Stable Diffusion WebUI 本地部署完整教程

优质文章学习记录

— 7 min read
Stable Diffusion WebUI 本地部署完整教程

Stable Diffusion WebUI 本地部署完整教程（AUTOMATIC1111 版）

本教程基于 Windows 系统，适合 AI 绘画爱好者或初学者，旨在帮助大家从零部署并运行本地的 Stable Diffusion 模型界面（Web UI）。我们将从克隆项目、配置环境到运行界面，并附上常见网络问题的解决方案。

一、准备工作

1. 安装依赖

  • Python 3.10.x
  • Git（推荐官网下载最新版）
  • 显卡驱动 + CUDA（NVIDIA 用户，建议驱动更新到最新版）

安装好后，确保 Python 和 Git 都加入了系统环境变量。

二、克隆项目仓库

使用如下命令克隆 AUTOMATIC1111 的 Web UI 项目：

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

🚧 常见问题：OpenSSL SSL_read: Connection was reset, errno 10054

这是网络导致的 Git 连接失败问题。

✅ 解决方法：

关闭 Git 的 HTTPS 证书验证：

git config --global http.sslVerify false

然后重新执行 clone 命令即可成功。

三、运行项目

1. 进入项目目录，双击运行：

stable-diffusion-webui\webui-user.bat

运行后会自动创建虚拟环境并下载依赖库。

🚧 问题：提示升级 pip？

✅ 解决方法：

根据提示复制升级命令，在新命令行中执行（路径根据你的安装位置可能不同）：

H:\AI\stable-diffusion-webui\venv\Scripts\python.exe -m pip install--upgrade pip

升级完成后，重新运行webui-user.bat。

四、解决国内网络环境下载失败的问题

在首次运行时，WebUI 会自动安装一些依赖模型，例如：

  • gfpgan
  • clip
  • open-clip

若下载失败，你会在命令行中看到安装卡住或超时的报错，解决方案如下：

方法一：修改 pip 安装源为国内镜像

打开 stable-diffusion-webui\launch.py 文件，找到安装失败的部分。

例如：

run_pip(f"install {gfpgan_package}","gfpgan")

改为：

run_pip(f"install -i https://pypi.douban.com/simple/ {gfpgan_package}","gfpgan")

同样方式修改：

  • clip_package
  • open_clip_package

然后保存、关闭命令行，重新运行webui-user.bat。

方法二：加速 GitHub 文件下载

如果卡在某个 GitHub 地址，可以用加速代理，例如：

"https://github.com/..."

改为：

"https://github.moeyy.xyz/https://github.com/..."
示例：在 launch.py 或 launch_utils.py 中

找到类似以下函数：

defprepare_environment():

把里面涉及 GitHub 的 URL 全部加上加速前缀。

📌 文件找不到的情况

如果你找不到 launch.py，可能你的版本结构已经更新，请在 launch_utils.py 中查找对应的 run_pip(...) 语句并按相同方式修改（比如第 263、266、269 行）。

五、首次加载模型

第一次进入 WebUI 会自动下载一个默认模型（如 v1-5-pruned-emaonly.ckpt），文件较大（约 4GB），请耐心等待。

在这里插入图片描述


首次加载可能时间较长。你也可以自行下载 .ckpt 或 .safetensors 模型放入以下目录：

stable-diffusion-webui\models\Stable-diffusion\

🚧 遇到模型加载失败：ProxyError 错误

如果你遇到类似如下错误信息：

ProxyError: ('Unable to connect to proxy', FileNotFoundError(2, 'No such file or directory'))

并伴随类似：

requests.exceptions.ProxyError: (MaxRetryError("HTTPSConnectionPool(...): Max retries exceeded with url: /openai/clip-vit-large-patch14/resolve/main/vocab.json ..."))

