Stable Diffusion 本地部署与 WebUI 安装详解

Stable Diffusion 本地部署与 WebUI 安装详解

引言

Stable Diffusion（简称 SD）是一种基于扩散模型的生成式人工智能技术，能够根据文本描述生成高质量的图像。相比在线网页版，本地部署拥有更高的隐私性、更丰富的功能插件支持以及无使用次数限制的优势。

本地部署方式多样，包括启动器整合包和传统的 WebUI 界面。本文主要介绍通过传统 WebUI 界面进行本地部署的详细步骤，适合希望深入理解环境配置的技术爱好者。

一、硬件与环境准备

1. 硬件要求

在开始安装前，请确保您的计算机满足以下最低配置：

• GPU：建议使用 NVIDIA 独立显卡。显存至少 4GB，推荐 8GB 及以上以获得更好的体验。
• CPU：多核处理器即可。
• 内存：建议 16GB 以上。
• 硬盘空间：预留至少 20GB 可用空间用于存储模型文件和依赖库。

2. 驱动检查

打开任务管理器（Ctrl+Shift+Esc），查看性能选项卡中的 GPU 信息，确认显卡型号及显存大小。确保已安装最新版本的 NVIDIA 显卡驱动，以支持 CUDA 加速。

二、软件环境搭建

1. Python 安装

Stable Diffusion WebUI 依赖特定版本的 Python。目前推荐使用 Python 3.10.x 版本。

1. 访问 Python 官网下载页面。
2. 选择 Python 3.10.6 或相近的稳定版本。
3. 下载安装程序时，务必勾选 "Add Python to PATH" 选项。
4. 点击 "Install Now" 完成安装。
5. 安装完成后，打开命令行输入 python --version 验证是否成功。

2. Git 安装

Git 用于从代码仓库克隆项目文件。

1. 访问 Git 官网下载 Windows 版本安装包。
2. 按照向导完成安装，保持默认设置即可。
3. 安装后在命令行输入 git --version 验证。

3. GitHub 账号

由于项目托管于 GitHub，建议注册一个 GitHub 账号以便拉取代码和更新。

1. 访问 GitHub 官网注册。
2. 使用国内邮箱即可完成注册。
3. 若网络无法访问 GitHub，可配置代理或使用镜像站。

三、正式安装步骤

1. 创建安装目录

在磁盘根目录下新建一个文件夹，例如 D:\SD_WebUI，并记录该路径。

2. 克隆项目仓库

1. 按下 Win + R，输入 cmd 打开命令提示符。
2. 切换盘符至安装目录，例如输入 D:。
3. 进入目标文件夹，例如 cd D:\SD_WebUI。
4. 执行克隆命令：

   git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git
   

   *注意：如果下载速度慢，可配置 Git 代理或使用国内镜像源。

3. 配置文件修改

进入刚下载的 stable-diffusion-webui 文件夹，找到 webui-user.bat（Windows）或 webui-user.sh（Linux/Mac）。 右键编辑该文件，添加以下参数优化运行环境：

set COMMANDLINE_ARGS=--xformers --autolaunch

• --xformers：优化显存占用，防止爆显存。
• --autolaunch：启动后自动打开浏览器。

保存文件。

4. 首次运行与依赖安装

双击运行 webui-user.bat。

1. 脚本将自动检测并安装所需的 Python 依赖库（如 PyTorch、diffusers 等）。
2. 此过程可能需要较长时间，请耐心等待，不要关闭窗口。
3. 首次运行时会自动下载基础模型文件。

四、模型管理

安装完成后，需要下载具体的生成模型（Checkpoint）才能生成图片。

1. 前往 HuggingFace 或 Civitai 等模型网站下载 .safetensors 格式的模型文件。
2. 将模型文件放入 stable-diffusion-webui\models\Stable-diffusion 目录中。
3. 重启 WebUI，在界面上方的下拉菜单中选择新导入的模型。

五、基本使用指南

1. 文生图 (txt2img)

• Prompt（正向提示词）：描述你想要生成的画面内容，如 "a beautiful landscape, sunset, realistic"。
• Negative Prompt（反向提示词）：描述你不想要的元素，如 "blurry, low quality, bad anatomy"。
• Sampling Steps：采样步数，通常 20-30 步效果较好。
• CFG Scale：提示词相关性，建议 7 左右。

2. 图生图 (img2img)

上传图片作为基础，通过调整重绘幅度（Denoising strength）来修改图片细节。

六、常见问题排查

1. CUDA Out of Memory

如果报错显存不足，尝试添加 --medvram 或 --lowvram 参数到 COMMANDLINE_ARGS 中。

2. 依赖安装失败

部分依赖可能因网络问题下载失败。建议配置 pip 镜像源，或在 webui-user.bat 中添加 --skip-torch-cuda-test 跳过测试。

3. 启动黑屏

检查浏览器控制台是否有报错，或尝试更换浏览器（推荐使用 Chrome 或 Edge）。确保防火墙未阻止本地服务端口。

结语

本地部署 Stable Diffusion 虽然初期配置较为繁琐，但一旦成功，您将拥有一个完全可控的 AI 创作工具。随着对参数的熟悉，您可以探索更多高级玩法，如 ControlNet、LoRA 训练等。建议定期关注官方仓库更新，获取最新的性能优化和功能特性。

---

注：本教程仅用于技术交流，请遵守相关法律法规及模型使用协议。