Comfyui中为什么要使用CUDA加速insightface

        因为使用后，人脸识别、迁移速度更快，精度更高

        insightface、onnxruntime、CUDA、cuDNN之间的使用逻辑是什么？

        当你运行 insightface（ONNX 格式模型）时：onnxruntime-GPU 解析你的 insightface 模型，拆分出卷积、特征提取等计算任务；onnxruntime-GPU 调用 cuDNN，将这些计算任务交给 cuDNN 的优化函数；cuDNN 通过 CUDA 接口，把计算任务分配到 GPU 的并行计算核心上执行；最终 GPU 完成计算，将结果返回给 onnxruntime-GPU，再输出到 ComfyUI 中。

        即    底层是CUDA——GPU 的 “并行计算接口” ，中间层是cuDNN—— 基于 CUDA 的 “深度学习专用优化库”，上层是onnxruntime-GPU——“ONNX 模型的推理引擎”

        那么就需要安装CUDA、cudnn、onnxruntime，他们之间互相依赖，非常容易出现问题。

        安装环节问题归纳

        1.版本兼容问题

        首先查阅onnxruntime的官方网站有兼容详解，一定要兼容，否则无法正常运行

https://onnxruntime.ai/docs/execution-providers/CUDA-ExecutionProvider.html#requirements

        确定好版本后挨个下载，一定不要安装错误版本。

        2.环境变量问题

   系统变量CUDA_PATH_V12_4：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.4

注意：这个路径打开后一定要包含bin及其他文件

        Path变量C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.4\bin

        只需配置这两个环境变量即可。

        配置环境变量的目的是让系统找到 cuDNN 和 CUDA 的库文件。

     3.CUDA加载cuDNN库，

        需要将cuDNN路径下的bin、include、lib下的文件复制进CUDA路径下的对应文件夹中去（注意不要挪错位置、少挪文件），如下图所示。

bin下的文件结构

include下的文件结构

lib下的文件结构

        4.一定要删除onnxruntime  CPU版本，只留下GPU版本

        执行命令，查看目前有几个onnxruntime的版本，pip list | findstr "onnxruntime"

        正确结果示例：onnxruntime-gpu 1.18.0（以你的版本号为准）

        若仍显示onnxruntime（无-gpu后缀），说明 CPU 版未删干净，需重新执行卸载命令。

        进入python环境，执行卸载命令 pip uninstall onnxruntime -y ，

        然后再下载GPU版本的，命令pip install onnxruntime-gpu==1.18.0（以你的兼容版本号为准）

        5.验证环节

1.验证onnxruntime加载CUDA是否成功

        进入你的python环境，

        import onnxruntime as ort

        # 检查是否识别到CUDA执行提供者（依赖cuDNN）

        print("是否加载CUDA+cuDNN：", "CUDAExecutionProvider" in ort.get_available_providers())

        成功结果：输出True，说明 onnxruntime 已成功加载 CUDA 和 cuDNN。

2.验证insightface

        启动comfyui使用Face Analysis Models、IPAdapter Unified Loader faceID这两个节点并开启provider：CUDA，可明显看到运行速度变快，且人脸识别迁移精度更高。

        在不是CUDA之前，速度为100多秒（本环境为4090显卡）。