AUTOMATIC1111 VRAM zu wenig

Der Fehler "AUTOMATIC1111 VRAM zu wenig" bedeutet meist, dass das ausgewählte Modell, die gewünschte Auflösung oder die aktuelle Konfiguration mehr GPU-Speicher verlangt, als deine Grafikkarte hat. Du kannst das in der WebUI mit Low-/Med-VRAM-Flags, Modell- und Batch-Änderungen, XFormers/BnB/8bit-Optimierungen und GPU-Treiber-/CUDA-Checks deutlich reduzieren — die Anleitung unten zeigt konkrete Schritte.

Voraussetzungen

Linux mit installiertem NVIDIA-Treiber (oder AMD/Intel mit passenden OpenCL/Vulkan-Treibern; Anleitungen unterscheiden sich).
Python 3.10–3.11 empfohlen für AUTOMATIC1111 (prüfe Repo-Readme).
Du nutzt die AUTOMATIC1111 WebUI (lokales Repo/Clone).
Hinweis zu Modellen: Prüfe Lizenz/Verwendungsrechte jedes Modells (z. B. SD-v1.4/1.5, v2.x haben unterschiedliche Lizenzen). Keine pauschale Freigabe für alle Zwecke.

Schritt 1: Hardware- und Treiber-Check

Prüfe zuerst, wie viel VRAM verfügbar ist und ob Treiber/CUDA korrekt sind:

nvidia-smi
python -c "import torch; print(torch.cuda.is_available(), torch.cuda.mem_get_info() if torch.cuda.is_available() else None)"

Wenn nvidia-smi fehlt oder falsche Treiberversion meldet, installiere/nachrüste den Treiber passend zu deiner CUDA-Version. Beispiel (Debian/Ubuntu; ersetze Version passend): WARNUNG: Systemänderung; vorher Backup wichtiger Daten empfehlen.

sudo apt update
sudo apt install nvidia-driver-535
sudo reboot

Treiber-/CUDA-Installation ist distributionsabhängig — die Befehle hier sind Beispiele.

Schritt 2: Automatische WebUI-Flags (schnellste Maßnahme)

Starte WebUI mit niedrigem Speicherverbrauch:

–medvram: Verwendet mehr CPU-Offload, reduziert VRAM.
–lowvram: Aggressivere Strategien, langsamer.
–no-half: Deaktiviert fp16 und kann helfen, wenn half Probleme macht. (Meistens mehr VRAM, also vorsichtig testen.)

Beispiel-Start:

# im AUTOMATIC1111-Repo-Ordner
python launch.py --medvram
# oder
python launch.py --lowvram --no-half

Teste zuerst --medvram. Wenn immer noch OOM (Out of Memory), versuche --lowvram plus kleinere Auflösung/Batch.

Schritt 3: Modelle, Auflösung und Batchgröße anpassen

Wähle kleinere Modelle (z. B. 512 vs. 768) oder pruned/compact-Varianten. Achte auf Lizenz.
Reduziere Bildauflösung (z. B. 512x512 statt 1024x1024).
Batchgröße auf 1 setzen. In der WebUI: Sampler/Size/Batch entsprechend anpassen.

Schritt 4: Speicher optimieren: xformers, bitsandbytes, 8-bit

xformers kann VRAM sparen, ist aber CUDA-/PyTorch-versionsabhängig. Versuche vorinstallierte Wheels oder optimiere lokal:

Prüfe PyTorch + CUDA-Version:

python -c "import torch; print(torch.__version__, torch.version.cuda)"

Installieren (Beispiel-Pattern; ersetze mit korrekter Version): WARNUNG: Paketinstallation ändert Systemumgebung; vorher virtuelle Umgebung oder Backup empfohlen.

pip install --upgrade pip
# xformers-Wheel passend zu CUDA/PyTorch ankaufen oder bauen; Beispiel (kann fehlschlagen):
pip install xformers
# bitsandbytes für 8-bit-Quantisierung
pip install bitsandbytes

Wenn xformers nicht installierbar ist, kannst du die WebUI auch ohne verwenden, dann fällt diese Option weg.

