- ComfyUI destaca por su sistema de nodos, permitiendo un control total y flexible sobre el proceso de difusión de imágenes.
- La memoria VRAM de la tarjeta gráfica es el factor determinante para elegir el modelo y la precisión (FP8 o GGUF) a utilizar.
- La capacidad de ejecutar el software en modo servidor permite gestionar la generación de imágenes de forma remota mediante una API.
Seguramente te has dado cuenta de que la red está inundada de imágenes creadas por inteligencia artificial. Muchos se preguntan si es posible lograr esos resultados en casa, sin pagar suscripciones mensuales y manteniendo la total privacidad de sus prompts. La respuesta es un rotundo sí, y la herramienta más potente para conseguirlo actualmente es ComfyUI, una interfaz que, aunque asusta al principio, te da un control absoluto sobre la creación visual.
A diferencia de otras opciones más sencillas, ComfyUI funciona mediante un sistema de grafos donde conectas diferentes cajas o nodos. Esto significa que no estás limitado por un formulario rígido, sino que puedes diseñar tu propia tubería de generación. Ya sea que tengas un servidor potente con Linux o un portátil con Windows, montar este ecosistema te permitirá experimentar con los modelos más modernos, como FLUX o Stable Diffusion, sin que nadie espíe lo que estás creando.
Requerimientos de Hardware: El Mundo de la VRAM
Antes de lanzarte a instalar, hay que hablar de lo que realmente importa: la memoria de vídeo (VRAM). No importa cuánto procesador tengas o cuánta RAM general poseas; si el modelo no cabe en la gráfica, el sistema irá a paso de tortuga o simplemente se colgará. Para saber dónde estás parado en Linux, puedes usar el comando nvidia-smi para NVIDIA o rocm-smi para AMD.
Si tienes 4 GB de VRAM, prepárate para sufrir un poco y usar resoluciones bajas. Con 8 GB ya puedes moverte con soltura por la mayoría de tareas, aunque para modelos pesados como FLUX.2 deberás recurrir a la cuantización GGUF (como Q4_K_M), que reduce el peso del modelo sin destrozar la calidad. Si tienes la suerte de contar con 16 GB o más, como en una RTX 3090 o 4090, puedes cargar modelos en FP8 o incluso FP16 sin despeinarte.
Instalación Paso a Paso en Diferentes Sistemas
Dependiendo de tu sistema operativo, el camino varía. En Windows, lo más sencillo es descargar el paquete portable oficial, descomprimirlo y ejecutar el archivo .bat correspondiente a tu GPU. Es la vía rápida porque ya trae Python y las dependencias configuradas, evitando peleas con las variables de entorno.
Si prefieres Linux o macOS, el proceso es más manual pero más limpio. Primero debes clonar el repositorio desde GitHub y crear un entorno virtual de Python (venv). Esto es fundamental para no romper las librerías del sistema operativo. Una vez activo el entorno, instalas las dependencias del archivo requirements.txt y el motor matemático PyTorch. Para usuarios de NVIDIA, se recomienda la versión de CUDA 12.1, mientras que los usuarios de AMD deben optar por la versión de ROCm.
Configuración Avanzada y Nodos Imprescindibles
Una vez que arranques ComfyUI por primera vez en http://127.0.0.1:8188, verás un tablero lleno de cables. Para no volverte loco, lo primero que debes instalar es el ComfyUI Manager. Este plugin es la joya de la corona, ya que te permite buscar e instalar otros nodos personalizados y, lo más importante, instalar automáticamente los nodos que falten cuando importes el trabajo de otra persona.
Para trabajar con modelos modernos como FLUX, necesitarás el nodo ComfyUI-GGUF. A diferencia de Stable Diffusion, donde todo suele ir en una carpeta de checkpoints, FLUX requiere separar sus piezas: el modelo de difusión (UNet) va en models/unet/, el codificador de texto (CLIP) en models/clip/ y el VAE en models/vae/. Si los pones donde no toca, el cargador no los encontrará y te quedarás con la pantalla en blanco.
Dominando el Flujo de Trabajo y la API
Un flujo básico consiste en cargar el modelo, escribir el prompt, pasar por un sampler (que es donde ocurre la magia de la difusión) y decodificar la imagen. Un truco vital para FLUX es mantener el CFG en 1.0 y usar pocos pasos (entre 4 y 8) con el sampler euler; si subes el CFG, las imágenes saldrán quemadas y con colores irreales.
Para los que tienen el hardware en un servidor y quieren trabajar desde otro equipo, ComfyUI permite el acceso remoto mediante el parámetro –listen 0.0.0.0. Esto abre una API HTTP que permite enviar workflows en formato JSON y recibir la imagen procesada. Es la forma ideal de convertir tu PC con GPU en un servicio de generación privado, pudiendo automatizar la creación de cientos de imágenes para marketing o e-commerce mediante scripts de Python.
Solución de Problemas y Optimización
Es común toparse con el error de CUDA Out of Memory. Si te pasa, puedes reiniciar ComfyUI para limpiar la fragmentación de la memoria o arrancar el programa con el comando –lowvram, que mueve datos entre la GPU y la RAM del sistema. En el caso de AMD, si la tarjeta no es detectada, suele solucionarse añadiendo el usuario a los grupos render y video o usando la variable de entorno HSA_OVERRIDE_GFX_VERSION.
Si notas que el rendimiento es pobre, revisa que no estés usando la CPU por error. Además, considera ampliar la RAM del sistema a 32 GB o 64 GB, ya que ComfyUI la utiliza como puente cuando la VRAM se queda corta. Para el almacenamiento, un disco NVMe rápido es clave, dado que cargar modelos de 10 GB cada vez que cambias de workflow puede volverse eterno en un disco mecánico.
Montar tu propia estación de generación de imágenes locales te libera de las restricciones de la nube y los costes por crédito. Desde la gestión de VRAM y la instalación de entornos virtuales hasta la automatización mediante API y el uso de modelos cuantizados GGUF, tienes ahora todas las herramientas para convertir una RTX en una fábrica de arte digital, optimizando cada paso mediante nodos y asegurando que el hardware trabaje al máximo de su capacidad.