ComfyUI Kurulumu: Stable Diffusion İçin GPU Sunucu Rehberi

Görsel üretim modellerini bilgisayarınızda denemek eğlencelidir; ama aynı işi her gün, başkalarıyla paylaşarak ya da otomatik olarak yapmak istediğinizde ev bilgisayarı yetersiz kalır. Ekran kartı sürekli meşgul olur, bilgisayar uyur ya da kapanır, iş akışları tek bir makineye bağlı kalır. Bir GPU sunucuda çalışan ComfyUI bu sorunları çözer: sunucu 7/24 açıktır, tarayıcıdan her yerden erişirsiniz, iş akışlarınızı dosya olarak saklar ve API ile otomatikleştirirsiniz. Bu rehberde Ubuntu 24.04 LTS çalışan bir GPU sunucuda ComfyUI'yi kurup servise dönüştürüyor, VRAM ve disk ihtiyacını hesaplıyor ve arayüze internete açmadan güvenle erişmenin yolunu gösteriyoruz.

Neden ComfyUI?

ComfyUI, görsel üretimi düğümlerle kurduğunuz bir iş akışı arayüzüdür. Model yükleme, istem yazma, örnekleme, büyütme ve kaydetme gibi her adım ekranda bir kutudur ve kutuları birbirine bağlarsınız. Bu yaklaşımın sunucu kullanımına üç somut faydası var. İlk olarak iş akışı bir dosyadır: aynı akışı başka bir sunucuya taşımak ya da ekip arkadaşınızla paylaşmak kopyala-yapıştır kadar kolaydır. İkincisi, ComfyUI'nin bir HTTP API'si vardır; iş akışını arayüzden değil bir betikten çalıştırabilir, yüzlerce görseli sırayla ürettirebilirsiniz. Üçüncüsü, yalnızca gereken adımları çalıştırdığı için bellek kullanımında genellikle tutumludur, bu da sınırlı VRAM'li kartlarda avantaj sağlar.

VRAM ve disk: ne kadar gerekir?

Görsel üretimde en önemli kaynak yine VRAM'dir. Aşağıdaki tablo kabaca bir fikir verir; gerçek ihtiyaç çözünürlüğe, toplu üretim boyutuna ve kullandığınız eklentilere göre değişir.

Disk de hafife alınmamalıdır. Tek bir SDXL kontrol noktası birkaç gigabayt tutar; Flux gibi büyük modeller yirmi gigabayt ve üzerine çıkabilir. LoRA'lar, VAE dosyaları, kontrol ağları ve büyütme modelleri eklendikçe onlarca gigabayt birikir; ürettiğiniz görseller de buna eklenir. Gen4/Gen5 M.2 NVMe diskler hem kapasiteyi hem de model yükleme hızını karşılar. Sistem RAM'i de önemlidir: büyük modeller yüklenirken bellekten geçer, bu yüzden 32 GB ve üzeri rahat bir başlangıçtır. Kartların görsel üretimdeki davranışını RTX 5060 Ti rehberimizde ve RTX 5090 rehberimizde ayrıca ele aldık.

1. Sürücü ve temel paketler

Önce sunucuyu güncelleyin, NVIDIA sürücüsünü kurun ve gerekli paketleri ekleyin. Sürücü adımlarının ayrıntısı için Ubuntu 24.04 rehberimize bakabilirsiniz:

sudo apt update && sudo apt -y upgrade
sudo ubuntu-drivers install
sudo apt -y install git python3-venv python3-pip build-essential
sudo reboot

Yeniden başladıktan sonra nvidia-smi ile kartın göründüğünü doğrulayın. ComfyUI'yi ayrı bir kullanıcıyla çalıştırmak iyi bir güvenlik pratiğidir; böylece olası bir eklenti sorunu tüm sistemi değil yalnızca bu kullanıcının alanını etkiler:

sudo adduser --disabled-password --gecos "" comfy
sudo -iu comfy

2. ComfyUI'yi indirin ve sanal ortamı kurun

Bundan sonraki komutları comfy kullanıcısıyla çalıştırın. Önce depoyu klonlayın ve izole bir Python ortamı oluşturun:

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

Sıradaki adım, PyTorch'u ekran kartınıza uygun CUDA sürümüyle kurmaktır ve burası en sık hata yapılan yerdir. PyTorch'un resmi kurulum seçicisi işletim sisteminiz ve CUDA sürümünüz için doğru komutu verir. RTX 50 serisi kartlar CUDA 12.8 ya da daha yeni bir derleme gerektirir; komut şu biçimdedir ve sürüm kodunu seçicinin önerdiğiyle değiştirmelisiniz:

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu128
pip install -r requirements.txt

Tesla P40 gibi eski nesil kartlarda ise güncel PyTorch tekerleğinin o mimariyi içermediği durumlar olabilir. Kurulumdan sonra aşağıdaki küçük testle hem CUDA'nın çalıştığını hem de kartınızın hesaplama kapasitesinin derlemede bulunduğunu doğrulayın (P40 için bu değer 6.1'dir):

python -c "import torch; print(torch.__version__, torch.cuda.is_available(), torch.cuda.get_device_name(0)); print(torch.cuda.get_arch_list())"

True görüyor ve kartınızın adı çıkıyorsa temel hazırdır. False ise sürücü, CUDA sürümü ya da kart mimarisi uyuşmuyordur; bu durumda nvidia-smi çıktısını ve PyTorch sürümünüzü gözden geçirin.

