Comment exécuter ComfyUI dans le cloud sur une RTX 5090

Exécuter ComfyUI dans le cloud peut signifier deux choses différentes.

Comfy Cloud est le service hébergé officiel de ComfyUI. Vous l'ouvrez dans un navigateur et Comfy fournit le GPU, les modèles, le logiciel et l'environnement.

L'auto-hébergement de ComfyUI sur un GPU cloud vous donne accès à une machine Linux distante sur laquelle vous installez ComfyUI vous-même. Vous choisissez le GPU, les modèles, les nœuds personnalisés, l'organisation du stockage, les versions logicielles et les périodes d'exécution de l'instance.

Ce guide couvre la seconde approche.

Nous allons configurer ComfyUI sur :

• 1 × NVIDIA RTX 5090 avec 32 Go de VRAM
• une machine virtuelle Linux
• une version actuelle de PyTorch CUDA
• le dépôt officiel de ComfyUI
• ComfyUI-Manager
• le transfert de port SSH pour l'accès via navigateur

Une fois opérationnelle, cette même installation peut prendre en charge des workflows génératifs basés sur des graphes pour l'image, la vidéo, l'audio et bien plus encore.

C'est précisément pour ce dernier point que ComfyUI mérite son propre guide, plutôt que d'être traité comme une simple interface de Stable Diffusion parmi d'autres.

Qu'est-ce que ComfyUI ?

ComfyUI est une interface basée sur des nœuds et un moteur d'inférence open source pour l'IA générative.

Au lieu de masquer le pipeline de génération derrière un panneau de contrôle classique, il représente ce pipeline sous forme de graphe.

Un workflow d'image basique pourrait ressembler conceptuellement à ceci :

Charger le modèle
   ↓
Encoder le prompt
   ↓
Créer l'image latente
   ↓
Échantillonner
   ↓
Décoder
   ↓
Enregistrer l'image

Chaque bloc est un nœud.

Les connexions entre les nœuds transmettent des modèles, du conditionnement textuel, des images, des espaces latents, des masques, des nombres ou d'autres données d'une opération à l'autre.

Le résultat est une description visuelle précise du fonctionnement du pipeline de génération.

Cela rend ComfyUI particulièrement utile pour les flux de travail qui deviennent complexes dans une interface conventionnelle :

• plusieurs LoRA
• ControlNet
• pipelines image-vers-image
• inpainting
• upscaling par étapes
• workflows FLUX
• génération de vidéo
• plusieurs passes de modèle
• prétraitement et post-traitement réutilisables
• génération par lots
• pipelines pilotés par API

La documentation officielle de ComfyUI décrit un workflow comme un graphe de nœuds connectés capable de générer des images, des vidéos, de l'audio et d'autres types de contenus.

Le mot important est workflow.

ComfyUI est utile car le graphe lui-même peut devenir un artefact réutilisable.

Comfy Cloud et ComfyUI auto-hébergé sont des produits différents

Comfy propose désormais son propre service hébergé appelé Comfy Cloud.

Le service officiel fonctionne actuellement sur des GPU NVIDIA RTX 6000 Pro et fournit des modèles ainsi que des nœuds personnalisés préinstallés. Vous n'avez pas à gérer la machine sous-jacente.

C'est la solution la plus simple si vous souhaitez simplement utiliser ComfyUI.

L'auto-hébergement sur Calculer avec Hivenet ajoute une charge de travail liée à l'infrastructure, mais vous donne le contrôle sur :

• le GPU exact
• les fichiers de modèle
• les nœuds personnalisés
• les paquets Python
• les versions logicielles
• la configuration du disque
• l'accès réseau
• les flux de travail
• le calendrier des mises à jour
• le démarrage et l'arrêt du GPU

La distinction est similaire à celle que nous avons établie dans notre guide comparatif entre Ollama Cloud et un GPU auto-hébergé.

Un service cloud géré vous fournit l'application.

Un GPU loué vous fournit la machine.

Choisissez la machine lorsque le contrôle de celle-ci résout un problème réel.

Pourquoi exécuter ComfyUI sur un GPU cloud ?

ComfyUI en soi ne nécessite pas de RTX 5090.

Votre flux de travail détermine le matériel nécessaire.

Un flux de travail Stable Diffusion modeste peut fonctionner sur des GPU bien plus petits. Les modèles d'image et de vidéo plus récents peuvent consommer beaucoup plus de VRAM.

