全部產品
Search

搜尋本產品

    Container Compute Service：使用DeepGPU加速Wan2.1視頻產生

    文件中心

    Container Compute Service：使用DeepGPU加速Wan2.1視頻產生

    更新時間：Jun 08, 2026

    在使用Container Compute Service (ACS)算力時，您無需深入瞭解底層硬體，也無需涉及GPU節點管理和配置即可開箱即用。ACS部署簡單、支援隨用隨付，非常適合用於LLM推理任務，可以有效降低推理成本。本文介紹如何使用ACS GPU算力通過deepgpu-comfyui外掛程式加速Wan2.1視頻產生。

    背景資訊

    ComfyUI

    ComfyUI是一個基於 節點（Node-based） 的圖形化使用者介面（GUI），專為運行和定製 Stable Diffusion（一種主流的文本產生映像模型）而設計。它通過可視化的流程圖（Workflow）方式，讓使用者以拖拽節點的方式構建複雜的映像產生流程，而無需直接編寫代碼。

    Wanx模型

    萬相（Tongyi Wanxiang）是由阿里巴巴通義實驗室研發的AI繪畫與文生圖（AIGC）大模型，屬於“千問”大模型系列中的視覺產生分支。它是全球首個支援中文提示詞的AI繪畫模型，並具備多模態能力，能夠根據文字描述、手繪草圖、映像風格遷移等產生高品質的藝術作品。

    前提條件

    • 首次使用阿里雲Container Compute Service (ACS)時，需要為服務帳號授予系統預設角色。若且唯若該角色被正確授予後，ACS才能正常地調用相關服務（ECS、OSS、NAS、CPFS、SLB等），建立叢集以及儲存日誌等。具體操作，請參見首次使用容器計算服務。

    • 支援的GPU卡型：L20（GN8IS）、G49E。

    操作步驟

    步驟一：準備模型資料

    建議您建立NAS或OSS儲存捲來持久化儲存模型檔案。本文以NAS儲存卷為例，請在NAS掛載的目錄中執行以下操作。

    建立持久化儲存卷的具體操作，請參見建立NAS檔案系統作為儲存卷或使用OSS靜態儲存卷。

    1. 執行以下命令下載ComfyUI。

      請確認作業環境已安裝git。
      git clone https://github.com/comfyanonymous/ComfyUI.git

    2. 執行以下命令，分別下載以下三個模型檔案到ComfyUI對應的目錄下。關於模型的詳細資料，請參見Wan_2.1_ComfyUI_repackaged專案。

      建議提升公網頻寬峰值，預計下載總用時約30分鐘。

      1. wan2.1_t2v_14B_fp16.safetensors檔案

        cd ComfyUI/models/diffusion_models
wget https://modelscope.cn/models/Comfy-Org/Wan_2.1_ComfyUI_repackaged/resolve/master/split_files/diffusion_models/wan2.1_t2v_14B_fp16.safetensors

      2. wan_2.1_vae.safetensors檔案

        cd ComfyUI/models/vae
wget https://modelscope.cn/models/Comfy-Org/Wan_2.1_ComfyUI_repackaged/resolve/master/split_files/vae/wan_2.1_vae.safetensors

      3. umt5_xxl_fp8_e4m3fn_scaled.safetensors檔案

        cd ComfyUI/models/text_encoders
wget https://modelscope.cn/models/Comfy-Org/Wan_2.1_ComfyUI_repackaged/resolve/master/split_files/text_encoders/umt5_xxl_fp8_e4m3fn_scaled.safetensors

    3. 下載並解壓ComfyUI-deepgpu。

      cd ComfyUI/custom_nodes
wget https://aiacc-inference-public-v2.oss-cn-hangzhou.aliyuncs.com/deepgpu/comfyui/nodes/20250513/ComfyUI-deepgpu.tar.gz
tar zxf ComfyUI-deepgpu.tar.gz

