Cloud-basierte ComfyUI-Workflows auf Tensor.art ohne lokale GPU erstellen und ausführen

Digitale Illustratoren und Designer generativer KI stoßen beim Wechsel von einfachen Web-Benutzeroberflächen zur knotenbasierten Pipeline von ComfyUI häufig an technische Grenzen. Während ComfyUI eine präzise Kontrolle über jeden Teilschritt der Bilderzeugung ermöglicht, erfordert der lokale Betrieb moderner Architekturen wie SDXL oder FLUX.1 zwischen 16 GB und 24 GB dedizierten Grafikspeicher (VRAM), aufwendige Python- und CUDA-Konfigurationen sowie hunderte Gigabyte Festplattenspeicher für Checkpoints und LoRAs.

Tensor.art überwindet diese Hürde mit seinem cloud-basierten ComfyUI-Arbeitsbereich (bekannt als Comfyflow oder Workflow Workspace). Indem native ComfyUI-Graphen direkt auf Cloud-GPUs mit Zugriff auf eine vorinstallierte Modellbibliothek gerendert werden, können Kreative anspruchsvolle Pipelines direkt im Webbrowser entwerfen, testen und ausführen – ohne teure Hardware-Investitionen oder lokale Treiberprobleme.

Warum Cloud-ComfyUI den Hardware-Flaschenhals beseitigt

Wer versucht, FLUX.1 oder komplexe Pipelines mit mehreren LoRAs auf handelsüblichen Verbraucher-Grafikkarten (wie einer RTX 3060 oder 4060 mit 8 GB bis 12 GB VRAM) auszuführen, stößt schnell auf CUDA Out-of-Memory-Abstürze oder massive Leistungseinbrüche durch Speicher-Paging.

Durch die Verlagerung von Rechenleistung und Speicherverwaltung in die Cloud können auch Nutzer von schlanken Laptops, MacBooks oder Tablets uneingeschränkt mit ComfyUI arbeiten.

Die Arbeitsbereiche auf Tensor.art verstehen

Tensor.art unterteilt die Erstellung in zwei verschiedene Modi:

1. Classic Workspace (Klassischer Bereich): Eine vereinfachte formularbasierte Ansicht, ideal für schnelle Texteingaben und einfache Modelltests.
2. Workflow Workspace (Comfyflow): Die vollständige visuelle Arbeitsfläche mit Knoten, die das native ComfyUI-Erlebnis eins zu eins im Browser abbildet.

Auf der Comfyflow-Arbeitsfläche erfolgt das Platzieren, Verbinden und Konfigurieren von Knoten rein clientseitig im Browser. Dieser Prozess verbraucht keinerlei Guthaben. Erst wenn der Nutzer den Renderauftrag startet, wird eine Cloud-GPU zur Berechnung herangezogen.

Schritt-für-Schritt-Anleitung: Aufbau und Ausführung einer Cloud-Pipeline

Schritt 1: Arbeitsfläche öffnen und Workflow laden

Melden Sie sich bei Tensor.art an und navigieren Sie zum Bereich Workflow / Comfyflow. Es gibt zwei Einstiegsmöglichkeiten:

• Vorhandene Workflows importieren: Wenn Sie bereits eine .json-Datei aus einer lokalen Installation besitzen, klicken Sie auf den Import-Button. Der Knotengraph wird automatisch in der Cloud-Oberfläche aufgebaut.
• Community-Vorlagen nutzen: Für Einsteiger empfiehlt sich die Wahl einer bewährten Vorlage aus der Galerie (z. B. SDXL Text-to-Image, FLUX.1 mit LoRA oder Latent Upscale). Ein Klick auf Remix dupliziert die verifizierte Knotenstruktur in Ihren persönlichen Arbeitsbereich.

