GPU Sunucuda Stable Diffusion (ComfyUI) Kurulumu

GPU Sunucuda Stable Diffusion (ComfyUI) Kurulumu

Stable Diffusion tabanlı görsel üretim araçları artık sadece deney amaçlı değil; ürün görseli üretiminden konsept tasarıma, içerik üretiminden otomatik iş akışlarına kadar birçok yerde ciddi bir üretim aracı haline geldi. Bu iş yükünü kararlı biçimde çalıştırmak isteyenlerin çoğu er ya da geç aynı soruyla karşılaşıyor: yerel bilgisayarın VRAM'i yetmiyor, render süreleri katlanıyor ya da model boyutları büyüdükçe disk ve RAM darboğaza dönüşüyor. Bu noktada devreye GPU sunucu giriyor.

Bu yazıda ComfyUI üzerinden Stable Diffusion'ı bir GPU sunucuda sıfırdan nasıl kuracağınızı, hangi donanım kriterlerine dikkat etmeniz gerektiğini, sunucuyu güvenli şekilde nasıl dışarıya açacağınızı ve üretim ortamında karşılaşabileceğiniz tipik sorunları adım adım anlatıyoruz. Komutlar Ubuntu tabanlı bir sunucu varsayılarak yazıldı; farklı bir dağıtım kullanıyorsanız paket yöneticisi komutlarını (apt yerine dnf/yum) kendi sisteminize göre uyarlamanız yeterli.

Stable Diffusion ve ComfyUI Nedir, Neden GPU Sunucu Şart?

Stable Diffusion, metin veya görsel girdilerden yeni görseller üreten bir difüzyon (diffusion) tabanlı yapay zeka modelidir. ComfyUI ise bu modeli çalıştırmak için düğüm tabanlı (node-based) bir arayüz sunar; klasik "prompt yaz, görsel al" mantığının ötesinde, işlem hattını (pipeline) görsel olarak kurup her adımı ayrı ayrı kontrol etmenizi sağlar. LoRA eğitimi, ControlNet, upscale zincirleri, batch üretim gibi ileri senaryolarda ComfyUI'nin esnekliği büyük avantaj sağlıyor.

Sorun şu ki bu modellerin çoğu milyarlarca parametre içeriyor ve her üretim (inference) işlemi ciddi miktarda matris çarpımı gerektiriyor. CPU üzerinde bu işlemler teorik olarak mümkün olsa da bir görseli üretmek dakikalar sürebiliyor; GPU üzerinde ise saniyeler mertebesine iniyor. Bunun nedeni GPU'ların binlerce çekirdeği paralel çalıştırabilmesi ve VRAM (GPU'ya özel yüksek bant genişlikli bellek) sayesinde model ağırlıklarını sürekli belleğe taşımadan işlem yapabilmesi.

Yerel bir dizüstü bilgisayarda 6-8 GB VRAM'li bir ekran kartıyla küçük modelleri çalıştırmak mümkün, ama SDXL gibi daha büyük modellerde, yüksek çözünürlüklü üretimlerde veya birden fazla LoRA'yı aynı anda yüklemek istediğinizde bu bellek hızla yetersiz kalıyor. GPU sunucular tam olarak bu noktada devreye giriyor: daha yüksek VRAM'li kartlara, kesintisiz internet bağlantısına ve 7/24 çalışan bir altyapıya sahip oluyorsunuz.

Büyükweb'in GPU Sunucu paketleri bu tür yapay zeka iş yüklerini hedefleyerek tasarlandı; sunucu panelden hazır bir işletim sistemi şablonu (örneğin Ubuntu 22.04) seçilerek kurulur, siz üzerine NVIDIA sürücülerini ve ComfyUI'yi bu yazıdaki adımlarla kurarsınız.

