共绩算力 RTX 5090 极速部署 Stable Diffusion WebUI：新手也能秒开 AI 绘图工作站

Ne0inhk

— 12 min read
共绩算力 RTX 5090 极速部署 Stable Diffusion WebUI：新手也能秒开 AI 绘图工作站
还在为本地硬件不足跑不动 AI 绘图模型发愁？想快速拥有高性价比的 Stable Diffusion 绘图环境？今天给大家带来共绩算力 RTX 5090 部署 Stable Diffusion WebUI（增强版）的详细教程，全程零兼容冲突，从云主机配置到生成第一张 AI 画作仅需 30 分钟，步骤清晰可复现，无论是设计爱好者还是 AI 新手都能轻松上手！

目录

一、为什么选择共绩算力部署 Stable Diffusion？

二、环境准备：精准配置云主机

2.1 创建云主机实例

1.2 登录云主机终端

二、完整部署流程

2.1 环境清理与依赖安装

2.2 下载与配置Stable Diffusion WebUI

2.3 配置启动脚本

2.4 首次启动与配置

三、本地访问与基础使用

3.1 浏览器访问WebUI

3.2 生成第一张AI图片

3.3 常用功能体验

四、进阶优化与插件安装

4.1 安装实用插件

4.2 性能优化配置

4.3 模型管理技巧

五、故障排查与维护

5.1 常见问题解决

5.2 日常维护命令

六、总结与资源推荐

6.1 部署成果总结

6.2 进阶学习资源

6.3 成本优化建议

一、为什么选择共绩算力部署 Stable Diffusion？

共绩科技的云主机专为 AI 开发场景优化，对 Stable Diffusion 这类图形密集型任务适配性拉满，核心优势直击痛点：

丰富高端 GPU 可选：RTX 5090（32GB 显存）完美支撑大模型 + 高清绘图，避免显存不足（OOM）问题开箱即用的开发环境：预装 Python 3.10+、CUDA 12.8 及适配驱动，无需手动配置深度学习框架弹性计费更省钱：1.68 元 / 时起步，关机零费用，仅按实际使用时长计费，比本地装机成本低 90%完整工具链支持：自带 Jupyter、Web Shell 等终端，无需 SSH 配置，浏览器即可完成所有操作国内网络加速：访问 PyPI 镜像、模型仓库无卡顿，下载大模型速度比海外云平台快 3 倍

二、环境准备：精准配置云主机

2.1 创建云主机实例

1. 访问共绩算力平台

2. 创建云主机配置详解

  • 进入控制台 → 云主机 → 创建实例
  • 基础配置：
    • 实例名称：SD-WebUI-RTX5090（便于识别）
    • 算力规格：RTX 5090（32GB显存） ← 关键选择！
    • 系统镜像：默认Linux镜像（已预装Python 3.10+、CUDA 12.8）
  • 存储配置：
    • 系统盘：50GB（默认足够）
    • 数据盘：如需要存储大量模型，可添加共享存储卷（按需付费）
  • 网络与安全：
    • 区域选择：安徽一区或广东一区（国内网络更稳定）
    • 安全组：默认开放全部端口（方便后续访问）

3. 确认创建与启动

  1. 点击"立即创建"，等待2-3分钟实例状态变为"运行中"
  2. 成本提示：RTX 5090实例约2.5元/小时，关机期间不收费！

1.2 登录云主机终端

1. Web Shell登录（推荐新手）

  • 实例列表点击"登录" → 选择"Web Shell"
  • 浏览器内直接打开终端界面，无需SSH配置

2. 验证基础环境在终端中执行以下命令，检查预装环境：

# 检查Python版本 python3 --version # 检查CUDA版本 nvcc --version # 检查GPU状态 nvidia-smi

3. 正常输出应显示Python 3.10+、CUDA 12.8、RTX 5090显卡信息。

二、完整部署流程

2.1 环境清理与依赖安装

步骤1：彻底清理冲突环境

# 卸载可能冲突的包（避免版本不兼容） pip3 uninstall -y torch torchvision torchaudio xformers diffusers transformers # 彻底清理残留文件 rm -rf /root/.cache/pip rm -rf /opt/miniconda3/lib/python3.12/site-packages/{torch*,xformers*,diffusers*,transformers*} # 更新pip并清理缓存 pip3 install --upgrade pip pip3 cache purge

