基于 Docker 在 NVIDIA 5090 上部署 ComfyUI 与 Stable-Diffusion-Webui

4. 验证 Docker 是否能调用 GPU

运行一个基于 CUDA 的 nvidia-smi 命令来最终确认：

sudo docker run --rm --gpus all nvidia/cuda:12.4.0-base-ubuntu22.04 nvidia-smi

如果您能在此容器的输出中看到您的 NVIDIA 5090 显卡信息，那么恭喜您，环境已准备就绪！

解决 RTX 5090 (Blackwell) 兼容性问题

解决在 NVIDIA GeForce RTX 5090 (Blackwell 架构) 上遇到的 sm_120 不兼容和 no kernel image is available 错误。

NVIDIA GeForce RTX 5090 with CUDA capability sm_120 is not compatible with the current PyTorch installation. The current PyTorch install supports CUDA capabilities sm_50 sm_60 sm_61 sm_70 sm_75 sm_80 sm_86 sm_90. ... RuntimeError: CUDA error: no kernel image is available for execution on the device

• 核心问题： RTX 4090 和 RTX 5090 的底层架构不同，4090 用的是 Ada Lovelace 架构，而 5090 用的是全新 Blackwell 架构，torch 库不兼容。目前的 PyTorch 官方版本还没完全支持 5090 的 Blackwell 核心。
• 解决方案： 我们将自定义构建一个 Docker 镜像，使用包含 CUDA 12.8 开发工具的 NVIDIA 官方镜像作为基础，并安装支持 cu128 的 PyTorch Nightly（日更版）。该版本已经开始支持 5090 的 Blackwell 架构，能凑合用。缺点是不够稳定，可能偶尔出点小问题，但基本能跑起来。
• 终极方案： 等 PyTorch 官方支持 5090 的稳定版（可能要几个月），到时直接用官方版本最省心。

Docker 部署 Stable-Diffusion-Webui (v1.10.1)

安装 Git：sudo apt-get install -y git

步骤一：克隆 Stable-Diffusion-Webui 源码

我们首先需要获取 A1111 特定版本 的源码。

# 1. 选择一个工作目录，例如 ~/aigc_sd_webui
mkdir -p ~/aigc_sd_webui
cd ~/aigc_sd_webui
# 2. 克隆指定的 v1.10.1 版本 (也可以使用最新版)
git clone -b v1.10.1 https://github.com/AUTOMATIC1111/stable-diffusion-webui.git

注意： 后续所有操作（除非另有说明）都在 ~/aigc_sd_webui 这个目录中执行。

步骤二：创建自定义 Dockerfile

这是解决兼容性问题的核心。在 aigc_sd_webui (stable-diffusion-webui 目录同级) 下，创建一个名为 Dockerfile 的文件。

# --- Base Image ---
# Start from the official NVIDIA CUDA development image for Ubuntu 20.04
FROM nvidia/cuda:12.8.0-devel-ubuntu20.04

# --- Environment Variables ---
# Set all ENV vars at the top for clarity and configuration management.
ENV DEBIAN_FRONTEND=noninteractive
ENV TZ=Asia/Shanghai
ENV HF_ENDPOINT=https://hf-mirror.com
# ENV HF_ENDPOINT=https://huggingface.co

# Add the virtual environment's bin directory to the PATH.
# This allows you to run `python` and `pip` directly without the full path.
ENV PATH="/app/venv/bin:$PATH"

# --- System-Level Dependencies ---
# Combine all apt commands into a single RUN layer to reduce image size.
RUN apt-get update && \
    apt-get install -y --no-install-recommends software-properties-common && \
    # Add the PPA for Python 3.10
    add-apt-repository ppa:deadsnakes/ppa && \
    add-apt-repository ppa:git-core/ppa && \
    apt-get update && \
    # Install all required system packages from all stages at once.
    apt-get install -y --no-install-recommends \
        git \
        wget \
        python3.10 \
        python3.10-dev \
        python3.10-venv \
        python3-pip \
        build-essential \
        libgl1-mesa-glx \
        libglib2.0-0 \
        nscd \
        vim \
        # Add the dependencies for pycairo (needed by svglib)
        libcairo2-dev \
        pkg-config \
        # Clean up the apt cache to keep the final image lean.
        && rm -rf /var/lib/apt/lists/*