3. İlk modeli ve klasör yapısını hazırlayın

ComfyUI model dosyalarını models altındaki alt klasörlerde arar: checkpoints ana modeller için, loras ince ayar dosyaları için, vae kod çözücüler için, controlnet kontrol ağları için, upscale_models büyütme modelleri için. İndirdiğiniz modelin .safetensors dosyasını doğru klasöre koymanız yeterlidir. Model dosyalarını bir model deposundan indirirken önce o modelin lisansını okuyun; bazı modeller ticari kullanıma izin vermez ya da indirmeden önce koşulları kabul etmenizi ister. Bu yazı hukuki danışmanlık değildir ve her modelin şartları ayrı olabilir.

Dosyayı sunucuya doğrudan wget ya da curl ile indirmek, önce kendi bilgisayarınıza indirip yüklemekten çok daha hızlıdır; çünkü sunucunun gigabit bağlantısı doğrudan kullanılır. Disk doluluğunu df -h ile izlemeyi unutmayın.

4. Başlatma ve SSH tüneliyle erişim

ComfyUI'yi yalnızca yerel adreste dinleyecek şekilde başlatın. Bu, arayüzün internete açılmasını baştan engeller:

python main.py --listen 127.0.0.1 --port 8188

Kendi bilgisayarınızdan bir SSH tüneli açın ve tarayıcıda yerel adresi kullanın:

ssh -L 8188:127.0.0.1:8188 kullanici@sunucu-adresi

Tarayıcıda http://localhost:8188 adresini açtığınızda arayüz gelir. İlk iş akışını yükleyin, bir istem yazıp üretin. İlk üretim modelin belleğe yüklenmesi yüzünden daha yavaş olur; sonrakiler çok daha hızlıdır. Üretim sırasında başka bir terminalde nvidia-smi çalıştırıp VRAM kullanımını izleyin: bu, modelin kartınıza ne kadar sığdığını gösterir.

5. systemd servisi: kendiliğinden açılsın

Sunucu yeniden başladığında ya da ComfyUI çöktüğünde elle müdahale etmek istemezsiniz. Bunun için bir systemd servisi yazın. Yönetici kullanıcınızla /etc/systemd/system/comfyui.service dosyasını oluşturun:

[Unit]
Description=ComfyUI
After=network.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
sudo systemctl status comfyui --no-pager
journalctl -u comfyui -f

Servis çalışırken SSH tüneliyle her zaman aynı adrese bağlanabilirsiniz. Günlükleri journalctl ile izleyebilir, hata olduğunda bu çıktıdan başlayabilirsiniz.

6. Düşük VRAM'de çalışma ipuçları

Kartınızın belleği modele zor yetiyorsa birkaç yöntem işe yarar. Önce çözünürlüğü ve toplu üretim boyutunu düşürün; bellek kullanımı bu ikisiyle hızla artar. Üretimi küçük çözünürlükte yapıp sonra büyütme modeliyle yükseltmek, doğrudan büyük çözünürlükte üretmekten çok daha az bellek ister. İkincisi, ComfyUI'yi --lowvram bayrağıyla başlatın; model parçalarını bellekle sistem RAM'i arasında taşıyarak çalışır, yavaşlar ama sığar. Üçüncüsü, nicemlenmiş model sürümlerini tercih edin. Dördüncüsü, VAE kod çözmede bellek taşıyorsa döşemeli (tiled) VAE düğümünü kullanın. Bunların hiçbiri sorunu çözmüyorsa asıl çözüm daha fazla VRAM'li bir karttır.

7. Güvenlik: eklentiler kod çalıştırır

ComfyUI'nin gücü topluluk eklentilerinden (custom node) gelir; ama her eklenti sunucuda Python kodu çalıştırır. Güvenmediğiniz kaynaktan eklenti kurmayın, kurmadan önce deponun ne yaptığına bakın ve düzenli olarak güncelleyin. Arayüzün kendisi kimlik doğrulaması istemez; bu yüzden onu internete açmayın. Birden fazla kişi kullanacaksa HTTPS sağlayan ve kimlik doğrulayan bir ters vekil kurun. Sunucunun temel güvenliği için SSH ve Linux güvenliği rehberimizi uygulayın. Üretilen görseller zamanla diski doldurur; output klasörünü düzenli temizleyin ya da ayrı bir diske yönlendirin.

