Видеокарта для нейросетей: сколько памяти нужно картинкам и LoRA

Кратко. Для локальной нейросети, которая рисует картинки, решает объём видеопамяти. 8 ГБ хватает на Stable Diffusion XL и обучение LoRA для неё, 12-16 ГБ дают комфорт с Flux, 24 ГБ снимают большинство ограничений. NVIDIA удобнее, потому что под неё пишут почти все программы. Без своей карты проще облако или готовый сервис.

Какая видеокарта для нейросетей: главная цифра одна

Смотри на объём видеопамяти. Частоты, число ядер и красивая подсветка влияют на скорость, а память решает, запустится модель вообще или нет.

Причина простая. Нейросеть для картинок это файл весов на несколько гигабайт, и при генерации он должен лежать в памяти видеокарты целиком или почти целиком. Модель Flux.1 dev, по описанию её авторов, содержит 12 миллиардов параметров. В 16-битном формате каждый параметр занимает два байта, значит только веса весят около 24 ГБ. Не поместились, и программа начинает гонять куски модели между видеокартой и обычной памятью, а скорость падает в разы.

Представь две карты одного поколения: быстрая на 8 ГБ и попроще на 16 ГБ. На лёгкой модели первая выиграет пару секунд на кадре. На крупной модели вторая спокойно рисует, пока первая пыхтит с подкачкой. Для нейросетей вторая покупка почти всегда разумнее.

Посмотреть, сколько памяти у твоей карты, можно в диспетчере задач Windows: вкладка «Производительность», пункт с графическим процессором, строка «Выделенная память графического процессора».

Почему чаще NVIDIA

Под NVIDIA пишется почти вся экосистема. PyTorch, на котором работают Stable Diffusion, ComfyUI и программы для обучения, использует у NVIDIA платформу CUDA, и именно её разработчики проверяют первой.

AMD и Intel тоже поддерживаются, но путь длиннее. ComfyUI официально дружит с AMD через ROCm на Linux и на Windows 11, с Intel Arc и с Apple Silicon, для каждого варианта своя инструкция установки. У Fooocus разница названа прямо: AMD на Windows требует 8 ГБ видеопамяти против 4 ГБ у NVIDIA и работает примерно в три раза медленнее карт RTX 3000-й серии. Mac на M-чипах там же назван ещё медленнее.

Бытовой пример. Допустим, ты скачал чужую цепочку для портрета с десятком расширений. С NVIDIA она, скорее всего, заведётся с первого раза. С AMD часть расширений может потребовать ручной правки, и вечер уйдёт на форумы, а не на картинки. Если карту покупаешь специально под нейросети, это аргумент. Если карта уже стоит, пробуй то, что есть.

Что влезает в 8, 12, 16 и 24 ГБ

Ниже ориентиры по официальной документации программ. Это минимумы, при которых разработчики обещают работу, а не комфорт.

Откуда цифры. Fooocus называет минимумом 4 ГБ видеопамяти у NVIDIA RTX и 8 ГБ оперативной памяти для своей модели на базе SDXL. ComfyUI пишет, что даже крупные открытые модели запускаются на 4 ГБ видеопамяти и 8 ГБ оперативной благодаря подгрузке весов по частям. Про обучение подробнее в следующем разделе.

Обрати внимание на оперативную память и диск. Когда видеопамяти мало, программа держит часть модели в обычной памяти, и 16 ГБ оперативки на компьютере становятся тесными. Fooocus просит держать не меньше 40 ГБ свободного места на дисках, иначе ловишь ошибки выделения памяти.

Видеокарта для обучения LoRA на своём лице

Обучение прожорливее генерации: на каждом шаге модель рисует, сравнивает с твоими снимками и пересчитывает свои поправки. Если цель именно личная LoRA, отталкивайся от этой задачи.

Документация kohya sd-scripts, одного из самых известных наборов для обучения, даёт такие ориентиры:

1. LoRA для SDXL учится на 8 ГБ видеопамяти, рекомендовано 10 ГБ, для 8 ГБ советуют уменьшить размер адаптера.
2. Полное дообучение SDXL, без LoRA, требует 24 ГБ при минимальном пакете.
3. Для Flux есть таблица: 24 ГБ работают на базовых настройках, 16 ГБ с подкачкой блоков модели, 12, 10 и 8 ГБ с всё более глубокой подкачкой и 8-битными форматами.

