Stable Diffusion na 4 GB VRAM: Skúsenosť s GTX 1050 Ti

V apríli 2026 som sa rozhodol otestovať, ako ďaleko sa dá zájsť s lokálnym generovaním AI obrázkov a videí na staršom hardvéri – konkrétne na zostave s Ryzen 5 2400G, 24 GB RAM a NVIDIA GTX 1050 Ti 4 GB.

Prečo som to vôbec skúšal

Chcel som úplne lokálne riešenie bez mesačných poplatkov za cloud. Očakával som slušné fotorealistické obrázky a aspoň základné krátke videá s realistickým pohybom. Monitor bol v tom čase pripojený cez VGA na integrovanú grafiku, takže NVIDIA karta bola voľná na výpočty.

Prvé kroky s Automatic1111 WebUI

Začal som najobľúbenejším nástrojom – Automatic1111 Stable Diffusion WebUI. Inštalácia priniesla hneď niekoľko klasických problémov: chyby pri inštalácii CLIP modelu, problémy so setuptools a neskôr aj chýbajúci repozitár Stability-AI.

Po niekoľkých hodinách ladenia sa však WebUI podarilo spustiť s parametrami --lowvram --xformers.

Kvalita obrázkov na 4 GB VRAM

Po nahradení základného modelu za Realistic Vision V6.0 sa výsledky výrazne zlepšili. Portréty v rozlíšení 512×768 vychádzali veľmi slušne – prirodzená pleť, detaily očí a pekné osvetlenie. Jeden obrázok trval 20–60 sekúnd.

Na 4 GB VRAM to išlo spoľahlivo, ak som dodržiaval rozlíšenie 512×512 alebo 512×768.

Prechod na videá a ComfyUI

Keďže Deforum produkovala skôr umelecké morphingy ako realistický pohyb, prešiel som na ComfyUI s rozšírením AnimateDiff Evolved.

Inštalácia bola opäť náročnejšia – vytvorenie nového venv, správna verzia PyTorch pre CUDA 13.0, inštalácia ComfyUI-Manager, AnimateDiff Evolved a VideoHelperSuite. Stiahli sme motion module mm_sd_v15_v2.ckpt.

Realita node-based workflowov

ComfyUI je extrémne výkonný, ale pre bežného používateľa veľmi neintuitívny. Pracovať s workflowmi vyžaduje manuálne prepájanie nodov, riešenie chýbajúcich modelov a časté reštarty. Aj pri hotovom img2vid workflowe som musel ručne nastavovať modely a parametre.

Limity 4 GB VRAM pri generovaní videí

Tu prišla najväčšia realita projektu. Krátke videá (8–16 snímok, približne 0,3–0,7 sekundy) sa dali vygenerovať s prijateľnou kvalitou realistického pohybu. Dlhšie klipy alebo vyššie rozlíšenia však rýchlo narazili na chyby Out of Memory alebo extrémne pomalý výkon.

Podľa komunity v roku 2026 sa pohodlná práca s AI videami začína až na 6–8 GB VRAM.

Čo som sa naučil a aké sú dopady na bežných používateľov

Celý proces mi zabral desiatky hodín ladenia, hľadania riešení a testovania. Ukázalo sa, že open-source AI nástroje sú stále primárne určené pre technicky zdatných používateľov alebo majiteľov výkonného hardvéru.

Bežný používateľ s bežným PC často narazí na podobnú frustráciu – chaotické rozhrania, neustále problémy s kompatibilitou a dlhý čas strávený inštaláciou namiesto tvorby.

Zhrnutie – stojí to za to?

Áno, ale len s jasnými očakávaniami.

Na GTX 1050 Ti 4 GB VRAM dokážete vytvárať veľmi pekné fotorealistické obrázky a krátke realistické video klipy (do 1 sekundy). Na dlhšie a kvalitnejšie videá už 4 GB nestačí.

Ak máte chuť experimentovať a radi riešite technické výzvy, choďte do toho. Ak hľadáte jednoduchosť a rýchlosť, zvážte cloudové riešenia alebo počkajte na lacnejší hardvér s vyššou VRAM.

Porovnanie

Základný model v1-5-pruned-emaonly.safetensors z roku 2022.

Prompt: photo of a young woman, detailed face, realistic skin, natural lighting, portrait, 8k

Negative prompt: blurry, deformed, ugly, low quality, bad anatomy, watermark

To už je tento model : realisticVisionV60B1

Prompt: photo of a young woman with freckles, detailed realistic face, natural skin texture, beautiful detailed eyes, autumn park background, soft bokeh, golden hour lighting, highly detailed, 8k, masterpiece, best quality

Negative prompt: blurry, deformed, ugly, low quality, bad anatomy, extra limbs, watermark, text, overexposed, underexposed

Autor: Používateľ s dlhoročnou skúsenosťou so Linuxom a hardvérom, ktorý sa pokúsil pretlačiť hranice svojho staršieho PC.