11 novembre 2026 · Équipe VRAMfarm

ComfyUI sur un GPU loué : vos modèles, LoRA, custom nodes et la page 502

Vous avez cliqué sur Ouvrir ComfyUI une minute après le lancement et obtenu une erreur 502 ou une page blanche. Rien n’est cassé : sur un serveur neuf, ComfyUI commence par s’installer (environ 5 minutes au premier lancement), puis une application prête à l’emploi télécharge en arrière-plan de 7 à 70 Go de modèles. Le tableau de bord vous indique quand tout est vraiment prêt ; en attendant, deux ou trois commandes dans le terminal montrent où en est l’installation.

Application prête à l’emploi ou ComfyUI vierge

Les deux sont gratuits : vous ne payez que le temps GPU, dès 0,59 € de l’heure sur une RTX 4090, et le trafic de ce que le serveur télécharge. La différence tient à ce qui est téléchargé pour vous.

Choisissez une application prête à l’emploi quand votre modèle figure dans la liste : les fichiers arrivent dans les bons dossiers et le workflow intégré correspondant fonctionne tout de suite. Prenez le ComfyUI vierge quand vous apportez votre propre pile, par exemple un checkpoint SD 1.5 ou Pony venu de Civitai. Si votre checkpoint est dérivé de SDXL (Pony, Illustrious et la plupart des fine-tunes SDXL), l’application SDXL est aussi un bon point de départ, car le VAE et le workflow de base sont déjà là.

Pour comparer les cartes, consultez quel GPU choisir pour Flux, SDXL et ComfyUI ou la page du modèle ComfyUI.

Quand ComfyUI est-il prêt ? Erreur 502, page blanche et modèles manquants

Un lancement passe par trois étapes, et chacune a son symptôme si vous ouvrez la page trop tôt.

1. La machine démarre (généralement 2 à 5 minutes). SSH et Jupyter deviennent accessibles. L’adresse de ComfyUI ne répond pas encore.
2. ComfyUI s’installe et démarre (quelques minutes de plus). L’adresse renvoie une 502 ou une page blanche tant que le processus ComfyUI n’écoute pas.
3. Les modèles se téléchargent, un fichier après l’autre. L’interface fonctionne déjà, et les modèles apparaissent dans les listes au fur et à mesure. Si vous lancez un workflow à ce moment-là, vous obtenez « missing model », « Value not in list » ou une liste de problèmes, parce que le fichier n’est pas encore arrivé. Wan 2.2 14B est le plus lent : environ 70 Go, jusqu’à 10 à 15 minutes.

Le tableau de bord indique quand l’application est prête et vous envoie une notification : le plus simple est de l’attendre. Si vous voulez vérifier vous-même, ouvrez Jupyter → File → New → Terminal et lancez :

tail -n 20 /workspace/comfyui.log            # "To see the GUI go to: http://0.0.0.0:8188" = l'interface est en ligne
find /workspace/ComfyUI/models -name "*.part"  # les fichiers encore en téléchargement finissent par .part
du -sh /workspace/ComfyUI/models              # à comparer avec la taille de l'application dans le tableau ci-dessus
tail -n 30 /workspace/gf-install.log          # erreurs d'installation, si ComfyUI ne démarre jamais

Si le journal se termine par une erreur Python au lieu de la ligne « To see the GUI », ComfyUI n’a pas démarré : envoyez les dernières lignes des deux journaux au support. Si le journal affiche la ligne GUI mais que la page indique toujours 502, ComfyUI vient tout juste de démarrer : attendez une minute et rechargez.

Attendre coûte de l’argent, autant savoir combien. L’étape 1 est gratuite : la facturation commence quand le serveur est prêt, donc l’installation et le téléchargement des modèles des étapes 2 et 3 sont facturés à la minute. Une attente de 15 minutes pour Wan 14B sur une RTX A6000 coûte environ 0,18 €, plus le trafic des 70 Go de modèles au tarif de la machine.

Partir d’un modèle de workflow intégré

Dans ComfyUI, ouvrez Workflow → Browse Templates. Les modèles de workflow sont classés par tâche : texte vers image, retouche d’image, vidéo, upscaling, etc. Avec une application prête à l’emploi, le modèle correspondant (Flux schnell, SDXL, Qwen-Image, Wan 2.2…) utilise exactement les fichiers que nous avons téléchargés : vous pouvez cliquer sur Run dès la fin du téléchargement.