Подкачка блоков значит, что часть модели лежит в обычной памяти и заезжает на видеокарту по очереди. Документация прямо пишет, что чем больше блоков выгружено, тем медленнее обучение. Проще говоря, на 8 ГБ LoRA для Flux обучится, но ты успеешь сходить в магазин, приготовить ужин и посмотреть серию. У набора ai-toolkit официальный пример настроек для обучения LoRA на Flux так и называется: под 24 ГБ.

Что такое LoRA и почему для своего лица её обучают отдельно, объясняет статья LoRA простыми словами.

Локальные нейросети для картинок: что поставить

Карта есть, дальше нужна программа. Для картинок три популярных пути, и все бесплатные:

• Fooocus: минимум настроек, первая картинка за несколько кликов. Проект больше не развивается, только чинится, подробнее в разборе Fooocus.
• ComfyUI: генерация собирается из узлов, максимум гибкости и поддержка новых моделей. Разбор в статье про ComfyUI.
• WebUI и Forge для Stable Diffusion: привычные вкладки и кнопки, о них в тексте про Stable Diffusion.

Скачивай только со страниц проектов на GitHub и официальных сайтов. «Сборка со всеми моделями одним архивом» из случайного канала означает чужой код, который ты запускаешь со своими правами.

Запрос «нейросеть на компьютер» часто про текстовых помощников вроде DeepSeek: у их открытых моделей свои требования к памяти, и это отдельная тема.

Как выбрать видеокарту для локальной нейросети: порядок

Начни с задачи, а не с магазина. Одна и та же карта для одного человека избыточна, а для другого мала.

1. Реши, что будешь делать: только генерировать картинки или ещё обучать LoRA на своём лице. Второе требует больше памяти.
2. Реши, какой моделью: SDXL и её потомки нетребовательны, Flux и модели того же размера просят заметно больше.
3. Посмотри, что уже стоит в компьютере. Карта на 8 ГБ от NVIDIA позволяет начать без покупки и понять, нравится ли тебе вообще этим заниматься.
4. Если покупаешь, сравнивай карты сначала по памяти, потом по поколению. Между двумя картами с одинаковой памятью выбирай ту, что новее: у старых серий бывают отдельные сборки программ и меньше оптимизаций.
5. Проверь блок питания и корпус. Мощная карта длиннее и прожорливее, и выяснять это после покупки неприятно.

Ноутбук здесь отдельная история. Мобильная версия видеокарты бывает слабее и с меньшим объёмом памяти, чем настольная с тем же названием, поэтому смотри объём видеопамяти в характеристиках конкретной модели ноутбука, а не название чипа. Скажем, ты видишь в описании знакомую серию и радуешься, а внутри 6 ГБ: для SDXL это медленная работа, для Flux почти тупик.

Когда проще облако, чем своя карта

Своя видеокарта окупается временем, если ты генерируешь много и регулярно, любишь копаться в настройках и хочешь, чтобы снимки не покидали диск. Во всех остальных случаях проще не покупать.

Три ситуации, где своя карта не нужна:

• Ты хочешь попробовать и понять, нравится ли. Для Fooocus разработчики держат официальный блокнот в Google Colab, где считает облачная видеокарта.
• Нужен результат к конкретному дню. Установка, модели, обучение и подбор настроек на своём железе занимают несколько вечеров, даже если всё идёт гладко.
• У тебя ноутбук с картой на 4 ГБ. Он запустит модель, но каждая попытка будет стоить минут, а обучение превратится в испытание терпения.

Допустим, тебе нужны нормальные портреты для анкеты и резюме, а не хобби. Было: неделя на выбор карты, ещё неделя на установку и три попытки обучения. Стало: загрузил снимки в готовый сервис и через полчаса выбираешь кадры. Оба пути честные, просто цель у них разная.

Где здесь мы

Если нужны именно фотореалистичные портреты себя, а не своя домашняя станция, это делает a-dam.photo: по трём селфи из каталога сцен, от 490 ₽, или с обучением личной модели в Профи за 3 490 ₽.

Источники

• Fooocus, минимальные требования: https://github.com/lllyasviel/Fooocus
• ComfyUI, поддерживаемые видеокарты: https://github.com/comfyanonymous/ComfyUI
• kohya sd-scripts, обучение SDXL: https://github.com/kohya-ss/sd-scripts/blob/main/docs/train_SDXL-en.md
• kohya sd-scripts, обучение Flux: https://github.com/kohya-ss/sd-scripts/blob/sd3/docs/flux_train_network.md
• ai-toolkit: https://github.com/ostris/ai-toolkit
• FLUX.1 dev, описание модели: https://huggingface.co/black-forest-labs/FLUX.1-dev

Частые вопросы