美国服务器部署ComfyUI需要哪些环境准备,怎样完成首次启动验证?

发布人:A5数据发布时间:2026-11-12 11:05阅读量:46

美国服务器首次部署 ComfyUI,重点不是把所有扩展和模型一次装全,而是先确认 GPU、驱动、Python、磁盘和远程访问条件,再完成一个可回溯的基础安装。建议以 Ubuntu 22.04/24.04、x86_64 架构、NVIDIA GPU 和普通 sudo 用户为基线,先用虚拟环境安装 ComfyUI,首次启动时只监听服务器本机地址,通过 SSH 隧道访问管理页面。

本次验收分为两层:第一层是网页能够启动、端口监听正常、PyTorch 能识别 CUDA;第二层是放入一个来源可靠且与工作流匹配的模型,完成一次最小图片生成。没有模型时可以验证程序启动,但不能证明推理链路已经完整可用。

一、准备条件与适用边界

美国机房本身不会改变 ComfyUI 的安装方式,但服务器通常有公网地址,且模型和依赖包需要通过 HTTPS 下载,因此要同时关注 GPU 设备是否真正分配给实例、出口网络是否可用,以及 8188 端口是否被错误暴露。

建议使用以下基础条件:

项目建议条件核验方式
操作系统Ubuntu 22.04 或 24.04,x86_64cat /etc/os-release、uname -m
Python3.10、3.11 或 3.12python3 --version
GPUNVIDIA GPU,已安装并加载驱动nvidia-smi
显存8GB 可作为基础测试起点,12GB 及以上更适合较大工作流nvidia-smi
系统内存建议至少 16GB;模型较大或节点较多时应预留更多free -h
磁盘基础环境建议预留 20GB 以上;包含一个或多个模型时建议 30GB 至 50GB 以上df -h
网络能访问代码仓库、Python 包索引和模型来源curl、安装过程日志
账号普通用户,具备 sudo 权限id

8GB 显存通常可以从较小分辨率、较小批量开始验证;SDXL、视频模型或包含多个控制节点的工作流会明显增加显存和内存需求。这里的容量是部署规划中的参考范围,不代表所有模型都遵循相同的最低要求。

首次部署不建议直接以 root 用户运行,也不建议一开始就安装大量自定义节点、配置守护进程或把 Web 页面开放到公网。先建立一个干净的基础版本,后续出现问题时更容易判断是驱动、依赖、模型还是扩展造成的。

围绕ComfyUI图像生成与模型运行,A5idc数据提供美国GPU物理服务器,涵盖A100 80GB、RTX 4090等显卡选项,并搭配服务器CPU、内存和NVMe存储,为GPU推理、模型文件存放及生成结果保存提供资源基础。美国GPU系列另有三网直连回国或国际带宽方案,可衔接跨境远程操作、模型传输与图像处理等部署需求。

二、先核对系统、GPU和存储

登录美国服务器后,先执行基础检查。命令只读取系统状态,不会修改配置。

cat /etc/os-release
uname -m
python3 --version || true
git --version || true
nvidia-smi
free -h
df -h "$HOME"

重点查看以下结果:

  • uname -m 应显示 x86_64。
  • Python 建议处于 3.10 至 3.12 范围内。
  • nvidia-smi 能列出 GPU 名称、驱动版本和显存容量。
  • df -h 中安装目录所在分区应有足够可用空间。

nvidia-smi 中的 CUDA Version 表示驱动能够兼容的 CUDA 运行时上限,不等于服务器已经安装了完整 CUDA Toolkit,也不要求它与后续 torch.version.cuda 的字符串完全相同。ComfyUI 基础运行通常只需要驱动和 PyTorch 自带的 CUDA 运行时,不必为了首次启动额外安装 nvcc。

如果出现 nvidia-smi: command not found、No devices were found 或 GPU 列表为空,应先确认购买的美国服务器实例确实包含 NVIDIA GPU,并检查云平台是否完成 GPU 直通。可以补充查看 PCI 设备:

二、先核对系统、GPU和存储配图

lspci | grep -i nvidia || true
ls -l /dev/nvidia* 2>/dev/null || true

如果没有 NVIDIA PCI 设备或 /dev/nvidia0,继续安装 CUDA 版 PyTorch 也无法解决硬件未分配的问题。此时应先处理实例规格或驱动状态。

三、安装基础工具并建立独立目录

确认系统条件后,安装 Git、Python 虚拟环境和基础网络工具。下面的命令适用于 Ubuntu 系统,apt-get update 会刷新软件包索引,apt-get install 只安装列出的组件。

sudo apt-get update
sudo apt-get install -y git curl python3 python3-venv python3-pip