步骤2：安装PyTorch与基础依赖

# 安装适配RTX 5090的PyTorch（CUDA 12.8版本） pip3 install torch==2.7.1 torchvision==0.22.1 torchaudio==2.7.1 \ --index-url https://download.pytorch.org/whl/cu128 \ -i https://pypi.tuna.tsinghua.edu.cn/simple # 安装图像处理基础库 pip3 install numpy==1.26.4 pillow==10.3.0 opencv-python==4.9.0.80 \ -i https://pypi.tuna.tsinghua.edu.cn/simple

步骤3：安装Stable Diffusion核心依赖

# 安装HuggingFace相关库 pip3 install transformers accelerate diffusers \ -i https://pypi.tuna.tsinghua.edu.cn/simple # 安装Web界面框架 pip3 install gradio==3.41.2 fastapi==0.104.1 uvicorn==0.24.0 \ -i https://pypi.tuna.tsinghua.edu.cn/simple # 安装性能优化插件 pip3 install xformers -i https://pypi.tuna.tsinghua.edu.cn/simple

2.2 下载与配置Stable Diffusion WebUI

步骤1：克隆最新版WebUI源码

# 安装git（如果未预装） apt update && apt install -y git wget # 克隆AUTOMATIC1111的WebUI（功能最全的版本） git clone https://gitee.com/mirrors/stable-diffusion-webui.git /root/sd-webui # 进入工作目录 cd /root/sd-webui

步骤2：创建模型目录结构

# 创建必要的模型目录 mkdir -p /root/sd-webui/models/Stable-diffusion # 基础模型 mkdir -p /root/sd-webui/models/Lora # LoRA模型 mkdir -p /root/sd-webui/models/VAE # VAE模型 mkdir -p /root/sd-webui/models/ControlNet # ControlNet模型 mkdir -p /root/sd-webui/outputs # 输出目录

步骤3：下载基础模型（国内镜像加速）

# 使用 Hugging Face 国内镜像 wget -O /root/sd-webui/models/Stable-diffusion/sd_xl_base_1.0.safetensors \ https://hf-mirror.com/stabilityai/stable-diffusion-xl-base-1.0/resolve/main/sd_xl_base_1.0.safetensors # 或者使用阿里云镜像 wget -O /root/sd-webui/models/Stable-diffusion/sd_xl_base_1.0.safetensors \ https://mirror.ghproxy.com/https://huggingface.co/stabilityai/stable-diffusion-xl-base-1.0/resolve/main/sd_xl_base_1.0.safetensors # 下载SDXL精炼模型（优化细节） wget -O /root/sd-webui/models/Stable-diffusion/sd_xl_refiner_1.0.safetensors \ https://hf-mirror.com/stabilityai/stable-diffusion-xl-refiner-1.0/resolve/main/sd_xl_refiner_1.0.safetensors # 下载中文优化模型（可选，提升中文提示词理解） wget -O /root/sd-webui/models/Stable-diffusion/chilloutmix_NiPrunedFp32Fix.safetensors \ https://hf-mirror.com/ckpt/chilloutmix/resolve/main/chilloutmix_NiPrunedFp32Fix.safetensors

2.3 配置启动脚本

创建一键启动脚本start_sd.sh：

cat > /root/sd-webui/start_sd.sh << 'EOF' #!/bin/bash # 进入WebUI目录 cd /root/sd-webui # 设置环境变量 export PYTHONPATH="/root/sd-webui:$PYTHONPATH" export HF_HOME="/root/.cache/huggingface" # 启动参数说明： # --listen：允许外部访问 # --port 7860：指定端口 # --xformers：启用显存优化 # --enable-insecure-extension-access：允许安装插件 # --medvram：中等显存优化模式（适合RTX 5090） # --no-half-vae：避免VAE精度问题 python3 launch.py \ --listen \ --port 7860 \ --xformers \ --enable-insecure-extension-access \ --medvram \ --no-half-vae \ --skip-torch-cuda-test \ --skip-version-check \ --update-check EOF # 赋予执行权限 chmod +x /root/sd-webui/start_sd.sh