# 配置 Git 信任所有挂载的目录。* 是一个通配符，可以让这个设置对您将来添加的任何插件都生效。
RUN git config --global --add safe.directory '*'

# --- Python Environment & Dependencies ---
# Set the working directory for the application.
WORKDIR /app

# Create the virtual environment and install all Python packages in one layer.
# This optimizes Docker's caching, as this layer only rebuilds if dependencies change.
RUN python3.10 -m venv venv && \
    # Configure pip to use mirror URLs for faster downloads.
    pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple && \
    pip config set global.extra-index-url https://download.pytorch.org/whl/nightly/cu128 && \
    # Upgrade pip and install all packages using --no-cache-dir to reduce image size.
    pip install --no-cache-dir --upgrade pip && \
    # Install PyTorch
    pip install --no-cache-dir --pre torch torchvision torchaudio --index-url https://download.pytorch.org/whl/nightly/cu128 && \
    # Install transformers, diffusers, and other packages
    pip install --no-cache-dir \
        transformers==4.30.2 \
        diffusers==0.30.0 \
        accelerate \
        xformers \
        open-clip-torch \
        chardet \
        fastapi \
        PyExecJS \
        lxml \
        tqdm \
        pathos \
        cryptography \
        openai \
        boto3 \
        aliyun-python-sdk-core \
        aliyun-python-sdk-alimt \
        svglib \
        insightface

# --- Application Code & Data ---
# Copy the application source code. Changes to these files will invalidate the cache from this point onward.
# 【最终优化】使用 git clone 代替 ADD，确保 .git 目录存在
# RUN git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git /app
ADD stable-diffusion-webui/ .

# WORKDIR /app
# You can uncomment the line below if you consolidate your pip packages into a requirements file.
RUN pip install --no-cache-dir -r requirements_versions.txt

# --- Runtime Configuration ---
# Expose the port the application will listen on.
EXPOSE 7860

# Define the default command to execute when the container starts.
CMD [
    "python", "launch.py",
    "--listen",
    "--port", "7860",
    "--xformers",
    "--enable-insecure-extension-access",
    "--api",
    "--skip-version-check"
]

保存并退出文件。

步骤三：构建 Docker 镜像

现在我们使用上一步创建的 Dockerfile 来构建本地镜像。

# 在 aigc_sd_webui 目录下执行
# -t 后面是 "镜像名称：标签"，您可以自定义，例如 "sd-webui-rtx5090:latest"
docker build -t sd-webui-image .

注意： 此步骤会下载基础镜像、安装 PyTorch 和所有依赖，可能需要较长时间（10-30 分钟），具体取决于您的网络速度。

步骤四：准备本地数据目录（持久化）

为了让模型、输出和扩展插件保存在容器之外（方便管理、备份和共享），我们需要在宿主机上创建映射目录。

# 1. 设置一个您喜欢的数据根目录
export DATA_ROOT="$HOME/aigc_sd_webui/data"
# 2. 批量创建所需的子目录
mkdir -p $DATA_ROOT/models
mkdir -p $DATA_ROOT/outputs
mkdir -p $DATA_ROOT/embeddings
mkdir -p $DATA_ROOT/extensions
# (根据需要创建其他目录，如 configs 等)
echo "数据目录已准备就绪于：$DATA_ROOT"

现在，可以将下载好的 SD 大模型（.safetensors 文件）放入 $DATA_ROOT/models/Stable-diffusion 目录中。

步骤五：运行 Docker 容器

一切准备就绪。我们将运行在 步骤三 中构建的镜像，并挂载 步骤四 中准备的目录。

为了方便管理，建议将以下命令保存为一个启动脚本，例如 start_sd.sh。

# 1. 设置数据目录和镜像名称变量
export DATA_ROOT="$HOME/aigc_sd_webui/data"
export IMAGE_NAME="sd-webui-image"
# (您在步骤三中构建的镜像)
# 2. (可选) 设置 HuggingFace 镜像 (加速模型下载)
export HF_MIRROR="https://hf-mirror.com"
# 3. (可选) 设置网络代理 (如果您的网络需要)
export HTTP_PROXY="http://192.168.xx.xxx:7890"
export HTTPS_PROXY="http://192.168.xx.xxx:7890"