    步驟二：部署ComfyUI服務

    1. 登入容器計算服務控制台，在左側導覽列選擇叢集列表。然後單擊目的地組群名稱，在左側導覽列選擇工作負載 > 無狀態，然後單擊右上方的使用YAML建立資源。

    2. 以掛載NAS儲存卷為例，使用以下YAML作為模版，然後點擊建立。

      請按實際建立的PVC修改persistentVolumeClaim.claimName配置。
      本樣本使用的是cn-beijing地區的inference-nv-pytorch 25.07，以減少鏡像拉取的時間。若您希望使用其他地區的內網鏡像，可以根據使用方式手動調整YAML中的鏡像地址。
      本樣本使用的測試容器鏡像已內建deepgpu-torch、deepgpu-comfyui外掛程式，如果您需要在其他容器環境內使用，請諮詢PDSA擷取外掛程式安裝包。
      apiVersion: apps/v1
kind: Deployment
metadata:
  labels:
    app: wanx-deployment
  name: wanx-deployment-test
  namespace: default
spec:
  replicas: 1
  selector:
    matchLabels:
      app: wanx-deployment
  template:
    metadata:
      labels:
        alibabacloud.com/compute-class: gpu
        alibabacloud.com/compute-qos: default
        alibabacloud.com/gpu-model-series: L20 #支援的GPU卡型：L20(GN8IS)、G49E
        app: wanx-deployment
    spec:
      containers:
      - command:
        - sh
        - -c
        - DEEPGPU_PUB_LS=true python3 /mnt/ComfyUI/main.py --listen 0.0.0.0 --port 7860
        image: acs-registry-vpc.cn-beijing.cr.aliyuncs.com/egslingjun/inference-nv-pytorch:25.07-vllm0.9.2-pytorch2.7-cu128-20250714-serverless
        imagePullPolicy: Always
        name: main
        resources:
          limits:
            nvidia.com/gpu: "1"
            cpu: "16"
            memory: 64Gi
          requests:
            nvidia.com/gpu: "1"
            cpu: "16"
            memory: 64Gi
        terminationMessagePath: /dev/termination-log
        terminationMessagePolicy: File
        volumeMounts:
        - mountPath: /dev/shm
          name: cache-volume
        - mountPath: /mnt #/mnt為NAS儲存聲明影射到pod內的路徑
          name: data
      dnsPolicy: ClusterFirst
      restartPolicy: Always
      schedulerName: default-scheduler
      securityContext: {}
      terminationGracePeriodSeconds: 30
      volumes:
      - emptyDir:
          medium: Memory
          sizeLimit: 500G
        name: cache-volume
      - name: data
        persistentVolumeClaim:
          claimName: wanx-nas #wanx-nas為通過NAS建立的儲存聲明
---
apiVersion: v1
kind: Service
metadata:
  name: wanx-test
spec:
  type: LoadBalancer
  ports:
    - port: 7860
      protocol: TCP
      targetPort: 7860
  selector:
    app: wanx-deployment

    3. 在彈窗中點擊查看，進入工作負載基本資料頁面。點擊下方日誌頁簽，有如下輸出，說明服務啟動成功。

      Device: cuda:0 NVIDIA L20 : cudaMallocAsync
Using pytorch attention
Python version: 3.12.7+gc (main, Jan 10 2025, 17:28:43) [GCC 13.3.0]
ComfyUI version: 0.3.45
****** User settings have been changed to be stored on the server instead of browser storage. ******
****** For multi-user setups add the --multi-user CLI argument to enable multiple user profiles. ******
ComfyUI frontend version: 1.23.4
[Prompt Server] web root: /opt/ac2/lib/python3.12/site-packages/comfyui_frontend_package/static
generated new fontManager
Import times for custom nodes:
   0.0 seconds: /mnt/ComfyUI/custom_nodes/websocket_image_save.py
  57.2 seconds: /mnt/ComfyUI/custom_nodes/ComfyUI-deepgpu
Context impl SQLiteImpl.
Will assume non-transactional DDL.
No target revision found.
Starting server
To see the GUI go to: http://0.0.0.0:7860

    步驟三：外掛程式用法介紹

    1. 點擊訪問方式頁簽，擷取服務的外部端點（如8.xxx.xxx.114:7860）。

    2. 通過瀏覽器訪問ComfyUI地址http://8.xxx.xxx.114:7860/。在ComfyUI介面點擊右鍵，然後點擊添加節點，可以查看外掛程式中包含DeepGPU類型的節點。

      首次訪問載入用時約5分鐘。

      DeepGPU 分類下包含 5 個節點：Apply DeepyTorch to diffusion model、Apply DeepyTorch to vae model、DeepyTorch Sampler to replace XlabsSampler、Save Image BASE64 of DeepGPU、Apply Pulid Flux of DeepGPU。