安装后再次确认版本:

python3 --version
git --version
curl --version | head -n 1

如果系统默认 Python 版本不在 3.10 至 3.12 范围内,不要直接用 sudo pip 覆盖系统 Python。应优先使用当前 Ubuntu 版本提供的兼容 Python 包,或在明确版本来源后再建立虚拟环境。

在普通用户家目录中拉取代码:

cd "$HOME"
git clone https://github.com/comfyanonymous/ComfyUI.git
cd "$HOME/ComfyUI"
git rev-parse --short HEAD

预期会显示一个短提交号。这个提交号应记录下来,便于后续判断代码是否发生变化。如果目录已经存在,不要重复执行 git clone,可以先检查:

test -f "$HOME/ComfyUI/main.py" && echo "ComfyUI directory is ready"

接着创建虚拟环境:

cd "$HOME/ComfyUI"
python3 -m venv .venv
source .venv/bin/activate
python -m pip install --upgrade pip setuptools wheel

验证当前命令确实使用了虚拟环境中的 Python:

which python
python --version
python -m pip --version

which python 的结果应类似于:

/home/your-user/ComfyUI/.venv/bin/python

如果仍然指向 /usr/bin/python,说明虚拟环境没有激活。后续所有安装命令都应使用 python -m pip,这样可以避免把依赖误装到系统 Python 中。

四、安装与 CUDA 驱动匹配的 PyTorch

ComfyUI 的 GPU 推理依赖 PyTorch。CUDA 版 PyTorch 的安装参数应结合 NVIDIA 驱动支持范围和当前可用的 PyTorch wheel 选择,不能只根据显卡型号猜测。

下面以 CUDA 12.4 wheel 作为示例:

cd "$HOME/ComfyUI"
source .venv/bin/activate

python -m pip install torch torchvision \
  --index-url https://download.pytorch.org/whl/cu124

如果该索引中没有适用于当前 Python 版本的包,可以选择与驱动兼容的其他 CUDA wheel,例如 cu121。不要同时混装多个 CUDA 版本,也不要在没有核对结果的情况下复制其他系统的安装命令。

然后安装 ComfyUI 依赖:

python -m pip install -r requirements.txt

安装过程可能需要一段时间,时间长短取决于美国服务器的出口带宽、磁盘性能和软件包缓存情况。安装完成后,先不启动 ComfyUI,直接验证 PyTorch:

python - <<'PY'
import torch

print("torch_version:", torch.__version__)
print("torch_cuda_runtime:", torch.version.cuda)
print("cuda_available:", torch.cuda.is_available())

if torch.cuda.is_available():
    device = torch.cuda.current_device()
    props = torch.cuda.get_device_properties(device)
    print("device_index:", device)
    print("device_name:", props.name)
    print("vram_gib:", round(props.total_memory / 1024**3, 2))
PY

GPU 服务器的正常结果应包含以下信息:

torch_cuda_runtime: 12.4
cuda_available: True
device_name: NVIDIA ...
vram_gib: ...

版本号和显卡名称会因服务器规格而不同。真正关键的是 cuda_available: True,并且能读取设备名称和显存容量。

如果 torch.version.cuda 为 None,或者 cuda_available 为 False,先检查是否进入了正确的虚拟环境:

which python
python -m pip show torch
python -m pip show torchvision
nvidia-smi

常见原因包括安装成 CPU 版 PyTorch、Python 版本没有对应的 CUDA wheel、驱动过旧,或者当前实例没有 GPU。不要直接重复安装多个版本;应先记录现状,再在当前虚拟环境内重新安装匹配的 CUDA wheel。模型文件和 ComfyUI 代码不在虚拟环境内,重建 .venv 通常不会影响它们。

五、准备一个用于验证的模型

ComfyUI 页面没有模型时仍然可以启动,但无法完成实际采样。首次验证只需要准备一个与工作流相匹配的基础模型,不需要同时安装大型模型库或自定义节点。

先创建标准目录:

cd "$HOME/ComfyUI"
mkdir -p models/checkpoints

将从可信且具备合法使用权限的来源获得的模型文件上传到该目录。模型上传可以在本地电脑执行类似命令:

scp -P 22 ./example-model.safetensors \
  your-user@SERVER_IP:~/ComfyUI/models/checkpoints/

其中 22 应替换为服务器实际 SSH 端口,SERVER_IP 替换为美国服务器公网地址。模型文件较大时,应关注本地终端是否显示传输中断,不要只根据 SSH 登录成功判断上传完成。

服务器端检查文件:

cd "$HOME/ComfyUI"
find models/checkpoints -maxdepth 1 -type f -printf '%f %s bytes\n'
du -sh models/checkpoints

建议优先使用来源可信的 safetensors 文件,不要把不明来源的脚本、节点包或模型直接放入生产目录。若模型没有显示在页面下拉列表中,先确认文件位于 models/checkpoints 的直接目录中,并重新加载页面或重启 ComfyUI。