Les GPU dans le cloud deviennent utiles lorsque :

• votre GPU local ne dispose pas de suffisamment de VRAM
• vous n'avez besoin de matériel coûteux que de manière intermittente
• vous souhaitez tester des modèles avant d'acheter du matériel
• un flux de travail prend trop de temps en local
• vous avez besoin de matériel différent pour différents projets
• vous souhaitez un environnement distant reproductible
• vous développez un flux de travail qui sera ultérieurement exécuté en tant que service ou traitement par lots

La RTX 5090 vous offre 32 Go de VRAM.

C'est une capacité nettement supérieure à celle de nombreux GPU grand public, ce qui la rend adaptée aux flux de travail exigeants de génération d'images et à certains pipelines de vidéo générative plus récents.

Notre guide sur la VRAM de la RTX 5090 explique pourquoi la quantité de mémoire libre autour d'un modèle est tout aussi importante que le simple fait que le modèle de base puisse techniquement se charger.

ComfyUI ou AUTOMATIC1111 ?

Les deux permettent d'exécuter des modèles de génération d'images de type Stable Diffusion.

Ils abordent le problème différemment.

AUTOMATIC1111 propose une interface conventionnelle. Les paramètres sont regroupés dans des panneaux, des onglets, des extensions et des contrôles.

ComfyUI expose le pipeline de génération lui-même.

Si votre flux de travail consiste à :

Charger un point de contrôle, saisir une requête, ajuster quelques paramètres et générer une image.

AUTOMATIC1111 peut s'avérer plus simple.

Si votre flux de travail devient :

Charger ce modèle, appliquer ces deux LoRA, conditionner une zone avec ControlNet, exécuter un échantillonneur, faire passer le résultat par un autre modèle, l'agrandir et enregistrer plusieurs sorties intermédiaires.

ComfyUI est plus facile à appréhender car vous pouvez visualiser le pipeline.

Nous abordons l'autre approche dans notre guide sur Stable Diffusion WebUI et les GPU cloud pour AUTOMATIC1111.

Vous n'êtes pas obligé de choisir une interface pour le restant de vos jours.

Utilisez celle qui correspond à votre flux de travail.

De quel GPU ComfyUI a-t-il besoin ?

ComfyUI n'a pas d'exigence matérielle fixe significative.

Un flux de travail peut charger un petit modèle d'image ou plusieurs modèles d'image et de vidéo colossaux.

Les variables utiles incluent :

• taille du point de contrôle
• précision du modèle
• résolution
• taille du lot
• modèles ControlNet
• LoRA
• VAE
• outils de mise à l'échelle
• durée de la vidéo
• résolution des images
• nombre d'étapes du modèle
• comportement des nœuds personnalisés

La configuration GPU requise dépend du flux de travail plutôt que de l'interface.

Cette distinction devient de plus en plus importante à mesure que ComfyUI s'étend au-delà de Stable Diffusion.

Un flux de travail d'image FLUX et un flux de travail vidéo Wan peuvent tous deux s'exécuter dans ComfyUI tout en ayant des profils de mémoire totalement différents.

Nous traiterons ces aspects séparément dans notre guide GPU cloud pour FLUX.1 [dev] et notre prochain guide GPU cloud pour Wan 2.2 sur ComfyUI.

Pour une machine cloud ComfyUI polyvalente, 32 Go offrent une marge de manœuvre confortable sans nécessiter d'emblée une instance multi-GPU.

Étape 1 : lancez une machine virtuelle RTX 5090

Créez une instance sur Calcul avec Hivenet.

Pour cette configuration, choisissez :

1. Machine virtuelle
2. 1 × RTX 5090
3. Ubuntu ou un autre environnement Linux actuel
4. suffisamment d'espace disque pour vos modèles et vos sorties
5. Accès SSH

Une machine virtuelle est pertinente car les environnements ComfyUI ont tendance à évoluer.

Vous pourriez avoir besoin d'installer :

• des bibliothèques système
• des paquets Python
• des nœuds personnalisés
• des outils en ligne de commande
• des utilitaires de téléchargement de modèles supplémentaires

Disposer d'un contrôle total sur le système d'exploitation facilite grandement ces opérations.

S'il s'agit de votre première instance, utilisez le Guide de démarrage rapide Compute.

Connectez-vous via SSH et vérifiez que le GPU est bien détecté :

nvidia-smi

Effectuez cette opération avant d'installer ComfyUI.

Vous devriez voir la RTX 5090 ainsi que sa mémoire GPU disponible.

