InvokeAI

InvokeAI professionelle Stable Diffusion-Toolbox mit nodenbasierter Leinwand auf Clore.ai-GPUs ausführen

InvokeAI ist ein professionelles Stable Diffusion-Toolkit mit einem erweiterten, node-basierten Canvas-Editor, voller SDXL/SD1.5/SD2.x-Unterstützung, ControlNet, IP-Adapter, LoRA-Verwaltung und einer ausgereiften Web-Oberfläche. Es ist für Künstler und kreative Profis konzipiert, die präzise Kontrolle über ihren Bildgenerierungs-Workflow benötigen. CLORE.AIs GPUs mit viel VRAM ermöglichen es Ihnen, SDXL in voller Auflösung mit mehreren ControlNets gleichzeitig auszuführen.

Alle Beispiele können auf GPU-Servern ausgeführt werden, die über CLORE.AI Marketplace.

Serveranforderungen

Parameter	Minimum	Empfohlen
RAM	12 GB	32 GB+
VRAM	6 GB	12 GB+
Festplatte	40 GB	200 GB+
GPU	NVIDIA GTX 1060 6GB+	RTX 3090, RTX 4090, A100

Für SDXL (1024×1024) ohne Kompromisse werden 12 GB VRAM empfohlen. Für SD1.5 (512×512 oder 768×768) sind 6 GB VRAM ausreichend. Mehr VRAM = höhere Auflösung, schnellere Generierung und mehr ControlNets gleichzeitig.

Schnelle Bereitstellung auf CLORE.AI

Docker-Image: ghcr.io/invoke-ai/invokeai:latest

Ports: 22/tcp, 9090/http

Umgebungsvariablen:

Variable	Beispiel	Beschreibung
INVOKEAI_ROOT	/invokeai	Stammverzeichnis für Modelle und Ausgaben

Schritt-für-Schritt-Einrichtung

1. Mieten Sie einen GPU-Server auf CLORE.AI

Besuchen Sie CLORE.AI Marketplace und suchen Sie nach:

• Budget-für-kreative-Arbeiten: RTX 3080/3090 (10–24 GB VRAM)

• Professionelles SDXL: RTX 4090 (24 GB VRAM)

• Maximale Qualität: A100 80GB — mehrere Modelle gleichzeitig ausführen

2. SSH auf Ihren Server

ssh -p <PORT> root@<SERVER_IP>

3. Erstellen Sie die InvokeAI-Verzeichnisstruktur

mkdir -p /root/invokeai

4. Ziehen Sie das InvokeAI-Docker-Image

docker pull ghcr.io/invoke-ai/invokeai:latest

5. Starten Sie InvokeAI

Basisstart:

docker run -d \
  --name invokeai \
  --gpus all \
  -p 9090:9090 \
  -v /root/invokeai:/invokeai \
  -e INVOKEAI_ROOT=/invokeai \
  ghcr.io/invoke-ai/invokeai:latest \
  invokeai-web --host 0.0.0.0 --port 9090

Mit benutzerdefiniertem Root und erhöhten Ressourcen:

docker run -d \
  --name invokeai \
  --gpus all \
  --shm-size 8g \
  -p 9090:9090 \
  -v /root/invokeai:/invokeai \
  -v /root/models:/root/models \
  -e INVOKEAI_ROOT=/invokeai \
  ghcr.io/invoke-ai/invokeai:latest \
  invokeai-web --host 0.0.0.0 --port 9090

Mit spezifischer GPU (Multi-GPU-Server):

docker run -d \
  --name invokeai \
  --gpus '"device=0"' \
  -p 9090:9090 \
  -v /root/invokeai:/invokeai \
  -e INVOKEAI_ROOT=/invokeai \
  -e CUDA_VISIBLE_DEVICES=0 \
  ghcr.io/invoke-ai/invokeai:latest \
  invokeai-web --host 0.0.0.0 --port 9090

6. Warten Sie auf die Initialisierung

docker logs -f invokeai

Achten Sie auf: Uvicorn running on http://0.0.0.0:9090

7. Zugriff über CLORE.AI HTTP-Proxy

Öffnen Sie Ihr CLORE.AI-Dashboard und finden Sie die http_pub URL für Port 9090:

https://<order-id>-9090.clore.ai/

Dies öffnet die vollständige InvokeAI-Weboberfläche in Ihrem Browser.

