ها معرفی می‌کند. :contentReference[oaicite:4]{index=4}

مرحله هشتم؛ آماده‌سازی مدل‌های هوش مصنوعی

نصب ComfyUI به تنهایی به معنی نصب مدل تولید تصویر نیست. باید مدل مناسب را تهیه کرده و فایل‌های آن را در مسیر صحیح قرار دهید.

برای مدل‌های Checkpoint معمولاً مسیر زیر استفاده می‌شود:

/opt/ComfyUI/models/checkpoints/

در ساختار ComfyUI پوشه‌های دیگری نیز برای اجزای مختلف وجود دارند؛ برای مثال VAE، LoRA، ControlNet و سایر فایل‌های مورد نیاز Workflowها می‌توانند مسیر مخصوص خود را داشته باشند.

مرحله نهم؛ اجرای ComfyUI روی سرور

برای اجرای اولیه، از داخل پوشه ComfyUI دستور زیر را اجرا کنید:

cd /opt/ComfyUI
source venv/bin/activate
python main.py --listen 0.0.0.0 --port 8188

گزینه –listen 0.0.0.0 باعث می‌شود سرویس روی رابط‌های شبکه قابل دسترسی باشد. پورت پیش‌فرض این مثال نیز 8188 است.

چطور رابط ComfyUI را به شکل امن روی اینترنت قرار دهیم؟

برای استفاده شخصی، می‌توانید ComfyUI را فقط روی شبکه خصوصی یا از طریق SSH Tunnel در دسترس قرار دهید. برای استفاده عمومی‌تر، معمولاً یک Reverse Proxy مانند Nginx یا Caddy در جلوی ComfyUI قرار می‌گیرد.

یک معماری منطقی برای سرور می‌تواند به این شکل باشد:

در این مدل، بهتر است پورت داخلی ComfyUI مستقیماً برای تمام اینترنت باز نباشد. همچنین اگر سرویس را عمومی می‌کنید، مدیریت دسترسی کاربران را جدی بگیرید.

باکس تبلیغاتی؛ برای اجرای ComfyUI چه سروری مناسب است؟

ساخت اولین Workflow تولید تصویر در ComfyUI

بعد از ورود به رابط ComfyUI، با محیطی مبتنی بر Nodeها مواجه می‌شوید. همین ساختار تفاوت اصلی ComfyUI با بسیاری از رابط‌های ساده تولید تصویر است.

یک Workflow پایه معمولاً شامل اجزایی برای بارگذاری مدل، دریافت Prompt، تبدیل متن به Embedding، Sampling، Decode کردن Latent و ذخیره تصویر است.

این ساختار را می‌توان بعداً توسعه داد و مراحل دیگری مانند Image-to-Image، Upscaling، ControlNet، LoRA، Face Detailer یا پردازش دسته‌ای را وارد آن کرد.

چطور ComfyUI را به یک خط تولید تصویر AI تبدیل کنیم؟

نقطه قوت اصلی ComfyUI زمانی مشخص می‌شود که از یک صفحه تولید تصویر ساده عبور کنید و Workflow را به یک Pipeline تبدیل کنید.

خط تولید ساده

خط تولید حرفه‌ای‌تر

در این حالت، سرور دیگر فقط یک کامپیوتر راه دور نیست؛ بلکه به یک موتور تولید محتوای تصویری تبدیل می‌شود.

اجرای ComfyUI در پس‌زمینه با systemd

اگر ComfyUI را با SSH اجرا کنید و اتصال SSH قطع شود، بسته به روش اجرای سرویس ممکن است پردازش متوقف شود. برای اجرای دائمی، می‌توانید یک سرویس systemd ایجاد کنید.

فایل سرویس را ایجاد کنید:

sudo nano /etc/systemd/system/comfyui.service

نمونه تنظیم:

[Unit]
Description=ComfyUI
After=network.target

[Service]
Type=simple
User=root
WorkingDirectory=/opt/ComfyUI
ExecStart=/opt/ComfyUI/venv/bin/python main.py --listen 127.0.0.1 --port 8188
Restart=always
RestartSec=5

[Install]
WantedBy=multi-user.target

سپس سرویس را فعال کنید:

sudo systemctl daemon-reload
sudo systemctl enable --now comfyui
sudo systemctl status comfyui

خطاهای رایج ComfyUI روی سرور و روش رفع آن‌ها

خطای Torch not compiled with CUDA enabled

این خطا معمولاً به نصب نسخه CPU-only یا نسخه نامتناسب PyTorch مربوط می‌شود. ابتدا بررسی کنید PyTorch واقعاً CUDA را می‌بیند:

python -c "import torch; print(torch.cuda.is_available())"

اگر False بود، Driver، نسخه PyTorch و Wheel مربوط به CUDA را بررسی کنید.