Étape 2 : créer un environnement Python isolé

ComfyUI évolue fréquemment et les nœuds personnalisés peuvent entraîner leurs propres dépendances.

N'installez pas tout dans l'environnement Python système.

Vérifiez votre version de Python :

python3 --version

ComfyUI recommande actuellement Python 3.13, mais Python 3.12 constitue une alternative fiable si les dépendances des nœuds personnalisés posent des problèmes de compatibilité.

Pour un serveur sur lequel vous prévoyez d'expérimenter avec des nœuds tiers, Python 3.12 est un choix prudent.

Créez un environnement virtuel :

python3 -m venv ~/comfy-env
source ~/comfy-env/bin/activate

Mettez à jour pip :

pip install --upgrade pip

Désormais, assurez-vous que cet environnement est actif lorsque vous installez ou mettez à jour des paquets ComfyUI.

Étape 3 : installer la version actuelle de PyTorch pour NVIDIA

Les instructions d'installation manuelle actuelles de ComfyUI recommandent les paquets stables PyTorch CUDA 13.0 pour les GPU NVIDIA.

Installez-les avec :

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

Vérifiez ensuite le GPU depuis Python :

python - <<'PY'
import torch

print("PyTorch:", torch.__version__)
print("CUDA disponible :", torch.cuda.is_available())

if torch.cuda.is_available():
   print("GPU :", torch.cuda.get_device_name(0))
   print(
       "VRAM :",
       round(
           torch.cuda.get_device_properties(0).total_memory
           / 1024**3,
           1
       ),
       "Go"
   )
PY

Vous souhaitez que CUDA renvoie :

Vrai

et que le nom du périphérique affiche la RTX 5090.

Cette vérification permet de distinguer les problèmes liés au GPU de ceux liés à ComfyUI.

Étape 4 : installer ComfyUI

Clonez le dépôt officiel :

git clone https://github.com/Comfy-Org/ComfyUI.git

Accédez au dossier :

cd ComfyUI

Installez les dépendances de l'application :

pip install -r requirements.txt

ComfyUI peut désormais être lancé avec :

python main.py

L'interface web par défaut s'exécute sur le port :

8188

Pour l'instant, limitez-le à l'interface locale de la machine distante.

Il n'est pas nécessaire d'exposer l'application publiquement pour y accéder depuis votre ordinateur portable.

Étape 5 : activer ComfyUI-Manager

Les nœuds personnalisés sont un élément essentiel de l'écosystème ComfyUI, et le gestionnaire ComfyUI-Manager est désormais intégré au cœur de ComfyUI.

Pour les installations manuelles, ses dépendances doivent toujours être installées et la fonctionnalité activée.

Depuis le répertoire ComfyUI :

pip install -r manager_requirements.txt

Lancez ensuite :

python main.py --enable-manager

Le gestionnaire facilite l'installation, la mise à jour et le diagnostic des nœuds personnalisés.

Cette commodité exige toutefois une certaine prudence.

Un nœud personnalisé est un code qui s'exécute au sein de votre environnement ComfyUI.

Considérez les nœuds personnalisés comme des dépendances logicielles, et non comme de simples préréglages visuels inoffensifs.

N'installez des nœuds que si un flux de travail l'exige. Évitez de construire un environnement autour de dizaines de paquets abandonnés que vous ne sauriez plus reproduire.

Étape 6 : accéder à ComfyUI de manière sécurisée via SSH

Ne commencez pas par lier ComfyUI à toutes les interfaces réseau avec :

--listen 0.0.0.0

Pour un espace de travail distant individuel, le tunnel SSH est plus simple et permet de maintenir le serveur ComfyUI sur localhost.

Laissez ComfyUI s'exécuter sur la machine virtuelle :

python main.py --enable-manager

Sur votre propre ordinateur, ouvrez un second terminal et ajoutez ceci à la commande de connexion SSH habituelle pour l'instance Hivenet :

-L 8188:localhost:8188

En résumé :

ssh \
 -L 8188:localhost:8188 \
 <votre-cible-ssh-hivenet>

Ensuite, ouvrez :

http://localhost:8188

dans votre navigateur.

Votre navigateur se connecte au port 8188 de votre ordinateur. SSH transfère ce trafic de manière sécurisée vers le port 8188 de la machine GPU distante.

Hivenet documente cette même approche dans le guide de redirection de port.

