Quelle version de CUDA choisir pour Stable Diffusion ?

Stable Diffusion n'impose pas une version unique de CUDA. Avec un GPU NVIDIA, utilisez la version de PyTorch avec CUDA prise en charge par votre application, l'architecture du GPU et le pilote installé. ComfyUI, AUTOMATIC1111 et un traitement personnalisé avec Diffusers peuvent nécessiter des combinaisons différentes.

Ce guide vous aide à identifier les versions réellement utilisées, à choisir une installation compatible et à distinguer les problèmes de pilote ou de paquets d'un manque de mémoire GPU. Il concerne les configurations NVIDIA sous Windows et Linux. L'accélération sur Apple, AMD et Intel repose sur d'autres solutions logicielles.

Le rôle de CUDA dans Stable Diffusion

CUDA est la plateforme de NVIDIA qui permet d'exécuter des calculs généralistes sur ses GPU. Un modèle Stable Diffusion effectue des calculs répétés sur des tenseurs pour générer une image ; la prise en charge de CUDA dans PyTorch permet de les exécuter sur un GPU NVIDIA compatible. La mémoire du GPU, aussi appelée VRAM, contient les poids du modèle et les données nécessaires à l'exécution.

La version de CUDA ne détermine pas à elle seule la qualité des images ou la vitesse de génération. Le modèle, le matériel, la précision, la résolution et l'application interviennent aussi. Commencez par obtenir une installation fonctionnelle, puis mesurez ses performances avec un traitement reproductible.

La réponse courte : vérifier la compatibilité de l'ensemble

Commencez par l'application que vous souhaitez utiliser, puis vérifiez ses exigences concernant PyTorch, Python et le GPU. Un fichier de modèle ne définit pas une version universelle de CUDA pour toutes les interfaces.

La chaîne de compatibilité est la suivante : architecture GPU → pilote NVIDIA → version CUDA de PyTorch → application → extensions compilées. Chaque composant doit être compatible avec le suivant. Installer uniquement le dernier kit de développement CUDA ne répare pas un environnement Python incompatible.

Les recommandations de versions ci-dessous ont été vérifiées le 6 octobre 2026. Consultez à nouveau les instructions liées avant de modifier un environnement fonctionnel, car les exigences des applications et les paquets disponibles évoluent.

Cinq versions différentes peuvent coexister dans une installation

1. Le pilote NVIDIA

Le pilote permet d'accéder au GPU. Il doit prendre en charge le matériel et les fonctions CUDA utilisées par l'application. Un environnement d'exécution récent associé à un ancien pilote peut échouer avant même le chargement du modèle.

La documentation de compatibilité CUDA de NVIDIA indique les familles minimales de pilotes suivantes : 450 pour CUDA 11.x, 525 pour CUDA 12.x et 580 pour CUDA 13.x. Ce sont des repères généraux, pas des spécifications d'installation suffisantes pour chaque GPU, système d'exploitation et application.

Vérifiez les exigences complètes de la version du pilote. Du matériel récent, de nouvelles fonctions ou du code compilé à l'exécution peuvent nécessiter un pilote plus récent que ce minimum. NVIDIA décrit aussi les limites de la compatibilité entre versions mineures.

2. La version CUDA affichée par nvidia-smi

La documentation de nvidia-smi décrit le champ CUDA comme la version prise en charge par le pilote. La documentation récente le nomme « CUDA UMD version ». Il n'identifie pas la version CUDA utilisée par le processus Python de Stable Diffusion.

Par exemple, un pilote affichant CUDA 13.0 peut exécuter une version compatible de PyTorch construite pour CUDA 12.6. Cette différence ne prouve pas qu'il existe un problème. Ne revenez pas à un ancien pilote uniquement pour rendre les numéros identiques.

3. Le kit de développement CUDA local

Le kit comprend des outils de développement, dont le compilateur nvcc. Il intervient lorsque vous compilez du code CUDA, PyTorch ou certaines extensions à partir des sources. Une installation précompilée de PyTorch fournit ses dépendances d'exécution et ne nécessite généralement pas ce kit séparé pour exécuter des opérations sur le GPU.