D’autres modèles de workflow peuvent demander des fichiers que vous n’avez pas. ComfyUI affiche alors une fenêtre qui liste chaque fichier manquant et le dossier où il doit aller. Dans la version navigateur, le bouton de téléchargement de cette fenêtre enregistre le fichier sur votre ordinateur, pas sur le serveur. Copiez plutôt le lien et téléchargez le fichier sur le serveur, comme expliqué dans la section suivante.

Les workflows que vous enregistrez dans la barre latérale gauche sont stockés dans /workspace/ComfyUI/user/default/workflows : ils voyagent donc avec le dossier enregistré.

Ajouter vos propres checkpoints et LoRA

Tout se trouve sous /workspace/ComfyUI/models/. C’est le dossier qui détermine quel nœud voit le fichier :

Téléchargez directement sur le serveur depuis le terminal Jupyter. Sur Hugging Face, copiez le lien resolve du fichier, pas le lien blob : le lien blob mène à une page web, et wget enregistrerait 50 Ko de HTML sous un nom en .safetensors.

cd /workspace/ComfyUI/models/loras
wget -O my-style.safetensors "https://huggingface.co/<user>/<repo>/resolve/main/<file>.safetensors"

Pour des dépôts entiers ou des modèles à accès restreint, l’outil en ligne de commande de Hugging Face est plus pratique :

pip install -U huggingface_hub
hf download <user>/<repo> <file>.safetensors --local-dir /workspace/ComfyUI/models/checkpoints
# modèles à accès restreint (Flux dev et autres) : acceptez d'abord la licence sur le site, puis
export HF_TOKEN=<your read token>

Les liens Civitai demandent généralement votre propre token API à la fin de l’URL (?token=...) et un nom de fichier, car l’URL de téléchargement n’en contient pas : wget -O model.safetensors "https://civitai.com/api/download/models/<id>?token=<token>".

Les fichiers de votre ordinateur s’envoient avec le bouton d’upload de Jupyter ou avec scp, en reprenant l’hôte et le port de la commande SSH affichée dans Mes serveurs (guide de la clé SSH). Pour des fichiers de plusieurs gigaoctets, télécharger depuis la source est en général bien plus rapide qu’un envoi depuis chez vous.

Une fois le fichier en place, appuyez sur R dans ComfyUI ou rechargez la page : il apparaît dans la liste déroulante du nœud. Les téléchargements comptent comme du trafic au tarif par Go de la machine, affiché avant le lancement.

Des custom nodes sans ComfyUI Manager préinstallé

ComfyUI Manager n’est pas installé sur nos serveurs. Vous pouvez l’ajouter vous-même en une minute, ou vous en passer et installer les nœuds directement. Dans les deux cas, cela se fait dans le terminal Jupyter.

Installer ComfyUI Manager :

cd /workspace/ComfyUI/custom_nodes
git clone https://github.com/Comfy-Org/ComfyUI-Manager comfyui-manager
pip install -r comfyui-manager/requirements.txt

Ou installer directement un seul nœud :

cd /workspace/ComfyUI/custom_nodes
git clone https://github.com/<author>/<node-repo>
pip install -r <node-repo>/requirements.txt   # si le dépôt en contient un

ComfyUI ne charge les nouveaux nœuds qu’au démarrage, il faut donc le redémarrer :

pkill -f "main.py --listen"
cd /workspace/ComfyUI && nohup python main.py --listen 0.0.0.0 --port 8188 > /workspace/comfyui.log 2>&1 &

Rechargez l’onglet du navigateur au bout d’une trentaine de secondes. Avec le Manager, vous obtenez un bouton Manager ; son Install Missing Custom Nodes est la solution la plus rapide quand le workflow de quelqu’un d’autre s’ouvre avec des nœuds rouges. Le Manager a des niveaux de sécurité, et comme ComfyUI écoute ici sur le réseau, il peut refuser certaines actions plus risquées, comme l’installation depuis une URL Git quelconque. L’installation depuis sa propre liste fonctionne ; pour le reste, utilisez git clone comme ci-dessus.

Les versions récentes de ComfyUI intègrent aussi un manager qui s’active avec une option de démarrage. Si vous voyez manager_requirements.txt dans /workspace/ComfyUI, vous pouvez lancer pip install -r manager_requirements.txt et ajouter --enable-manager à la commande de démarrage au lieu de cloner le dépôt.

Une mise en garde : un custom node est du code Python ordinaire, avec un accès complet au serveur, y compris à vos modèles et à vos résultats. Installez des nœuds provenant de dépôts de confiance, et préférez les plus connus, avec une activité récente.