2.4 首次启动与配置

步骤1：首次启动WebUI

cd /root/sd-webui ./start_sd.sh

报错解决：

# Deactivate current environments conda deactivate conda deactivate # Create a new environment with Python 3.10.6 conda create -n sd-webui python=3.10.6 # Activate the new environment conda activate sd-webui # Navigate to your project and run the script cd /root/sd-webui ./start_sd.sh

首次启动会自动：

  • 下载CLIP模型和VAE模型（约5-10分钟）
  • 编译xformers优化器
  • 初始化Web界面

等待终端显示以下信息即启动成功：

Running on local URL: http://0.0.0.0:7860 To create a public link, set `share=True` in `launch()`.

步骤2：后台运行配置（重要）

为避免断开SSH后服务停止，配置后台运行：

# 创建后台启动脚本 cat > /root/sd-webui/start_sd_background.sh << 'EOF' #!/bin/bash cd /root/sd-webui nohup python3 launch.py \ --listen \ --port 7860 \ --xformers \ --enable-insecure-extension-access \ --medvram \ --no-half-vae \ > /root/sd-webui/webui.log 2>&1 & echo "WebUI已启动，日志文件：/root/sd-webui/webui.log" echo "查看日志：tail -f /root/sd-webui/webui.log" echo "停止服务：pkill -f launch.py" EOF chmod +x /root/sd-webui/start_sd_background.sh # 启动后台服务 ./start_sd_background.sh

三、本地访问与基础使用

3.1 浏览器访问WebUI

1. 获取公网IP

  • 共绩控制台 → 云主机 → 实例详情 → 复制"公网IP"

2. 浏览器访问

  • 本地浏览器打开：http://你的公网IP:7860
  • 首次加载约30秒，出现Stable Diffusion WebUI界面

3.2 生成第一张AI图片

1. 模型选择

左上角选择：sd_xl_base_1.0.safetensors

2. 提示词填写

# 正向提示词（英文效果更好） masterpiece, best quality, 8k resolution, cyberpunk cityscape at night, neon lights, futuristic buildings, rain-wet streets, cinematic lighting, detailed reflections # 反向提示词（避免不良效果） low quality, worst quality, bad anatomy, blurry, jpeg artifacts, watermark, text

3. 参数设置

  • 采样方法：DPM++ 2M Karras
  • 采样步数：25
  • 图片宽度：1024
  • 图片高度：768
  • 提示词引导系数：7.5
  • 随机种子：-1（随机）

4. 生成图片

  • 点击"生成"按钮
  • RTX 5090约15秒完成生成
  • 右键图片可保存到本地

3.3 常用功能体验

图生图功能：上传本地图片 → 调整重绘强度（0.5-0.7）→ 添加风格提示词

图片放大：生成后点击"Extras" → 选择放大算法（ESRGAN）→ 调整倍数

模型管理：设置 → Model Settings → 添加模型下载路径

四、进阶优化与插件安装

4.1 安装实用插件

通过WebUI安装（推荐）：

  1. 进入"Extensions"标签页
  2. 点击"Available" → "Load from URL"
  3. 输入插件GitHub地址：
    1. 中文翻译：https://github.com/dtlnor/stable-diffusion-webui-localization-zh_CN
    2. 提示词自动补全：https://github.com/DominikDoom/a1111-sd-webui-tagcomplete
    3. 模型预览图：https://github.com/AlUlkesh/stable-diffusion-webui-images-browser

命令行安装：

cd /root/sd-webui/extensions git clone https://github.com/dtlnor/stable-diffusion-webui-localization-zh_CN git clone https://github.com/DominikDoom/a1111-sd-webui-tagcomplete