Un mainteneur de PyTorch explique cette distinction. L'absence de la commande nvcc peut être normale dans une application GPU fonctionnelle. Installer le kit ne transforme pas un paquet PyTorch limité au CPU en paquet compatible CUDA.

4. La version CUDA de PyTorch

torch.__version__ identifie la version de PyTorch installée. torch.version.cuda indique la version de CUDA utilisée pour construire ce paquet. Pour le fonctionnement NVIDIA décrit ici, la valeur None signifie que le paquet importé n'a pas de version de compilation CUDA.

Vérifiez ces deux valeurs dans l'environnement Python réellement utilisé par l'application. Un paquet installé globalement peut différer de celui d'un environnement virtuel, d'un noyau de notebook, d'une distribution portable ou d'un conteneur.

5. L'application et ses extensions

L'interface Stable Diffusion peut gérer ses dépendances ou imposer certaines versions. Les nœuds personnalisés et les extensions compilées peuvent ajouter des exigences pour Python, PyTorch, CUDA ou certaines architectures GPU.

Si l'application de base fonctionne mais qu'une extension ne s'importe pas, le problème est plus ciblé qu'un pilote défectueux. Conservez l'erreur et les versions avant de modifier les paquets.

Vérifier la version CUDA de Stable Diffusion avant toute modification

Vérifier la visibilité du GPU avec nvidia-smi

Exécutez cette commande dans un terminal sur la machine qui fera tourner le modèle :

nvidia-smi

Notez le modèle du GPU, les informations sur le pilote et l'utilisation de la mémoire. Si la commande ne communique pas avec le pilote ou ne voit pas le GPU attendu, examinez d'abord le pilote ou l'accès au GPU. Réinstaller les paquets Python ne résout pas tous les problèmes à ce niveau.

Sur une instance distante, lancez le test sur cette instance, pas sur votre ordinateur portable. Pour un conteneur, comparez les résultats sur l'hôte et dans le conteneur si vous administrez les deux.

Exécuter un diagnostic PyTorch dans le bon environnement

Enregistrez le code suivant dans check_gpu.py. Activez l'environnement de l'application ou utilisez son exécutable Python documenté avant de lancer le fichier.

import sys
import torch

print("Python:", sys.executable)
print("PyTorch:", torch.__version__)
print("PyTorch CUDA:", torch.version.cuda)
available = torch.cuda.is_available()
print("CUDA available:", available)

if available:
    print("GPU:", torch.cuda.get_device_name(0))
    print("Compute capability:", torch.cuda.get_device_capability(0))
    value = torch.ones(1, device="cuda")
    print("CUDA test:", (value + value).item())

Lancez le fichier avec l'interpréteur Python utilisé par l'application :

python check_gpu.py

Ici, python désigne cet interpréteur, pas nécessairement la première installation Python du système. Une interface portable peut inclure son propre interpréteur ; un notebook utilise le noyau sélectionné. Si le chemin affiché ne correspond pas à l'environnement attendu, corrigez cela avant d'installer quoi que ce soit.

L'API CUDA de PyTorch fournit ces contrôles de disponibilité et de matériel. Sur une configuration NVIDIA fonctionnelle, la disponibilité doit être True, le GPU doit être celui attendu et le petit calcul sur tenseur doit afficher 2.0.

Ce test vérifie une exécution élémentaire. Il ne garantit pas que le modèle complet, toutes les extensions ou la résolution souhaitée fonctionneront. Si l'importation de PyTorch échoue, conservez cette erreur ; si le calcul CUDA échoue, conservez sa trace d'erreur.

Examiner les paquets et le compilateur facultatif

Ces commandes examinent les paquets du même environnement Python :

python -m pip show torch torchvision
python -m pip check

La première affiche les métadonnées et l'emplacement des paquets installés. La seconde vérifie la compatibilité déclarée des dépendances, sans vérifier les noyaux GPU ni garantir le fonctionnement d'une extension.

