最近在折腾 Stable Diffusion 相关的 AI 绘画工具发现身边不少朋友和社区讨论都默认使用 NVIDIA 的显卡俗称 N 卡。每当有人问起“AMD 的显卡A 卡能不能跑”时得到的回复往往是“别折腾了兼容性差”、“驱动麻烦性能不行”甚至直接说“拿 A 卡跑是疯了”。作为一个手头正好有 AMD Radeon RX 9060XT 16G 显卡的用户在 Windows 11 系统下我决定亲自验证一下这个说法。本文将围绕A卡特别是 RX 9060XT在 Windows 11 下运行 ComfyUI 的可行性、完整安装部署流程、性能简单测试以及避坑指南展开旨在为同样使用 A 卡并希望探索 Stable Diffusion 的开发者提供一份详实的实战参考。无论你是刚入门的新手还是有一定基础想尝试新硬件的玩家都能从本文中找到从环境搭建到实际出图的完整路径。1. 背景与核心概念为什么 A 卡跑 ComfyUI 被视为“疯狂”在深入实操之前我们有必要先理清几个关键概念和背后的技术生态这能帮助我们理解当前面临的挑战和机遇。1.1 ComfyUI 与 Stable Diffusion 的生态依赖ComfyUI是一个基于节点式工作流的 Stable Diffusion WebUI它通过将图像生成流程拆解为一个个可连接、可复用的节点提供了极高的灵活性和可定制性深受高级用户和开发者的喜爱。其底层依赖于PyTorch这一深度学习框架。而Stable Diffusion模型本身以及其依赖的 PyTorch在历史上与NVIDIA 的 CUDA计算平台绑定极深。CUDA 是 NVIDIA 推出的并行计算平台和编程模型经过多年发展拥有最完善的生态、最多的优化以及最稳定的驱动支持。绝大多数 AI 框架和模型在开发时都优先甚至仅针对 CUDA 进行优化。1.2 A 卡的替代方案ROCm 与 DirectMLAMD 为对抗 CUDA 在计算领域的主导地位推出了自己的异构计算平台ROCm。理论上ROCm 可以为 AMD 显卡提供类似 CUDA 的加速能力。然而ROCm 的官方支持长期以 Linux 系统为主在Windows系统上的支持一直不完善、不稳定且安装配置过程复杂这就是“A卡麻烦”说法的根源。对于 Windows 用户除了寄希望于 ROCm还有另一条路DirectML。DirectML 是微软推出的高性能、硬件加速的机器学习 API是 DirectX 12 家族的一部分。它的优势在于其是 Windows 的原生 API理论上可以支持所有符合 DirectX 12 标准的显卡包括 AMD、Intel、NVIDIA由 Windows 系统直接调度硬件资源。PyTorch 通过torch-directml这个后端可以让 PyTorch 的运算跑在 DirectML 上从而利用 A 卡进行计算。1.3 当前形势与我们的目标因此“拿 A 卡跑 ComfyUI”的核心矛盾在于如何让一个为 CUDA 优化的生态PyTorch Stable Diffusion在缺少官方完善 ROCm Windows 支持的情况下通过 DirectML 这条“曲线救国”的路径跑起来。我们的目标很明确在Windows 11操作系统上使用AMD Radeon RX 9060XT显卡通过配置PyTorch DirectML后端成功安装并运行ComfyUI并对其文本生成图像txt2img的基本性能进行一个简单的测试和评估。这并非追求极致的性能对标而是验证其功能完整性和可用性。2. 环境准备与版本说明工欲善其事必先利其器。以下是本次测试所涉及的全部软硬件环境清晰的版本信息是成功复现的关键。2.1 硬件配置显卡AMD Radeon RX 9060XT 16GB GDDR6。这是一张定位中高端的显卡拥有 16GB 大显存对于运行大型 Stable Diffusion 模型如 SDXL至关重要。处理器Intel Core i7-13700K内存32GB DDR5操作系统Windows 11 专业版 23H2。确保系统为最新版本以获得最好的 DirectX 12 和 WSL 支持。2.2 关键软件版本以下版本是经过实测可用的组合强烈建议保持一致以避免不必要的兼容性问题。Python: 3.10.11。这是目前与 PyTorch、TorchVision 等库兼容性最好的版本之一。不建议使用 3.11 或 3.9- 的版本。Git: 用于克隆 ComfyUI 仓库。Visual Studio 2022安装时务必勾选“使用 C 的桌面开发”工作负载这将提供必要的编译工具链。2.3 Python 环境管理强烈推荐使用 Conda为了避免与系统全局 Python 环境冲突强烈建议使用Miniconda或Anaconda创建独立的虚拟环境。# 创建名为 comfyui 的虚拟环境并指定 Python 版本 conda create -n comfyui python3.10.11 # 激活环境 conda activate comfyui激活后命令行提示符前会出现(comfyui)标识表示后续所有操作都在此隔离环境中进行。