GPU Notebook

Contexte

Ce que j’ai construit

• Bancs ComfyUI et LLM en bibliothèque standard : durée murale, mémoire, hachage des images, froid et chaud séparés.
• Synthèse automatique : un script relit 16 fichiers de mesure (CSV, JSON, journaux) et écrit le tableau, les graphiques en français et en anglais, avec la source de chaque chiffre.
• Guide de dimensionnement : verdict par tâche, réglage qui marche, seuil de passage sur GPU dédié, cinq règles tirées des mesures.
• Détection des pièges de banc : cache d’exécution ComfyUI (1 s, image bit-identique), débit GPU qui chute au 3e appel.

Architecture 6 briques

1. 01 · EntréeConditionsMachine, versions, graphe et réglages enregistrés
2. 02 · OutilBanc ComfyUItxt2img, durée murale, mémoire, hachage des images
3. 03 · OutilBanc LLMllama-server, Metal contre CPU, cache de prompt coupé
4. 04 · DonnéesMesuresCSV et JSON, une valeur par run, froid et chaud
5. 05 · OutilSynthèse16 fichiers relus dans 7 projets, source de chaque chiffre gardée
6. 06 · SortieGuide de dimensionnementVerdict par tâche, graphiques FR/EN, seuils GPU dédié

Fabrication 4 étapes

1. MesurerChaque projet écrit ses durées et pics mémoire.
2. RelireLe script retrouve les 18 mesures dans leurs fichiers.
3. ComparerGraphiques durée et mémoire, FR et EN.
4. ConseillerVerdict par tâche et seuils de passage.

Décisions le choix, la raison, l’alternative écartée

1. D1
   Publier chaque run séparément, sans percentile sur quatre valeurs.

   Une médiane cacherait l’écroulement du débit GPU dès le 3e appel chaud (52,9 → 30,0 → 28,2 tok/s).

   ÉcartéDes moyennes ou des percentiles.

2. D2
   Détecter le cache d’exécution de ComfyUI et l’exclure des moyennes.

   Un graphe déjà calculé revient en 1 s avec une image bit-identique : un piège classique de banc.

   ÉcartéTout moyenner sans contrôle.

3. D3
   llama.cpp (llama-server) avec Qwen2.5-3B Q4_K_M, température 0, cache de prompt désactivé.

   Le même serveur bascule entre GPU et CPU : les deux séries se comparent à conditions identiques.

   ÉcartéOllama, écarté.

4. D4
   Relire les chiffres dans les fichiers de mesure au lieu de les recopier.

   Un guide de dimensionnement n’a de valeur que si chaque chiffre se retrouve dans sa source ; la synthèse se régénère après chaque nouvelle série.

   ÉcartéUn tableau saisi à la main.

5. D5
   Distinguer mémoire du processus et tampons Metal.

   Chaque chiffre mémoire est étiqueté pour ce qu’il mesure : aucune valeur n’est présentée comme mémoire GPU sans mesure dédiée.

Résultats

Livrables 4

• Banc ComfyUI et banc LLM en Python, bibliothèque standard.
• Quatre séries mesurées : SD 1.5 validation et à chaud, LLM sur Metal et sur CPU.
• Conditions complètes de chaque série : versions, graphe, réglages.
• Guide de dimensionnement, tableau de synthèse sourcé et deux graphiques en français et en anglais, régénérés en une commande.

Environnement

Reproduire commandes du README

Code privé : accès en lecture sous accord de confidentialité, ou démo en direct de 30 minutes. Demander l’accès →

cd portfolio/projets/p06-gpu-notebook
python3 guide/synthese.py   # tableau + graphiques FR/EN, < 1 s

# nouvelle série image (ComfyUI lancé sur le port 8188) :
cd banc
python3 banc-comfyui.py --seeds 404,505,606 --steps 20 \
  --prompt "wet dark basalt rock close-up, hard raking light, fine mist, mineral texture, photorealistic" \
  --out ../mesures/AAAA-MM-JJ_nom-de-serie

• MacBook Pro M1 Pro 16 Go, ComfyUI 0.41.0, PyTorch sur MPS.
• Durées mesurées sur un poste de travail réel : les écarts min–max sont affichés.

Galerie 2

GPU Notebook01 / 02

GPU Notebook02 / 02