Hangi GPU Sunucu Paketini Seçmeli? VRAM, CPU ve Disk Dengesi

GPU sunucu seçerken sadece ekran kartına bakmak yanıltıcı olabilir. Stable Diffusion iş yükü aslında dört bileşenin dengeli çalışmasını gerektirir:

• VRAM: Model boyutunun ve batch büyüklüğünün en belirleyici faktörü. SD 1.5 tabanlı modeller genelde 6-8 GB VRAM'de rahat çalışırken, SDXL modelleri ve yüksek çözünürlüklü üretimler için 12 GB ve üzeri önerilir. ControlNet, LoRA ve upscale zincirlerini aynı anda kullanacaksanız payı daha da geniş tutmak gerekir.
• Sistem RAM'i: Model dosyaları diskten belleğe yüklenirken ve ComfyUI'nin ön işlemcisi (tokenizer, VAE decode gibi) çalışırken sistem RAM'i de kullanılır. 32 GB RAM, çoğu tekli kullanıcı senaryosu için rahat bir taban.
• CPU: GPU asıl işi yapsa da veri hazırlama, dosya G/Ç işlemleri ve ComfyUI'nin arka plan görevleri için makul sayıda çekirdek gerekir. Bu noktada VDS RAM ve CPU seçimi rehberi genel prensipler açısından faydalı bir başlangıç noktası olabilir.
• Disk: Checkpoint dosyaları tek başına birkaç gigabayt olabiliyor; birden fazla model, LoRA ve üretim çıktısı biriktirdikçe disk hızla dolar. SSD tabanlı, yeterli kapasiteli bir disk yapılandırması hem yükleme hızı hem veri güvenliği açısından önemli.

Sürekli üretim yapmayı planlıyorsanız ve modelleri sık sık değiştiriyorsanız disk G/Ç hızı, kullanıcı deneyimini doğrudan etkiler — model her değiştiğinde diskten belleğe yeniden okuma yapılır. Disk yapılandırması ve veri güvenliği konusunda daha fazla teknik detay için RAID yapılandırması ve disk güvenliği yazısına göz atabilirsiniz.

Kararsız kalırsanız Büyükweb'in Yapay Zeka Sunucu ürün ailesi, bu tür iş yükleri için önceden dengelenmiş konfigürasyonlar sunuyor; güncel paket ve fiyat detayları için ilgili ürün sayfasını inceleyebilirsiniz.

Sunucu Hazırlığı: İşletim Sistemi ve Temel Paketler

Sunucunuz teslim edildikten sonra ilk adım işletim sistemini güncellemek ve temel geliştirme araçlarını kurmaktır. Panel üzerinden hazır şablon olarak kurulan Ubuntu 22.04 LTS (veya benzer bir LTS sürümü) üzerinden ilerleyeceğiz:

sudo apt update && sudo apt upgrade -y
sudo apt install -y build-essential git wget curl python3 python3-venv python3-pip

ComfyUI'yi root dışında ayrı bir kullanıcıyla çalıştırmak, hem güvenlik hem izin yönetimi açısından daha temiz bir yaklaşım:

sudo adduser comfyui
sudo usermod -aG sudo comfyui
su - comfyui

Buradan sonraki tüm adımları bu kullanıcı altında yürütebilirsiniz. Sunucuya ilk bağlandığınızda güvenlik duvarı kurallarını da netleştirmekte fayda var; bu konuyu ilerleyen bölümde detaylandıracağız, ama genel prensipler için VDS firewall ve iptables yapılandırması yazısını şimdiden inceleyebilirsiniz.

NVIDIA Sürücü ve CUDA Kurulumu

GPU'nun işletim sistemi tarafından tanınması için NVIDIA sürücülerinin kurulu olması gerekir. Ubuntu'da en kolay yol ubuntu-drivers aracıdır:

sudo apt install -y ubuntu-drivers-common
sudo ubuntu-drivers devices
sudo ubuntu-drivers autoinstall
sudo reboot

Sunucu yeniden başladıktan sonra sürücünün doğru kurulduğunu şu komutla doğrulayın:

nvidia-smi

Bu komut çalıştığında GPU modelini, sürücü sürümünü, sıcaklığını ve o an kullanılan VRAM miktarını gösteren bir tablo görmeniz gerekir. Bu çıktı görünmüyorsa devam etmeden önce sürücü kurulumunu tekrar kontrol edin — ComfyUI, sürücü düzgün tanınmadan CPU moduna düşerek çok yavaş çalışacaktır.