Si vous devez compiler du code CUDA, vérifiez séparément le compilateur :

nvcc --version

Son absence ne justifie pas de réparer une installation précompilée qui réussit déjà le test GPU. Les sorties de nvidia-smi, de nvcc et de PyTorch décrivent des composants différents ; leurs numéros n'ont pas à être identiques.

Choisir une version de PyTorch avec CUDA compatible

Suivez cette séquence pour une nouvelle installation ou une réparation ciblée :

1. Identifiez le modèle du GPU et le pilote disponible sur la machine cible.
2. Choisissez l'application et sa méthode d'installation : distribution portable, installateur dédié ou environnement Python manuel.
3. Lisez ses exigences actuelles pour Python et PyTorch, ainsi que les remarques propres à votre génération de GPU.
4. Pour une installation manuelle, choisissez une combinaison de paquets effectivement publiée par PyTorch pour votre système et la version CUDA requise.
5. Confirmez la prise en charge du pilote et de l'architecture GPU, puis suivez la procédure d'installation de l'application.
6. Exécutez le diagnostic et un petit traitement pris en charge avant d'ajouter des extensions.

La liste des paquets PyTorch propose actuellement des versions CUDA 12.6, 13.0 et 13.2 pour PyTorch 2.13.0 sous Linux et Windows. Il s'agit d'un exemple de paquets disponibles, pas d'une recommandation de remplacer les dépendances imposées par votre application.

Conservez les paquets associés, comme torchvision, dans la combinaison documentée. Une extension mise à jour séparément peut modifier les exigences de dépendances, même si vous ne changez pas le pilote CUDA.

Compatibilité CUDA de ComfyUI

Les exigences actuelles de ComfyUI orientent les utilisateurs NVIDIA vers PyTorch avec CUDA 13.0. Elles indiquent que la distribution portable Windows actuelle utilise Python 3.13 et PyTorch CUDA 13.0. La page précise aussi que ses instructions peuvent être en retard sur le dépôt.

Le dépôt officiel de ComfyUI distingue ses distributions portables NVIDIA : la version principale prend en charge les RTX série 20 et suivantes, tandis qu'une version CUDA 12.6/Python 3.12 est proposée pour les GPU série 10 et antérieurs. Suivez les indications matérielles du téléchargement plutôt que de choisir le numéro le plus élevé.

Pour une installation manuelle, utilisez les instructions actuelles du dépôt et l'environnement Python créé pour ComfyUI. Pour une installation portable, examinez son environnement intégré. Modifier une installation Python séparée peut n'avoir aucun effet sur l'interface.

Testez un traitement intégré avant d'ajouter des nœuds personnalisés. Si seul un traitement personnalisé échoue, examinez ses nœuds et ses dépendances avant de remplacer les composants de base.

Compatibilité CUDA d'AUTOMATIC1111 Stable Diffusion WebUI

Le wiki d'installation NVIDIA d'AUTOMATIC1111 fournit des instructions propres à cette application. Lors de cette vérification, il dirige encore les utilisateurs de RTX série 50 vers la branche de développement pour la prise en charge de PyTorch 2.7. Cette indication concerne ce projet ; ce n'est pas un minimum universel pour toutes les interfaces Stable Diffusion.

Utilisez la méthode documentée pour votre système et votre GPU. Évitez de remplacer les paquets PyTorch de l'environnement virtuel par une commande générique proposant la « dernière version de CUDA » : un paquet plus récent peut être incompatible avec la WebUI ou ses extensions.

Les options qui modifient l'utilisation de la mémoire ou la précision numérique agissent sur d'autres aspects de l'exécution. Ignorer un contrôle de disponibilité ne crée pas la prise en charge du GPU, et une option de précision ne répare pas un binaire incompatible. Identifiez d'abord l'erreur signalée.

Diffusers et les traitements Python personnalisés

Le guide d'installation de Diffusers demande d'installer PyTorch en fonction du système. Lors de cette vérification, il exige Python 3.10 ou plus récent et indique être testé avec PyTorch 2.6 ou plus récent. Il ne définit pas une version CUDA unique pour tous les modèles et appareils.

