ComfyUI gèle après la génération de vidéos : Guide de récupération

Aperçu IA

Pourquoi ComfyUI se fige-t-il après la génération vidéo ?

L’échantillonneur (sampler) peut avoir terminé son travail, tandis que le décodage, l’encodage, la livraison de l’aperçu, un nœud personnalisé ou même le navigateur restent encore bloqués. Il est essentiel de distinguer une étape finale lente d’un backend défaillant avant toute tentative de redémarrage.

Comment savoir si ComfyUI est toujours en cours d’exécution ?

Consultez conjointement le terminal, l’utilisation du GPU, l’état de la file d’attente et le dossier de sortie. Un journal qui évolue, une activité GPU détectable ou une croissance continue de la taille d’un fichier indiquent que le traitement est toujours en cours ; à l’inverse, un journal statique et un GPU inactif suggèrent un blocage.

Dois-je libérer la VRAM lorsque ComfyUI reste bloqué ?

Uniquement après avoir sauvegardé les éléments probants et annulé l’opération en toute sécurité. La libération des modèles peut permettre de rétablir un processus fonctionnel, mais elle ne réparera pas un contexte CUDA corrompu, un nœud personnalisé incompatible ou un encodeur ayant échoué.

Quelle est la solution rapide et sûre la plus efficace ?

Enregistrez le workflow et le journal, arrêtez la demande (prompt) active, redémarrez ComfyUI, puis exécutez un petit graphe vidéo connu pour fonctionner correctement. Réintroduisez progressivement les nœuds originaux par groupes jusqu’à ce que le blocage réapparaisse.

Identifier précisément ce qui s’est figé

L’expression « ComfyUI se fige après la génération vidéo » peut désigner quatre types de défaillances distincts. Le canevas peut cesser de se mettre à jour alors que le backend poursuit son exécution ; l’échantillonneur peut avoir terminé, mais le décodage VAE ou l’encodage vidéo peut encore être en cours ; le processus Python peut rester actif tout en attendant un nœud personnalisé ; ou encore le pilote GPU peut avoir cessé de répondre. Ces scénarios présentent une apparence similaire depuis le navigateur, mais nécessitent des corrections différentes.

Commencez par noter le dernier nœud visible sur le canevas et la dernière ligne affichée dans le terminal. Ne fermez pas immédiatement toutes les fenêtres. Un diagnostic utile requiert le fichier JSON du workflow, les versions de ComfyUI et de l’interface frontend, les versions des nœuds personnalisés, les versions de Python et PyTorch, le modèle GPU, le pilote, les arguments de lancement, les dimensions, le nombre d’images, le codec utilisé, ainsi que les 30 à 50 dernières lignes du journal.

Blocage de l’interface frontend ou blocage du backend ?

Ouvrez le dossier de sortie et vérifiez si un fichier est en cours de création ou si sa taille évolue. Surveillez l’utilisation et la mémoire GPU sans lancer une nouvelle demande. Si le terminal continue d’afficher des messages de progression tandis que le navigateur semble figé, rechargez uniquement l’interface frontend après avoir sauvegardé le workflow. Si, en revanche, le terminal reste muet, l’utilisation GPU est nulle et la file d’attente ne progresse jamais, traitez-le comme un blocage du backend.

Une petite scène de référence visuellement claire facilite la détection de la complétion du pipeline avant de restaurer le graphe complexe.

L’achèvement de l’échantillonnage ne signifie pas l’achèvement de la livraison

Les graphes vidéo effectuent souvent des opérations coûteuses après la diffusion : décodage des images latentes, regroupement des lots (batches), transfert des tenseurs entre périphériques, interpolation, écriture de l’audio et encodage du conteneur. Une barre de progression affichant 100 % signifie donc uniquement que l’étape d’échantillonnage est terminée, et non que le fichier MP4 est achevé. Vérifiez précisément le dernier nœud exécuté, plutôt que de supposer qu’un affichage « 100 % » équivaut à un blocage.

Préserver les éléments probants avant tout redémarrage

Le redémarrage est une action de récupération, non un acte diagnostique. Avant de l’appliquer, exportez le workflow et copiez le texte du terminal. Notez si l’ensemble du système d’exploitation s’est figé, si seul le navigateur a cessé de répondre, ou si un seul élément de la file d’attente s’est bloqué. Un blocage généralisé du système pointe davantage vers un problème lié au pilote, au backend CUDA, à un overclock instable, à une alimentation défectueuse ou à une pression mémoire élevée, plutôt que vers un simple onglet inactif.

