ComfyUI mit Docker einrichten: Vollständige Anleitung (2026)

Was ist ComfyUI

ComfyUI ist eine Open-Source-Stable-Diffusion-Oberfläche, die auf einem Knotengraphen-Modell basiert. Statt ein Formular mit einem Prompt auszufüllen und auf "Generieren" zu klicken, bauen Sie eine Pipeline durch das Verbinden von Knoten: Ein Modell-Lade-Knoten speist in einen Text-Encoder, der in einen Sampler speist, der in einen VAE-Decoder speist, der das Bild ausgibt. Jeder Knoten repräsentiert einen diskreten Schritt im Generierungsprozess.

Dieses Design ist anfänglich komplexer zu erlernen als formularbasierte Oberflächen, gibt Ihnen aber präzise Kontrolle über jeden Schritt.

ComfyUI ist das Standardformat zum Teilen erweiterter Workflows. Die Community veröffentlicht Workflows als JSON-Dateien, die direkt in den Canvas geladen werden. Eine Technik, die manuell stundenlang zu konfigurieren wäre, wird per Drag-and-Drop geladen.

ComfyUI mit Docker installieren

Das Image yanwk/comfyui-boot verwaltet die vollständige ComfyUI-Installation im Container. Es richtet Python ein, installiert PyTorch mit CUDA-Unterstützung, installiert alle ComfyUI-Abhängigkeiten und startet den Server auf Port 8188 automatisch.

Schritt 1: Docker-Image ziehen

docker pull yanwk/comfyui-boot:latest

Das Image ist ca. 8 GB groß. Bei 200 Mbps dauert das Herunterladen etwa 6 Minuten.

Schritt 2: ComfyUI mit GPU-Unterstützung starten

docker run -d \
  --gpus all \
  -p 8188:8188 \
  -v comfyui_models:/root/comfy/ComfyUI/models \
  -v comfyui_output:/root/comfy/ComfyUI/output \
  -v comfyui_custom_nodes:/root/comfy/ComfyUI/custom_nodes \
  --name comfyui \
  --restart unless-stopped \
  yanwk/comfyui-boot:latest

Was jedes Flag bewirkt:

• --gpus all: Alle verfügbaren NVIDIA-GPUs an den Container weitergeben
• -p 8188:8188: ComfyUI-Webport auf localhost abbilden
• -v comfyui_models:...: Heruntergeladene Modelle dauerhaft in einem benannten Docker-Volume speichern

Schritt 2 (nur CPU): Ohne GPU starten

docker run -d \
  -p 8188:8188 \
  -v comfyui_models:/root/comfy/ComfyUI/models \
  -v comfyui_output:/root/comfy/ComfyUI/output \
  -v comfyui_custom_nodes:/root/comfy/ComfyUI/custom_nodes \
  -e CLI_ARGS="--cpu --lowvram" \
  --name comfyui \
  --restart unless-stopped \
  yanwk/comfyui-boot:latest

CPU-Inferenz generiert ein 512x512 SD 1.5-Bild in ca. 5-10 Minuten auf einer modernen 4-Kern-CPU.

Schritt 3: Container-Status prüfen

docker ps

Schritt 4: ComfyUI öffnen

30-60 Sekunden auf den initialen Start warten, dann http://localhost:8188 im Browser öffnen.

Produktions-Setup mit Docker Compose

Docker Compose macht die ComfyUI-Konfiguration reproduzierbar und leichter zu verwalten. Projektverzeichnis und docker-compose.yml-Datei erstellen:

mkdir comfyui && cd comfyui
nano docker-compose.yml

Diese Konfiguration für GPU-Deployments einfügen:

version: '3.8'

services:
  comfyui:
    image: yanwk/comfyui-boot:latest
    container_name: comfyui
    ports:
      - "8188:8188"
    volumes:
      - comfyui_models:/root/comfy/ComfyUI/models
      - comfyui_output:/root/comfy/ComfyUI/output
      - comfyui_custom_nodes:/root/comfy/ComfyUI/custom_nodes
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: all
              capabilities: [gpu]
    restart: unless-stopped

volumes:
  comfyui_models:
  comfyui_output:
  comfyui_custom_nodes:

Für reine CPU-Deployments den gesamten deploy:-Block durch Folgendes ersetzen:

    environment:
      - CLI_ARGS=--cpu --lowvram

ComfyUI starten:

docker compose up -d

ComfyUI aktualisieren

docker compose pull
docker compose up -d

KI-Modelle herunterladen

ComfyUI ist nur ein Frontend. Es enthält keine KI-Modelle. Modelle müssen heruntergeladen und im richtigen Unterverzeichnis des Modell-Volumes abgelegt werden, bevor Bilder generiert werden können.