3. 核心原理PyTorch-DirectML 如何工作在动手安装前理解torch-directml的工作原理能帮助我们在遇到问题时更好地排查。3.1 什么是 torch-directmltorch-directml是一个 PyTorch 的“后端”Backend。默认情况下PyTorch 安装torch包时会附带torch.cuda后端用于 NVIDIA 显卡。而torch-directml包替换/增加了一个torch.dml后端它将 PyTorch 的运算指令转换调度为 DirectML API 调用再由 DirectML 驱动具体的显卡硬件AMD/Intel/NVIDIA执行计算。3.2 与 CUDA 和 ROCm 的差异CUDA直接与 NVIDIA 显卡驱动和硬件通信路径最短优化最深。ROCmAMD 的对应方案在 Linux 上路径类似 CUDA但在 Windows 上层需要通过 HIP 等转换层路径复杂且支持有限。DirectML作为 Windows 系统层 API它充当了一个“翻译官”和“调度员”的角色。PyTorch - DirectML - Windows 图形驱动 - 显卡硬件。这条路径比 CUDA 长会引入一定的开销但其优势是通用性和免驱性利用现有显卡驱动。3.3 对 ComfyUI 意味着什么ComfyUI 本身不关心后端是 CUDA 还是 DirectML它只调用标准的 PyTorch API。因此只要我们安装的 PyTorch 是torch-directml版本并且 ComfyUI 的依赖库如 torchvision, transformers与之兼容那么 ComfyUI 就能在 A 卡上运行。模型加载、VAE 解码、Unet 计算等所有张量运算都将通过 DirectML 在 AMD 显卡上执行。4. 完整实战安装与配置 ComfyUI for DirectML接下来是核心的实操部分请严格按照步骤进行。4.1 第一步安装 PyTorch with DirectML这是最关键的一步决定了整个环境的基础。 在激活的comfyuiConda 环境中执行以下命令# 首先升级 pip 到最新版本 python -m pip install --upgrade pip # 安装 torch-directml 及其配套的 torchvision 和 torchaudio pip install torch-directml torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu请注意这里使用的索引 URL 是.../whl/cpu。这是因为torch-directml包本身不包含 CUDA 组件它基于 CPU 版本的 PyTorch 构建并添加了 DML 后端。安装完成后可以验证python -c “import torch; print(torch.__version__); print([torch.backends.dml.is_available()])”如果输出类似2.1.0和[True]则表明torch-directml安装成功且可用。4.2 第二步克隆 ComfyUI 仓库选择一个合适的目录如D:\AI\打开命令行确保环境已激活执行git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI4.3 第三步安装 ComfyUI 的 Python 依赖ComfyUI 根目录下有一个requirements.txt文件列出了所有必需的库。pip install -r requirements.txt这个过程可能会花费一些时间它会安装诸如aiohttp,pillow,numpy,scipy,transformers,accelerate等数十个包。请保持网络通畅。4.4 第四步下载 Stable Diffusion 模型ComfyUI 本身不包含模型需要手动下载。常见的模型放置路径为ComfyUI\models\checkpoints\。基础模型例如v1-5-pruned-emaonly.safetensors可以从 Hugging Face 或 CivitAI 等平台下载。VAE可选但推荐下载以改善颜色。如vae-ft-mse-840000-ema-pruned.safetensors放在ComfyUI\models\vae\。CLIP 模型ComfyUI 会自动从 Hugging Face 下载但如果网络不好可以手动下载clip-vit-large-patch14等模型放在ComfyUI\models\clip\。重要提示首次运行 ComfyUI 时它会自动下载一些必要的辅助模型如 CLIP请确保网络环境能够访问 Hugging Face。4.5 第五步修改 ComfyUI 启动代码以使用 DML 后端默认情况下ComfyUI 会尝试使用 CUDA。我们需要告诉它使用 DML。 