✅ 解决方法如下：

  1. 请关闭你之前为了下载模型使用的代理工具（包括系统代理或设置在 WebUI 中的代理参数）。
  2. 关闭命令行窗口，重新运行 webui-user.bat，程序会重新尝试使用正常方式连接 HuggingFace。

🌀 如果出现“卡住不动”的情况？

有时候你可能会发现命令行卡在某一步不动，长时间没有进度。

✅ 解决方法：

  • 直接关闭命令行窗口，重新运行 webui-user.bat，系统通常会从上次中断处继续下载或跳过已安装内容。

六、设置代理加速 HuggingFace 模型下载

为什么要设置？

很多用户在首次运行或切换模型时会遇到以下错误：

OSError: Can't load tokenizer for 'openai/clip-vit-large-patch14'

说明系统在尝试联网下载 tokenizer 文件（如 vocab.json），但由于网络限制（如 HuggingFace 被墙），下载失败。

解决方法一：在 webui-user.bat 中设置代理

  1. 编辑 webui-user.bat 文件，在开头添加如下内容：
:: 启用代理（如 Clash 使用 HTTP 代理 7890 端口） set HTTP_PROXY=http://127.0.0.1:7890 set HTTPS_PROXY=http://127.0.0.1:7890 :: 如果你用的是 SOCKS5 代理（如 V2Ray、Trojan）： :: set ALL_PROXY=socks5://127.0.0.1:1080
  1. 保存并重新运行 webui-user.bat。
✅ 一般配合 Clash 使用效果较好，默认本地端口为 7890。

解决方法二：手动下载 CLIP Tokenizer 模型到本地

  1. 下载以下 4 个文件：
    • vocab.json
    • merges.txt
    • tokenizer_config.json
    • special_tokens_map.json
  2. 将上述 4 个文件全部放入该目录中。

打开 ldm\modules\encoders\modules.py，找到如下代码：

self.tokenizer = CLIPTokenizer.from_pretrained(version)

修改为：

self.tokenizer = CLIPTokenizer.from_pretrained("models/clip-vit-large-patch14")

在本地新建目录：

stable-diffusion-webui\models\clip-vit-large-patch14\

访问以下链接（如无法打开建议用代理）：

https://huggingface.co/openai/clip-vit-large-patch14/tree/main

这样就会从本地加载 tokenizer 文件，避免联网失败问题。

在这里插入图片描述

七、可选：更换模型

你可以将其他 .ckpt 或 .safetensors 模型放入：

stable-diffusion-webui\models\Stable-diffusion\
在这里插入图片描述

然后在 Web UI 界面右上角下拉选择切换模型。

八、模型部署成功后的使用与测试

1. 访问 Web UI 界面

当命令行中显示如下信息：

Running on local URL: http://127.0.0.1:7860
在这里插入图片描述

打开浏览器，输入该地址访问 Web UI 页面。

2. 输入测试 Prompt 生成图片

在界面中，你会看到一个文本输入框，称为 “Prompt” 输入框。

在这里插入图片描述

在此输入框中，试试以下测试内容：

Official portrait of Groot as substitute teacher

3. 配置参数建议（可选）

  • 采样器（Sampler）：默认即可，如 Euler a、DDIM 等。
  • 步数（Steps）：建议设置 20~30，数值越大图片细节越丰富，但生成时间也更长。
  • 分辨率（Width/Height）：推荐 512x512，显卡显存有限可适当调低。
  • 种子（Seed）：默认随机，想要固定结果可指定具体数值。
  • CFG Scale（引导尺度）：7~9 之间通常表现较好，控制对 Prompt 的遵守程度。

4. 点击“生成”按钮

等待几秒至几十秒（具体时间与显卡性能相关），页面会自动显示生成的图像。

在这里插入图片描述

附录、常见模型下载失败的解决方法汇总

问题原因解决方法
OSError: Can't load tokenizer for openai/clip-vit-large-patch14HuggingFace 网络不通本地下载 tokenizer 或配置代理
ProxyError 报错系统代理配置残留关闭系统代理，清理环境变量
命令行卡住不动下载缓慢或被墙Ctrl+C 后重启、断点续传有效
xformers 报错未安装非必要模块可忽略，或通过 pip 安装