4.2 性能优化配置

修改启动参数webui-user.sh：

# 编辑用户配置 nano /root/sd-webui/webui-user.sh # 添加以下优化参数 export COMMANDLINE_ARGS="--listen --xformers --opt-split-attention --no-half-vae --medvram" export TORCH_COMMAND="pip3 install torch==2.7.1 torchvision==0.22.1"

4.3 模型管理技巧

批量下载模型：

# 编辑用户配置 nano /root/sd-webui/webui-user.sh # 添加以下优化参数 export COMMANDLINE_ARGS="--listen --xformers --opt-split-attention --no-half-vae --medvram" export TORCH_COMMAND="pip3 install torch==2.7.1 torchvision==0.22.1"

五、故障排查与维护

5.1 常见问题解决

问题1：浏览器无法访问

# 检查服务状态 ps aux | grep python | grep launch # 检查端口占用 netstat -tlnp | grep 7860 # 重启服务 pkill -f launch.py cd /root/sd-webui && ./start_sd_background.sh

问题2：显存不足（OOM）

  • 解决方案：减少图片尺寸（1024×1024以内）
  • 启用--medvram或--lowvram参数
  • 关闭其他占用显存的进程

问题3：模型加载失败

# 重新下载模型 rm -f /root/sd-webui/models/Stable-diffusion/sd_xl_base_1.0.safetensors wget -O /root/sd-webui/models/Stable-diffusion/sd_xl_base_1.0.safetensors [模型链接]

5.2 日常维护命令

查看服务状态：

# 查看运行日志 tail -f /root/sd-webui/webui.log # 查看GPU使用情况 watch -n 1 nvidia-smi # 检查存储空间 df -h /root

备份重要数据：

# 备份模型配置 tar -czf sd_backup_$(date +%Y%m%d).tar.gz /root/sd-webui/models/ /root/sd-webui/outputs/

六、总结与资源推荐

6.1 部署成果总结

通过本教程，你已经成功在共绩算力RTX 5090上部署了：

  • ✅ 完整的Stable Diffusion WebUI环境
  • ✅ SDXL 1.0等高质量基础模型
  • ✅ 中文化界面和实用插件
  • ✅ 优化后的启动参数和后台运行
  • ✅ 可远程访问的专业级AI绘图工作站

6.2 进阶学习资源

提示词技巧：

  • 学习网站：Lexica.art、OpenArt.ai
  • 关键词组合：质量词+主体+风格+细节

模型推荐：

  • 写实风格：Realistic Vision、ChilloutMix
  • 动漫风格：Anything V5、Counterfeit
  • 特殊风格：Arcane、MoDi

参数优化：

  • 采样器：DPM++ 2M Karras（平衡速度质量）
  • 步数：20-30步（效果与速度平衡）
  • CFG Scale：7-9（创意与服从度平衡）

6.3 成本优化建议

  1. 及时关机：不用时在控制台关机，仅按实际使用时间计费
  2. 使用快照：配置好环境后创建系统快照，便于快速恢复
  3. 模型管理：只下载常用模型，避免存储空间浪费

Read more

使用trae进行本地ai对话机器人的构建

使用trae进行本地ai对话机器人的构建

前言 在人工智能技术快速发展的今天，构建本地AI对话机器人已成为开发者和技术爱好者的热门选择。使用 trae可以高效地实现这一目标，确保数据隐私和响应速度。本文将详细介绍如何利用 Trae 搭建本地AI对话机器人，涵盖环境配置、模型加载、对话逻辑实现以及优化技巧，帮助读者从零开始构建一个功能完整的AI助手。 本地化AI对话机器人的优势在于完全离线运行，避免网络延迟和数据泄露风险，同时支持自定义训练模型以适应特定场景需求。无论是用于个人助理、客服系统，还是智能家居控制，Trae 都能提供灵活的解决方案。 获取api相关信息 打开蓝耘进行登录，如果你是新人的话需要进行注册操作，输入你相关的信息就能进行注册成功 在平台顶部导航栏可以看到Maas平台，点击进入模型广场 来到模型广场可以看到很多的ai模型，比如就有我们的kimi k2模型 点击进去可以看到kimi k2模型的相关信息，我们将模型的id进行复制，等会儿我们是要用到的 /maas/kimi/Kimi-K2-Instruct 并且这里还具有在线体验的功能，生成回答速度快 https://archive.