8. API ile otomasyon

ComfyUI'nin gerçek gücü, iş akışını betikten çalıştırabilmenizdir. Arayüzde ayarlardan geliştirici modunu açarsanız iş akışını "API biçiminde" kaydedebilirsiniz. Bu JSON'u ComfyUI'nin /prompt adresine göndererek üretimi tetikleyebilirsiniz. Bir ürün kataloğu için her ürüne farklı bir istem üretmek ya da bir görsel setini gece boyunca kuyruğa almak gibi işler bu şekilde otomatikleşir. Betiğinizi de sunucuda çalıştırırsanız hiçbir veri dış dünyaya çıkmaz.

İlk iş akışları ve doğru beklenti

ComfyUI'yi ilk açtığınızda boş bir tuval görürsünüz; sıfırdan düğüm bağlamak zorunda değilsiniz. Arayüz hazır bir varsayılan iş akışı sunar ve topluluk paylaşımlarından aldığınız iş akışı dosyalarını arayüze sürükleyip bırakarak yükleyebilirsiniz. Başlamak için en iyi yol, kullandığınız model ailesine uygun basit bir metinden görsele akışı çalıştırmak, sonra adım sayısı, örnekleyici ve çözünürlük gibi değerleri tek tek değiştirip sonucu gözlemlemektir. Bir iş akışı çalışmazsa genellikle eksik bir model dosyası ya da eksik bir eklenti vardır; ComfyUI hata mesajında hangi düğümün neye ihtiyaç duyduğunu söyler.

Beklentiyi de baştan doğru kurun: ilk üretim, model belleğe yüklendiği için sonrakilerden belirgin yavaştır. Aynı modeli ve ayarları kullanmaya devam ettiğiniz sürece sonraki üretimler hızlanır. Model değiştirdiğinizde bellekte yeni bir yükleme gerekir. Bu yüzden bir iş için tek model seçip seriyi o modelle üretmek, her görselde modeli değiştirmekten çok daha verimlidir.

Kart seçimi ve üretim hızı

Üretim süresi kartın hesap gücüne ve belleğine bağlıdır. Aynı SDXL iş akışı, daha yeni ve daha güçlü bir kartta belirgin biçimde daha kısa sürer; ancak asıl fark çözünürlük ve toplu boyut büyüdüğünde ortaya çıkar. 8 GB'lık bir kartta büyük çözünürlüğe çıkmak için --lowvram gerekirken, 24-32 GB'lık bir kartta aynı iş doğrudan ve hızlı çalışır. Düzenli ve yüksek hacimli üretim yapacaksanız (örneğin bir katalog için her gün yüzlerce görsel), daha güçlü bir kart zamandan tasarruf ettirir. Yalnızca arada bir birkaç görsel üreteceksiniz, giriş seviyesi bir kart ile başlayıp ihtiyaç doğdukça büyütmek mantıklıdır.

Yedekleme: neyi saklamalı?

Model dosyaları yeniden indirilebilir; asıl değerli olan iş akışlarınız, özel eğittiğiniz LoRA dosyaları ve ürettiğiniz görsellerdir. İş akışı JSON dosyalarını düzenli olarak bir depoya (örneğin bir Git deposuna) ya da sunucu dışındaki bir yedeğe alın. Eğittiğiniz LoRA dosyalarını ayrıca saklayın. Üretilen görselleri sunucuda uzun süre bırakmayın; teslim ettiğiniz ya da arşivlediğiniz görselleri disk dışına taşıyın.

9. Sık karşılaşılan sorunlar

• CUDA out of memory: Çözünürlüğü düşürün, toplu boyutu 1'e indirin ya da --lowvram ile başlatın.
• Siyah ya da bozuk görsel: Genellikle VAE ya da duyarlılık ayarındandır; farklı bir VAE deneyin ya da VAE'yi yüksek duyarlıkta çalıştırın.
• Arayüz açılmıyor: SSH tünelinin açık olduğunu ve systemctl status comfyui çıktısının çalıştığını doğrulayın.
• PyTorch GPU'yu görmüyor: torch.cuda.is_available() değerini ve CUDA derlemesinin kartınızla uyumunu kontrol edin.
• Disk doldu: Kullanılmayan modelleri ve eski çıktıları temizleyin; du -sh models/* output hangi klasörün şiştiğini gösterir.

İlgili Rehberler

• GPU sunucu kiralama paketleri
• Türkiye lokasyon kiralık sunucular
• RTX 5090 sunucu rehberi
• Yerel LLM için kaç GB VRAM gerekir?
• GPU VDS nedir, ne işe yarar?
• Ekran kartı kiralama rehberi: GPU sunucu, GPU VDS ve bulut farkı
• Ollama ve Open WebUI kurulumu (Ubuntu GPU sunucu)
• nvidia-smi hataları ve GPU sunucu sorun giderme
• Blender GPU render sunucusu rehberi
• Dual GPU sunucu ne zaman gerekir?

Sık Sorulan Sorular