PyTorch'un güncel sürümleri CUDA çalışma zamanını (runtime) kendi paketinin içinde getirdiği için ayrıca tam bir CUDA Toolkit kurmanıza çoğu senaryoda gerek kalmaz; bir sonraki adımda torch'u doğru CUDA sürümüne göre kuracağız. Eğer ileride özel bir kütüphane tam CUDA Toolkit isterse, NVIDIA'nın resmi apt deposunu ekleyip cuda-toolkit paketini kurmanız yeterli olur.

Python Ortamı ve ComfyUI Kurulumu

Sistem genelini kirletmemek için Python sanal ortamı (virtual environment) kullanmak standart pratiktir. ComfyUI deposunu klonlayıp sanal ortamı bu klasörün içinde oluşturalım:

cd /opt
sudo mkdir -p ComfyUI && sudo chown comfyui:comfyui ComfyUI
git clone https://github.com/comfyanonymous/ComfyUI.git /opt/ComfyUI
cd /opt/ComfyUI
python3 -m venv venv
source venv/bin/activate
pip install --upgrade pip

Ardından GPU'nuzun sürücü sürümüyle uyumlu CUDA derlemesini seçerek PyTorch'u kurun (örnek olarak CUDA 12.1 uyumlu derleme):

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
pip install -r requirements.txt

Kurulum bittiğinde torch'un GPU'yu doğru algıladığını Python üzerinden hızlıca test edebilirsiniz:

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

Çıktı True ve GPU modelinizin adını gösteriyorsa kurulum doğru ilerliyor demektir. Bu aşamada ComfyUI'yi doğrudan çalıştırıp arayüze erişebilirsiniz:

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

--listen 127.0.0.1 ile arayüzü şimdilik sadece sunucunun kendisinden erişilebilir tutuyoruz; dışarıya açma adımını güvenlik bölümünde ele alacağız. Test amaçlı SSH tüneli üzerinden ssh -L 8188:localhost:8188 kullanici@sunucu_ip komutuyla arayüze yerel tarayıcınızdan erişip ilk üretiminizi deneyebilirsiniz.

ComfyUI'yi Servis Olarak Çalıştırma ve Uzaktan Erişim

Terminal kapandığında ComfyUI'nin de kapanmaması için systemd servisi olarak tanımlamak en sağlam yöntem. Aşağıdaki içerikle /etc/systemd/system/comfyui.service dosyasını oluşturun:

[Unit]
Description=ComfyUI Stable Diffusion Arayuzu
After=network.target

[Service]
User=comfyui
WorkingDirectory=/opt/ComfyUI
ExecStart=/opt/ComfyUI/venv/bin/python main.py --listen 127.0.0.1 --port 8188
Restart=always
RestartSec=5

[Install]
WantedBy=multi-user.target

Servisi etkinleştirin:

sudo systemctl daemon-reload
sudo systemctl enable --now comfyui
sudo systemctl status comfyui

Servisi yalnızca 127.0.0.1 üzerinde dinletip dışarıya açmak için önünde bir ters proxy (reverse proxy) kullanmak, hem TLS sertifikası eklemenizi hem de kimlik doğrulama katmanı koymanızı kolaylaştırır. Nginx kurulumu ve yapılandırması hakkında detaylı adımlar için Nginx kurulumu ve yapılandırma rehberi yazısına bakabilirsiniz. Temel bir örnek konfigürasyon şöyle görünür:

server {
    listen 443 ssl;
    server_name comfy.ornek-alaniniz.com;

    location / {
        proxy_pass http://127.0.0.1:8188;
        proxy_set_header Host $host;
        proxy_set_header X-Real-IP $remote_addr;
        auth_basic "Kisitli Alan";
        auth_basic_user_file /etc/nginx/.htpasswd;
    }
}

auth_basic satırları, arayüze kullanıcı adı ve şifre olmadan erişimi engeller — internete açık bir GPU sunucuda bu adımı atlamamanızı öneririz, çünkü korumasız bırakılan bir ComfyUI paneli hem hesap bilgilerinizi hem GPU kaynağınızı riske atar.