By Ne0inhk
目标检测数据集——无人机视觉VisDrone数据集

目标检测数据集——无人机视觉VisDrone数据集

随着无人机技术的飞速发展，无人机在航拍、监控、农业、物流等领域的应用日益广泛。与此同时，无人机视角下的视觉任务，如目标检测、目标跟踪和场景理解，也成为了计算机视觉研究的热点。然而，相比传统的地面视角数据集，无人机视角下的图像具有高度变化、小目标密集、复杂背景等独特挑战，这对现有算法提出了更高的要求。 为了应对这些挑战并推动无人机视觉技术的发展，天津大学机器学习与数据挖掘实验室推出了 VisDrone数据集。作为一个大规模、标注精细的无人机视觉数据集，VisDrone 不仅涵盖了丰富的场景和多样化的目标类别，还为研究人员提供了一个极具挑战性的测试平台。无论是小目标检测的精度提升，还是密集场景下的鲁棒性优化，VisDrone 都成为了学术界和工业界不可或缺的资源。该数据集采集自中国14个不同城市，覆盖复杂城市场景、交通枢纽、密集人群等多种环境。 VisDrone官方Github下载渠道可点击访问： https://github.com/VisDrone/VisDrone-Dataset?tab=readme-ov-file 下载的数据集为VisDrone2019-DET-train

By Ne0inhk
FPGA内部资源详解：LUT、FF、BRAM、DSP、PLL是什么？综合报告怎么看

FPGA内部资源详解：LUT、FF、BRAM、DSP、PLL是什么？综合报告怎么看

本文是《FPGA入门到实战》专栏第8篇。上一篇完成了第一个下板项目，本篇从芯片内部视角出发，深入讲解 FPGA 的五大核心硬件资源：LUT、FF、BRAM、DSP 和 PLL。理解这些资源的工作原理和使用限制，是写出高质量 FPGA 代码、读懂综合报告的基础。 FPGA内部资源详解：LUT、FF、BRAM、DSP、PLL是什么？综合报告怎么看 * 1. 为什么要了解内部资源 * 1.1 Artix-7 资源概览 * 2. LUT 查找表 * 2.1 LUT 是什么 * 2.2 LUT 实现任意 6 输入函数 * 2.3 LUT 的双输出模式（O5/

By Ne0inhk

RetinaFace+CurricularFace实战：基于预配置镜像的安防系统原型开发

RetinaFace+CurricularFace实战：基于预配置镜像的安防系统原型开发 你是否也遇到过这样的情况：公司要快速做一个人脸识别系统原型，客户下周就要看演示，但团队还在为环境配置、模型下载、依赖冲突焦头烂额？别急——今天我来带你用一个预配置好的AI镜像，5分钟内把RetinaFace + CurricularFace这套高精度人脸检测与识别组合跑起来，直接跳过繁琐搭建过程，专注在业务逻辑和效果调优上。 我们这次面对的是一家安防领域的初创公司。他们的核心诉求很明确：不做底层基建，只求快速验证产品可行性。他们需要的是一个能“看得清、认得准”的人脸系统原型，支持实时视频流输入、人脸定位、特征提取和身份比对功能。而我们要做的，就是借助ZEEKLOG星图平台提供的视觉AI专用镜像，一键部署、快速调试、高效展示。 这个方案的核心是两个明星级开源模型： - RetinaFace：负责精准地“找到人”，不仅能框出人脸位置，还能同时输出5个关键点（双眼、鼻尖、嘴角），为后续对齐打下基础。 - CurricularFace：负责“认出是谁”，它是目前公开领域中性能顶尖的人脸识别模型之一，

By Ne0inhk