Stable Diffusion WebUI Docker 部署实战指南
在生成式 AI 快速落地的今天，本地部署 Stable Diffusion WebUI 成了不少开发者和创作者的首选。这个平台插件丰富、社区活跃，但复杂的依赖关系、Python 版本冲突以及 CUDA 兼容性问题，往往让环境配置阶段就劝退很多人。
与其反复折腾宿主机环境，不如用容器化技术封装整个运行时。借助 Docker 与 Miniconda 的组合，不仅能实现跨主机一键迁移，还能彻底隔离系统依赖，确保每次启动都干净如初。咱们直接上手，构建一个支持 GPU 加速、具备 Jupyter 调试能力、可远程 SSH 管理的 Stable Diffusion 容器化运行环境。
Miniconda-Python3.10 镜像：轻量而强大的起点
选择 continuumio/miniconda3:latest 作为基础镜像并非偶然。相比直接使用官方 Python 镜像，Miniconda 提供了更精细的包管理和虚拟环境支持，特别适合需要混合使用 pip 与 conda 安装的 AI 工程项目。
它体积小巧（通常不到 500MB），却自带完整的 Conda 生态，允许你创建独立的 sd_env 环境避免污染全局，同时管理 PyTorch（pip）与 OpenCV（conda）等不同来源的库。更重要的是，Conda 对 CUDA 相关原生扩展的支持优于纯 pip 方案，这对后续启用 xFormers、TensorRT 至关重要。
启动容器：搞定 GPU 与资源
动手之前，请确认你的宿主机已准备就绪：Docker Engine ≥ 20.10，已安装 NVIDIA 驱动（建议 ≥470），并配置好 NVIDIA Container Toolkit。推荐使用 Ubuntu 20.04/22.04 或 CentOS 7+ 系统，它们对 nvidia-docker2 的兼容性最佳。
接下来启动容器实例：
docker run -itd \
--name sd_webui_container \
--gpus all \
--shm-size=8gb \
-p 7860:7860 \
-p 8888:8888 \
-v $(pwd)/stable-diffusion-webui:/root/stable-diffusion-webui \
-v /mnt/models:/root/models \
continuumio/miniconda3:latest
进入容器进行后续操作：
docker exec -it sd_webui_container /bin/bash
几个关键参数值得说明：
--gpus all：暴露所有 GPU 设备给容器，这是启用 CUDA 的前提。--shm-size=8gb：增大共享内存。Stable Diffusion 在加载大模型时会频繁使用/dev/shm，默认 64MB 极易导致 OOM 错误。-p 7860:7860：WebUI 默认端口。-p 8888:8888：预留用于 Jupyter Notebook。-v挂载：将代码和模型目录持久化到宿主机，避免容器重启后丢失数据。
构建 Python 运行环境
首次进入容器后，先初始化 Conda 环境：
conda init bash
source ~/.bashrc
然后创建专用虚拟环境：
conda create -n sd_env python=3.10 -y
conda activate sd_env
为什么选 Python 3.10？ 因为大多数 SD 插件和依赖包（如 xformers、torchvision）对 3.10 的兼容性最成熟，高于或低于此版本均可能出现编译失败。
