ComfyUI con Docker y Conda: Crea entornos aislados y limpios

Si llevas más de una semana instalando nodos personalizados en ComfyUI, ya sabes de qué va esto. Un nodo exige torch 2.1. Otro necesita torch 2.4. Y de repente, nada arranca. El “Dependency Hell” no es una posibilidad: es una certeza cuando instalas ComfyUI directamente sobre tu sistema operativo. Empezar así es rápido. Mantenerlo, una tortura.

En esta guía aprenderás a resolver eso de raíz con Docker y Conda, las dos herramientas que usa la industria para crear entornos aislados. Si todavía no tienes la base instalada, empieza por nuestra guía de instalación en Windows.

⚡ ¿Por qué el aislamiento es vital en la IA?

Python es el lenguaje del caos por excelencia. Cada pack de nodos de ComfyUI (como Impact Pack o ControlNet Union) arrastra sus propios requisitos de librerías. Metes todo en un solo entorno y pasan tres cosas, sin excepción:

1. Conflictos de versiones: numpy, torch o xformers se pisan entre sí. El orden de instalación importa, y no siempre puedes controlarlo.
2. Corrupción del sistema: Un pip install ejecutado sin entorno puede sobrescribir librerías globales de tu Linux o Windows. Recuperarse de eso cuesta horas.
3. Portabilidad cero: Si cambias de máquina o quieres mover tu setup a un servidor en la nube, replicar ese entorno contaminado es una pesadilla sin documentación.

⚡ Opción A: Aislamiento con Conda (Miniconda)

Conda crea burbujas de Python completamente independientes. Para la mayoría de usuarios que trabajan en local, es la opción más directa: no tienes que lidiar con drivers ni con configuración de red. Creas el entorno, instalas, y funciona. Si algo explota, lo borras y empiezas de cero en menos de un minuto.

⚡ 1. Instalación de Miniconda

Descarga e instala Miniconda desde la web oficial de Anaconda. Es la versión ligera de Anaconda, sin los cientos de paquetes que no vas a usar. Una vez instalado, abre tu terminal y verifica:

conda --version

⚡ 2. Creación del entorno para ComfyUI

Crea un entorno específico llamado comfy-env con la versión de Python recomendada:

conda create -n comfy-env python=3.11 -y
conda activate comfy-env

⚡ 3. Instalación optimizada

Con el entorno activado, instala PyTorch con soporte CUDA. Este paso es el que marca la diferencia en GPUs NVIDIA:

conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

Ahora clona ComfyUI e instala sus dependencias con la certeza de que nada toca tu sistema principal. Si algo se rompe, un solo comando lo elimina todo: conda env remove -n comfy-env. Sin rastro. Sin reinstalar el sistema operativo. Sin buscar qué paquete dejó basura en /usr/local/lib.

⚡ Opción B: Aislamiento total con Docker

Docker va más lejos que Conda. No aisla solo Python: aisla el sistema operativo completo, las variables de entorno y los drivers de CUDA. Es la forma en que los profesionales desplegamos ComfyUI en servidores, precisamente porque el contenedor se comporta igual en tu portátil que en una instancia de AWS.

⚡ 1. Requisito crítico: Nvidia Container Toolkit

Docker no ve tu GPU por defecto. Para que el contenedor acceda a ella, instala el NVIDIA Container Toolkit en el host (Linux o WSL2), siguiendo la documentación oficial de Docker para el resto de la configuración. Sin este paso, todo lo demás falla en silencio:

# Ejemplo en Ubuntu
curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg
# ... (sigue las instrucciones oficiales de NVIDIA)

⚡ 2. El Dockerfile de ComfyLab

Aquí tienes una receta de Docker optimizada para ComfyUI:

FROM nvidia/cuda:12.1.1-runtime-ubuntu22.04

WORKDIR /app

RUN apt-get update && apt-get install -y python3 python3-pip git
RUN git clone https://github.com/comfyanonymous/ComfyUI.git .
RUN pip install --no-cache-dir torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
RUN pip install -r requirements.txt

EXPOSE 8188
CMD ["python3", "main.py", "--listen", "0.0.0.0"]

⚡ 3. Orquestación con Docker Compose

El problema de Docker puro es que los modelos desaparecen al cerrar el contenedor. docker-compose.yml resuelve eso mapeando volúmenes persistentes en tu disco:

services:
  comfylabs-ui:
    build: .
    container_name: comfylabs_container
    ports:
      - "8188:8188"
    volumes:
      - ./models:/app/models
      - ./output:/app/output
      - ./input:/app/input
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: all
              capabilities: [gpu]

Ejecuta docker-compose up -d y tendrás un servidor de ComfyUI corriendo en segundo plano, con los modelos guardados donde tú decides.

⚡ Comparativa: ¿Cuál elegir?

Para entender cómo interactúan estos entornos con los nodos que vas a instalar, lee nuestra guía sobre nodos esenciales de ComfyUI.

⚡ Conclusión y Próximos Pasos

El entorno importa tanto como el prompt. Con un sistema limpio puedes probar modelos como Wan 2.1 o Flux.1 sin el miedo constante a romper lo que ya funciona. Esa tranquilidad tiene un valor real cuando llevas horas ajustando un workflow.

Si una vez limpio el entorno quieres automatizar lo que haces en ComfyUI, mira cómo Claude Code puede orquestar tus Workflows.