8. Laden Sie Ihr erstes Modell herunter

In der InvokeAI-Oberfläche:

1. Klicken Sie Model Manager (Würfel-Symbol in der linken Seitenleiste)

2. Klicken Sie Modell hinzufügen → HuggingFace

3. Geben Sie die Modell-ID ein (z. B., stabilityai/stable-diffusion-xl-base-1.0)

4. Klicken Sie Modell hinzufügen

Oder laden Sie direkt von CivitAI herunter:

1. Gehen Sie zu Model Manager → Add Model → URL

2. Fügen Sie die CivitAI-Download-URL ein

3. Stellen Sie den Modelltyp ein (Checkpoint, LoRA, usw.)

---

Beispielanwendungen

Beispiel 1: Basis-Bilderzeugung über die Web-Oberfläche

1. Öffnen Sie InvokeAI unter Ihrer CLORE.AI http_pub-URL

2. Klicken Sie Text zu Bild im Workflow-Selector

3. Geben Sie ein Prompt ein: "a majestic dragon perched on a crystal mountain, digital art, 4k"

4. Setzen Sie den negativen Prompt: "blurry, low quality, watermark"

5. Stellen Sie die Auflösung ein auf 1024x1024 (SDXL) oder 512x512 (SD1.5)

6. Klicken Sie Ausführen

Beispiel 2: Verwendung des node-basierten Canvas

Der Workflow-Editor ist InvokeAIs charakteristisches Feature:

1. Klicken Sie Workflows in der oberen Navigation

2. Klicken Sie Neuer Workflow

3. Knoten hinzufügen: Text → Bild, verbinden mit Bild speichern

4. Fügen Sie einen ControlNet Knoten für geführte Generierung hinzu:

   • Rechtsklick → Knoten hinzufügen → ControlNet

   • Verbinden Sie Ihr Referenzbild

   • Prozessor auswählen: Canny, Depth, Pose, usw.

5. Klicken Sie Ausführen um die gesamte Pipeline auszuführen

Beispiel 3: LoRA-Verwendung

1. Laden Sie eine LoRA von CivitAI herunter (über Model Manager → URL-Import)

2. Im Generierungs-Panel finden Sie LoRA Abschnitt

3. Klicken Sie + und wählen Ihre LoRA aus

4. Gewicht einstellen (typisch 0.5–1.0)

5. Fügen Sie das Trigger-Wort zum Prompt hinzu (auf der CivitAI-Modellseite aufgeführt)

Beispiel-Prompt mit LoRA-Trigger:

portrait of a woman, <lora:detail-tweaker:0.8>, hyperrealistic, studio lighting

Beispiel 4: Verwendung des IP-Adapters für Stilübertragung

1. Aktivieren Sie IP-Adapter im Generierungs-Panel

2. Laden Sie ein Referenzstilbild hoch

3. Gewicht einstellen (0.5 = subtile Einflussnahme, 1.0 = starker Einfluss)

4. Generieren Sie mit beliebigem Prompt — die Ausgabe passt sich dem Referenzstil an

Beispiel 5: API-Verwendung (Headless)

InvokeAI stellt eine REST-API für die programmgesteuerte Nutzung bereit:

import requests
import time
import base64

BASE_URL = "http://localhost:9090"  # oder Ihre CLORE.AI http_pub-URL

# Verfügbare Modelle auflisten
models = requests.get(f"{BASE_URL}/api/v1/models").json()
print("Available models:", [m["name"] for m in models.get("items", [])])

# Eine Generierung in die Warteschlange stellen
payload = {
    "batch": {
        "graph": {
            "nodes": {
                "text_encoder": {
                    "type": "compel",
                    "id": "text_encoder",
                    "prompt": "a futuristic city at sunset, photorealistic",
                },
                "noise": {
                    "type": "noise",
                    "id": "noise",
                    "width": 1024,
                    "height": 1024,
                    "seed": 42,
                },
                "denoise_latents": {
                    "type": "denoise_latents",
                    "id": "denoise_latents",
                    "steps": 30,
                    "cfg_scale": 7.5,
                    "scheduler": "dpmpp_2m",
                },
                "l2i": {
                    "type": "l2i",
                    "id": "l2i",
                },
            },
            "edges": [],
        }
    }
}

# Einfacher: Verwenden Sie die Queue-API
response = requests.post(f"{BASE_URL}/api/v1/queue/default/enqueue_batch", json=payload)
print(response.status_code)

---

Konfiguration

invokeai.yaml Konfigurationsdatei

Zu finden unter /root/invokeai/invokeai.yaml:

InvokeAI:
  Web-Server:
    host: 0.0.0.0
    port: 9090
    allow_origins: []
    
  Funktionen:
    esrgan: true          # ESRGAN Upscaling
    internet_available: true
    
  Speicher/Leistung:
    ram: 12.0             # Max. RAM für Modell-Cache (GB)
    vram: 0.25            # Anteil des VRAM für Modell-Cache
    lazy_offload: true    # Modelle auf CPU auslagern, wenn sie nicht verwendet werden
    
  Pfad:
    models_path: /invokeai/models
    db_path: /invokeai/databases/invokeai.db
    outdir: /invokeai/outputs

Empfohlene Einstellungen nach GPU

RTX 3090 / 4090 (24 GB VRAM):