找到ComfyUI目录下的main.py文件在文件开头部分在所有 import 语句之后主函数之前添加以下代码# 强制使用 DirectML 后端 import torch if hasattr(torch, ‘dml’): torch.set_default_device(‘dml’) print(“已设置默认设备为 DirectML (DML)”) else: print(“未找到 torch.dml将使用默认设备。”)这段代码的作用是在程序开始时就将 PyTorch 的默认张量创建和设备设置为’dml’这样 ComfyUI 内部的所有模型和计算都会自动在 AMD 显卡上进行。4.6 第六步启动 ComfyUI在ComfyUI目录下运行python main.py如果一切顺利你将看到大量的日志输出最后几行应该包含To see the GUI go to: http://127.0.0.1:8188打开浏览器访问这个地址默认是http://127.0.0.1:8188你就看到了 ComfyUI 的节点式界面。恭喜你的 A 卡已经成功驱动了 ComfyUI5. 简单性能测试与体验 (RX 9060XT 16G)成功启动只是第一步实际体验和性能如何我进行了一个简单的文本生成图像txt2img测试。5.1 测试条件模型dreamshaper_8.safetensors(一个基于 SD1.5 微调的流行模型)分辨率512x512采样器Euler a采样步数20 步提示词“masterpiece, best quality, 1girl, solo, cherry blossoms, spring”负面提示词“lowres, bad anatomy, worst quality, low quality”批次数1生成数量1张5.2 测试结果在AMD RX 9060XT 16GWindows 11PyTorch-DirectML环境下单张图片生成时间约12~15 秒。显存占用峰值显存占用约为5.5 GB左右。16GB 的显存绰绰有余为运行更高分辨率的图片或 SDXL 模型留下了充足空间。图像质量生成的图片在色彩、细节、符合提示词程度上与在同等配置的 N 卡如 RTX 4060 Ti 16G上生成的结果进行肉眼对比未发现明显差异。模型本身决定了输出质量后端计算只要精度无误结果就是一致的。5.3 与 N 卡环境的粗略对比需要强调的是这并非严谨的性能对比。根据社区反馈同级别 N 卡如 RTX 4060 Ti在 CUDA 后端下相同参数生成单张 512x512 图片的时间可能在6~9 秒左右。结论在当前的torch-directml后端下A 卡RX 9060XT运行 ComfyUI 的绝对性能速度约为同级别 N 卡的 50%-70%。但是其功能是完全正常的能够稳定出图且大显存优势依然存在。6. 常见问题与深度排查指南 (FAQ)在配置过程中你几乎一定会遇到一些问题。以下是高频问题及其解决方案。6.1 安装torch-directml时失败或报错错误信息“Could not find a version that satisfies the requirement torch-directml”或“ERROR: No matching distribution found for torch-directml”。原因Python 版本不兼容或 pip 源问题。torch-directml对 Python 版本要求比较严格。解决确认 Python 版本为 3.10.x。使用python --version检查。使用 Conda 创建指定版本的环境如前述。尝试使用pip install torch-directml --index-url https://download.pytorch.org/whl/cpu的完整命令。临时切换 pip 源pip install torch-directml -i https://pypi.tuna.tsinghua.edu.cn/simple --index-url https://download.pytorch.org/whl/cpu6.2 启动 ComfyUI 时出现“Torch not compiled with CUDA enabled”或其他 CUDA 错误原因ComfyUI 或其某些扩展插件在代码中硬编码了.cuda()调用试图将张量移到 CUDA 设备。解决核心方法按照上文第 4.5 步在main.py开头添加强制使用 DML 的代码。这是最根本的解决方法。如果某些自定义节点仍报错可能需要修改其源代码将.cuda()改为.to(device)或直接删除因为设置了默认设备。一个更暴力的全局替换方法不推荐但可作为临时手段在 Python 环境中在导入 torch 后执行torch.cuda torch.dml但这可能不稳定。6.3 运行时报错“RuntimeError: Could not create DML device.”原因系统无法为 DirectML 创建设备。通常是显卡驱动问题或系统版本太旧。解决更新显卡驱动前往 AMD 官网下载并安装最新的Adrenalin Edition显卡驱动。这是最重要的一步。