خطای Out of Memory یا کمبود VRAM

اگر هنگام اجرای Workflow با خطای کمبود حافظه مواجه شدید، رزولوشن، Batch Size و مدل مورد استفاده را بررسی کنید. Workflowهای سنگین می‌توانند VRAM زیادی مصرف کنند.

در برخی سناریوها کاهش رزولوشن، اجرای Batch کوچک‌تر، استفاده از مدل سبک‌تر یا فعال‌کردن روش‌های مدیریت حافظه می‌تواند کمک کند؛ اما اگر Workflow ذاتاً به VRAM بیشتری نیاز داشته باشد، راه‌حل واقعی می‌تواند استفاده از GPU با VRAM بالاتر باشد.

مدل در ComfyUI دیده نمی‌شود

مسیر مدل را بررسی کنید. همچنین مطمئن شوید فایل واقعاً در پوشه مورد انتظار قرار گرفته و Workflow به نوع صحیح مدل اشاره می‌کند.

ComfyUI از طریق مرورگر باز نمی‌شود

اگر سرویس در حال اجراست، ابتدا بررسی کنید پورت 8188 روی سرور در حال Listen است:

ss -lntp | grep 8188

سپس Firewall، Reverse Proxy و آدرس Listen را بررسی کنید. اگر ComfyUI با 127.0.0.1 اجرا شده باشد، از اینترنت مستقیماً قابل دسترسی نیست و باید از طریق Reverse Proxy یا Tunnel به آن متصل شوید.

پردازش تصویر بسیار کند است

در این حالت ابتدا GPU را بررسی کنید:

nvidia-smi

اگر GPU تقریباً بیکار است، احتمال دارد PyTorch از GPU استفاده نکند یا Workflow به شکلی تنظیم شده باشد که پردازش مورد انتظار را روی GPU انجام ندهد.

چگونه مصرف منابع ComfyUI را مانیتور کنیم؟

در یک سرور تولیدی، فقط نصب نرم‌افزار کافی نیست. باید بتوانید بفهمید GPU، RAM، CPU و Disk در زمان پردازش چه وضعیتی دارند.

مدل‌های AI معمولاً حجم زیادی دارند و با افزایش تعداد مدل‌ها، LoRAها، VAEها و خروجی‌ها، فضای دیسک می‌تواند سریع مصرف شود. به همین دلیل، استفاده از NVMe با ظرفیت مناسب برای یک سرور ComfyUI اهمیت زیادی دارد.

ComfyUI روی VPS معمولی یا سرور GPU؟

باکس رفع مشکل و کانفیگ سرور ComfyUI

نکات امنیتی مهم برای اجرای ComfyUI

آیا می‌توان ComfyUI را به API و اتوماسیون متصل کرد؟

بله. یکی از دلایل جذابیت ComfyUI برای استفاده روی سرور، امکان ساخت Workflowهای قابل تکرار و اتصال آن‌ها به فرآیندهای دیگر است. بنابراین می‌توان یک سرور را از یک محیط تولید دستی به بخشی از یک Pipeline بزرگ‌تر تبدیل کرد.

برای مثال، یک فروشگاه اینترنتی می‌تواند فرآیندی داشته باشد که مشخصات محصول را دریافت کند، Prompt مناسب بسازد، Workflow تصویر محصول را اجرا کند و خروجی نهایی را برای مرحله بعد ارسال کند.

در چنین معماری‌ای، ارزش سرور فقط به اجرای یک برنامه محدود نیست؛ سرور تبدیل به زیرساخت اجرای فرآیند تولید محتوا می‌شود.

جمع‌بندی؛ آیا نصب ComfyUI روی سرور ارزش دارد؟

📞 تماس با پشتیبانی: 021-91302460 | ایرانیکاسرور