Speicher/Leistung:
  ram: 24.0
  vram: 0.5   # 50% für aktives Modell reservieren
  lazy_offload: false  # Nicht auslagern — genügend VRAM

RTX 3080 (10 GB VRAM):

Speicher/Leistung:
  ram: 16.0
  vram: 0.25
  lazy_offload: true

Kleinere GPUs (6-8 GB VRAM):

Speicher/Leistung:
  ram: 8.0
  vram: 0.1
  lazy_offload: true

---

Leistungs-Tipps

1. Verwenden Sie SDXL-Turbo oder SDXL-Lightning für schnelle Generierung

Statt SDXL base (25–50 Schritte) verwenden Sie:

• SDXL-Turbo: 1–4 Schritte, Echtzeit-Generierung

• SDXL-Lightning: 4–8 Schritte, nahezu SDXL-Qualität

Herunterladen über Model Manager → HuggingFace:

• stabilityai/sdxl-turbo

• ByteDance/SDXL-Lightning

2. Wählen Sie den richtigen Scheduler

Scheduler	Qualität	Geschwindigkeit	Am besten für
euler_a	Gut	Schnell	Allgemeiner Gebrauch
dpmpp_2m	Ausgezeichnet	Schnell	Fotorealistische Ergebnisse
dpmpp_2m_sde	Ausgezeichnet	Mittel	Hohe Details
ddim	Gut	Schnell	Inpainting
lms	Gut	Schnell	Künstlerische Stile

3. Aktivieren Sie xFormers Memory Optimization

InvokeAI aktiviert dies automatisch, wenn verfügbar. Überprüfen Sie die Logs:

xFormers is available

4. Verwenden Sie Modell-Caching

Halten Sie Ihre am häufigsten verwendeten Modelle im Cache. In invokeai.yaml:

ram: 32.0  # Größer = mehr Modelle im Cache

5. Kacheln für hohe Auflösungen

Für Bilder, die größer sind als Ihr VRAM zulässt (z. B. 2048×2048 auf einer 12-GB-GPU):

• Verwenden Sie Tiled VAE im Workflow-Editor

• Oder erzeugen Sie bei 1024×1024 und skalieren dann mit ESRGAN

---

Fehlerbehebung

Problem: "CUDA out of memory"

RuntimeError: CUDA out of memory

Lösungen:

1. Niedrigere Auflösung (1024→768 oder 512)

2. Batch-Größe auf 1 reduzieren

3. Lazy-Offloading in invokeai.yaml aktivieren

4. Ein kleineres Modell verwenden (SD1.5 statt SDXL)

Problem: Web-Oberfläche nicht erreichbar

# Prüfen, ob der Container läuft
docker ps | grep invokeai

# Prüfen Sie die Logs auf Fehler
docker logs invokeai 2>&1 | tail -50

# Überprüfen Sie die Port-Zuordnung
docker port invokeai

Stellen Sie sicher, dass Port 9090 in der Port-Konfiguration Ihrer CLORE.AI-Bestellung aufgeführt ist.

Problem: Modell-Download schlägt im Container fehl

# Manuell per exec herunterladen
docker exec -it invokeai bash
cd /invokeai/models/main
wget "https://civitai.com/api/download/models/XXX" -O mymodel.safetensors

Problem: Langsame Generierung (< 1 it/s)

• Prüfen Sie die GPU-Auslastung: docker exec -it invokeai nvidia-smi

• Stellen Sie sicher, dass xFormers in den Logs aktiviert ist

• Versuchen Sie euler_a scheduler (schnellster)

Problem: Schwarze/defekte Bilder

Meist ein VAE-Problem. Versuchen Sie:

1. Model Manager → Modell bearbeiten → VAE ändern zu sdxl-vae-fp16-fix

2. Oder fügen Sie hinzu --fp32-vae Flag

Problem: Container startet nicht

docker logs invokeai
# Häufig: Port 9090 bereits in Gebrauch
# Behebung:
docker stop $(docker ps -q --filter "publish=9090")
docker start invokeai

---

Links

• GitHub

• Dokumentation

• Docker Hub / GHCR

• CivitAI (Modelle)

• CLORE.AI Marketplace

---

Clore.ai GPU-Empfehlungen

Anwendungsfall	Empfohlene GPU	Geschätzte Kosten auf Clore.ai
Entwicklung/Tests	RTX 3090 (24GB)	~$0.12/gpu/hr
Produktion	RTX 4090 (24GB)	~$0.70/gpu/hr
Großmaßstab	A100 80GB	~$1.20/gpu/hr

💡 Alle Beispiele in diesem Leitfaden können bereitgestellt werden auf Clore.ai GPU-Servern. Durchsuchen Sie verfügbare GPUs und mieten Sie stundenweise — keine Verpflichtungen, voller Root-Zugriff.