1
1

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

@TextureLoRALab(英博物館学修士が続ける質感LoRA研究 シツカンさん｜日本画→芸術学→)

ComfyUIをクラウドGPUで動かす選択肢を本気で比較した【2026年版】

1
Posted at

はじめに

LoRA学習や動画生成をComfyUIで回そうとすると、ローカルGPUではVRAMが足りない場面に必ずぶつかる。RTX 4090（24GB）でも、SDXL + ControlNet + AnimateDiffの組み合わせでOOMが出るし、HunyuanVideoやWan2.1のような最新モデルは48GB以上を要求してくる。

「じゃあクラウドGPUで」となるが、選択肢が多すぎて迷う。GCP、AWS、Azure、RunPod、Google Colab、そしてComfyUI特化型のFloyo——それぞれ何が違うのか、実際に触って比較した。

本記事では 「ComfyUIをクラウドで動かす」 という一点に絞り、セットアップの手間・コスト・実用性を整理する。

対象読者

  • ローカルGPUのVRAMに限界を感じているAIクリエイター/エンジニア
  • CUDAドライバやPython仮想環境の構築に時間を取られたくない人
  • LoRA学習や動画生成でA100/H100クラスのGPUを使いたい人

TL;DR

サービス セットアップ時間 A100相当の時間単価 ComfyUI対応 向いている用途
GCP (Vertex AI) 2〜4時間 ~$3.67/h 手動構築 本番API、大規模バッチ
AWS (EC2 p4d) 2〜4時間 ~$3.09/h (スポット) 手動構築 インフラを自前管理したい組織
Google Colab Pro+ 10分 ~$0.50/h相当 ノートブック経由 実験・プロトタイプ
RunPod 15分 ~$1.09/h テンプレートあり コスパ重視の個人開発者
Floyo 3分 $0.79/h〜 プリインストール ComfyUIメインの制作者

1. 3大クラウド（GCP / AWS / Azure）

環境構築の現実

エンタープライズクラウドでComfyUIを動かすには、以下のステップが必要になる。

# GCPでの典型的なセットアップ手順（簡略版）
# 1. GPUクォータの申請（承認まで数時間〜数日）
gcloud compute regions describe us-central1 --format="json" | jq '.quotas[] | select(.metric=="NVIDIA_A100_GPUS")'

# 2. VMインスタンス作成
gcloud compute instances create comfyui-vm \
  --zone=us-central1-a \
  --machine-type=a2-highgpu-1g \
  --accelerator=type=nvidia-tesla-a100,count=1 \
  --image-family=pytorch-latest-gpu \
  --image-project=deeplearning-platform-release \
  --boot-disk-size=200GB \
  --maintenance-policy=TERMINATE

# 3. SSH接続してCUDAドライバ確認
nvidia-smi

# 4. ComfyUIインストール
git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI
pip install -r requirements.txt

# 5. カスタムノードのインストール
cd custom_nodes
git clone https://github.com/ltdrdata/ComfyUI-Manager.git
# ... 必要なノードを一つずつ追加

# 6. モデルのダウンロード
cd ../models/checkpoints
wget https://huggingface.co/...

これだけで軽く 2〜4時間 かかる。しかも、インスタンスを停止・再起動するたびに環境が壊れるリスクがある。

コスト構造

3大クラウドのGPUインスタンスは 従量課金 だが、最低利用時間の制約やストレージ課金が見落としがち。

# GCP A100 (a2-highgpu-1g) の実コスト内訳
GPU: $3.67/h
vCPU (12コア): 含む
メモリ (85GB): 含む
ブートディスク (200GB SSD): ~$0.04/h
永続ディスク（モデル保存用 500GB）: ~$0.08/h
ネットワーク（モデルDL）: $0.12/GB（外部→GCP）
---
実質: ~$4.00/h（GPU稼働中）+ ストレージ維持費（停止中も課金）

スポットインスタンス を使えばGPU料金は60〜70%オフになるが、学習の途中でプリエンプトされるリスクがある。チェックポイント保存の仕組みを自前で組む必要がある。

3大クラウドが向いているケース

  • ComfyUIをAPIとして本番デプロイしたい（Kubernetesとの統合）
  • 組織のセキュリティポリシーでGCP/AWS/Azureしか使えない
  • 他のクラウドサービス（BigQuery、S3等）とパイプラインを組む

逆に言えば、「ComfyUIでLoRAを学習したい」「動画を生成したい」だけの用途には明らかにオーバースペック。

2. Google Colab Pro+

メリット

# Colabでの起動（ノートブックベース）
!git clone https://github.com/comfyanonymous/ComfyUI
%cd ComfyUI
!pip install -r requirements.txt
!python main.py --listen 0.0.0.0 --port 8188

10分で動く。A100も運が良ければ割り当てられる。月額 $49.99 で手軽。

限界

  • GPUガチャ: A100が来るとは限らない（T4やL4の場合も）
  • セッション切断: 一定時間操作しないと切れる。長時間のLoRA学習に不向き
  • ストレージ: Google Driveマウントは遅い。大きなモデルの読み込みがボトルネックになる
  • カスタムノード: セッションごとに再インストールが必要