# 4. 运行容器
sudo docker run -it -d --gpus all \
    --name sd-webui-5090 \
    -p 7860:7860 \
    # (可选) 挂载网络代理环境变量
    # -e http_proxy="${HTTP_PROXY}" \
    # -e https_proxy="${HTTPS_PROXY}" \
    # (推荐) 挂载 HuggingFace 镜像地址
    -e HF_ENDPOINT="${HF_MIRROR}" \
    # 挂载数据卷 (将宿主机的 $DATA_ROOT 映射到容器内的 /app 对应目录)
    -v ${DATA_ROOT}/models:/app/models \
    -v ${DATA_ROOT}/outputs:/app/outputs \
    -v ${DATA_ROOT}/embeddings:/app/embeddings \
    -v ${DATA_ROOT}/extensions:/app/extensions \
    -v ${DATA_ROOT}/repositories:/app/repositories \
    # 指定您在步骤三中构建的镜像
    ${IMAGE_NAME} \
    # 附加的 WebUI 启动参数 (这些会覆盖 Dockerfile 中的 CMD)
    python launch.py \
    --listen \
    --port 7860 \
    --xformers \
    --enable-insecure-extension-access \
    --api \
    --skip-version-check

步骤六：查看日志和访问

容器已经以后台模式（-d）启动。您需要查看日志以确认它是否成功启动。

1. **访问 WebUI：**打开您的浏览器，访问：http://[您服务器的 IP 地址]:7860（如果是在本机运行，则访问 http://localhost:7860）

查看实时日志：

docker logs -f sd-webui-5090

第一次启动时，它可能会下载一些必要的模型（如 Codeformer）。请耐心等待。当您看到类似 Running on local URL: http://0.0.0.0:7860 的提示时，表示启动成功。

Docker 部署 ComfyUI

对于 ComfyUI，我们同样使用 Docker。这里我们采用与 A1111 部署相同的策略：将数据目录持久化到宿主机，并使用一个功能完备的镜像。

步骤一：克隆 ComfyUI 源码

我们将克隆 ComfyUI 特定版本 的源码。这对于复现环境和兼容新硬件（如 RTX 5090）至关重要。

# 1. 选择一个工作目录，例如 ~/aigc_comfyui
mkdir -p ~/aigc_comfyui
cd ~/aigc_comfyui
# 2. 克隆指定的 v0.3.59 版本 (也可以使用最新版 可以使用`git describe --tags`验证)
git clone -b v0.3.59 https://github.com/comfyanonymous/ComfyUI.git

注意： 后续所有操作（除非另有说明）都在 ~/aigc_comfyui 这个目录中执行。

步骤二：创建自定义 Dockerfile

在 aigc_comfyui (ComfyUI 目录同级) 下，创建一个名为 Dockerfile 的文件。

# --- Base Image ---
# Start from the official NVIDIA CUDA development image for Ubuntu 20.04
FROM nvidia/cuda:12.8.0-devel-ubuntu20.04

# --- Environment Variables ---
# Set all ENV vars at the top for clarity and configuration management.
ENV DEBIAN_FRONTEND=noninteractive
ENV TZ=Asia/Shanghai
ENV HF_ENDPOINT=https://hf-mirror.com
# ENV HF_ENDPOINT=https://huggingface.co

# Add the virtual environment's bin directory to the PATH.
# This allows you to run `python` and `pip` directly without the full path.
ENV PATH="/app/venv/bin:$PATH"

# --- System-Level Dependencies ---
# Combine all apt commands into a single RUN layer to reduce image size.
RUN apt-get update && \
    apt-get install -y --no-install-recommends software-properties-common && \
    # Add the PPA for Python 3.10
    add-apt-repository ppa:deadsnakes/ppa && \
    add-apt-repository ppa:git-core/ppa && \
    apt-get update && \
    # Install all required system packages from all stages at once.
    apt-get install -y --no-install-recommends \
        git \
        wget \
        python3.10 \
        python3.10-dev \
        python3.10-venv \
        python3-pip \
        build-essential \
        libgl1-mesa-glx \
        libglib2.0-0 \
        nscd \
        vim \
        # Add the dependencies for pycairo (needed by svglib)
        libcairo2-dev \
        pkg-config \
        # Clean up the apt cache to keep the final image lean.
        && rm -rf /var/lib/apt/lists/*