Il existe une autre raison de préférer cette méthode à une configuration --listen publique : ComfyUI-Manager restreint délibérément certaines opérations à risque lorsque ComfyUI est exposé au-delà de localhost, et certaines fonctionnalités de nœuds partenaires nécessitent également un environnement local sécurisé.

La configuration ComfyUI à distance la plus simple est souvent celle qui continue de se comporter comme une instance locale du point de vue de l'application.

Étape 7 : comprenez un workflow ComfyUI avant d'en télécharger vingt

À l'ouverture de ComfyUI, le canevas contient des nœuds connectés.

Un graphe simple de conversion de texte en image effectue généralement ces tâches :

Point de contrôle
   ↓
Conditionnement du texte ──┐
                   ↓
Image latente → Échantillonneur
                   ↓
                  VAE
                   ↓
               Enregistrer l'image

Les noms exacts des nœuds dépendent du modèle et du flux de travail.

Le concept important est que le flux de travail décrit le processus d'inférence.

Un nœud peut :

• charger un modèle
• encoder du texte
• charger une image
• créer un masque
• appliquer le conditionnement
• échantillonner le bruit latent
• décoder un espace latent
• redimensionner une image
• enregistrer un fichier

Les liens décrivent la manière dont les données circulent entre eux.

Cette structure explicite permet aux workflows ComfyUI de devenir des infrastructures utiles plutôt que de simples paramètres d'interface jetables.

Les workflows ComfyUI peuvent être enregistrés au format JSON

Un workflow ComfyUI peut être exporté sous forme de fichier JSON.

Par exemple :

portrait-workflow.json

Ce JSON décrit le graphe de nœuds et ses paramètres.

Vous pouvez le rouvrir ultérieurement via :

Workflows → Open

Cela rend les workflows :

• portables
• versionnables
• inspectables
• partageables
• reproductibles
• adapté à l'automatisation

Le terme reproductible nécessite une précision.

Le graphe JSON ne regroupe pas par magie chaque point de contrôle, LoRA, nœud personnalisé et dépendance Python auxquels il fait référence.

Un flux de travail peut donc décrire le même pipeline tout en échouant sur une autre machine, car un modèle ou un nœud requis est manquant.

Le flux de travail est la recette.

L'environnement doit toujours disposer des ingrédients.

ComfyUI stocke également les métadonnées du flux de travail dans les images générées

L'une des fonctionnalités les plus ingénieuses de ComfyUI est que les images générées peuvent contenir dans leurs métadonnées le flux de travail qui les a produites.

Cela signifie que vous pouvez souvent prendre un fichier PNG créé par ComfyUI et le faire glisser sur le canevas.

ComfyUI reconstruit le flux de travail.

La documentation officielle prend explicitement en charge le chargement de flux de travail à partir de :

• fichiers JSON de flux de travail
• images contenant les métadonnées de flux de travail ComfyUI

Cela fait des fichiers générés des outils de débogage utiles.

Si une image est réussie, vous pouvez examiner comment elle a été produite au lieu d'essayer de vous souvenir de quatorze paramètres définis jeudi dernier.

Ce même principe facilite grandement le partage des flux de travail au sein d'une équipe.

Les flux de travail sont plus importants que les captures d'écran des paramètres

Une capture d'écran montre à quelqu'un à quoi ressemblait votre interface.

Un workflow indique à ComfyUI ce qu'il doit faire.

Pour un travail sérieux, enregistrez votre workflow.

Si vous travaillez sur un pipeline de production, je vous conseille de conserver des versions telles que :

product-shot-v01.json
product-shot-v02-controlnet.json
product-shot-v03-upscale.json

ou de gérer le JSON via un système de contrôle de version.

Cela vous permet de disposer d'un historique des modifications que vous pouvez réellement examiner.

C'est l'une des raisons pour lesquelles les workflows ComfyUI constituent une part si importante du sujet. Le graphe de workflow est l'unité de travail durable dans ComfyUI.

Étape 8 : ajoutez le modèle requis par votre workflow

Une instance ComfyUI auto-hébergée ne signifie pas que tous les modèles sont installés automatiquement.

Les modèles sont généralement stockés dans :

ComfyUI/models/

avec des sous-répertoires tels que :

checkpoints/
loras/
vae/
controlnet/
clip/
diffusion_models/
upscale_models/

Les fichiers exacts dépendent du flux de travail.

Ne téléchargez pas un point de contrôle au hasard simplement parce qu'un tutoriel l'utilise.

