আপনি হয়তো লক্ষ্য করেছেন যে ইন্টারনেট কৃত্রিম বুদ্ধিমত্তা (AI) দ্বারা তৈরি ছবিতে ছেয়ে গেছে। অনেকেই ভাবেন যে, মাসিক সাবস্ক্রিপশনের টাকা খরচ না করে এবং নিজেদের নির্দেশনার সম্পূর্ণ গোপনীয়তা বজায় রেখে বাড়িতেও একই রকম ফলাফল অর্জন করা সম্ভব কিনা। এর উত্তরটি হলো, হ্যাঁ, অবশ্যই সম্ভব। আর এই মুহূর্তে কাজটি করার জন্য সবচেয়ে শক্তিশালী টুলটি হলো ComfyUI। এটি এমন একটি ইন্টারফেস যা প্রথমদিকে কিছুটা ভীতিপ্রদ মনে হলেও, আপনাকে ভিজ্যুয়াল তৈরির উপর সম্পূর্ণ নিয়ন্ত্রণ দেয়।
সরল বিকল্পগুলোর থেকে ভিন্ন, ComfyUI একটি গ্রাফ সিস্টেম ব্যবহার করে কাজ করে যেখানে আপনি বিভিন্ন বক্স বা নোড সংযুক্ত করেন। এর মানে হলো, আপনি কোনো কঠোর কাঠামো দ্বারা সীমাবদ্ধ নন; আপনি আপনার নিজস্ব বিল্ড পাইপলাইন ডিজাইন করতে পারেন । আপনার কাছে একটি শক্তিশালী লিনাক্স সার্ভার থাকুক বা একটি উইন্ডোজ ল্যাপটপ, এই ইকোসিস্টেমটি সেট আপ করলে আপনি FLUX বা Stable Diffusion-এর মতো সর্বশেষ মডেলগুলো নিয়ে পরীক্ষা-নিরীক্ষা করতে পারবেন, এবং আপনার সৃষ্টিকর্মের উপর কেউ নজরদারি করতে পারবে না।
হার্ডওয়্যার প্রয়োজনীয়তা: ভিআরএএম-এর জগৎ
ইনস্টলেশন শুরু করার আগে, আমাদের সবচেয়ে গুরুত্বপূর্ণ বিষয়টি নিয়ে কথা বলতে হবে: ভিডিও মেমোরি (VRAM)। আপনার প্রসেসর কতটা শক্তিশালী বা আপনার র্যাম কতটা বেশি, তা কোনো বিষয় নয়; যদি গ্রাফিক্স কার্ড VRAM সাপোর্ট না করে, তাহলে আপনার সিস্টেম কচ্ছপের গতিতে চলবে অথবা সরাসরি ক্র্যাশ করবে। লিনাক্সে আপনার VRAM-এর প্রয়োজনীয়তা পরীক্ষা করতে, আপনি NVIDIA-এর জন্য `nvidia-smi` অথবা AMD-এর জন্য `rocm-smi` কমান্ডটি ব্যবহার করতে পারেন।
আপনার যদি ৪ জিবি ভিআরএএম থাকে, তবে কিছুটা ধীরগতির পারফরম্যান্সের জন্য প্রস্তুত থাকুন এবং আপনাকে কম রেজোলিউশন ব্যবহার করতে হবে। ৮ জিবি দিয়ে আপনি বেশিরভাগ কাজই মসৃণভাবে সামলাতে পারবেন, যদিও FLUX.2-এর মতো ভারী মডেলগুলোর জন্য আপনাকে GGUF কোয়ান্টাইজেশন (যেমন Q4_K_M) ব্যবহার করতে হবে , যা কোয়ালিটি নষ্ট না করেই মডেলের সাইজ কমিয়ে দেয়। আপনার ভাগ্য ভালো থাকলে এবং RTX 3090 বা 4090-এর মতো ১৬ জিবি বা তার বেশি ভিআরএএম থাকলে, আপনি কোনো রকম সমস্যা ছাড়াই FP8 বা এমনকি FP16 মডেলও লোড করতে পারবেন।
বিভিন্ন সিস্টেমে ধাপে ধাপে ইনস্টলেশন