# 配置 Git 信任所有挂载的目录。* 是一个通配符，可以让这个设置对您将来添加的任何插件都生效。
RUN git config --global --add safe.directory '*'

# --- Python Environment & Dependencies ---
# Set the working directory for the application.
WORKDIR /app

# Create the virtual environment and install all Python packages in one layer.
# This optimizes Docker's caching, as this layer only rebuilds if dependencies change.
RUN python3.10 -m venv venv && \
    . /app/venv/bin/activate && \
    # Configure pip to use mirror URLs for faster downloads.
    pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple && \
    pip config set global.extra-index-url https://download.pytorch.org/whl/nightly/cu128 && \
    # Upgrade pip and install all packages using --no-cache-dir to reduce image size.
    pip install --no-cache-dir --upgrade pip && \
    # Install PyTorch
    pip install --no-cache-dir --pre torch torchvision torchaudio xformers --index-url https://download.pytorch.org/whl/nightly/cu128 && \
    # Install transformers, diffusers, and other packages
    pip install --no-cache-dir \
        transformers==4.30.2 \
        diffusers==0.30.0 \
        accelerate \
        open-clip-torch \
        chardet \
        fastapi \
        PyExecJS \
        lxml \
        tqdm \
        pathos \
        cryptography \
        openai \
        boto3 \
        aliyun-python-sdk-core \
        aliyun-python-sdk-alimt \
        svglib \
        insightface

# --- Application Code & Data ---
# Copy the application source code. Changes to these files will invalidate the cache from this point onward.
# 【最终优化】使用 git clone 代替 ADD，确保 .git 目录存在
# RUN git clone https://github.com/comfyanonymous/ComfyUI.git /app
ADD ComfyUI/ .

# Install any local packages that depend on the source code being present.
# RUN pip install --no-cache-dir -e ./repositories/k-diffusion
# You can uncomment the line below if you consolidate your pip packages into a requirements file.
RUN pip install --no-cache-dir -r requirements.txt
RUN which python && python --version

# --- Runtime Configuration ---
# Expose the port the application will listen on.
EXPOSE 8188

# Define the default command to execute when the container starts.
CMD [
    "python", "main.py",
    "--listen", "0.0.0.0",
    "--port", "8188",
    "--user-directory", "/app/userdata"
]

保存并退出文件。

步骤三：构建 Docker 镜像

现在我们使用上一步创建的 Dockerfile 来构建本地 ComfyUI 镜像。

# 在 aigc_comfyui 目录下执行
# -t 后面是 "镜像名称：标签"，您可以自定义
docker build -t comfy-ui-image .

注意： 此步骤会下载基础镜像、安装 PyTorch 夜间版和所有依赖，可能需要较长时间（10-30 分钟）。

步骤四：准备本地数据目录（持久化）

为了让模型、工作流、输出和自定义节点保存在容器之外，我们在宿主机上创建映射目录。

# 1. 设置一个您喜欢的数据根目录
export COMFY_DATA_ROOT="$HOME/aigc_comfyui/data"
# 2. 批量创建所需的子目录
mkdir -p $COMFY_DATA_ROOT/models
mkdir -p $COMFY_DATA_ROOT/output
mkdir -p $COMFY_DATA_ROOT/input
mkdir -p $COMFY_DATA_ROOT/custom_nodes
mkdir -p $COMFY_DATA_ROOT/userdata
# (对应 --user-directory)
echo "ComfyUI 数据目录已准备就绪于：$COMFY_DATA_ROOT"

提示 (模型放置):

• SD 主模型 (Checkpoints): 放入 $COMFY_DATA_ROOT/models/checkpoints/
• LoRA: 放入 $COMFY_DATA_ROOT/models/loras/
• VAE: 放入 $COMFY_DATA_ROOT/models/vae/
• 工作流 (JSON): 放入 $COMFY_DATA_ROOT/input/
• 自定义插件: 放入 $COMFY_DATA_ROOT/custom_nodes/ (放入后需重启容器)

