ComfyUI-Zluda 快速上手AMD 显卡零门槛跑通 AI 绘画的 5 步指南【免费下载链接】ComfyUI-ZludaThe most powerful and modular stable diffusion GUI, api and backend with a graph/nodes interface. Now ZLUDA enhanced for better AMD GPU performance.项目地址: https://gitcode.com/gh_mirrors/co/ComfyUI-Zluda你有没有过这样的经历兴致勃勃下载了一堆 AI 绘画工具打开文档却发现开头就写着本工具仅支持 NVIDIA CUDA然后默默关掉页面对于 AMD 显卡用户来说想体验 Stable Diffusion、Flux 这类模型长期以来都像在玩地狱难度——要么折腾 ROCm 环境到崩溃要么干脆只能用 CPU 慢慢跑。ComfyUI-Zluda 正是冲着这个痛点来的它把广受欢迎的节点式 AI 创作平台 ComfyUI 和 ZLUDA 兼容层结合到一起让 AMD 显卡也能直接跑出接近原生 CUDA 的推理性能装完就能用、不用折腾。为什么选它传统方案与本项目的差异过去 AMD 用户跑 AI 绘画通常只有两条路一是装官方 ROCm 版 PyTorch但官方支持名单以外的显卡尤其 Windows 用户经常直接报错二是用各种兼容层硬凑性能损失大还天天崩。ComfyUI-Zluda 用一张对比表就能说清楚它的位置对比维度传统 ROCm 方案ComfyUI-Zluda安装门槛需要手动配置 ROCm 工具链环境变量、驱动版本一个不能错启动时自动隐藏冲突环境变量、自动探测 GPU 架构开箱即用显卡覆盖仅支持少数官方认证型号通过 gfx 架构映射覆盖 RDNA1/2/3/4、Vega 甚至老 Polaris 系列性能表现未针对 AI 推理优化编译时间长集成针对 AMD 架构的注意力、量化与编译调优性能更贴近 CUDA 体验工作流生态需自行寻找配套工具完整保留 ComfyUI 的节点工作流与大量现成模板一句话总结如果你不想把周末耗在环境配置上只想尽快看到自己的第一张 AI 作品这个项目就是为你的 AMD 显卡量身准备的。快速上手5 步从零跑通第一个作品下面这套流程是最省力的路径全程只需要一个终端窗口。以 Linux 环境为例Windows 用户只需把命令放到对应终端中执行即可。第一步获取项目代码打开终端把仓库克隆到本地git clone https://gitcode.com/gh_mirrors/co/ComfyUI-Zluda cd ComfyUI-Zluda第二步安装 AMD 专用 PyTorch这一步是整个流程的关键直接决定了你的显卡能不能被正确识别。官方推荐稳定版使用 ROCm 7.2 的 wheel 包pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/rocm7.2如果你是 RX 7000RDNA 3或 RX 9000RDNA 4系列的新卡也可以换用对应的 nightly 版本通常能拿到更新的优化README 中针对 RDNA 3/3.5/4 分别给出了对应 gfx 架构的安装源。拿不准选哪个先用稳定版跑通了再升级。第三步安装依赖并放置模型回到项目目录安装其余依赖pip install -r requirements.txt然后把你的模型文件放进对应目录大模型checkpoint / safetensors→models/checkpoints/VAE 模型 →models/vae/LoRA 微调模型 →models/loras/第四步启动服务python main.py看到终端输出一个127.0.0.1:8188之类的地址打开浏览器访问它工作台界面就出现了。注意如果你的显卡是 ROCm 官方名单之外的型号启动前可以先加一个架构覆盖参数比如 RDNA2 用HSA_OVERRIDE_GFX_VERSION10.3.0RDNA3 用11.0.0。第五步跑通第一个工作流在界面上加载项目自带的模板工作流blueprints/目录里有大量现成方案双击任意空白处搜索节点把加载模型→文本编码→采样→保存图像连起来点击运行。几十秒到几分钟后你的 AMD 显卡就能吐出一张完整的 AI 作品。