Avant d'ajouter un modèle, vérifiez :

• sa fiche descriptive
• sa licence
• sa précision
• le répertoire attendu
• la configuration VRAM requise
• si le flux de travail nécessite des encodeurs de texte ou des VAE distincts
• s'il est compatible avec les nœuds personnalisés que vous utilisez

Les pipelines ComfyUI modernes impliquent souvent plusieurs fichiers de modèle plutôt qu'un seul .safetensors point de contrôle.

Cela devient particulièrement visible avec FLUX et les flux de travail de génération vidéo.

Vous pouvez partager les fichiers de modèle entre ComfyUI et AUTOMATIC1111

Les fichiers de modèles volumineux saturent rapidement l'espace disque.

Si la même machine virtuelle contient à la fois ComfyUI et AUTOMATIC1111, vous n'avez pas nécessairement besoin de dupliquer vos collections de points de contrôle.

ComfyUI prend en charge :

extra_model_paths.yaml

pour ajouter des répertoires de modèles en dehors de l'arborescence ComfyUI/models habituelle.

Son exemple officiel inclut même une configuration pour AUTOMATIC1111.

Cela signifie qu'une bibliothèque de modèles unique peut potentiellement servir plusieurs interfaces.

Cette approche utile dépasse le cadre d'A1111 :

Gardez vos modèles volumineux séparés des environnements d'application éphémères lorsque votre flux de travail le permet.

Les applications sont faciles à réinstaller.

Une collection de fichiers de modèles soigneusement organisée peut occuper des centaines de gigaoctets.

C'est au niveau des nœuds personnalisés que la reproductibilité devient plus complexe

Imaginez que quelqu'un vous envoie :

perfect-workflow.json

Vous l'ouvrez et voyez des cases rouges indiquant des nœuds manquants.

Le fichier JSON est valide.

Votre environnement est incomplet.

Les nœuds personnalisés peuvent introduire :

• de nouvelles opérations
• des chargeurs de modèles
• outils vidéo
• post-traitement
• API
• fonctions utilitaires
• conflits de dépendances

ComfyUI-Manager peut identifier et installer de nombreux nœuds manquants.

C'est utile pour l'exploration.

Pour un flux de travail sur lequel vous comptez vous appuyer, documentez également l'environnement.

Au minimum, conservez :

• le JSON du flux de travail
• les noms et versions des modèles
• la liste des nœuds personnalisés
• les dépendances Python importantes
• la version ou le commit de ComfyUI
• toutes les variables d'environnement

Si vous ne pouvez pas reconstruire l'environnement, vous n'avez pas encore de pipeline reproductible.

Enregistrez un instantané avant de modifier un environnement fonctionnel

Une fois qu'une configuration ComfyUI devient utile, résistez à l'envie de tout mettre à jour simultanément.

ComfyUI lui-même évolue rapidement.

Il en va de même pour les nœuds personnalisés.

Un workflow fonctionnel aujourd'hui peut tomber en panne pour les raisons suivantes :

• un nœud modifie ses entrées
• un paquet est mis à jour
• un chargeur de modèle est renommé
• PyTorch évolue
• un nœud personnalisé n'est plus maintenu

Les outils CLI et Manager actuels de ComfyUI incluent des fonctions de gestion et de capture d'instantanés d'environnement précisément pour cette raison.

Pour les environnements expérimentaux, les mises à jour ne posent pas de problème.

Pour un workflow dont vous dépendez dès demain matin, considérez les mises à jour comme des changements nécessitant des tests.

L'environnement le plus récent n'est pas automatiquement le plus fiable.

De combien d'espace disque une configuration ComfyUI dans le cloud a-t-elle besoin ?

Davantage que ce que l'application elle-même suggère.

ComfyUI est léger.

Les modèles, eux, ne le sont pas.

Un espace de travail peut accumuler :

• des checkpoints
• des modèles de diffusion
• des encodeurs de texte
• des VAE
• des poids ControlNet
• LoRA
• outils de mise à l'échelle
• caches de nœuds personnalisés
• images d'entrée
• images générées
• vidéo générée
• fichiers temporaires

La vidéo est particulièrement efficace pour transformer un « espace disque abondant » en « où est passé mon disque ? »

Choisissez le stockage de l'instance en fonction de la bibliothèque de modèles et du volume de sortie plutôt que de la taille du dépôt Git de ComfyUI.

Et n'oubliez pas qu'un système de fichiers d'instance ne remplace pas une sauvegarde.

