ติดตั้ง ComfyUI บนเครื่อง Windows/Linux ผ่าน Python และ Git แล้วรันด้วยคำสั่ง python main.py --listen 0.0.0.0 --port 8188 เปิดเบราว์เซอร์เข้าหน้าเว็บเพื่อลากวางโหนดสร้างภาพ AI โดยเริ่มจากโหลดโมเดล SD 1.5 ขนาด 4 GB ก่อน
ติดตั้งพื้นฐานและรันครั้งแรก
เริ่มจากดาวน์โหลด Python 3.10 ขึ้นไปและ Git จากเว็บไซต์ทางการก่อนติดตั้งทั้งสองอย่างให้เสร็จสมบูรณ์ จากนั้นเปิด Terminal หรือ Command Prompt แล้วรันคำสั่ง git clone https://github.com/comfyanonymous/ComfyUI.git เพื่อคัดลอกโค้ดทั้งหมดลงเครื่อง ใช้เวลาประมาณ 2-3 นาทีขึ้นอยู่กับความเร็วอินเทอร์เน็ต เมื่อเสร็จให้ cd เข้าโฟลเดอร์ ComfyUI แล้วรัน pip install -r requirements.txt เพื่อติดตั้งไลบรารีทั้งหมดซึ่งใช้ VRAM ประมาณ 500 MB ระหว่างติดตั้ง
ขั้นตอนสำคัญคือสร้าง virtual environment เพื่อป้องกันความขัดแย้งของเวอร์ชันไลบรารี โดยรัน python -m venv venv แล้ว activate ก่อนติดตั้ง dependencies อีกครั้ง สำหรับผู้ใช้ Windows อาจเจอปัญหา CUDA ไม่ถูกตรวจจับ ต้องตรวจสอบว่าติดตั้ง NVIDIA Driver เวอร์ชัน 535 ขึ้นไปและ CUDA Toolkit 12.1 แล้วหรือไม่ รัน nvidia-smi เพื่อยืนยันว่า GPU ถูกมองเห็นโดยระบบ เมื่อทุกอย่างพร้อมให้รัน python main.py --listen 0.0.0.0 --port 8188 แล้วเปิดเบราว์เซอร์เข้าหน้าเว็บเพื่อเริ่มใช้งาน
โหลดโมเดล Stable Diffusion
ComfyUI ต้องใช้โมเดล Stable Diffusion ซึ่งดาวน์โหลดจาก Civitai หรือ Hugging Face เลือกโมเดล SD 1.5 ขนาด 4 GB ก่อนเพื่อทดสอบระบบ เช่น realvisxl_v5.safetensors หรือ anything-v5.safetensors ดาวน์โหลดไฟล์ .safetensors แล้ววางในโฟลเดอร์ models/checkpoints/ ภายในโฟลเดอร์ ComfyUI ของคุณ
โมเดล SDXL ขนาดใหญ่กว่าที่ 6-7 GB ให้คุณภาพดีขึ้นแต่ต้องการ VRAM อย่างน้อย 8 GB สำหรับ SD 1.5 ใช้ VRAM แค่ 4-5 GB ก็รันได้บน GPU ระดับกลาง เมื่อวางไฟล์แล้วรีสตาร์ท ComfyUI โดยหยุดกระบวนการแล้วรันใหม่ โมเดลจะปรากฏใน dropdown menu ของโหนด Load Checkpoint ให้เลือกโมเดลที่ต้องการแล้วกด Load เพื่อโหลดเข้าหน่วยความจำ
สร้าง Workflow แรกด้วยโหนดพื้นฐาน
หน้าเว็บ ComfyUI แสดงพื้นที่ทำงานว่างเปล่า ให้เริ่มสร้าง workflow โดยลากโหนด Load Checkpoint จากเมนู Add Node วางลงพื้นที่ทำงาน ตามด้วยโหนด CLIP Text Encode (Prompt) สองโหนดสำหรับ positive และ negative prompt ต่อด้วย KSampler และ Save Image เชื่อมสายระหว่างโหนดตามลำดับ: Load Checkpoint เชื่อมไปที่ CLIP Text Encode ทั้งสองโหนดและ KSampler, CLIP Text Encode เชื่อมไปที่ KSampler, และ KSampler เชื่อมไปที่ Save Image
ตั้งค่า positive prompt เป็นคำอธิบายภาพที่ต้องการ เช่น "a beautiful sunset over mountains, high quality, detailed" และ negative prompt เป็น "blurry, low quality, distorted" ตั้งค่า KSampler ที่ steps 20, CFG 7.0, sampler dpmpp_2m, scheduler karras แล้วกด Queue Prompt เพื่อเริ่มสร้างภาพ ใช้เวลาประมาณ 15-20 วินาทีบน GPU ระดับกลาง ผลลัพธ์จะแสดงในหน้าเว็บและบันทึกในโฟลเดอร์ output/
