ComfyUI est actuellement le projet open source le plus en vue de la génération d'images locale : un frontal de workflows à nœuds pour Stable Diffusion, qui remplace les interfaces classiques par des nœuds à connecter. Il n'embarque aucun modèle — il ne fait que « l'orchestration » : chargement du modèle, encodage du prompt, échantillonnage, décodage et sauvegarde sont découpés en nœuds visuels à câbler librement. Cet article explique en une fois pourquoi il cartonne, ce qu'il coûte à faire tourner et quatre vrais pièges.
Ce que fait vraiment ComfyUI
Les interfaces SD classiques (comme AUTOMATIC1111) fonctionnent par formulaires : choisir un modèle, taper un prompt, cliquer sur générer. ComfyUI transforme chaque étape en nœud : Load Checkpoint charge le modèle, CLIP Text Encode encode le prompt, KSampler gère l'échantillonnage, VAE Decode décode l'image. Les nœuds se transmettent les données via des câbles, et un pipeline terminé s'enregistre comme fichier de workflow réutilisable — avec le JSON du workflow de quelqu'un d'autre, on reproduit exactement le même pipeline de génération en un clic. Sur les raisons pour lesquelles on ne revient guère en arrière après ce workflow à nœuds, voir aussi cette analyse de l'expérience des workflows ComfyUI.
Pourquoi un tel succès
Premièrement, les workflows sont réutilisables. Quand de nouveaux modèles comme SDXL ou Flux sortent, les workflows d'exemple officiels et communautaires pour ComfyUI arrivent presque aussitôt — il suffit de suivre les câbles et ça tourne, bien plus vite que d'attendre l'adaptation des interfaces classiques.
Deuxièmement, une gestion VRAM sérieuse. ComfyUI charge et décharge les modèles dans l'ordre des nœuds, avec une consommation VRAM nettement inférieure aux interfaces comparables. Les cartes à faible VRAM peuvent faire tourner de gros modèles par chargement segmenté — la raison directe de sa bonne réputation auprès des utilisateurs 6 Go et 8 Go.
Troisièmement, l'écosystème de nœuds personnalisés. Le plugin ComfyUI-Manager rend l'installation des nœuds communautaires aussi simple qu'une appli de téléphone ; des milliers de nœuds tiers couvrent génération vidéo, upscaling, restauration de visages, etc. Le cœur reste léger, les fonctions viennent de l'écosystème.
Pour qui — et pour qui éviter
Il convient à trois profils : les utilisateurs avancés qui veulent contrôler finement le pipeline de génération, les designers qui réutilisent les workflows communautaires pour des résultats rapides, et les développeurs qui utilisent ComfyUI comme API backend — les appels API sont supportés nativement, et il tourne en coulisses de nombreux produits de dessin IA.
Deux profils devraient réfléchir : les débutants complets qui veulent juste « ouvrir et dessiner » — le concept de nœuds a une courbe d'apprentissage, et un écran plein de nœuds au premier lancement intimide ; et les utilisateurs sans GPU NVIDIA. Le support expérimental des iGPU AMD et Intel existe, mais écosystème et stabilité sont un cran en dessous, et le coût de bidouillage est élevé.
Coût de déploiement : deux méthodes d'installation et seuils VRAM
Méthode un, le paquet portable Windows : télécharger ComfyUI_windows_portable_nvidia.7z depuis la page officielle des Releases, extraire avec 7-Zip, double-cliquer run_nvidia_gpu.bat, puis ouvrir 127.0.0.1:8188 dans le navigateur. Python 3.13 et PyTorch CUDA sont embarqués, aucune configuration d'environnement — le choix le plus sûr pour débuter. Des builds officiels AMD et cu126 (pour les séries 10 et antérieures) existent aussi.
Méthode deux, l'installation manuelle depuis les sources : git clone du dépôt, création d'un environnement virtuel Python, installation du build PyTorch correspondant au CUDA, puis pip install -r requirements.txt et python main.py. Pour les utilisateurs Linux et les développeurs qui suivent le code le plus récent — au prix de résoudre soi-même la correspondance des versions PyTorch/CUDA.
Seuils VRAM par classe de modèle : 6 Go pour SD 1.5, 8 Go est la ligne de confort pour SDXL, 12 Go est le point d'entrée pour les gros modèles comme Flux et SD3, et 16 Go et plus rendent praticables les empilements ControlNet ou les modèles vidéo. 16 Go de RAM système recommandés, au moins 30 Go d'espace disque libre — 60 Go et plus pour Flux.
Le coût caché, ce sont les poids des modèles : SDXL pèse environ 6,5 Go par fichier, les modèles de la série Flux atteignent des dizaines de Go chacun. Logiciel et modèles sont gratuits ; la vraie dépense est l'investissement GPU unique — une carte de classe RTX 3060 capable de SDXL coûte environ trois à six cents dollars, ensuite ce n'est que l'électricité.
Pas de GPU ? Inutile de forcer : les offres cloud louent des GPU à l'heure. Selon les chiffres publiés, des services comme RunDiffusion démarrent autour de 0,50 dollar/heure, en montant selon la gamme de GPU — moins cher qu'un achat de carte pour un usage occasionnel, tandis que les gros utilisateurs restent gagnants en local. Pour le démarrage cloud en un clic, voir aussi cette analyse du service Stable Diffusion cloud en démarrage un clic de RunDiffusion.
Quatre vrais pièges
Piège un : les nœuds personnalisés manquants. L'erreur la plus fréquente en exécutant le workflow d'un autre est l'avertissement rouge « nœuds manquants » — le workflow utilise des nœuds personnalisés non installés. Installez d'abord ComfyUI-Manager : il scanne et complète les nœuds manquants en un clic, au lieu de les chercher un par un.
Piège deux : la VRAM saturée. Prompts longs et hautes résolutions déclenchent « Out of Memory », surtout les passes haute résolution SDXL sur des cartes 8 Go. D'abord baisser résolution et taille de lot, puis essayer des options de lancement comme --lowvram ; la vraie solution est une carte à plus grosse VRAM — pas de raccourci.
Piège trois : les conflits de versions de plugins. Les nœuds personnalisés dépendent de versions différentes de bibliothèques Python, et en installer beaucoup invite aux conflits — symptômes : ImportError au démarrage ou un nœud qui tombe soudain en panne. N'installez que les nœuds nécessaires, et en cas de problème, isolez par dichotomie avec la fonction de désactivation du Manager.
Piège quatre : les modèles dans le mauvais dossier. Les modèles téléchargés jetés à la racine ne tournent pas : les checkpoints complets vont dans models/checkpoints, les VAE dans models/vae, les LoRA dans models/loras. Mauvais dossier, et le modèle n'apparaît tout simplement pas dans le menu déroulant du frontal — la cause derrière l'immense majorité des « mon modèle ne s'affiche pas ».
Informations officielles du dépôt
Plateforme : GitHub ; organisation : comfyanonymous ; projet : ComfyUI. L'adresse du dépôt est github.com/comfyanonymous/ComfyUI (texte brut, pas un lien), et la page des Releases héberge les builds portables. Vérifiez exactement ce nom d'organisation — il existe de nombreux forks homonymes et dépôts sosies, et un mauvais téléchargement signifie au mieux une version obsolète, au pire un code malveillant embarqué.