Verzeichnisstruktur für Modelle

Empfohlene Startmodelle

Download über Hugging Face CLI

pip install huggingface-hub

# Speicherort des Modell-Volumes finden
docker volume inspect comfyui_models

# SDXL Base 1.0 in das Checkpoints-Verzeichnis herunterladen
huggingface-cli download stabilityai/stable-diffusion-xl-base-1.0 \
  sd_xl_base_1.0.safetensors \
  --local-dir /var/lib/docker/volumes/comfyui_models/_data/checkpoints

Direkt in den laufenden Container herunterladen

docker exec comfyui wget \
  -O /root/comfy/ComfyUI/models/checkpoints/sdxl_base_1.0.safetensors \
  "https://huggingface.co/stabilityai/stable-diffusion-xl-base-1.0/resolve/main/sd_xl_base_1.0.safetensors"

Nach dem Herunterladen: Zahnradsymbol in ComfyUI anklicken, dann Aktualisieren. Das neue Modell erscheint im Load-Checkpoint-Knoten.

Ersten Bildgenerierungs-Workflow ausführen

Beim Öffnen von ComfyUI unter http://localhost:8188 ist der Standard-Text-zu-Bild-Workflow bereits auf dem Canvas geladen.

Übersicht der Standard-Workflow-Knoten

Schritt 1: Modell auswählen

Modellnamen im Load-Checkpoint-Knoten anklicken. Alle Dateien in models/checkpoints/ sind gelistet.

Schritt 2: Prompt eingeben

Den als positiven Prompt beschrifteten CLIP-Text-Encode-Knoten anklicken. Startprompt für SDXL:

ein Foto eines Bergsees bei Sonnenuntergang, goldenes Abendlicht, Spiegelungen auf stillem Wasser, fotorealistisch, scharf

Im negativen CLIP-Text-Encode-Knoten:

verschwommen, niedrige Qualität, Wasserzeichen, Text, übersättigt, verzerrt

Schritt 3: Auflösung einstellen

Empty-Latent-Image-Knoten anklicken. Breite und Höhe für SDXL-Modelle auf 1024 ändern.

Schritt 4: Generieren

Auf Warteschlange (blauer Button oben rechts) klicken oder Strg+Enter drücken. Bei einer 6-GB-GPU mit SDXL bei 1024x1024 und 20 Schritten dauert die Generierung 15-30 Sekunden.

Generierte Bilder werden automatisch in /root/comfy/ComfyUI/output gespeichert:

docker cp comfyui:/root/comfy/ComfyUI/output/. ./output/

GPU-Beschleunigung mit NVIDIA Container Toolkit

Das Flag --gpus all im Docker-Befehl erfordert das auf dem Host installierte NVIDIA Container Toolkit.

GPU-Zugriff prüfen

docker exec comfyui nvidia-smi

Bei funktionierendem GPU-Zugriff erscheint die NVIDIA-Treibertabelle mit GPU-Modell und CUDA-Version.

NVIDIA Container Toolkit auf Ubuntu 22.04 installieren

curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg

curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list | \
  sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \
  sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list

sudo apt-get update
sudo apt-get install -y nvidia-container-toolkit
sudo nvidia-ctk runtime configure --runtime=docker
sudo systemctl restart docker

Verifizieren:

docker run --rm --gpus all nvidia/cuda:12.1.1-base-ubuntu22.04 nvidia-smi

VRAM-Optimierungsflags

In der Docker-Compose-Datei hinzufügen:

    environment:
      - CLI_ARGS=--medvram-sdxl