Déplacez tout ce que vous souhaitez conserver avant de mettre fin à un environnement de calcul éphémère.

ComfyUI devient beaucoup plus utile lorsque les flux de travail s'apparentent à du code

L'éditeur visuel n'est qu'une interface parmi d'autres pour le flux de travail.

ComfyUI peut également fonctionner comme un serveur, et les flux de travail peuvent être soumis par programmation.

L'interface en ligne de commande Comfy actuelle permet d'exécuter un fichier JSON de flux de travail exporté sur un serveur ComfyUI local.

Par exemple :

comfy run \
 --workflow mon_flux_de_travail.json \
 --wait

Cela change le rôle de ComfyUI.

Le graphe peut être construit et débogué visuellement, puis réutilisé depuis :

• des scripts
• des tâches par lots
• des outils internes
• des files d'attente
• l'automatisation
• des applications

Vous n'avez pas besoin de reconstruire tout le pipeline d'inférence en Python simplement pour l'appeler depuis un logiciel.

Un flux de travail visuel peut devenir un pipeline lisible par machine.

Le flux de travail GUI et le flux de travail API sont des concepts liés, mais pas identiques

Il est utile de comprendre cela avant d'automatiser ComfyUI.

Le flux de travail que vous modifiez visuellement contient des informations d'interface utilisateur telles que la position des nœuds et l'état du canevas.

Le serveur, lui, se concentre sur le graphe d'exécution.

L'interface en ligne de commande actuelle de Comfy peut accepter le format JSON exporté par l'interface utilisateur et le convertir au format API nécessaire à l'exécution.

Cela signifie que vous pouvez continuer à concevoir vos flux de travail visuellement sans avoir à traduire manuellement chaque graphe dans un fichier différent avant de le scripter.

Pour les équipes travaillant avec des médias génératifs, cela permet une répartition utile des tâches :

1. construire et tester le pipeline visuellement
2. enregistrer le flux de travail
3. le placer sous contrôle de version
4. exécuter le même graphe via l'automatisation

Le workflow devient la frontière entre l'expérimentation et la production.

ComfyUI n'est plus seulement une interface d'image

Qualifier ComfyUI de « générateur d'images IA » est de plus en plus réducteur.

Son système de workflow permet de connecter des outils pour :

• les images
• la vidéo
• l'audio
• la 3D
• le traitement de modèles
• les API d'IA externes
• les pipelines multimodaux

Le modèle de graphe sous-jacent est suffisamment flexible pour qu'une sortie d'un système puisse devenir l'entrée d'un autre.

Par exemple, un workflow peut :

Générer une image
     ↓
Mettre à l'échelle
     ↓
Utiliser l'image comme entrée vidéo
     ↓
Générer une vidéo
     ↓
Post-traitement des images
     ↓
Enregistrer

C'est ici que ComfyUI se distingue radicalement d'une simple zone de saisie de texte associée à un modèle.

Le modèle n'est qu'un composant parmi d'autres.

Le flux de travail constitue le système.

Pourquoi ComfyUI est particulièrement utile pour FLUX

Les flux de travail FLUX impliquent souvent des composants de modèles distincts et des choix de chargement explicites qui s'articulent naturellement sous forme de graphe.

ComfyUI vous permet également de visualiser précisément les étapes d'encodage du texte, de chargement du modèle, d'échantillonnage, de décodage et de post-traitement.

Cela en fait un outil idéal pour expérimenter différentes configurations de précision et de mémoire sur un GPU de 32 Go.

Nous utiliserons ComfyUI comme interface principale dans notre guide sur les GPU cloud pour FLUX.1 [dev].

Cet article se concentrera sur FLUX lui-même plutôt que de répéter ici les étapes d'installation.

Et la vidéo est un domaine où le graphe devient encore plus utile

Les pipelines de génération vidéo comportent souvent plus d'étapes et manipulent des données intermédiaires plus volumineuses que les flux de travail dédiés aux images.

Vous pouvez avoir :

• image source
• invite textuelle
• modèle vidéo
• VAE
• génération d'images
• interpolation
• paramètres de résolution
• encodage de sortie

Représenter ces opérations explicitement s'avère utile pour diagnostiquer les problèmes de performance et de VRAM.

Notre prochain guide GPU cloud pour Wan 2.2 sur ComfyUI s'appuiera sur cette configuration et se concentrera sur les spécificités de la génération vidéo.