模型文件大小会因模型类型差异很大。部署前可以按“虚拟环境和依赖占用数GB + 每个模型数GB至数十GB + 输出和缓存空间”的方式预留磁盘,不能只按 ComfyUI 代码目录的大小估算。

六、以本机监听方式完成首次启动

首次启动建议只监听服务器本机地址。这样即使服务器拥有公网 IP,8188 端口也不会直接向互联网开放。

在一个 SSH 会话中执行:

cd "$HOME/ComfyUI"
source .venv/bin/activate
python main.py --listen 127.0.0.1 --port 8188

正常情况下,终端会出现类似以下信息:

Starting server

To see the GUI go to: http://127.0.0.1:8188

实际日志内容会随 ComfyUI 版本、显卡和依赖变化。重点观察是否出现 Python traceback、CUDA 初始化错误或端口占用提示。保持这个会话运行,不要立即按 Ctrl+C。

在第二个 SSH 会话中验证 HTTP 服务:

curl -sS -o /dev/null -w 'HTTP %{http_code}\n' \
  http://127.0.0.1:8188/

预期返回:

HTTP 200

再检查监听地址:

ss -lntp | grep ':8188'

首次启动的安全验收应看到类似:

LISTEN 0 128 127.0.0.1:8188 0.0.0.0:* users:(("python",...))

如果显示 0.0.0.0:8188,说明程序监听了所有网卡。首次验证不建议使用这种方式;应停止程序后重新使用 --listen 127.0.0.1 启动。

通过 SSH 隧道访问页面

在本地电脑上新开终端,执行:

ssh -N -L 18188:127.0.0.1:8188 \
  your-user@SERVER_IP

然后在本地浏览器打开:

http://127.0.0.1:18188

这里左侧的 18188 是本地端口,右侧的 127.0.0.1:8188 是美国服务器上的 ComfyUI 地址。若本地端口已被占用,可以把 18188 换成其他未使用端口,但服务器端仍保持 8188。

六、以本机监听方式完成首次启动配图

ComfyUI 默认不应被当作已经配置了完整身份认证的公网后台。首次测试没有必要开放云防火墙或系统防火墙的 8188 端口,SSH 隧道可以同时满足访问和降低暴露面的需要。

七、完成一次最小推理验证

网页能够打开只说明 Web 服务正常,还不能证明 GPU 推理成功。应在页面中载入一个与模型类型匹配的基础工作流,并执行一次低负载任务。

以常见基础图像工作流为例,至少需要包含以下逻辑:

七、完成一次最小推理验证配图

  1. 从 models/checkpoints 选择已上传的模型。
  2. 使用文本编码节点输入简短提示词。
  3. 使用空潜空间节点设置较小的宽高和批量。
  4. 通过采样器执行一次采样。
  5. 使用 VAE 解码并连接保存图像节点。
  6. 点击队列执行按钮。

首次测试时可以使用 512×512、批量 1 和较少采样步数作为低负载起点;如果模型明确要求其他分辨率,应优先遵循模型对应的工作流。显存有限时,不要一开始使用高分辨率、较大批量或多个控制模型。

执行过程中可以在另一个 SSH 会话观察显卡:

watch -n 1 nvidia-smi

生成期间通常可以看到 Python 进程和显存占用变化。不要把某一个瞬间的 GPU 利用率当作唯一标准,因为采样结束后利用率会下降,显存也可能因缓存暂时保持占用。

生成完成后检查输出目录:

cd "$HOME/ComfyUI"
find output -type f -mmin -10 -printf '%TY-%Tm-%Td %TH:%TM %s bytes %p\n'

一次有效的首轮验收应同时满足:

  • 页面能打开,节点和工作流可以操作。
  • 队列执行后没有 CUDA、模型加载或节点异常。
  • 终端出现任务完成相关日志。
  • output 目录产生新的图像文件。
  • 生成期间 nvidia-smi 能看到显卡进程或显存活动。
  • 服务器分区仍有足够剩余空间。

如果只完成了页面启动而没有模型,验收结果应记录为“应用启动通过,推理未验证”,不要写成 GPU 部署已完成。

八、首次部署中的常见异常处理

1. nvidia-smi 正常,但 PyTorch 不识别 CUDA

先确认两个命令使用的是同一个环境:

八、首次部署中的常见异常处理配图

cd "$HOME/ComfyUI"
source .venv/bin/activate
which python
python -m pip show torch
python -c "import torch; print(torch.__version__, torch.version.cuda, torch.cuda.is_available())"

如果 PyTorch 是 CPU 版,或 torch.version.cuda 为 None,应在当前虚拟环境中重新安装匹配的 CUDA wheel。若驱动版本与所选运行时不兼容,应先升级或更换兼容的驱动,不要通过修改环境变量掩盖问题。