Garder modèles, LoRA et nœuds d’une session à l’autre

Le disque du serveur est effacé à l’arrêt. Pour conserver votre travail, utilisez Enregistrer et arrêter dans Mes serveurs. Cela sauvegarde /workspace : vos propres checkpoints et LoRA, custom_nodes, les workflows enregistrés et le dossier output. Au lancement suivant, le dossier est restauré avant le démarrage de ComfyUI, même sur une autre carte : vos modèles sont tout de suite dans les listes. Le stockage coûte 0,03 € par Go et par mois ; un dossier de 20 Go de LoRA et de checkpoints coûte vingt fois plus, bien moins d’un euro.

Trois choses à savoir :

• Les modèles de base d’une application prête à l’emploi ne sont pas stockés. Ils se téléchargent à nouveau tout seuls au lancement suivant : vous ne payez pas de stockage pour 17 à 70 Go de poids publics.
• Les paquets Python ne sont pas dans /workspace. Les dossiers des custom nodes reviennent, mais pas les bibliothèques que vous avez installées pour eux avec pip. Après une restauration, réinstallez-les et redémarrez ComfyUI :

for d in /workspace/ComfyUI/custom_nodes/*/; do [ -f "$d/requirements.txt" ] && pip install -r "$d/requirements.txt"; done

• Restaurer, c’est télécharger. Le dossier enregistré arrive sur la nouvelle machine sous forme de trafic, au tarif de cette machine. Vous gagnez du temps et gardez vos fichiers, mais pas de trafic.

Si vous arrêtez sans enregistrer, les fichiers sont perdus. Un serveur inactif (2 heures sans SSH, Jupyter ni charge GPU, puis un e-mail, puis encore une heure) enregistre le dossier avant de s’arrêter. Pour en savoir plus : ce que deviennent vos fichiers quand vous arrêtez un GPU.

Générer par lots avec l’API de ComfyUI

Pour 200 photos produit ou une liste de prompts, inutile de cliquer 200 fois sur Run. Chaque ComfyUI accepte des tâches par HTTP.

1. Construisez et testez le workflow dans le navigateur.
2. Enregistrez-le avec Workflow → Export (API) et envoyez workflow_api.json dans /workspace.
3. Ouvrez le JSON et notez les identifiants des nœuds à modifier, par exemple le nœud CLIPTextEncode qui contient votre prompt et le KSampler avec la seed.
4. Mettez un prompt par ligne dans /workspace/prompts.txt et lancez ceci sur le serveur :

import json, random, time, urllib.request

URL = "http://127.0.0.1:8188"
PROMPT_NODE, SAMPLER_NODE = "6", "3"   # les identifiants de votre propre export
wf = json.load(open("/workspace/workflow_api.json"))

def call(path, data=None):
    req = urllib.request.Request(URL + path, data=data, headers={"Content-Type": "application/json"})
    return json.load(urllib.request.urlopen(req))

for text in [l.strip() for l in open("/workspace/prompts.txt") if l.strip()]:
    wf[PROMPT_NODE]["inputs"]["text"] = text
    wf[SAMPLER_NODE]["inputs"]["seed"] = random.randint(0, 2**32 - 1)
    pid = call("/prompt", json.dumps({"prompt": wf}).encode())["prompt_id"]
    print("queued", pid, text[:50])

while call("/queue")["queue_running"] or call("/queue")["queue_pending"]:
    time.sleep(10)
print("done, images are in /workspace/ComfyUI/output")

Lancez-le avec nohup python batch.py > batch.log 2>&1 & pour qu’il continue de tourner quand vous fermez le navigateur. ComfyUI met les tâches en file et les traite une par une ; les résultats vont dans /workspace/ComfyUI/output, que vous pouvez compresser et télécharger depuis Jupyter.

Un budget approximatif : avec une file pleine, Flux schnell (4 étapes) rend une image 1024×1024 en 2,5 à 5 secondes environ sur une RTX 4090, selon le workflow. Deux cents images à environ 4 secondes chacune, c’est moins de 15 minutes de travail ; en comptant le téléchargement du modèle et la mise en place du script, prévoyez une demi-heure, soit environ 0,30 € de temps GPU.

Vous pouvez aussi envoyer les mêmes requêtes depuis votre ordinateur à l’adresse de ComfyUI affichée dans Mes serveurs. Pour démarrer un serveur pour le lot et l’arrêter ensuite depuis un script, utilisez l’API de VRAMfarm : arrêter dès que la file est vide, c’est ce qui garde un traitement par lots bon marché.