動画生成やLoRA学習のような 長時間GPU占有タスク には厳しい。

3. RunPod

特徴

# RunPodのComfyUIテンプレート
# Webコンソールからテンプレート選択 → 15分で起動
# SSH接続も可能
ssh root@{pod-ip} -p {port} -i ~/.ssh/id_rsa
  • A100 80GB: ~$1.09/h（Community Cloud）
  • H100 80GB: ~$3.89/h
  • テンプレートからComfyUI環境を起動可能
  • ボリュームストレージ: $0.10/GB/月（モデルを永続化できる）

使い勝手

RunPodはGPUクラウドとしては優秀。ただし：

  • ComfyUIは「テンプレートの一つ」でしかなく、カスタムノードの管理は自分で行う
  • ワークフローの共有・管理機能はない
  • UIのレスポンスはネットワーク遅延に左右される

コスパ重視でGPUを借りたい人には良い選択肢。

4. Floyo

ComfyUI特化という設計思想

Floyoは他のサービスとアプローチが根本的に違う。「GPUを貸す」のではなく、「ComfyUIが動く環境をそのまま提供する」 という設計。

# Floyoでの起動手順
1. floyo.com にアクセス
2. 「Launch ComfyUI」をクリック
3. 完了（ComfyUIがブラウザ上で開く）

セットアップ時間は文字通り 3分。以下がプリインストールされている：

  • ComfyUI本体 + Manager
  • 主要カスタムノード（ControlNet、IPAdapter、AnimateDiff等）
  • 基本モデル（SD1.5、SDXL、Flux等）
  • CUDAドライバ、Python環境、依存関係すべて

料金体系

# Floyo料金（2026年5月時点）
Free:    毎月無料クレジット付与
Basic:   $12/月 — 個人制作向け
Pro:     $39/月 — 本格的なLoRA学習・動画生成

時間単価に換算すると、A100相当のGPUが $0.79/h〜 で使える。RunPodと比較しても競争力がある上に、環境構築のコスト（人的工数）がゼロ。

エンジニアにとっての利点

ComfyUI特化型だからこそ、以下が「最初から動く」：

✓ CUDAドライバのバージョン不整合 → 発生しない
✓ Pythonパッケージの依存関係地獄 → 解決済み
✓ カスタムノードのインストール失敗 → Manager統合済み
✓ モデルのダウンロード待ち → 主要モデルはプリロード
✓ セッション切断でのデータロスト → ワークスペース永続化

特にLoRA学習では、kohya-ss や ai-toolkit の環境構築だけで半日潰れることもある。その時間をそのまま学習に充てられるのは大きい。

比較まとめ

セットアップコスト（見えないコスト）

環境構築にかかる時間を「エンジニアの時給」で換算すると、見え方が変わる。

# 時給5,000円のエンジニアが環境構築する場合
GCP/AWS:  3時間 × ¥5,000 = ¥15,000（初回のみ…のはずが、依存関係更新で定期的に再発）
Colab:    30分 × ¥5,000 = ¥2,500（毎セッション）
RunPod:   1時間 × ¥5,000 = ¥5,000（初回 + カスタムノード追加時）
Floyo:    0分 = ¥0

どれを選ぶべきか

「ComfyUIで画像/動画を生成したい」→ Floyo
「ComfyUI + 独自パイプラインを組みたい」→ RunPod
「GPUが必要だがComfyUIに限らない」→ RunPod or GCP
「会社のインフラポリシーで制約がある」→ GCP / AWS / Azure
「まず試したい、お金をかけたくない」→ Colab → Floyo Free

実践: FloyoでLoRA学習を回す

最後に、Floyoを使ったLoRA学習の実践例を簡単に示す。

# 1. Floyoでセッション起動（A100選択）
# 2. ComfyUI Manager → Install Custom Nodes → kohya-ss系ノードを追加
# 3. 学習用データセットをアップロード（ドラッグ&ドロップ）
# 4. LoRA学習ワークフロー（.json）を読み込み
# 5. Queue Prompt → 学習開始

ローカルでは4時間かかっていたSDXL LoRA学習（20エポック、解像度1024）が、A100環境では 約45分 で完了する。環境構築ゼロで、この速度差。

おわりに

クラウドGPUの選択は「何を動かすか」で決まる。ComfyUIを動かすことが目的なら、GPUの生貸しサービスよりも、ComfyUIに最適化された環境を選ぶ方が合理的だ。

環境構築は「エンジニアリング」ではなく「雑務」。その時間を、ワークフローの設計やLoRAの実験に使おう。

筆者: TextureLoRALab — キャンバスの質感をAIに刻むLoRA学習を研究中。厚塗りの重厚感やマチエルをデジタル資産化するワークフローを開発しています。

この記事の内容は2026年5月時点の情報に基づいています。各サービスの料金・仕様は変更される可能性があります。

1
1
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
Sign upLogin
1
1

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?