      ApplyDeepyTorch節點介紹

      ApplyDeepyTorch節點用於最佳化模型推理效能，一般是插入到整個workflow中最後一個處理模型節點之後，例如插入到Load Diffusion Model、Load Checkpoint、LoraLoaderModelOnly等節點之後。ApplyDeepyTorch節點類型如以下代碼所示。

      from deepgpu_comfyui.node import \
    ApplyDeepyTorch, \
    ApplyDeepyTorchVae, \
    DeepyTorchSampler, \
    DeepSaveImageBase64, \
    ApplyPulidFluxDeepyTorch
NODE_CLASS_MAPPINGS = {
    "ApplyDeepyTorch": ApplyDeepyTorch,
    "ApplyDeepyTorchVae": ApplyDeepyTorchVae,
    "DeepyTorchSampler": DeepyTorchSampler,
    "DeepSaveImageBase64": DeepSaveImageBase64,
    "ApplyPulidFluxDeepyTorch": ApplyPulidFluxDeepyTorch,
}
NODE_DISPLAY_NAME_MAPPINGS = {
    "ApplyDeepyTorch": "Apply DeepyTorch to diffusion model",
    "ApplyDeepyTorchVae": "Apply DeepyTorch to vae model",
    "DeepyTorchSampler": "DeepyTorch Sampler to replace XlabsSampler",
    "DeepSaveImageBase64": "Save Image BASE64 of DeepGPU",
    "ApplyPulidFluxDeepyTorch": "Apply Pulid Flux of DeepGPU",
}

    步驟四：測試樣本工作流程

    1. 通過瀏覽器下載wan2.1 DeepyTorch加速工作流程到本地。

      1. 使用圖片產生視頻工作流程。

        https://aiacc-inference-public-v2.oss-cn-hangzhou.aliyuncs.com/deepgpu/comfyui/wan/workflows/workflow_image_to_video_wan_1.3b_deepytorch.json

      2. 使用文本產生視頻工作流程。

        https://aiacc-inference-public-v2.oss-cn-hangzhou.aliyuncs.com/deepgpu/comfyui/wan/workflows/workflow_text_to_video_wan_deepytorch.json

    2. 以下步驟以加速使用文本產生視頻為例。在ComfyUI點擊工作流程 > 開啟，然後選擇已下載的workflow_text_to_video_wan_deepytorch.json檔案。

    3. 開啟工作流程檔案之後，需要將Apply DeepyTorch to diffusion model節點的enable設定為true來開啟加速，然後點擊運行，等待視頻產生。

      DeepyTorch加速工作流程在Load Diffusion Model節點後插入ApplyDeepyTorch節點。

      該樣本工作流程包含以下關鍵節點配置：UNet載入器使用模型 wan2.1_l2v_14B_fp16.safetensors，資料類型 default；載入CLIP使用 umt5_xxl_fp8_e4m3fn_scaled.safetensors，類型為 wan；K採樣器步數 20、cfg 6.0、採樣器 uni_pc、調度器 simple、降噪 1.00；載入VAE使用 wan_2.1_vae.safetensors；空Latent視頻（混元）節點設定寬度 832、高度 480、長度 81、批量大小 1。Apply DeepyTorch to diffusion model 節點的 dynamic 設定為 auto。

    4. 點擊左側隊列按鈕，可以查看視頻產生時間並預覽視頻。

      第一次測試產生時間會稍長，可以重複運行2～3次擷取最佳效能。

      隊列面板中顯示三段已產生的影片縮圖，每段產生時間約630秒。主畫布展示完整的文生視頻工作流程節點：UNet載入器（模型 wan2.1_t2v_14B_fp16.safetensors，資料類型 default）、CLIP Text Encode 正向與負向提示詞節點、K採樣器（步數20，cfg 6.0，採樣器 uni_pc，調度器 simple，降噪1.00）、載入VAE（wan_2.1_vae.safetensors）、空Latent視頻（混元）（寬度832，高度480，長度81，批量大小1）及 Apply DeepyTorch to diffusion model（enable: true, dynamic: auto）等節點，各節點間通過連線完成資料流傳遞。

    5. （可選）如果要測試未加速情境，需要重啟ComfyUI服務，並選擇如下工作流程產生視頻。

      https://aiacc-inference-public-v2.oss-cn-hangzhou.aliyuncs.com/deepgpu/comfyui/wan/workflows/workflow_text_to_video_wan.json