步骤五：运行 Docker 容器

我们将运行在 步骤三 中构建的镜像，并挂载 步骤四 中准备的目录。

# 1. 设置数据目录和镜像名称变量
export COMFY_DATA_ROOT="$HOME/aigc_comfyui/data"
export IMAGE_NAME="comfy-ui-image"
# (您在步骤三中构建的镜像)
# 2. (可选) 设置 HuggingFace 镜像 (加速模型下载)
export HF_MIRROR="https://hf-mirror.com"
# 3. (可选) 设置网络代理 (如果您的网络需要)
# export HTTP_PROXY="http://192.168.xx.xxx:7890"
# export HTTPS_PROXY="http://192.168.xx.xxx:7890"
# 4. 运行容器
sudo docker run -it -d --gpus all \
    --name comfy-ui \
    -p 8188:8188 \
    --restart unless-stopped \
    # (可选) 挂载网络代理环境变量
    # -e http_proxy="${HTTP_PROXY}" \
    # -e https_proxy="${HTTPS_PROXY}" \
    # (推荐) 挂载 HuggingFace 镜像地址
    -e HF_ENDPOINT="${HF_MIRROR}" \
    # 挂载数据卷 (将宿主机的 $COMFY_DATA_ROOT 映射到容器内的 /app 对应目录)
    -v ${COMFY_DATA_ROOT}/models:/app/models \
    -v ${COMFY_DATA_ROOT}/output:/app/output \
    -v ${COMFY_DATA_ROOT}/input:/app/input \
    -v ${COMFY_DATA_ROOT}/custom_nodes:/app/custom_nodes \
    -v ${COMFY_DATA_ROOT}/userdata:/app/userdata \
    # 指定您在步骤三中构建的镜像
    ${IMAGE_NAME} \
    # 附加的 ComfyUI 启动参数 (这些会覆盖 Dockerfile 中的 CMD)
    # --user-directory 对应 /app/userdata 挂载点
    # 若遇到 xformers 相关 CUDA kernel 错误，可临时禁用以保证启动。
    # --disable-xformers 是针对 Blackwell (5090) 架构的规避方案
    python main.py \
    --listen 0.0.0.0 \
    --port 8188 \
    --user-directory /app/userdata \
    --disable-xformers

提示： 如果您不需要 --disable-xformers 或 --user-directory 参数，可以删除 python main.py ... 及其之后的所有行，容器将使用 Dockerfile 中的默认 CMD 启动。

步骤六：查看日志和访问

容器已经以后台模式（-d）启动。

**访问 ComfyUI：**打开您的浏览器，访问：http://[您服务器的 IP 地址]:8188（如果是在本机运行，则访问 http://localhost:8188）

查看实时日志：

docker logs -f comfy-ui

当您看到类似 To see the GUI go to: http://0.0.0.0:8188 的提示时，表示启动成功。

总结与模型管理

您现在已经在同一台服务器上成功部署了 Stable-Diffusion-Webui 和 ComfyUI，两者均已针对 RTX 5090 (Blackwell) 架构的特定 PyTorch/CUDA 环境进行了定制。

以下是一些关键的技巧和最佳实践，以帮助您更高效地管理这两个工具。

1. 关键：解决数据卷权限问题

当 Docker 容器以 root 用户身份运行时，它在挂载的卷（如 models, outputs）中创建的文件在宿主机上也会属于 root。这会导致您在宿主机上无法方便地管理（删除、移动）这些文件。

最佳实践 (预防)：
在 docker run 命令中添加 --user "$(id -u):$(id -g)" 参数。这会强制容器内的进程以您当前宿主机用户的身份（而不是 root）运行，从一开始就避免所有权限问题。

ComfyUI 示例 (步骤五)：

sudo docker run -it -d --gpus all \
    --name comfy-ui \
    --user "$(id -u):$(id -g)" \
    # <-- 添加此行
    -p 8188:8188 \
    ... # (其他参数)

SD-Webui 示例 (步骤五)：

sudo docker run -it -d --gpus all \
    --name sd-webui-5090 \
    --user "$(id -u):$(id -g)" \
    # <-- 添加此行
    -p 7860:7860 \
    ... # (其他参数)

问题修复 (补救)：
如果您已经遇到了权限问题（例如 "Permission denied"），可以在宿主机上执行以下命令，将数据目录的所有权递归地改回您当前的用户（请将 sutai:sutai 替换为您的 用户名：用户组）。

# 修复 SD-Webui 的数据目录权限
sudo chown -R sutai:sutai ~/aigc_sd_webui/data
# 修复 ComfyUI 的数据目录权限
sudo chown -R sutai:sutai ~/aigc_comfyui/data

2. 模型管理：共享模型以节省空间

为了节省宝贵的磁盘空间，最佳做法是让 SD-Webui 和 ComfyUI 共享同一个模型目录。

您可以通过 Docker 的 -v (volume) 挂载实现这一点。假设您在宿主机上创建了一个统一的模型库，例如 /mnt/aigc-models：

# 1. (宿主机) 创建统一的模型目录
mkdir -p /mnt/aigc-models/checkpoints
mkdir -p /mnt/aigc-models/loras
mkdir -p /mnt/aigc-models/vae
# ... 将您的 .safetensors 文件放入这些目录 ...