Schritt 5: CPU-Offload / Stable Diffusion-Specific Offloading

Neuere WebUI-Versionen und Accelerate ermöglichen Offload von Teilen des Modells auf CPU. In launch-Einstellungen (settings oder launch.py-Flags) aktivieren bzw. --medvram nutzt ähnliche Mechanismen. CPU-Offload ist langsam, reduziert aber VRAM-Bedarf.

Schritt 6: Swap/SSD-Pagefile als letzte Option

Tauschspeicher kann verhindern, dass Prozesse crashen, macht sie aber deutlich langsamer. WARNUNG: Swap auf einer SSD erhöht Schreibzyklen; bei aktivem System vorher Backup wichtiger Daten.

sudo fallocate -l 16G /swapfile
sudo chmod 600 /swapfile
sudo mkswap /swapfile
sudo swapon /swapfile
# dauerhaft in /etc/fstab eintragen

Swap ist Notlösung, nicht Ersatz für echte VRAM-Kapazität.

Schritt 7: Speicher freigeben und Debugging

Vor dem Neustart der WebUI GPU-Speicher freimachen:

# in Python-Session oder als kurzes Script
import torch
torch.cuda.empty_cache()

Wenn ein Crash auftritt, prüfe Logs:

# WebUI Log
tail -n 200 webui-user.log
# System-GPU-Status
nvidia-smi -q -d MEMORY

Häufige Fehler & Hinweise

Fehler: Installation bricht wegen falscher Python-Version ab → Verwende empfohlenen Python (3.10–3.11) in einer venv.
Fehler: xformers-Build schlägt fehl → Suche nach vorgefertigten Wheels für genau deine CUDA+PyTorch-Kombination.
Modell-Lizenz: Nicht alle Modelle sind für kommerzielle Nutzung frei — lies die Lizenzdatei jedes Modells.
Docker: Wenn du Docker/Podman nutzt, unterscheidet sich Speicher-Handling; setze GPU-Optionen korrekt (z. B. –gpus all). Öffne Docker-Socket nicht unnötig ohne Sicherheitsbedenken.

Zerstörerische Befehle

WARNUNG: Der folgende Befehl entfernt Docker-Images, Container und Volumes; vor Ausführung Backup wichtiger Daten erstellen.

# Beispiel: löscht viele Docker-Daten
docker system prune --all --volumes

Hinweis: Diese Anleitung kann nicht alle Distributionen/Hardware-Konstellationen abdecken. Wenn Probleme bleiben: nenne Kernel-, GPU-, CUDA-, PyTorch- und WebUI-Version im Fehlerbericht, damit gezieltere Hilfe möglich ist.

Kommst du an dieser Stelle nicht weiter oder funktioniert ein Schritt bei dir anders als beschrieben? Schreib uns einfach kurz, woran es hakt – schreib uns eine E-Mail, wir schauen es uns gemeinsam an.

Passende Themen

Häufige Fragen

Wie viel VRAM brauche ich für AUTOMATIC1111?

Das hängt vom Modell und der Bildauflösung ab. Mit wenig VRAM sind kleinere Auflösungen oder optimierte Einstellungen nötig, sonst kann es zu Abstürzen kommen.

Darf ich jedes Stable-Diffusion-Modell frei nutzen?

Nein, das hängt von der jeweiligen Modell-Lizenz ab. Vor kommerzieller Nutzung lohnt sich immer ein Blick in die konkreten Lizenzbedingungen des Modells.

Ist die Docker-Installation von AUTOMATIC1111 schwieriger als die native Installation?

Sie hat einen anderen Einstieg (Container statt lokaler Python-Umgebung), ist aber oft weniger anfällig für Versionskonflikte. Beide Wege haben Vor- und Nachteile.