আপনার অপারেটিং সিস্টেমের উপর নির্ভর করে প্রক্রিয়াটি ভিন্ন হয়। উইন্ডোজে, সবচেয়ে সহজ উপায় হলো অফিসিয়াল পোর্টেবল প্যাকেজটি ডাউনলোড করে , সেটি এক্সট্র্যাক্ট করা এবং আপনার জিপিইউ (GPU)-এর সাথে সম্পর্কিত .bat ফাইলটি চালানো। এটিই দ্রুততম উপায়, কারণ এতে আগে থেকেই পাইথন এবং প্রয়োজনীয় ডিপেন্ডেন্সিগুলো অন্তর্ভুক্ত থাকে, ফলে এনভায়রনমেন্ট ভেরিয়েবলের সাথে কোনো দ্বন্দ্ব হয় না।
আপনি যদি লিনাক্স বা ম্যাকওএস পছন্দ করেন, তবে প্রক্রিয়াটি কিছুটা ম্যানুয়াল হলেও তুলনামূলকভাবে পরিচ্ছন্ন। প্রথমে, আপনাকে গিটহাব থেকে রিপোজিটরিটি ক্লোন করতে হবে এবং একটি পাইথন ভার্চুয়াল এনভায়রনমেন্ট (venv) তৈরি করতে হবে । অপারেটিং সিস্টেমের লাইব্রেরিগুলো যাতে ক্ষতিগ্রস্ত না হয়, সেজন্য এটি করা অপরিহার্য। এনভায়রনমেন্টটি চালু হয়ে গেলে, requirements.txt ফাইলে তালিকাভুক্ত ডিপেন্ডেন্সিগুলো এবং পাইটর্চ ম্যাথ ইঞ্জিন ইনস্টল করুন। এনভিডিয়া ব্যবহারকারীদের CUDA ভার্সন 12.1 ব্যবহার করার পরামর্শ দেওয়া হচ্ছে, অন্যদিকে এএমডি ব্যবহারকারীদের ROCm বেছে নেওয়া উচিত ।
উন্নত কনফিগারেশন এবং অপরিহার্য নোড
http://127.0.0.1:8188-এ প্রথমবার ComfyUI চালু করলে, আপনি তারে ভরা একটি ড্যাশবোর্ড দেখতে পাবেন। এই অবস্থা থেকে মুক্তি পেতে, আপনার প্রথম যে জিনিসটি ইনস্টল করা উচিত তা হলো ComfyUI Manager । এই প্লাগইনটি সত্যিই অসাধারণ, কারণ এটি আপনাকে অন্যান্য কাস্টম নোড খুঁজে বের করে ইনস্টল করার সুযোগ দেয় এবং সবচেয়ে গুরুত্বপূর্ণ হলো, আপনি যখন অন্য কারো কাজ ইম্পোর্ট করেন, তখন এটি স্বয়ংক্রিয়ভাবে কোনো অনুপস্থিত নোড ইনস্টল করে দেয়।
FLUX-এর মতো আধুনিক মডেলগুলির সাথে কাজ করার জন্য, আপনার ComfyUI-GGUF নোডটির প্রয়োজন হবে । Stable Diffusion-এর মতো নয়, যেখানে সবকিছু সাধারণত একটি চেকপয়েন্টস ফোল্ডারে সংরক্ষিত থাকে, FLUX-এর উপাদানগুলিকে আলাদা করার প্রয়োজন হয়: ব্রডকাস্ট মডেল (UNet) models/unet/ ফোল্ডারে , টেক্সট এনকোডার (CLIP) models/clip/ ফোল্ডারে এবং VAE models/vae/ ফোল্ডারে রাখতে হয়। আপনি যদি এগুলিকে ভুল জায়গায় রাখেন, লোডার সেগুলিকে খুঁজে পাবে না এবং এর ফলে আপনি একটি ফাঁকা স্ক্রিন দেখতে পাবেন।
ওয়ার্কফ্লো এবং এপিআই আয়ত্ত করা
একটি মৌলিক কর্মপ্রবাহের মধ্যে রয়েছে মডেল লোড করা, প্রম্পট লেখা, একটি স্যাম্পলারের মধ্য দিয়ে পাঠানো (যেখানে ডিফিউশনের জাদু ঘটে), এবং ছবিটি ডিকোড করা। FLUX-এর জন্য একটি গুরুত্বপূর্ণ কৌশল হলো CFG 1.0-এ রাখা এবং Euler স্যাম্পলারের সাথে কয়েকটি ধাপ (৪ থেকে ৮-এর মধ্যে) ব্যবহার করা; যদি আপনি CFG বাড়ান, তাহলে ছবিগুলো ওভারএক্সপোজড হয়ে যাবে এবং সেগুলোর রঙ অবাস্তব দেখাবে।