Schritt 2: Cloud-Modell-Loader konfigurieren (Load Checkpoint)

Anstelle lokaler Dateipfade greifen die Knoten direkt auf den Modellkatalog von Tensor.art zu:

1. Wählen Sie den Knoten Load Checkpoint (oder CheckpointLoaderSimple).
2. Öffnen Sie das Dropdown-Menü, um ein gehostetes Basismodell auszuwählen (z. B. SDXL 1.0, Pony Diffusion oder FLUX.1).
3. Bei Architekturen mit separaten Encodern (wie FLUX mit dualen CLIP-Ladern und externem VAE) wählen Sie die entsprechenden Komponenten in den jeweiligen Ladeknoten aus.

Schritt 3: LoRA-Knoten und Stilsteuerung einbinden

Um bestimmte Charakterzüge oder Illustrationsstile zu definieren:

1. Fügen Sie einen Load LoRA-Knoten zwischen dem Checkpoint-Loader und dem Sampler ein.
2. Verbinden Sie den MODEL-Ausgang des Checkpoints mit dem model-Eingang des LoRA-Knotens sowie den CLIP-Ausgang mit dem clip-Eingang.
3. Wählen Sie das gewünschte LoRA aus dem Dropdown-Menü und stellen Sie die Gewichtungen ein: strength_model (üblicherweise zwischen 0.7 und 1.0) und strength_clip (zwischen 0.8 und 1.0).
4. Führen Sie die modulierten Ausgänge MODEL und CLIP zu den nachfolgenden Prompt- und Sampler-Knoten weiter.

Schritt 4: Prompts und latente Dimensionen definieren

1. Leiten Sie das CLIP-Signal in zwei CLIP Text Encode-Knoten für den positiven und den negativen Prompt.
2. Legen Sie im Knoten Empty Latent Image die Anfangsauflösung fest (für SDXL und FLUX werden 1024x1024 Pixel empfohlen).
3. Verbinden Sie Modell-, Prompt- und Latent-Signale im zentralen KSampler-Knoten. Stellen Sie die Schrittanzahl (20 bis 30 Schritte), den Sampler-Algorithmus (z. B. DPM++ 2M Karras oder Euler) und den CFG-Wert ein.

Schritt 5: Cloud-Berechnung starten und Bild ausgeben

1. Verbinden Sie den LATENT-Ausgang des Samplers mit einem VAE Decode-Knoten und dessen Ausgang mit Save Image oder Preview Image.
2. Überprüfen Sie alle Verbindungen und klicken Sie auf Queue Prompt (oder Run).
3. Die Server von Tensor.art weisen eine Cloud-GPU zu. Der Berechnungsfortschritt wird durch nacheinander aufleuchtende Knoten visualisiert. Das fertige Bild erscheint direkt im Ausgabeknoten und kann verlustfrei heruntergeladen oder in der Community geteilt werden.

Fortgeschrittene Methoden: Zweistufiges Upscaling und „AI Tools“

Zweistufiges latentes Upscaling (Latent Upscale)

Für detailreiche Illustrationen empfiehlt sich eine nachgeschaltete Veredelungsstufe:

• Leiten Sie die latente Ausgabe der ersten Runde in einen Upscale Latent-Knoten (Faktor 1.5x bis 2.0x).
• Verbinden Sie diesen mit einem zweiten KSampler und setzen Sie den Denoise-Wert niedrig an (0.3 bis 0.4). Dadurch verfeinert die Cloud-GPU Haare, Stoffstrukturen und Details, ohne die bestehende Bildkomposition zu verändern.