Combien coûte un GPU ComfyUI auto-hébergé ?

Hivenet propose actuellement la RTX 5090 à partir de 0,75 € par heure de GPU, avec une facturation à la seconde à la demande.

Cela donne :

Ces chiffres concernent l'accès au GPU.

‍

‍

Ils ne reflètent pas le coût par image.

Un workflow produisant une séquence vidéo 4K et un autre produisant une image 512 × 512 ne sont pas économiquement comparables, même si les deux ont été exécutés pour « une génération ».

Pour l'économie des médias génératifs, mesurez :

• le temps de génération réel
• le nombre d'images ou d'images par seconde produites
• la résolution
• la taille des lots
• le taux d'utilisation du GPU
• le taux d'échec
• le nombre de résultats exploitables

Calculez ensuite en fonction de la charge de travail créative.

Le flux de travail le plus coûteux est souvent celui qui tourne pendant des heures pour produire des résultats que vous finissez par rejeter.

Les tarifs de calcul actuels sont disponibles sur la page de tarification de Hivenet.

Comfy Cloud ou une instance RTX 5090 ?

Utilisez Comfy Cloud lorsque :

• vous souhaitez une configuration immédiate
• les modèles et nœuds disponibles couvrent votre flux de travail
• vous ne voulez pas gérer la maintenance de l'environnement
• vous souhaitez bénéficier de l'expérience Comfy officielle hébergée
• la gestion d'une infrastructure GPU n'apporte aucune valeur ajoutée

Utilisez ComfyUI auto-hébergé sur une RTX 5090 lorsque :

• vous avez besoin de fichiers de modèles spécifiques
• vous utilisez des nœuds personnalisés en dehors d'un catalogue géré
• le choix précis du GPU est important pour vous
• vous souhaitez garder le contrôle sur les mises à jour
• vous voulez gérer votre propre répertoire de modèles
• vous effectuez des tests de performance sur vos workflows
• vous souhaitez exposer le workflow via votre propre service
• vos habitudes d'utilisation rendent la location de GPU à la demande pertinente

La documentation officielle de Comfy trace une ligne similaire : le cloud vous offre un environnement hébergé préinstallé, tandis que l'auto-hébergement vous donne le contrôle sur les modèles et les nœuds que vous installez.

Il n'y a aucun avantage à gérer le serveur vous-même.

Faites-le uniquement lorsque ce contrôle est utile.

N'exposez pas un serveur ComfyUI expérimental sans précaution

Un environnement ComfyUI peut contenir :

• des nœuds personnalisés arbitraires
• des outils de téléchargement de modèles
• accès au système de fichiers
• intégrations API
• identifiants
• ressources générées
• opérations du gestionnaire

Considérez-le comme un environnement applicatif, et non comme une simple page web statique sans danger.

Pour un usage individuel à distance, maintenir le service sur localhost via un tunnel SSH est une bonne pratique par défaut.

Si vous en faites un service partagé, ajoutez une couche de sécurité intentionnelle autour de celui-ci.

Ouvrir le port 8188 sur Internet permet la connectivité.

Ce n'est pas un contrôle d'accès.

Que faut-il sauvegarder ?

Avant de mettre fin à l'instance GPU, déterminez ce qui a réellement de la valeur.

En général, cela inclut :

À conserver absolument

• JSON de workflow
• fichiers de modèles personnalisés que vous avez créés
• LoRA que vous avez entraînés
• ressources générées importantes
• nœuds personnalisés que vous avez modifiés
• fichiers de configuration

Généralement reproductible

• ComfyUI lui-même
• paquets PyPI standards
• fichiers de modèles publics
• nœuds personnalisés publics

Un flux de travail cloud efficace considère l'instance de calcul comme remplaçable.

Si la suppression de la machine virtuelle entraîne la perte de votre seule copie d'un flux de travail important, le problème vient de la conception du stockage et non de ComfyUI.

Une structure de projet ComfyUI utile

Pour un travail sérieux, je recommande de séparer conceptuellement les éléments du projet de l'application :

project/
├── workflows/
│   ├── image-v01.json
│   ├── image-v02.json
│   └── video-v01.json
├── inputs/
├── outputs/
├── notes/
│   └── environment.md
└── models.md

Documentez ensuite :

Version de ComfyUI
Nœuds personnalisés requis
Fichiers de modèles requis
Licences de modèles pertinentes
Configuration GPU
Paramètres d'environnement importants

Il n'est pas nécessaire d'utiliser une plateforme MLOps complexe pour rendre un workflow reproductible.

