MacBook에서 GPU 없이 ComfyUI Docker 로컬 실행하기

최근 이미지 생성 워크플로우 자동화를 위해 ComfyUI를 로컬 환경에서 테스트해봤습니다.
이번 포스팅에서는 GPU를 사용하지 않는 모드로, MacBook Pro 16 (RAM 32GB) 환경에서 실행한 과정을 정리합니다.

 

1. 환경 및 사전 조건

• MacBook Pro 16 (32GB RAM)
• Docker 설치 및 실행 상태
• GPU 미사용 (CPU-only)
• Python 3.10-slim 기반 Docker 이미지 사용

 

2. Dockerfile 구성

GPU를 사용하지 않기 때문에 가벼운 Python 베이스 이미지를 선택했습니다.

dockerfile

# 가벼운 Python 베이스 이미지 사용
FROM python:3.10-slim

# OS 패키지 설치
# git, wget, libgomp1 외에 libgl1-mesa-glx, libglib2.0-0 패키지를 추가로 설치합니다.
RUN apt-get update && apt-get install -y git wget libgomp1 libgl1-mesa-glx libglib2.0-0


# ComfyUI 설치
RUN git clone https://github.com/comfyanonymous/ComfyUI.git
WORKDIR /ComfyUI

# Custom Nodes 미리 다운로드
RUN git clone https://github.com/chflame163/ComfyUI_LayerStyle.git custom_nodes/ComfyUI_LayerStyle
RUN git clone https://github.com/jags111/efficiency-nodes-comfyui.git custom_nodes/efficiency-nodes-comfyui
RUN git clone https://github.com/cubiq/ComfyUI_essentials.git custom_nodes/ComfyUI_essentials

# Custom Nodes 의존성 설치
# ComfyUI_LayerStyle의 의존성 설치
RUN pip install -r custom_nodes/ComfyUI_LayerStyle/requirements.txt
# efficiency-nodes-comfyui의 의존성 설치
RUN pip install -r custom_nodes/efficiency-nodes-comfyui/requirements.txt
# ComfyUI_essentials의 의존성 설치
RUN pip install -r custom_nodes/ComfyUI_essentials/requirements.txt

# CPU 전용 PyTorch 및 기타 라이브러리 설치
RUN pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu
RUN pip install -r requirements.txt

# ComfyUI 서버를 시작하는 명령어를 추가
CMD ["python", "main.py", "--listen", "0.0.0.0", "--cpu"]

 

📌 포인트

• GPU 의존성이 없으니 nvidia-docker 설정이 필요 없습니다.
• 필요한 커스텀 노드는 Dockerfile에서 바로 클론해두면 편합니다.
• 모델 로딩이 필요하다면 빌드 시 포함해야 합니다.

 

 

3. 실행 순서

 

1. Docker 이미지 빌드

docker build -t comfyui-local .

 

2. 컨테이너 실행

docker run -p 8188:8188 comfyui-local

 

3. 브라우저 접속

http://localhost:8188/

 

ComfyUI 화면이 뜨면 준비 완료!
이제 필요한 워크플로우를 로드하고 실행할 수 있습니다.

 

 

4. API 호출 테스트 (Postman)

Postman으로 API 호출 테스트했습니다.
ComfyUI는 이미지 업로드, 워크플로우 실행, 결과 조회를 모두 HTTP API로 지원합니다.

 

(1) 이미지 업로드

엔드포인트 : POST http://localhost:8188/upload/image

 

응답 예시

{
  "name": "shadow.png",
  "subfolder": "",
  "type": "input"
}

➡️ name과 subfolder 값은 다음 요청에서 사용됩니다.

 

 

(2) 워크플로우 실행

엔드포인트 : POST http://localhost:8188/prompt

 

Body (raw, JSON)
워크플로우를 API 형식으로 Export한 JSON 데이터를 prompt 키에 넣습니다.

{
  "prompt": { ... }
}

 

응답예시

{
  "prompt_id": "faa09324-4740-4b58-86f8-bfc45318607a",
  "number": 4,
  "node_errors": {}
}

➡️ prompt_id로 실행 상태와 결과를 조회합니다.

 

(3) 실행 결과 조회

엔드포인트 : GET http://localhost:8188/history/faa09324-4740-4b58-86f8-bfc45318607a

응답예시 (일부)

{
  "outputs": {
    "12": {
      "images": [
        {
          "filename": "ComfyUI_00003_.png",
          "subfolder": "",
          "type": "output"
        }
      ]
    }
  },
  "status": {
    "status_str": "success",
    "completed": true
  }
}

 

 

(4) 최종 결과 이미지 확인

출력 파일명을 사용해 브라우저로 직접 확인할 수 있습니다.

http://localhost:8188/view?filename=ComfyUI_00003_.png&type=output&subfolder=

 

5. 마무리

이번 테스트에서 느낀 점:

• Docker로 실행하면 환경 격리가 쉬워 관리가 편함
• API 연동을 통해 자동화 파이프라인 구성 가능

다만, 대규모 모델을 사용하거나 고해상도 이미지 작업은 CPU만으로는 시간이 오래 걸리니
본격적인 프로덕션 환경에서는 GPU 서버가 필요합니다.