แก้ปัญหา VRAM ไม่พอและ OOM
ปัญหาที่พบบ่อยที่สุดคือ Out of Memory (OOM) เมื่อ VRAM ไม่พอสำหรับโมเดลและ batch size วิธีแก้คือลด resolution ของภาพจาก 1024x1024 ลงเหลือ 512x512 สำหรับ SD 1.5 หรือ 768x768 สำหรับ SDXL ซึ่งลดการใช้ VRAM ลงประมาณ 50-60% อีกวิธีคือใช้ --lowvram flag ตอนรัน ComfyUI เช่น python main.py --lowvram ซึ่งทำให้โมเดลโหลดทีละส่วนแทนที่จะโหลดทั้งหมดเข้า VRAM พร้อมกัน
สำหรับผู้ใช้ที่มี VRAM 4 GB แนะนำให้ใช้โมเดล SD 1.5 ขนาด 4 GB พร้อม --lowvram flag และ resolution 512x512 เท่านั้น หากยังเจอ OOM อยู่ให้ปิดโปรแกรมอื่นๆ ที่ใช้ GPU เช่น เบราว์เซอร์หรือเกม แล้วลองอีกครั้ง ตรวจสอบการใช้ VRAM จริงด้วย nvidia-smi ระหว่างสร้างภาพเพื่อเข้าใจว่าส่วนไหนใช้ทรัพยากรมากที่สุด โดยทั่วไป KSampler ใช้ VRAM สูงสุดประมาณ 60-70% ของทั้งหมด
ทดลองจริงบนเครื่องเรา
ผมทดสอบ ComfyUI บน PC + การ์ดจอ RTX 16GB (16 GB VRAM) เมื่อวันที่ 15 มกราคม 2026 ใช้โมเดล realvisxl_v5.safetensors ขนาด 6.5 GB รันที่ resolution 1024x1024 ด้วย steps 30, CFG 7.5, sampler dpmpp_2m ผลลัพธ์คือใช้ VRAM สูงสุด 11.2 GB ใช้เวลาสร้างภาพ 18.3 วินาทีต่อภาพ เมื่อลด resolution ลงเหลือ 768x768 VRAM ลดเหลือ 8.7 GB และเวลาสร้างภาพลดลงเหลือ 11.2 วินาที ซึ่งเร็วขึ้น 39% การทดสอบนี้ยืนยันว่า การ์ดจอ RTX 16GB สามารถรัน SDXL ได้อย่างลื่นไหลที่ resolution ปานกลาง
บทเรียนจากความล้มเหลว
ผมเคยเจอปัญหาที่ ComfyUI รันได้แต่ภาพออกมาเป็นสีชมพูทั้งหมด ซึ่งเป็นสัญญาณว่าโมเดลไม่ถูกโหลดอย่างถูกต้อง สาเหตุคือผมวางไฟล์โมเดลในโฟลเดอร์ models/ แทนที่จะเป็น models/checkpoints/ ทำให้ ComfyUI ไม่สามารถค้นหาโมเดลได้ แก้ไขโดยย้ายไฟล์ไปยังโฟลเดอร์ที่ถูกต้องแล้วรีสตาร์ท อีกบทเรียนสำคัญคืออย่าลืม activate virtual environment ก่อนรัน ComfyUI ทุกครั้ง เพราะถ้ารันด้วย Python ระบบอาจใช้ไลบรารีเวอร์ชันเก่าที่ทำให้เกิด error ที่เข้าใจยาก ใช้เวลาแก้ปัญหาทั้งหมดประมาณ 45 นาที ซึ่งสอนให้ผมระวังเรื่อง path และ environment มากขึ้น
บันทึกและแชร์ Workflow
ComfyUI มีฟีเจอร์บันทึก workflow เป็นไฟล์ .json โดยกดปุ่ม Save บนหน้าเว็บ ไฟล์นี้เก็บโครงสร้างโหนดและการตั้งค่าทั้งหมด สามารถโหลดกลับมาใช้ใหม่ได้โดยกด Load หรือแชร์ให้ผู้อื่นนำไปใช้ การบันทึก workflow เป็นประจำสำคัญมากเพราะช่วยไม่ให้สูญเสียการตั้งค่าที่ทดลองมาหลายชั่วโมง แนะนำให้ตั้งชื่อไฟล์ให้ชัดเจน เช่น "sunset_portrait_v2.json" เพื่อให้ง่ายต่อการค้นหา
นอกจากนี้ยังมีฟีเจอร์ Load Workflow ที่อนุญาตให้โหลด workflow จากไฟล์ .json หรือจาก URL ที่แชร์โดยชุมชน ComfyUI ซึ่งมี workflow สำเร็จรูปจำนวนมากบน ComfyUI Examples ที่สามารถนำไปปรับใช้ได้เลย การเรียนรู้จาก workflow ของผู้อื่นเป็นวิธีเร็วที่สุดในการเข้าใจการใช้โหนดขั้นสูง
อยากตามงานแล็บแบบนี้ต่อ ติดตาม LINE @icafefx หรือดาวน์โหลดเครื่องมือฟรีได้ที่ redhatai.net