Büyükweb altyapısında sunucunuza tek bir IPv4 adresi tanımlanır; ComfyUI'yi dışarıya açarken bu tek adres üzerinden hangi portların açık, hangilerinin kapalı olacağını net şekilde planlamanız gerekir. Test dışında 8188 portunu doğrudan internete açık bırakmayın.

Model Yönetimi, Depolama ve Performans İpuçları

ComfyUI, modelleri belirli klasör yapısında bekler: models/checkpoints, models/loras, models/vae, models/controlnet gibi. Bir SDXL checkpoint dosyası tek başına 6-7 GB civarında olabilir; birkaç farklı model ve LoRA biriktirdiğinizde disk kullanımı hızla artar. Bu yüzden GPU sunucu satın alırken disk kapasitesini "şu anki ihtiyacım" değil "altı ay sonraki ihtiyacım" mantığıyla seçmek daha doğru bir yaklaşım.

Performans tarafında dikkat edilmesi gereken birkaç pratik nokta:

• VRAM sınırında kalıyorsanız ComfyUI'yi --lowvram veya --medvram parametreleriyle başlatarak bellek kullanımını azaltabilirsiniz; bu, hızdan biraz feragat etmek anlamına gelir ama "out of memory" hatalarını önler.
• xformers gibi bellek verimli dikkat (attention) mekanizmaları kurulu ise render süreleri belirgin şekilde kısalır; requirements.txt üzerinden veya ayrıca pip install xformers ile ekleyebilirsiniz.
• Batch boyutu, VRAM ile doğrudan ilişkilidir; tek seferde çok sayıda görsel üretmeye çalışmak yerine önce küçük batch'lerle test edip kademeli artırmak daha güvenli.
• Disk G/Ç darboğazı, özellikle çok sayıda LoRA'yı sık sık değiştirdiğinizde hissedilir; modelleri SSD üzerinde tutmak bu gecikmeyi büyük ölçüde azaltır.

Yoğun üretim yapan ekiplerde birden fazla iş akışını (workflow) sıraya almak isteyebilirsiniz; ComfyUI'nin kendi kuyruk (queue) sistemi bunu destekler, ancak sunucu kaynaklarının o kuyruğu karşılayabildiğinden emin olmak sizin sorumluluğunuzda.

Güvenlik, Erişim Kontrolü ve Yedekleme

GPU sunucunuz internete bağlı bir uç nokta olduğu için standart sunucu güvenliği kurallarının tamamı burada da geçerli. Öncelikle güvenlik duvarını (ufw) yapılandırıp sadece gerekli portları açık tutun:

sudo ufw allow OpenSSH
sudo ufw allow 80/tcp
sudo ufw allow 443/tcp
sudo ufw enable

8188 portunu bu listeye eklemeyin; ComfyUI'ye erişim yalnızca 443 üzerinden, nginx'in sağladığı kimlik doğrulama katmanından geçerek sağlanmalı. Genel güvenlik sertleştirme adımları (SSH anahtar tabanlı giriş, fail2ban, düzenli güncelleme) için VDS sunucu güvenliği ve koruma yazısını takip edebilirsiniz.

Yedekleme konusunda GPU sunucular, standart hosting ve VDS paketlerinden farklı bir noktada durur: GPU sunucularda yedekleme müşteri sorumluluğundadır. Yani eğittiğiniz LoRA modellerini, özelleştirdiğiniz workflow dosyalarını ve önemli üretim çıktılarınızı düzenli olarak kendi yedekleme rutininize dahil etmeniz gerekir. Genel yedekleme stratejileri ve otomasyon fikirleri için VDS sunucu yedekleme stratejileri yazısına göz atmanızı öneririz; oradaki mantığı kendi model ve çıktı klasörlerinize uyarlayarak basit bir rsync veya cron tabanlı yedekleme akışı kurabilirsiniz.

rsync -avz /opt/ComfyUI/models/ /mnt/yedek/comfyui-models/
rsync -avz /opt/ComfyUI/output/ /mnt/yedek/comfyui-output/

Bu komutları bir cron görevine bağlayarak günlük veya haftalık otomatik yedek alabilirsiniz. Özellikle uzun saatler süren LoRA eğitimlerinden sonra sonuç dosyasını hemen ikinci bir konuma kopyalamak, tek bir disk arızasının haftalarca sürebilecek emeği silmesini önler.

