DGX Spark+ComfyUI 安装使用一步到位!

部署运行你感兴趣的模型镜像

上期我们讲解了如何在该平台部署 Isaac Sim,本期我们将着手搭建本地 ComfyUI 工作流。无需上云,在本地即可完成所有图像的编辑和生成。

1.验证系统先决条件

预期输出应显示 Python 3.8+、可用的 pip、CUDA 工具包和 GPU 检测。

2.创建 Python 虚拟环境

通过检查命令提示符显示来验证虚拟环境是否处于活动状态(comfyui-env)

3.安装支持 CUDA 的 PyTorch

此安装的目标是使 CUDA 12.9 与 Blackwell 架构 GPU 兼容。

4.克隆 ComfyUI 存储库

然后从官方存储库下载 ComfyUI 源代码。

5.安装 ComfyUI 依赖

安装 ComfyUI 运行所需的 Python 包。这一步会安装好所有必要的依赖项,包括 Web 界面组件和模型处理库

6.下载 Stable Diffusion checkpoint

导航到 checkpoint 目录并下载 SD 1.5 模型。下载内容大约为 2GB,大概需要几分钟。

7.启动 ComfyUI 服务器

启动 ComfyUI 网络服务器并启用网络访问。该服务器将绑定到端口 8188 上的所有网络接口,以便其他设备可以访问它

8.验证是否安装成功

预期输出应显示 HTTP 200 响应,表明 Web 服务器正在运行。打开网络浏览器并导航到 http://<SPARK_IP>:8188 您 <SPARK_IP> 的设备的 IP 地址。

安装成功启动结果如下

生图测试

训练参数

模型:Stable Diffusion v1.5

分辨率:1024*1024

采样步数:50

cfg:8.0

采样器:euler

scheduler:normal

denoise:1.00

批量大小:20张

正向提示词:

beautiful scenery nature glass bottle landscape, , purple galaxy bottle,

反向提示词:

text, watermark

我们使用 DGX Spark 进行了 ComfyUI 的文生图测试,分辨率1024*1024,生成20张,共耗时376.64秒,平均每张耗时18.9秒,显存占用20GB

您可能感兴趣的与本文相关的镜像

ComfyUI

ComfyUI

AI应用
ComfyUI

ComfyUI是一款易于上手的工作流设计工具,具有以下特点:基于工作流节点设计,可视化工作流搭建,快速切换工作流,对显存占用小,速度快,支持多种插件,如ADetailer、Controlnet和AnimateDIFF等

DGX是英伟达推出的专为人工智能和深度学习设计的超级计算平台,而Spark是一个开源的集群计算系统,常用于大规模数据处理和分析。以下是关于DGXSpark结合使用的一些相关信息: ### 结合应用场景 - **加速深度学习模型训练**:利用DGX强大的GPU计算能力,Spark可以对大规模的训练数据进行高效处理和分发,加速深度学习模型的训练过程。例如,在图像识别、自然语言处理等领域,通过Spark对图像或文本数据进行预处理,然后在DGX上进行模型训练,能够显著提高训练效率。 - **实时数据分析**:Spark的实时数据处理能力与DGX的高性能计算相结合,可以实现对实时数据流的快速分析和处理。比如在金融领域,对股票交易数据进行实时监测和分析,及时发现潜在的风险和机会。 ### 配置方式 - **硬件配置**:确保DGX系统具备足够的GPU资源和内存,以满足Spark任务的计算需求。同时,需要对DGX的网络进行优化,保证数据在集群中的高效传输。 - **软件配置**:在DGX安装和配置Spark集群,包括设置Spark的主节点和从节点,配置Hadoop分布式文件系统(HDFS)作为数据存储。此外,还需要安装英伟达的CUDA和cuDNN库,以支持GPU加速。 ### 使用方法 - **数据准备**:使用Spark的DataFrame或RDD API对数据进行清洗、转换和预处理。例如,使用Spark SQL对结构化数据进行查询和分析,使用Spark MLlib进行机器学习模型的训练和评估。 - **任务提交**:将Spark任务提交到DGX集群上运行。可以使用Spark的命令行工具(如spark-submit)或编程接口(如Python的PySpark、Java的Spark Java API)来提交任务。 - **GPU加速**:在Spark任务中使用英伟达的RAPIDS for Spark库,将数据处理和计算任务卸载到DGX的GPU上,实现加速。例如,使用RAPIDS for Spark的DataFrame API替代传统的Spark DataFrame API,利用GPU的并行计算能力提高数据处理速度。 以下是一个简单的PySpark代码示例,演示如何在DGX上运行Spark任务: ```python from pyspark.sql import SparkSession # 创建SparkSession spark = SparkSession.builder \ .appName("DGX_Spark_Example") \ .getOrCreate() # 读取数据 data = spark.read.csv("hdfs:///path/to/data.csv", header=True, inferSchema=True) # 进行数据处理 processed_data = data.filter(data["age"] > 18) # 显示处理结果 processed_data.show() # 停止SparkSession spark.stop() ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值