2. 在启动 SD-Webui 时映射：
(注意容器内的路径是 /app/models/...)

sudo docker run ... \
    -v /mnt/aigc-models/checkpoints:/app/models/Stable-diffusion \
    -v /mnt/aigc-models/loras:/app/models/Lora \
    -v /mnt/aigc-models/vae:/app/models/VAE \
    ... 

3. 在启动 ComfyUI 时映射：
(注意容器内的路径是 /app/models/...，与 SD-Webui 不同)

sudo docker run ... \
    -v /mnt/aigc-models/checkpoints:/app/models/checkpoints \
    -v /mnt/aigc-models/loras:/app/models/loras \
    -v /mnt/aigc-models/vae:/app/models/vae \
    ... 

通过这种方式，两个容器会从宿主机的同一位置读取模型，实现完美共享。

3. 其他实用技巧

安装扩展插件 (SD-Webui)：
对于 SD-Webui，您可以将插件 git clone 到您挂载的 extensions 目录中：

cd ~/aigc_sd_webui/data/extensions
# 示例：安装中文汉化包
git clone https://github.com/dtlnor/stable-diffusion-webui-localization-zh_CN.git
# 示例：安装训练工具
git clone https://github.com/space-nuko/sd-webui-train-tools.git
# 示例：安装 Dreambooth
git clone https://github.com/d8ahazard/sd_dreambooth_extension.git

克隆后，重启 SD-Webui 容器 (docker restart sd-webui-5090) 以加载新插件。

检查源码版本：
在克隆仓库后，如果您想确认当前检出的版本是否正确，可以进入源码目录执行：

cd ~/aigc_comfyui/ComfyUI
git describe --tags
# 预期输出：v0.3.59

Hugging Face 环境变量：
在 docker run 时使用 -e 传入，以控制下载行为。

# 使用国内镜像 (已在教程中包含)
-e HF_ENDPOINT="https://hf-mirror.com"
# 强制使用官方源
# -e HF_ENDPOINT="https://huggingface.co"
# 尝试启用离线模式 (如果模型已完全下载)
# -e TRANSFORMERS_OFFLINE=1
# -e HF_DATASETS_OFFLINE=1
# -e HF_HUB_OFFLINE=1

通过合理的数据卷挂载、权限控制和模型共享策略，可以高效管理资源、避免重复下载，并确保系统长期稳定运行。

补充：常见问题——解决容器网络报错（DNS 解析失败/模型下载卡住）

在服务器环境部署时，部分用户可能遇到容器启动后反复报错 Failed to resolve 'hf-mirror.com'、Max retries exceeded，导致模型下载卡住；但同一镜像在个人电脑上却能正常运行，甚至服务器上的 ComfyUI 也无网络问题。这并非镜像或容器参数错误，核心原因是 服务器 Docker 桥接网络与 sd-webui 的网络需求不兼容，具体分析与解决方案如下：

一、问题根源：服务器环境的网络限制

sd-webui 启动时会通过 huggingface_hub 主动下载大量依赖模型（如 bert-base-uncased、yolov8），对网络连通性和 DNS 解析要求极高。而服务器（尤其是企业/学校内网）为安全考虑，会对 Docker 桥接网络施加限制，导致冲突：

二、为何这些问题在个人电脑上不存在？

电脑与服务器的环境差异导致了这种区别：

1. 网络策略宽松：个人电脑通常没有严格的防火墙或内网隔离策略，Docker 桥接网络的 DNS 请求和外部访问不会被拦截，因此容器即使使用默认 bridge 模式也能正常联网。
2. Docker 配置默认开放：电脑上的 Docker 可能默认启用了更宽松的网络转发规则（如 iptables 默认允许桥接网络出站），而服务器为了安全，可能禁用了这些默认规则。
3. 无内网安全限制：无需通过专用 DNS 或权限验证，直接访问外部镜像源无阻碍。