যাদের সার্ভারে হার্ডওয়্যার রয়েছে এবং যারা অন্য কম্পিউটার থেকে কাজ করতে চান, ComfyUI তাদের `--listen 0.0.0.0` প্যারামিটার ব্যবহার করে রিমোট অ্যাক্সেসের সুযোগ দেয় । এটি একটি HTTP API চালু করে, যার মাধ্যমে আপনি JSON ফরম্যাটে ওয়ার্কফ্লো পাঠাতে এবং প্রসেস করা ছবিটি গ্রহণ করতে পারেন। আপনার GPU-সহ পিসিকে একটি ব্যক্তিগত ইমেজ জেনারেশন সার্ভিসে পরিণত করার এটিই আদর্শ উপায়, যা পাইথন স্ক্রিপ্ট ব্যবহার করে মার্কেটিং বা ই-কমার্সের জন্য শত শত ছবি তৈরির প্রক্রিয়াকে স্বয়ংক্রিয় করে তোলে।
সমস্যা সমাধান এবং অপ্টিমাইজেশন
CUDA Out of Memory ত্রুটি দেখা দেওয়া একটি সাধারণ ঘটনা । এমন হলে, আপনি মেমরি ফ্র্যাগমেন্টেশন দূর করতে ComfyUI রিস্টার্ট করতে পারেন অথবা `--lowvram` কমান্ড দিয়ে প্রোগ্রামটি চালু করতে পারেন , যা GPU এবং সিস্টেম RAM-এর মধ্যে ডেটা স্থানান্তর করে। AMD সিস্টেমের ক্ষেত্রে, যদি কার্ডটি শনাক্ত না হয়, তবে সাধারণত ব্যবহারকারীকে রেন্ডার এবং ভিডিও গ্রুপে যুক্ত করে অথবা HSA_OVERRIDE_GFX_VERSION এনভায়রনমেন্ট ভেরিয়েবল ব্যবহার করে সমস্যাটির সমাধান করা হয়।
যদি আপনি দুর্বল পারফরম্যান্স লক্ষ্য করেন, তবে পরীক্ষা করে দেখুন যে আপনি ভুলবশত সিপিইউ ব্যবহার করছেন কিনা। এছাড়াও, আপনার সিস্টেম র্যাম ৩২জিবি বা ৬৪জিবি-তে আপগ্রেড করার কথা বিবেচনা করুন, কারণ ভিআরএএম অপর্যাপ্ত হলে ComfyUI এটিকে একটি ব্রিজ হিসেবে ব্যবহার করে। স্টোরেজের জন্য একটি দ্রুতগতির এনভিএমই ড্রাইভ অপরিহার্য, কারণ প্রতিবার ওয়ার্কফ্লো পরিবর্তনের সময় ১০জিবি-র মডেল লোড করতে একটি মেকানিক্যাল হার্ড ড্রাইভে অনেক বেশি সময় লেগে যেতে পারে।
আপনার নিজস্ব লোকাল ইমেজিং ওয়ার্কস্টেশন স্থাপন করলে আপনি ক্লাউডের সীমাবদ্ধতা এবং ক্রেডিটের খরচ থেকে মুক্ত হন। VRAM ম্যানেজমেন্ট এবং ভার্চুয়াল এনভায়রনমেন্ট সেটআপ থেকে শুরু করে API অটোমেশন এবং GGUF কোয়ান্টাইজড মডেলের ব্যবহার পর্যন্ত, একটি RTX-কে ডিজিটাল আর্ট ফ্যাক্টরিতে রূপান্তরিত করার জন্য প্রয়োজনীয় সমস্ত সরঞ্জাম এখন আপনার কাছে রয়েছে। এটি নোডগুলোর মাধ্যমে প্রতিটি ধাপকে অপ্টিমাইজ করে এবং হার্ডওয়্যারের সর্বোচ্চ কর্মক্ষমতা নিশ্চিত করে।