Créez un compte rendu concis de l’incident :

Version de ComfyUI / de l’interface frontend :
Version de Python / PyTorch / CUDA / pilote :
Modèle GPU et mémoire RAM système :
Arguments de lancement :
Workflow et modèle utilisés :
Largeur × hauteur, nombre d’images, taille du lot :
Dernier nœud exécuté avec succès :
Dernière ligne affichée dans le terminal :
État du navigateur / état du backend / état du système d’exploitation :
Échec lors de la première exécution ou répété sur plusieurs exécutions :

Sauvegarder une sortie partielle sans lui accorder confiance

Si un fichier MP4 existe, examinez sa durée et ses flux avant de le considérer comme complet. Un conteneur tronqué peut s’ouvrir normalement, mais se terminer prématurément ; une séquence d’images peut contenir moins d’images que demandé. Conservez cet artefact partiel sous un nom spécifique à l’échec afin qu’il ne soit pas écrasé par la prochaine exécution.

Le guide ComfyUI pour rogner une vidéo avec audio explique pourquoi les chemins vidéo et audio doivent rester explicites. Cette séparation aide également à déterminer si le blocage survient avant le multiplexage (muxing) ou au sein de l’encodage final.

Réduire la pression mémoire et d’encodage

La génération vidéo amplifie la pression mémoire selon plusieurs axes : résolution, nombre d’images, taille du lot, nombre de canaux latents, décodage VAE, interpolation et encodage. Réduire une seule dimension fournit souvent plus d’informations qu’un ajustement aléatoire des indicateurs mémoire. Commencez par diviser par deux le nombre d’images. Si le graphe bloque encore, diminuez la résolution. Ensuite, désactivez l’interpolation, le redimensionnement (upscaling) et les aperçus optionnels, tout en conservant le même modèle de base et le même échantillonneur.

Utiliser un test mémoire progressif

Exécutez ces tests dans l’ordre indiqué et notez pour chacun s’il se termine avec succès :

1. Un court extrait à la plus petite résolution prise en charge par le workflow.
2. Le même extrait avec le VAE et le décodeur prévus.
3. Le même extrait avec l’encodeur prévu, mais sans interpolation.
4. La chaîne complète de post-traitement sur une courte durée.
5. La durée prévue uniquement après que toutes les étapes précédentes ont réussi.

Ne modifiez pas simultanément la résolution et le nombre d’images dans un même test. Si un extrait court réussit, mais qu’un extrait long bloque systématiquement au niveau du décodage, le graphe est probablement valide, mais le plan mémoire ou de décodage ne l’est pas. Si même le graphe minimal échoue, investiguez d’abord les problèmes de compatibilité avant d’ajuster la qualité.

Utilisez du matériel riche en détails mais de courte durée pour tester la stabilité du décodage ; la durée et la résolution doivent être augmentées séparément.

Éviter les « corrections » qui masquent une défaillance du piloteLa libération de la mémoire du modèle, le déchargement des aperçus ou le redémarrage de l’interface utilisateur peuvent aider un backend sain à libérer des ressources. Ces actions ne permettent toutefois pas de réinitialiser chaque contexte GPU ayant échoué. Si l’intégralité du bureau se fige, si le terminal cesse de répondre sans lever d’exception Python, ou si le pilote est réinitialisé, reproduisez le problème à l’aide d’un flux de travail officiel minimal et de paramètres matériels conservateurs avant d’imputer la faute à la prompt.

En cas de désynchronisation entre fichier de modèle et décodeur, suivez la liste de vérification pour le chargement du VAE. Un fichier renommé ou mal placé n’est pas automatiquement converti en un VAE compatible simplement parce que le chargeur parvient à le détecter.

Isoler les nœuds personnalisés et l’état de l’interface utilisateur

Les nœuds personnalisés ajoutent des packages Python, des extensions compilées, du code d’interface utilisateur, des encodeurs et des comportements de gestion des périphériques. Mettre à jour l’ensemble simultanément supprime toute possibilité de comparaison utile pour identifier la cause exacte. Sauvegardez d’abord l’environnement fonctionnel, puis désactivez les nœuds tiers et exécutez le plus petit flux de travail « cœur » disponible pour le même type de support.

Si le graphe central réussit, réactivez progressivement les groupes de nœuds personnalisés selon leur fonction : chargeurs de modèles, outils de conditionnement, utilitaires vidéo, interpolation, suréchantillonneurs, puis encodeurs. Dès que l’échec réapparaît, divisez à nouveau ce groupe. Enregistrez non seulement le nom affiché du nœud, mais aussi son dépôt et son commit correspondant.

Tester le navigateur séparément

L’interface utilisateur peut cesser d’afficher l’avancement même si le backend termine correctement son exécution. Rétablissez la connexion depuis un nouvel onglet de navigateur, puis inspectez la file d’attente ou l’historique avant d’interrompre le processus Python. Désactivez les extensions du navigateur pour un test donné, évitez de laisser plusieurs onglets contenant des flux de travail lourds ouverts simultanément, et comparez la version de l’interface utilisateur avec celle du backend. Un rafraîchissement du canevas qui restaure l’affichage du statut constitue une preuve d’un problème d’état d’affichage, et non une preuve que le GPU s’est bloqué.

