ComfyUI显存故障怎么办

ComfyUI显存故障定位与修复指南
一、快速自检与定位

• 先用nvidia-smi观察显存占用与波动：运行命令 watch -n 1 nvidia-smi --query-gpu=memory.used,memory.total --format=csv,noheader,nounits；若显存占用在多次运行后持续攀升，多半是显存泄漏或缓存未释放。
• 区分报错类型：
• CUDA out of memory（OOM）：显存不足或分配失败。
• 采样器错误/非法内存访问：常见于依赖/插件版本不匹配、驱动或CUDA问题。
• 做最小化复现：用默认工作流仅加载SD1.5/SDXL跑一张小图；若正常，再逐步加入LoRA/IPAdapter/ControlNet/视频模型，定位触发点。
• 更新与一致性检查：升级到最新版 ComfyUI；确认NVIDIA 驱动、CUDA、PyTorch版本匹配（如驱动≥535.113、CUDA 11.8/12.0；PyTorch 2.1.x 对应 cu118/cu121）。必要时用 pip show torch 检查实际安装的 CUDA 版本。

二、立即缓解显存占用

• 启动参数与运行策略：
• 显存紧张时优先使用--lowvram；大多数场景可用--fp16降低显存占用。
• 降低分辨率/步数/批量，关闭不必要的高分辨率修复/放大节点。
• 内存分配与碎片控制：
• 在启动脚本或环境里设置：
• os.environ["PYTORCH_CUDA_ALLOC_CONF"] = "max_split_size_mb:128"
• torch.backends.cudnn.benchmark = False
• torch.cuda.set_per_process_memory_fraction(0.9)
• 在关键节点后主动清理：
• torch.cuda.empty_cache(); torch.cuda.ipc_collect(); gc.collect()
• 工作流层面优化：
• 对IPAdapter/Clip Vision/FaceID等“只在前处理用”的模型，采用预计算嵌入并保存，用时直接加载，避免重复占用显存。
• 分阶段执行：先生成中间结果写盘，再加载后续模块，减少同时驻留的模型数量。

三、插件与依赖导致的异常

• 排查插件/自定义节点：某些节点在多轮运行后会造成显存泄漏或内存溢出。做法：暂时移除或禁用非必要插件，用默认节点验证；定位到问题节点后再单独处理或更新。
• 版本匹配与重装：
• 确保PyTorch、torchvision、transformers、diffusers与当前CUDA版本匹配；必要时重装：pip install torch==2.1.0+cu118 torchvision==0.16.0+cu118 torchaudio==2.1.0 --extra-index-url https://download.pytorch.org/whl/cu118（或 cu121 对应版本）。
• 若环境修复失败或依赖混乱，进入 ComfyUI 目录执行：python/python.exe -m pip install -r requirements.txt；必要时 pip cache purge && pip install -U pip。
• 驱动与CUDA一致性：升级NVIDIA 驱动≥535.113；用 nvcc --version 与 torch 输出的 CUDA 版本交叉核对，避免“驱动与工具链不一致”。

四、进阶诊断与长期优化

• 精准定位错误：设置环境变量CUDA_LAUNCH_BLOCKING=1与TORCH_USE_CUDA_DSA=1，可捕获更精确的 CUDA 报错位置（仅在排查时开启，会显著降低性能）。
• 监控与分析：
• 持续用 nvidia-smi 观察显存曲线；
• 使用PyTorch Profiler定位高显存占用算子与阶段，针对性优化或拆分工作流。
• 量化与混合精度：
• 优先尝试--fp16；显存吃紧时用--lowvram触发更激进的INT8量化；复杂场景可对UNet等重点组件做混合精度，兼顾质量与显存。
• 视频/多模型场景：
• 采用块交换（Block Swap）/CPU卸载策略（如将部分模型块交换到 CPU 内存），并降低分辨率/帧数/批量；必要时分阶段处理与中间结果落盘。