Sıkça Sorulan Sorular

ComfyUI çalıştırmak için minimum kaç VRAM gerekir?

Temel SD 1.5 modelleri için 6-8 GB VRAM genelde yeterlidir. SDXL, ControlNet veya birden fazla LoRA'yı aynı anda kullanacaksanız 12 GB ve üzeri VRAM önerilir; yüksek çözünürlüklü toplu üretimlerde bu miktar daha da artabilir.

Stable Diffusion XL (SDXL) için GPU sunucu yeterli mi?

Evet, yeterli VRAM'e sahip bir GPU sunucu SDXL için uygun bir çözümdür. SDXL modelleri standart SD 1.5'e göre daha fazla bellek ve işlem gücü istediğinden, sunucu seçerken VRAM kapasitesine özellikle dikkat etmeniz gerekir.

ComfyUI'ye internet üzerinden nasıl güvenli erişebilirim?

En yaygın yöntem, arayüzü yalnızca 127.0.0.1 üzerinde dinletip önüne TLS sertifikalı bir nginx ters proxy koymak ve auth_basic gibi bir kimlik doğrulama katmanı eklemektir. Alternatif olarak SSH tüneli veya bir VPN üzerinden erişimi kısıtlamak da güvenli bir yaklaşımdır.

GPU sunucuda model dosyalarımı nasıl yedeklerim?

GPU sunucularda yedekleme müşteri sorumluluğundadır. rsync veya benzer bir araçla model ve çıktı klasörlerinizi düzenli aralıklarla ayrı bir depolama alanına kopyalamanızı, bu işlemi cron ile otomatikleştirmenizi öneririz.

ComfyUI kurulumu için hangi işletim sistemi önerilir?

Ubuntu 22.04 LTS gibi güncel bir Linux dağıtımı, hem paket desteği hem topluluk dokümantasyonu açısından en pratik seçenektir. Sunucu panelden hazır bir işletim sistemi şablonu seçilerek kurulur; ardından bu yazıdaki adımlarla NVIDIA sürücüleri ve ComfyUI kurulur.

Birden fazla kullanıcı aynı ComfyUI sunucusunu kullanabilir mi?

Teknik olarak mümkündür, ancak GPU tek seferde genellikle tek bir yoğun işi verimli işler. Birden fazla kullanıcı aynı anda üretim yapacaksa ComfyUI'nin kuyruk sistemi işleri sıraya alır; yoğun kullanımda gecikmeleri azaltmak için sunucu kaynaklarını buna göre planlamak gerekir.

GPU sunucu ile normal VDS arasındaki fark nedir?

Normal bir VDS genel amaçlı işlemler (web sitesi, uygulama, veritabanı) için CPU ve RAM odaklı kaynak sunarken, GPU sunucu bunlara ek olarak özel bir grafik işlemci birimi (GPU) ve yüksek VRAM sağlar. Stable Diffusion gibi paralel işlem gerektiren yapay zeka iş yükleri GPU olmadan pratik hızlarda çalışmaz.

Büyükweb Hizmetleri

Stable Diffusion ve ComfyUI gibi yapay zeka iş yüklerini kararlı, kendi kontrolünüzde ve ölçeklenebilir bir altyapıda çalıştırmak istiyorsanız aşağıdaki sayfalardan güncel paketleri inceleyebilirsiniz:

• GPU Sunucu
• Yapay Zeka Sunucu

Kurulum sürecinde veya paket seçiminde destek almak isterseniz 0850 302 60 70 numaralı satış öncesi destek numaramızdan bize ulaşabilir ya da iletişim sayfası üzerinden bizimle iletişime geçebilirsiniz.