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?
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_64 | cat /etc/os-release、uname -m |
| Python | 3.10、3.11 或 3.12 | python3 --version |
| GPU | NVIDIA 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:

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。

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:

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

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