Créez un environnement isolé pour le traitement, installez une version de PyTorch avec CUDA prise en charge et vérifiez l'exécution GPU avant d'ajouter les autres dépendances du modèle. Le guide Python sur les paquets explique les environnements virtuels et l'installation dans l'environnement actif.

Utilisez le traitement documenté pour le modèle avec une petite configuration de test prise en charge. Un échec de téléchargement, un problème de droit d'accès ou une dépendance manquante ne constitue pas automatiquement un problème CUDA. Gardez un premier exemple fonctionnel simple pour disposer d'une base de comparaison.

RTX série 50 et prise en charge de l'architecture GPU

Un pilote compatible ne suffit pas à faire fonctionner un GPU récent. PyTorch et les extensions compilées doivent aussi contenir du code GPU compatible. Un ancien paquet peut reconnaître le matériel puis échouer au moment d'exécuter un noyau.

Le guide de compatibilité Blackwell de NVIDIA distingue le code GPU natif du code PTX compilable à l'exécution. Il décrit la prise en charge native de Blackwell dans CUDA 12.8 et explique pourquoi certaines applications plus anciennes restent compatibles lorsqu'elles incluent du PTX adapté.

Pour l'utilisateur de Stable Diffusion, la démarche pratique consiste à suivre les instructions explicites de l'application pour son GPU. Ne supposez pas qu'un ancien paquet échoue uniquement à cause d'un numéro CUDA inférieur, ni qu'un nouveau paquet prend en charge tous les GPU. Les noyaux inclus et les versions compilées des extensions comptent.

Erreurs CUDA courantes dans Stable Diffusion

« Torch not compiled with CUDA enabled »

Le paquet PyTorch importé ne dispose pas de la prise en charge CUDA demandée par l'opération. Vérifiez l'exécutable Python affiché et torch.version.cuda. Pour une configuration NVIDIA, installez le paquet compatible CUDA recommandé par l'application dans cet environnement précis.

« Torch is not able to use GPU » ou disponibilité à False

Vérifiez la visibilité du GPU, le pilote, le paquet PyTorch et le chemin de l'interpréteur. Un résultat correct de nvidia-smi ne prouve pas que l'application importe le bon paquet. Un contrôle de disponibilité négatif ne suffit pas non plus à identifier le composant défaillant.

« CUDA driver version is insufficient »

Comparez les exigences de l'environnement d'exécution avec le pilote installé. Mettez le pilote à jour selon la procédure prise en charge, ou utilisez une combinaison de paquets compatible avec l'application et le GPU. Sur une infrastructure gérée, le pilote de l'hôte peut relever du fournisseur.

« No CUDA GPUs are available »

Confirmez que l'environnement expose un GPU. Dans un conteneur, examinez l'accès au GPU en plus de sa visibilité sur l'hôte. Vérifiez aussi si des paramètres de visibilité masquent volontairement le GPU au processus.

« No kernel image is available for execution on the device »

Vérifiez la prise en charge de l'architecture dans PyTorch et dans le composant nommé par la trace d'erreur. Si le test élémentaire sur tenseur réussit mais qu'un nœud personnalisé échoue, examinez les dépendances compilées de ce nœud. Reconstruire ou remplacer le composant concerné peut convenir ; modifier tous les paquets simultanément complique le diagnostic.

Une extension compilée ne s'importe plus après une mise à jour

Relevez la combinaison Python, PyTorch et CUDA attendue par l'extension. Rétablissez un ensemble compatible documenté ou suivez les instructions de recompilation. Gardez l'ancien environnement disponible jusqu'à ce que le nouveau réussisse le même test.

Une erreur de mémoire CUDA demande un autre diagnostic

Une erreur CUDA out of memory signifie qu'une allocation mémoire n'a pas pu aboutir. Examinez d'abord la pression sur la mémoire : taille du modèle, résolution, taille du lot, réseaux supplémentaires et autres processus GPU. La présence du mot « CUDA » ne démontre pas une incompatibilité de versions.

Réduisez le traitement et utilisez les options d'économie de mémoire prises en charge par l'application. Les changements de précision, le déchargement en mémoire système et les implémentations d'attention présentent des compromis de compatibilité et de performance ; n'appliquez pas une option universelle à toutes les interfaces.