Read more

小白必看！Z-Image-ComfyUI快速搭建AI绘画系统

小白必看！Z-Image-ComfyUI快速搭建AI绘画系统 你是不是也遇到过这些情况：想试试AI画画，结果卡在环境配置上——装CUDA、配PyTorch、下模型、改路径，折腾半天连界面都没见着；好不容易跑起来，输入“水墨山水”，生成的却是油画风格加现代建筑；想换件衣服，结果人物脸都变形了；更别说中文提示词经常被“听懂但没听对”……别急，这次真不用从头编译、不用查报错日志、不用背参数含义。 Z-Image-ComfyUI 镜像就是为解决这些问题而生的——它不是又一个需要你“先成为工程师才能用”的AI工具，而是一套开箱即用、中文友好、单卡可跑、点点鼠标就能出图的完整绘画系统。阿里最新开源的 Z-Image 系列大模型，搭配 ComfyUI 可视化工作流，把复杂的文生图技术，变成像打开PPT、拖动图片一样自然的操作。 这篇文章不讲原理推导，不堆术语参数，只说你最关心的三件事： 怎么5分钟内让系统跑起来？ 输入什么中文提示词能稳定出好图？ 生成不满意时，怎么一句话就改到位？ 全程手把手，连“双击哪里”

手把手教你用Ollama部署DeepSeek-R1-Distill-Llama-8B

手把手教你用Ollama部署DeepSeek-R1-Distill-Llama-8B 想在自己的电脑上快速体验DeepSeek最新推理模型的能力吗？还在为复杂的模型部署流程头疼吗？今天我就带你用最简单的方法，在10分钟内完成DeepSeek-R1-Distill-Llama-8B的部署和测试。 这个模型是DeepSeek最新发布的推理模型系列中的轻量级版本，专门针对数学推理、代码生成和逻辑分析任务进行了优化。最棒的是，它通过Ollama这个工具，让部署变得像安装普通软件一样简单。 1. 准备工作：了解你要部署的模型 1.1 DeepSeek-R1系列模型是什么？ DeepSeek-R1是DeepSeek推出的第一代推理模型系列，这个系列最大的特点是专门针对推理任务进行了优化。你可能听说过很多大语言模型，但专门为推理设计的模型并不多见。 简单来说，普通的大语言模型像是一个知识渊博的学者，能记住很多信息，但推理模型更像是一个逻辑严密的数学家，它更擅长一步步推导、分析问题、找到解决方案。 DeepSeek-R1系列有两个主要版本： * DeepSeek-R1-Zero：完
【Copilot配置】—— copilot-instructions.md vs AGENTS.md vs .instructions.md三种指令文件解析与配置

【Copilot配置】—— copilot-instructions.md vs AGENTS.md vs .instructions.md三种指令文件解析与配置

Copilot 指令文件全解析：copilot-instructions.md vs AGENTS.md vs .instructions.md 作为常年和 VS Code 打交道的研发，最近在折腾 Copilot Agent 时，我发现很多同学和我一样，被 .github/copilot-instructions.md、AGENTS.md 和 .instructions.md 这三个文件绕晕了。 明明都是给 Copilot 写的 “指令”，为什么要分三个文件？它们的生效范围有啥区别？什么时候该用哪一个？ 带着这些疑问，我翻遍了官方文档，又在自己的 AI Agent 项目里反复实测，终于把这三者的关系理得清清楚楚。这篇文章就用最直白的语言，结合实战配置，帮你彻底搞懂 Copilot 指令文件的使用逻辑。 一、先搞懂核心：
AIGC检测模型训练：Python爬虫构建高质量文本数据集

AIGC检测模型训练：Python爬虫构建高质量文本数据集

一、引言：AIGC检测数据集的核心痛点 随着ChatGPT、文心一言等大模型的普及，AIGC文本泛滥带来了内容审核、学术诚信、版权保护等诸多问题，训练高精度的AIGC检测模型成为行业刚需——而高质量的标注数据集是模型训练的核心基础。 传统AIGC检测数据集存在三大问题：数据量小、场景单一、标注不准；人工构建数据集成本高、效率低。本文将分享一套Python爬虫+数据清洗+人工标注辅助的完整方案，从多源平台爬取“人工创作+AIGC生成”的双端文本，构建覆盖多场景、高标注质量的AIGC检测数据集，直接支撑模型训练。 二、方案设计：数据集构建全流程 2.1 核心目标 1. 爬取多场景文本（新闻、论文、自媒体、问答等），区分“人工创作”和“AIGC生成”两类； 2. 对爬取的原始文本进行清洗、去重、标准化，保证数据质量； 3. 提供标注辅助工具，