Workflows als „AI Tools“ bereitstellen

Tensor.art ermöglicht es, komplexe Knotengraphen in leicht bedienbare Web-Tools für andere Nutzer zu verwandeln:

1. Ergänzen Sie plattformspezifische Schnittstellenknoten (z. B. TensorArt_PromptText aus der TA-Sammlung).
2. Klicken Sie mit der rechten Maustaste auf Textfelder der CLIP-Knoten, wählen Sie Convert Text to Input und verbinden Sie diese mit den TA-Knoten.
3. Führen Sie einen Probelauf auf der Arbeitsfläche durch, um die Stabilität sicherzustellen.
4. Klicken Sie auf Publish und wählen Sie AI Tool. Die Plattform generiert automatisch eine übersichtliche Oberfläche mit Eingabefeldern und Schiebereglern, sodass andere Nutzer den Workflow ohne Vorkenntnisse anwenden können.

Lokales ComfyUI mit Cloud-Beschleunigung koppeln: ComfyUI_TENSOR_ART

Für Anwender, die ihren lokalen ComfyUI-Client bevorzugen, aber beim Rendern auf Cloud-Leistung zurückgreifen möchten, existiert eine offizielle Erweiterung:

• Klonen Sie das Repository https://github.com/Tensor-Art/ComfyUI_TENSOR_ART in Ihren lokalen Ordner custom_nodes.
• Hinterlegen Sie im Knoten TensorArt.Settings Ihren API-Schlüssel und die Basis-URL.
• Verknüpfen Sie den Knoten TA AITools, um rechenintensive Rendering-Schritte an die Cloud-Server von Tensor.art auszulagern, während die Workflow-Dateien lokal verbleiben.

Credit-System und Ressourcenoptimierung

Tensor.art steuert die GPU-Nutzung über ein Credit-System:

• Kostenlose Arbeitsfläche: Das Entwerfen, Umordnen und Verbinden von Knoten verbraucht keine Credits.
• Tägliches Gratis-Guthaben: Kostenlose Accounts erhalten alle 24 Stunden ein Kontingent von in der Regel 100 Credits, was für tägliche Tests und kleinere Bildserien ausreicht.
• Pro-Abonnement und Guthabenpakete: Pro-Mitglieder erhalten täglich 300 erneuerbare Credits sowie permanente Willkommens-Guthaben. Verfügbare Modelle sind: Tagespass für $1.00; Monatsabo für $9.90/Monat (1.000 Bonus-Credits); Quartalsabo für $19.90/Quartal (5.000 Bonus-Credits); und Jahresabo für $59.90/Jahr (25.000 Bonus-Credits). Pro-Nutzer profitieren von bevorzugter Warteschlangen-Priorität und längeren Zeitlimits für schwere Workflows.
• Faktoren des Credit-Verbrauchs: Der Aufwand skaliert mit der Berechnungsdauer: Eine Auflösung von 1024x1024 benötigt mehr Rechenzeit als 512x512; die FLUX.1-Architektur hat einen höheren Multiplikator als SD 1.5; und zusätzliche Upscaling-Phasen erhöhen die Kosten proportional zu den zusätzlichen Sampler-Schritten.

Praxistipps für Kreative

1. Auf verifizierten Vorlagen aufbauen: Bei komplexen Modellen wie FLUX erspart das Klonen funktionierender Vorlagen mühsame Konfigurationsfehler bei Encodern und VAEs.
2. Testläufe mit niedriger Schrittzahl: Prüfen Sie Prompts und LoRA-Stärken zunächst mit 15 bis 20 Schritten bei moderater Auflösung. Erst wenn das Motiv überzeugt, sollten Sie rechenintensive 30-Schritt-Upscale-Runden starten.
3. Kompatibilität benutzerdefinierter Knoten beachten: Die wichtigsten Erweiterungen sind vorinstalliert. Sollte ein extern importierter Workflow rote Fehlerknoten anzeigen, ersetzen Sie diese durch die auf Tensor.art standardmäßig verfügbaren Alternativen.

Referenzen

• Tensor.Art - Free Online AI Image Generator & Model Sharing Community
• GitHub - Tensor-Art/ComfyUI_TENSOR_ART: A custom node for ComfyUI that integrates TensorArt's AITools
• ComfyUI - Open-Source Generative AI Workspace