PyTorch utilise un allocateur avec cache. Sa documentation sur la mémoire distingue la mémoire occupée par les tenseurs actifs du cache réservé. Vider le cache inutilisé ne libère pas la mémoire encore occupée par des tenseurs actifs ; ce n'est donc pas une solution générale pour un modèle qui dépasse la capacité disponible.

Pour dimensionner le matériel, consultez notre guide du matériel et de la VRAM pour Stable Diffusion. La version CUDA ne suffit pas à déterminer la mémoire nécessaire à un modèle et à son traitement.

Les conteneurs et GPU cloud ont toujours besoin d'un hôte compatible

Un conteneur peut regrouper l'application et ses dépendances Python et CUDA. L'hôte doit toujours disposer d'un pilote NVIDIA compatible et d'un mécanisme pris en charge pour exposer le GPU. Le guide d'installation de NVIDIA Container Toolkit décrit cette configuration côté hôte.

Vérifiez le GPU dans l'environnement d'exécution, pas uniquement sur l'hôte. Réinstaller un pilote dans un conteneur applicatif n'est pas la solution par défaut à un problème d'accès à l'hôte. Si vous n'administrez pas celui-ci, utilisez l'image GPU prise en charge par le fournisseur ou contactez son support.

Lorsque le traitement fonctionne, notez la version ou l'empreinte de l'image, la version de l'application et les paquets installés. Les images communautaires sont des logiciels tiers : vérifiez leur origine et leur maintenance. La documentation de ComfyUI précise que le projet ne fournit pas d'image Docker officielle.

Vérifier un environnement Stable Diffusion sur Hivenet

Compute with Hivenet propose des environnements GPU à évaluer selon les exigences de l'application choisie. La FAQ Compute décrit les conteneurs, les machines virtuelles, l'accès SSH et les modèles d'environnement personnalisés. Elle ne définit pas une version CUDA permanente pour chaque instance.

Après la connexion, identifiez le GPU et le pilote réellement disponibles, puis lancez les contrôles Python dans l'environnement de l'application. Utilisez une combinaison de paquets compatible documentée, testez une petite génération prise en charge et ajoutez progressivement les nœuds ou extensions. Vérifiez l'image et l'environnement actuels plutôt que de supposer qu'un ancien tutoriel décrit l'instance.

Conservez un relevé de l'environnement fonctionnel et des copies séparées des modèles, traitements et sorties importants. Un modèle d'environnement réutilisable aide à reproduire les logiciels ; il ne remplace pas une sauvegarde des données. Vérifiez les GPU disponibles et leurs tarifs actuels pour choisir la capacité adaptée au traitement.

Questions fréquentes

Faut-il le kit CUDA complet pour Stable Diffusion ?

Généralement non avec une installation précompilée de PyTorch prise en charge. Des outils de développement peuvent être nécessaires pour compiler des extensions CUDA ou construire un composant à partir des sources. Suivez ses exigences.

nvidia-smi et PyTorch peuvent-ils afficher des versions CUDA différentes ?

Oui. L'un décrit la prise en charge du pilote, l'autre la construction du paquet PyTorch importé. Vérifiez leur compatibilité plutôt que de chercher à rendre les numéros identiques.

Faut-il installer CUDA 13.0 pour toutes les interfaces Stable Diffusion ?

Non. Cette version figure dans les instructions actuelles de ComfyUI, mais les autres applications, générations de GPU et combinaisons de paquets ont leurs propres exigences. Utilisez la configuration prise en charge par votre application.

Plusieurs interfaces peuvent-elles partager une machine ?

Oui, si leurs exigences matérielles et de pilote peuvent être satisfaites. Séparez leurs environnements Python pour limiter les conflits de dépendances et tenez compte de la mémoire GPU si elles tournent simultanément.

Quand mettre à jour une installation fonctionnelle ?

Faites-le pour une fonction prise en charge, un besoin matériel, une correction de bogue ou de sécurité. Conservez la configuration fonctionnelle, consultez les instructions du projet et testez le nouvel environnement avant de remplacer l'ancien.