Un peu de discipline suffit.

FAQ sur ComfyUI Cloud

Qu'est-ce que ComfyUI ?

ComfyUI est une interface basée sur des nœuds et un moteur d'inférence open source pour l'IA générative. Les workflows sont représentés sous forme de graphes d'opérations connectées plutôt que par un ensemble classique de commandes de génération.

Qu'est-ce que Comfy Cloud ?

Comfy Cloud est la version hébergée officielle de ComfyUI. Comfy gère l'infrastructure, les modèles, les nœuds personnalisés et les mises à jour. Le service utilise actuellement des GPU NVIDIA RTX 6000 Pro.

Puis-je exécuter ComfyUI sur mon propre GPU cloud ?

Oui. ComfyUI peut être installé sur une machine virtuelle Linux équipée d'un GPU, de la même manière qu'il s'installe sur une station de travail Linux locale.

ComfyUI fonctionne-t-il sur la RTX 5090 ?

Oui. Les instructions d'installation actuelles de ComfyUI prennent en charge les GPU NVIDIA via les versions PyTorch CUDA actuelles, et une RTX 5090 offre 32 Go de VRAM pour les workflows de modèles.

De combien de VRAM ComfyUI a-t-il besoin ?

Il n'y a pas de quantité fixe. Les modèles, la résolution, la taille des lots, les LoRA, ControlNet, le pipeline vidéo, les upscalers et les autres composants du workflow déterminent l'utilisation de la mémoire.

Quel port ComfyUI utilise-t-il ?

ComfyUI utilise le port 8188 par défaut.

Comment accéder à ComfyUI à distance en toute sécurité ?

Pour une machine virtuelle GPU personnelle, maintenez ComfyUI lié à localhost et transférez le port 8188 via SSH. Ouvrez ensuite http://localhost:8188 sur votre propre ordinateur.

Qu'est-ce qu'un workflow ComfyUI ?

Un workflow est un graphe de nœuds connectés décrivant la manière dont ComfyUI doit générer un résultat. Les nœuds chargent les modèles, traitent les prompts et les images, effectuent l'échantillonnage, décodent les résultats et réalisent d'autres opérations.

Les workflows ComfyUI sont-ils des fichiers JSON ?

Ils peuvent l'être. Les workflows ComfyUI peuvent être exportés et rouverts au format JSON, ce qui les rend portables et adaptés au contrôle de version et à l'automatisation.

Une image ComfyUI peut-elle contenir son workflow ?

Oui. Les images générées par ComfyUI peuvent contenir des métadonnées de workflow permettant à ComfyUI de reconstruire le graphe lorsque l'image est chargée dans l'interface.

Les workflows ComfyUI peuvent-ils être automatisés ?

Oui. ComfyUI dispose d'API serveur et son interface en ligne de commande actuelle permet de soumettre des fichiers JSON de workflow pour exécution, transformant ainsi des graphes conçus visuellement en tâches répétables.

ComfyUI inclut-il ComfyUI-Manager ?

Le gestionnaire actuel est intégré au cœur de ComfyUI, mais les installations manuelles nécessitent l'installation de ses dépendances et l'activation du gestionnaire au démarrage de ComfyUI.

Que sont les nœuds personnalisés ComfyUI ?

Les nœuds personnalisés sont du code tiers ou supplémentaire qui ajoute des opérations au graphe de workflow. Ils peuvent étendre considérablement ComfyUI, mais doivent être traités comme des dépendances logicielles car ils exécutent du code au sein de l'environnement.

ComfyUI et AUTOMATIC1111 peuvent-ils partager des modèles ?

Oui. ComfyUI prend en charge des chemins de recherche de modèles supplémentaires via extra_model_paths.yaml, y compris les structures utilisées par AUTOMATIC1111.

ComfyUI est-il meilleur qu'AUTOMATIC1111 ?

Aucun n'est universellement meilleur. AUTOMATIC1111 est souvent plus simple pour la génération interactive classique avec Stable Diffusion. ComfyUI propose des graphes de workflow explicites et réutilisables, ce qui le rend plus adapté aux pipelines complexes ou automatisés.

ComfyUI est-il réservé à Stable Diffusion ?

Non. ComfyUI prend actuellement en charge des workflows pour les images, la vidéo, l'audio, la 3D, les API d'IA externes et d'autres tâches liées aux médias génératifs.

‍