Une image finale livrée doit conserver une apparence crédible de la peau, de la vapeur, de la texture alimentaire et des petits détails de la main après l’exécution complète du pipeline.

Exécuter un flux de travail de récupération validé

Après un redémarrage sécurisé, ne mettez pas immédiatement en file d’attente le graphe complet de production. Utilisez plutôt un flux de travail minimal qui a déjà abouti sur cette machine : un seul modèle, un court extrait vidéo, aucun nœud personnalisé optionnel, aucune interpolation, aucun suréchantillonnage, et un encodeur standard. Cela répond à la question la plus importante : le « stack » vidéo de l’installation fonctionne-t-il au moins partiellement ?

src=https://r2.seedance.tv/blog/comfyui-freezes-after-video-generation/known-good-motion-baseline-v1.mp4
poster=https://r2.seedance.tv/blog/comfyui-freezes-after-video-generation/known-good-motion-baseline-poster-v1.jpg
label=Base de référence courte et validée pour les tests de récupération ComfyUI

Une sortie animée de cinq secondes suffit pour valider la génération, le décodage, l’encodage et la lecture avant de reconstruire le graphe coûteux.

Restaurer le graphe par points de contrôle

Créez un fichier JSON sauvegardé pour chaque point de contrôle : 01-core, 02-loader, 03-conditioning, 04-post et 05-final. Ne mettez en file d’attente qu’un seul travail à la fois pendant le diagnostic. Lorsqu’un point de contrôle échoue, comparez sa sortie dans le terminal avec celle du point de contrôle précédent ayant réussi, puis supprimez la moitié des nœuds nouvellement ajoutés. Cette approche de recherche binaire est plus rapide que de modifier des indicateurs sans hypothèse préalable.

Si la file d’attente elle-même est à l’origine du problème, le guide de traitement par lots ComfyUI propose un modèle plus sûr pour des tâches indépendantes, des noms de sortie explicites et des lots reprendreables. Un élément ayant échoué ne devrait pas vous obliger à regénérer systématiquement tous les extraits déjà approuvés.

Choisir entre une récupération locale ou un flux de travail hébergé

ComfyUI local est précieux lorsque vous avez besoin de nœuds précis, de modèles personnalisés, d’un contrôle reproductible de l’environnement et d’un accès direct à la machine. Il vous rend également responsable de la compatibilité des pilotes, des dépendances Python, des commits des nœuds personnalisés, de la planification mémoire, de la journalisation et des redémarrages. Le bon choix dépend de savoir si ces contrôles font partie intégrante de votre avantage créatif ou constituent uniquement une surcharge opérationnelle.

Le guide comparatif IA vidéo local vs cloud fournit un cadre décisionnel pratique. Restez en local lorsque le graphe lui-même constitue un actif réutilisable et qu’une personne en assure la maintenance. Optez pour une solution hébergée lorsque l’équipe a principalement besoin de plans d’images approuvés, de références cohérentes, de réexécutions prévisibles et de livraisons fiables, plutôt que de devoir constamment réparer l’environnement.

Où s’inscrit Seedance Agent

Seedance Agent peut associer aux tâches de production les références, les plans de plans, les validations et les réexécutions, sans demander à l’éditeur de maintenir un vaste graphe de dépendances locales. Il ne permet toutefois pas de « guérir » une installation locale ComfyUI défectueuse. Il offre une voie alternative de production lorsque le diagnostic des pilotes, des nœuds et des encodeurs coûte plus cher que de relancer l’extrait concerné via un flux de travail géré.

Le transfert utile est sélectif : conservez la prompt approuvée, l’image source, le rapport hauteur/largeur, la durée, les exigences de mouvement et les éléments probants liés à l’échec. Régénérez uniquement l’unité rejetée, comparez-la avec la même liste de validation, puis renvoyez l’extrait accepté à l’étape d’édition.

Conclusion

Lorsque ComfyUI se bloque après la génération vidéo, identifiez d’abord si le navigateur, le backend, le nœud de post-traitement, l’encodeur, le pilote GPU ou l’ensemble du système d’exploitation s’est arrêté. Sauvegardez le flux de travail et les journaux, testez un court extrait validé, réduisez le nombre d’images avant d’augmenter la résolution, isolez les nœuds personnalisés par groupes, et restaurez progressivement le graphe via des points de contrôle nommés. Si la maintenance locale ne procure plus un contrôle utile, passez le prochain extrait approuvé vers un flux de travail Seedance géré →