2. 安装依赖时提示空间不足或下载失败

先检查磁盘和网络:

df -h "$HOME"
curl -I https://pypi.org
curl -I https://github.com

磁盘不足时,先清理确认无用的 pip 缓存,不要删除模型目录:

python -m pip cache dir
python -m pip cache purge

pip cache purge 会删除当前用户的 Python 包缓存,影响后续重新安装速度,但不会删除 ComfyUI 代码和模型。网络受限时,应检查服务器出口策略、DNS 和云平台安全策略。

3. 启动提示端口被占用

不要直接终止未知进程。先查询:

ss -lntp | grep ':8188'

如果 8188 被其他业务使用,可以改用其他端口:

python main.py --listen 127.0.0.1 --port 18189

同时把 SSH 隧道右侧端口改为 18189:

ssh -N -L 18189:127.0.0.1:18189 \
  your-user@SERVER_IP

4. 浏览器无法打开页面

如果 ComfyUI 日志正常、服务器本机 curl 返回 200,但本地浏览器打不开,通常是没有建立 SSH 隧道,或本地访问的端口与隧道左侧端口不一致。检查隧道命令是否仍在运行,并访问对应的 http://127.0.0.1:本地端口。

如果服务器本机访问也失败,则回到应用日志和 ss 检查,不要先修改公网防火墙。

5. 模型不显示或生成时找不到模型

检查文件路径和权限:

cd "$HOME/ComfyUI"
ls -lh models/checkpoints
find models/checkpoints -maxdepth 1 -type f

模型应放在 ComfyUI/models/checkpoints/,而不是放在仓库外的同名目录。文件没有完整上传、扩展名被重复添加,或工作流引用了其他模型名称,都可能造成加载失败。

6. 生成时显存不足

先降低分辨率、批量和采样复杂度,关闭暂时不用的工作流节点。仍然不足时,可以停止进程后使用 ComfyUI 的低显存选项重新启动:

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

--lowvram 通常会降低显存压力,但可能增加系统内存占用和执行时间。--cpu 可以用于判断模型和依赖是否基本可用,但 CPU 推理速度通常不适合作为正式运行方式,不应把它当作 GPU 故障的最终修复。

九、验收记录与安全回滚

完成首次部署后,建议保存以下信息:

cd "$HOME/ComfyUI"
source .venv/bin/activate

git rev-parse HEAD
python --version
python -m pip freeze > requirements.freeze.txt
python -c "import torch; print(torch.__version__, torch.version.cuda, torch.cuda.is_available())"
nvidia-smi --query-gpu=name,driver_version,memory.total --format=csv

验收项可以按下面的顺序逐项确认:

  • [ ] 系统架构为 x86_64,Python 版本符合部署范围。
  • [ ] nvidia-smi 能识别指定 GPU。
  • [ ] torch.cuda.is_available() 返回 True。
  • [ ] ComfyUI 代码提交号和 Python 依赖版本已经记录。
  • [ ] python main.py --listen 127.0.0.1 --port 8188 可以启动。
  • [ ] 服务器本机访问 8188 返回 HTTP 200。
  • [ ] SSH 隧道可以在本地浏览器打开页面。
  • [ ] 模型位于正确目录并能在工作流中选择。
  • [ ] 至少完成一次生成,output 目录产生新文件。
  • [ ] 8188 没有被不必要地开放到公网。

如果首次安装后的依赖状态异常,优先回滚虚拟环境,不要删除模型和输出文件。先停止 ComfyUI,在当前目录保存依赖记录,然后将虚拟环境改名:

cd "$HOME/ComfyUI"
source .venv/bin/activate
python -m pip freeze > requirements.freeze.failed.txt
deactivate

mv .venv ".venv.failed-$(date +%Y%m%d-%H%M%S)"

确认代码和模型仍在后,再重新创建环境:

cd "$HOME/ComfyUI"
python3 -m venv .venv
source .venv/bin/activate
python -m pip install --upgrade pip setuptools wheel
python -m pip install torch torchvision \
  --index-url https://download.pytorch.org/whl/cu124
python -m pip install -r requirements.txt

这种回滚只影响 Python 虚拟环境,不影响 main.py、models/、output/ 和工作流文件。如果代码本身被修改过,应先查看状态和当前提交:

cd "$HOME/ComfyUI"
git status --short
git log -1 --oneline

需要恢复到已记录的稳定提交时,先备份未提交内容,再使用明确的提交号切换。不要在未确认路径和备份状态前执行强制重置或递归删除。首次部署能够启动、GPU 可识别、模型可加载并完成一次生成后,再考虑添加自定义节点、配置后台服务或设计正式的公网访问方案。

本文由A5数据原创发布,转载请注明出处:https://www.a5idc.com/helpcontent/8990.html

相关推荐