三、为何有时候只有 sd-webui 报错，ComfyUI 正常？

两个工具的网络行为差异导致表现不同：

• sd-webui：强实时网络依赖
  sd-webui 在启动时会通过 huggingface_hub 库主动下载大量模型文件（如 bert-base-uncased、yolov8 等），且依赖 HF_ENDPOINT 指定的镜像源，对网络连通性和 DNS 解析的实时性要求极高。一旦桥接网络有微小限制（如 DNS 转发延迟、HTTPS 请求被拦截），就会触发明显的下载失败。
• ComfyUI：网络需求低且容错性高
  默认优先使用本地缓存模型，仅在缺失核心文件时才下载，且下载逻辑允许更长超时时间，即使桥接网络有轻微限制，也能'勉强完成下载'或'跳过非核心文件'，因此不易表现出错误。

四、解决方案：3 种适配服务器网络的部署方式

根据服务器权限开放程度，选择对应的解决方案：

方案 1：最推荐——使用 --network host 模式（无需调整服务器配置）

让容器完全共享宿主机网络栈，绕过 Docker 桥接网络限制，这是个人部署最便捷的方式。
修改后的启动命令（仅需添加 --network host 并删除无效的 -p 端口映射）：

# 运行容器（适配服务器网络的最终版命令）
sudo docker run -it -d --gpus all \
    --name sd-webui-5090 \
    --restart unless-stopped \
    --network host \
    # 核心：共享宿主机网络，规避桥接限制
    --user "$(id -u):$(id -g)" \
    # 附加：解决宿主机文件权限问题
    -e HF_ENDPOINT="https://hf-mirror.com" \
    # 加速模型下载
    # 挂载数据卷（路径与前文一致）
    -v ${DATA_ROOT}/models:/app/models \
    -v ${DATA_ROOT}/outputs:/app/outputs \
    -v ${DATA_ROOT}/embeddings:/app/embeddings \
    -v ${DATA_ROOT}/extensions:/app/extensions \
    # 启动参数（端口直接用宿主机端口 8187，无需映射）
    sd-webui-image \
    python launch.py --listen --port 8187 --xformers --enable-insecure-extension-access --api --skip-version-check

方案 2：需服务器权限——调整桥接网络转发规则

若必须使用 bridge 模式（如多容器网络隔离需求），需联系服务器管理员开放权限：

1. 允许 Docker 桥接网段（172.17.0.0/16）访问 DNS 服务器（如 202.204.65.5）的 UDP 53 端口；
2. 保留 Docker 自动生成的 iptables 转发规则，避免被防火墙清理；
3. 开放桥接网络访问 hf-mirror.com 的 HTTPS 端口（443）。

方案 3：临时应急——手动下载模型到本地

若服务器网络限制严格且无法调整，可手动下载缺失模型到宿主机数据目录：

1. 在宿主机浏览器访问 hf-mirror.com，搜索需要的模型（如 Bingsu/adetailer 的 face_yolov8n.pt）；
2. 将下载的模型文件放入对应的挂载目录（如 ${DATA_ROOT}/models/adetailer/）；
3. 用默认 bridge 模式启动容器，此时 sd-webui 无需联网下载，可直接使用本地模型。

五、验证网络是否恢复正常

启动容器后，通过以下命令确认网络问题已解决：

# 1. 进入容器
sudo docker exec -it sd-webui-5090 /bin/bash
# 2. 测试 DNS 解析（应返回 hf-mirror.com 的 IP）
apt-get install -y dnsutils # 安装解析工具
dig hf-mirror.com
# 3. 测试镜像源访问（应返回 HTTP 200）
curl -I https://hf-mirror.com

若上述命令均能正常执行，说明容器网络已适配服务器环境，sd-webui 将顺利完成启动并下载所需模型。

本文介绍了在 NVIDIA RTX 5090 显卡上使用 Docker 部署 Stable-Diffusion-Webui 和 ComfyUI 的完整流程。针对 Blackwell 架构（sm_120）兼容性，通过自定义构建包含 CUDA 12.8 和 PyTorch Nightly 的镜像解决。步骤涵盖驱动安装、Docker 及 NVIDIA Container Toolkit 配置、源码克隆、Dockerfile 编写、数据卷持久化挂载及网络模式选择（如 host 模式解决服务器 DNS 问题）。最终实现本地 AI 绘图工具的高效隔离与管理。