三个值得关注的核心亮点亮点一自动识别 GPU 架构省掉手动折腾ZLUDA 兼容层最麻烦的地方在于你的显卡属于哪个 gfx 架构。以前这需要你自己查文档、查命令项目在comfy/customzluda/zluda.py中内置了一套自动探测逻辑启动时它会读取显卡型号Windows 下通过注册表和 WMIC再对照内置的型号映射表自动设置TRITON_OVERRIDE_ARCH等关键环境变量。从 RX 580 到 RX 9070 都在覆盖范围内找不到时也会给出安全回退值并提示你手动设置。你基本可以做到双击启动剩下的交给它。亮点二内置量化加载器显存不足有救AMD 中端卡最常遇到的问题就是显存不够。项目根目录的cfz_checkpoint_loader.py提供了一个自带 INT8 量化的模型加载节点加载时自动把权重压缩到 int8显著降低显存占用同时支持非对称量化和 float16 计算精度切换。不需要额外安装量化工具链拖一个节点、勾选开关就能用。对 8GB、12GB 显存的用户来说这几乎是救命级的功能。亮点三开箱即用的现成工作流别急着从零搭图。blueprints/目录下已经准备了上百个按场景分好类的 JSON 工作流模板从文生图到图像编辑再到视频生成都有cfz/workflows/里更是针对 Wan 2.2、LTX Video 2.3、Qwen-Image 等热门模型整理了完整链路。直接在界面上导入模板替换模型路径就能跑适合第一次接触节点式界面的新手快速建立信心。新手最容易踩的 3 个坑坑 1启动报错 Torch not compiled with CUDA enabled原因PyTorch 装成了 CPU 版或 CUDA 版没有正确安装 AMD 对应版本。解决先pip uninstall torch torchvision torchaudio再用第二步的 ROCm 源重装一遍即可。坑 2跑图途中报显存不足OOM原因默认加载策略把整模型塞进显存小显存扛不住。解决启动时加上--lowvram --always-offload-from-vram让系统按需卸载重载或者换上亮点二提到的量化加载器双管齐下效果更好。坑 3出图慢、性能不稳定原因Triton 内核没有针对你的架构编译或编译缓存堆积。解决启动前设置TORCH_ROCM_AOTRITON_ENABLE_EXPERIMENTAL1可启用实验性加速路径定期清理__pycache__缓存目录项目也提供了cache-clean.bat一键脚本如果首次运行特别慢多半是内核编译阶段属正常现象。性能调优小贴士目的操作说明提升注意力计算速度设置TORCH_ROCM_AOTRITON_ENABLE_EXPERIMENTAL1后启动项目主程序已默认开启手动设置可用于排查问题老显卡兼容启动前加HSA_OVERRIDE_GFX_VERSION10.3.0RDNA2 系绕过 ROCm 型号检测强制指定架构显存紧张python main.py --lowvram --always-offload-from-vram智能卸载小显存也能跑大模型减少首次编译时间保持缓存目录不清理首次慢是正常的后续会复用已编译内核生态与下一步ComfyUI-Zluda 不只是能跑它的根基是完整的 ComfyUI 生态海量自定义节点项目自带custom_nodes/示例目录、JSON 工作流分享、以及与图像/视频/音频/3D 模型的对接能力都在持续更新。如果你想参与进来贡献方式也很轻量——修 bug、补充新的显卡型号映射、完善工作流模板都很有价值仓库中的贡献规范和代码风格指南写得非常清楚。对你来说今天最值得做的一件事是什么打开终端克隆仓库按上面 5 步走一遍让那块吃灰的 AMD 显卡真正动起来。跑出第一张图的那一刻你会明白什么叫零门槛。现在就动手试试吧。【免费下载链接】ComfyUI-ZludaThe most powerful and modular stable diffusion GUI, api and backend with a graph/nodes interface. Now ZLUDA enhanced for better AMD GPU performance.项目地址: https://gitcode.com/gh_mirrors/co/ComfyUI-Zluda创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考