更新 Windows 11确保系统已更新到最新版本设置 - Windows 更新。确保你的显卡支持 DirectX 12 UltimateRX 9060XT 肯定支持。6.4 生成速度非常慢甚至比 CPU 还慢原因可能错误地使用了 CPU 模式。验证torch.backends.dml.is_available()是否为True。首次运行时DirectML 需要为操作编译内核会较慢。第二次运行同样操作会快很多。系统电源模式设置为“省电”限制了 GPU 性能。解决正确安装并验证torch-directml。进行多次生成测试取后续稳定速度。将 Windows 电源模式设置为“最佳性能”。6.5 显存占用异常高或内存溢出 (OOM)原因即使使用 DML 后端模型本身的大小是固定的。高分辨率、高步数、复杂模型如 SDXL都会消耗大量显存。解决使用--lowvram或--normalvram启动参数ComfyUI 可能支持需查看其命令行参数。对于 DirectML更常见的是在 WebUI 设置中调整。在 ComfyUI 中可以启用“VRAM 优化”相关选项如果插件支持。最有效的方法是降低分辨率、减少批处理大小、使用显存优化过的模型如 pruned 版本。6.6 如何安装 ComfyUI 管理器或自定义节点安装方式与 CUDA 版本无异因为它们是 Python 包。ComfyUI Manager可以方便地安装其他节点。通常通过将custom_nodes/comfyui-manager仓库克隆到ComfyUI/custom_nodes/目录下来安装。通用安装流程cd ComfyUI/custom_nodes git clone 自定义节点的git仓库地址 cd 节点文件夹 pip install -r requirements.txt注意某些自定义节点可能包含 CUDA 扩展.cu文件这些节点无法在 DirectML 后端上工作。在安装前最好查看节点的说明或源码确认其是否依赖 CUDA 特定代码。7. 最佳实践与进阶优化建议成功运行只是开始以下建议能帮助你获得更好、更稳定的体验。7.1 环境隔离与项目管理一个项目一个环境使用 Conda 为每个 AI 项目如 ComfyUI, Stable Diffusion WebUI创建独立环境避免包冲突。使用requirements.txt记录在环境稳定后使用pip freeze requirements.txt导出当前环境的包列表便于日后复现或迁移。项目目录规划建议将模型文件动辄数 GB放在单独的、空间充足的盘符并通过符号链接mklink /J映射到 ComfyUI 的models目录避免 C 盘爆满。7.2 性能调优思路优先升级显卡驱动AMD 会持续优化 DirectML 性能新版驱动可能带来提升。关注torch-directml更新定期检查并升级torch-directml包。实验不同采样器有些采样器如 DPM 2M Karras在 DML 后端上可能比其他采样器如 Euler a效率更高可以多尝试。利用 xFormers 替代品在 CUDA 上xFormers 是重要的注意力机制优化器。在 DirectML 上可以尝试启用 PyTorch 2.0 自带的torch.nn.functional.scaled_dot_product_attention如果模型和代码支持或使用–use-split-cross-attention等 ComfyUI 自带优化选项。7.3 模型选择与使用从 SD1.5 模型开始SD1.5 的模型生态最成熟对显存要求相对较低是测试和学习的首选。谨慎尝试 SDXLSDXL 模型更大需要更多显存。虽然 16GB 显存可以运行但速度会明显下降且可能遇到兼容性问题。建议在 SD1.5 稳定后再尝试。使用safetensors格式模型这种格式更安全加载速度也可能有优化。7.4 稳定性与监控监控显存和温度使用 AMD Adrenalin 软件或第三方工具如 GPU-Z监控 GPU 使用率、显存占用和温度确保在长时间运行下不会过热。定期清理缓存PyTorch 和 ComfyUI 可能会产生缓存文件定期清理可以释放磁盘空间。备份工作流ComfyUI 的强大在于工作流.json文件。定期导出和备份你的复杂工作流。经过从环境搭建、原理剖析到实战测试的全流程我们可以明确地回答标题中的问题拿 A 卡跑 ComfyUI 绝对不是“疯了”而是一条完全可行、功能完备的技术路径。对于已经拥有 AMD 显卡特别是像 RX 9060XT 这样具备大显存的用户无需更换硬件即可踏入 Stable Diffusion 和 ComfyUI 的世界。虽然目前通过 DirectML 后端在绝对性能上相比同级别 N 卡仍有差距但其稳定性、出图质量和功能完整性已经足以满足学习、创作和大部分开发需求。随着 AMD 驱动和微软 DirectML 的持续优化这条路径的体验会越来越好。希望这篇详尽的指南能打破“A卡不行”的刻板印象让更多开发者能利用手头的硬件探索 AI 创作的乐趣。如果在配置过程中遇到本文未覆盖的问题欢迎在评论区交流讨论。