基于 Docker 和 Miniconda 部署 Stable Diffusion WebUI 的完整流程。通过自定义镜像实现环境隔离与依赖管理，集成 GPU 支持、SSH 远程登录及 Jupyter 调试功能。涵盖 PyTorch 安装、xformers 配置、模型持久化挂载及生产级稳定性建议，解决 CUDA 兼容性与显存占用问题，提供可复用的 AI 开发环境方案。
在生成式 AI 飙速发展的今天，越来越多开发者希望在本地部署 Stable Diffusion WebUI —— 这个功能强大、插件丰富、社区活跃的文生图工具。但随之而来的环境依赖复杂、Python 版本冲突、CUDA 兼容性问题常常让人头疼。
有没有一种方式，既能保证环境干净隔离，又能一键复现、快速迁移？答案是：Docker + Miniconda 的组合拳。
我们不需要每次都从头配置 Python 环境、手动安装 PyTorch 和 xformers，也不用担心某次 搞乱整个系统。通过容器化技术，把整套运行环境'打包'起来，无论换哪台机器，只要拉镜像、跑容器，几分钟就能恢复工作流。
pip install本文将带你一步步构建一个基于 Miniconda-Python3.10 的轻量级 Docker 镜像，集成 GPU 支持、SSH 远程登录、Jupyter 调试能力，并成功运行 AUTOMATIC1111 的 Stable Diffusion WebUI。整个过程强调可维护性、性能优化和实际工程中的常见避坑点。
你可能会问：为什么不直接用官方 Python 镜像？或者直接跑原生环境？
关键在于三点：
py38-torch113 和 py310-torch210 两个独立环境，互不干扰。再加上 Docker 提供的资源隔离、端口映射、持久化挂载等能力，这套方案特别适合用于训练、推理或二次开发场景。
我们不会直接使用 continuumio/miniconda3 官方镜像开干，而是自定义一个更适合 AI 开发的镜像。先创建 Dockerfile：
FROM continuumio/miniconda3
LABEL maintainer="[email protected]"
# 升级系统并安装常用工具
RUN apt-get update && apt-get install -y \
wget \
vim \
git \
curl \
unzip \
build-essential \
openssh-server \
libgl1-mesa-glx \
&& rm -rf /var/lib/apt/lists/*
# 创建工作目录
WORKDIR /workspace
# 创建非 root 用户（推荐做法）
RUN useradd -m -s /bin/bash sduser && \
echo 'sduser:sduser' | chpasswd && \
adduser sduser sudo
# 设置权限：允许写入 .bashrc
USER sduser
WORKDIR /home/sduser
# 安装 Miniconda 并切换至 Python 3.10
ENV CONDA_ENV=py310
SHELL ["/bin/bash", "-c"]
RUN conda create -n ${CONDA_ENV} python=3.10 && \
echo "source activate ${CONDA_ENV}" >> ~/.bashrc
# 切换到新环境执行后续命令
SHELL ["conda", "run", "-n", "py310", "/bin/bash", "-c"]
# 配置国内镜像源加速
RUN conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main && \
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free && \
conda config set show_channel_urls yes && \
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
# 暴露端口：WebUI 默认 7860，Jupyter 8888，SSH 22
EXPOSE 7860 8888 22
# 回到 root 执行系统服务操作
USER root
# 复制启动脚本
COPY entrypoint.sh /entrypoint.sh
RUN chmod +x /entrypoint.sh
CMD ["/entrypoint.sh"]
配套的 entrypoint.sh 脚本如下：
#!/bin/bash
# 启动 SSH 服务
service ssh start
# 激活 conda 环境
eval "$(conda shell.bash hook)"
conda activate py310
# 如果传入命令，则执行；否则保持容器运行
if [ $# -gt 0 ]; then
exec "$@"
else
while true; do
sleep 1000
done
fi
小贴士：这里使用
eval "$(conda shell.bash hook)"是为了正确加载 conda 命令环境，避免command not found: conda错误。
构建镜像：
docker build -t miniconda-py310-sd:latest .
耐心等待完成后，你就拥有了一个集成了 Conda、Python 3.10、国内源加速、SSH 支持的基础开发镜像。
接下来就是最关键的一步：启动容器。我们需要确保 GPU 可用、内存足够、代码和模型可持久化。
docker run -dit \
--name sd-webui \
--gpus all \
--shm-size=8gb \
-p 7860:7860 \
-p 8888:8888 \
-p 2222:22 \
-v $(pwd)/stable-diffusion-webui:/workspace/stable-diffusion-webui \
-v /mnt/data/models:/workspace/models \
miniconda-py310-sd:latest
参数说明：
--gpus all：启用所有可用 GPU（需提前安装 NVIDIA Container Toolkit）--shm-size=8gb：增大共享内存，防止多线程加载图像时出现 OOM-p：分别映射 WebUI、Jupyter 和 SSH 端口-v：挂载项目代码和模型目录，实现数据持久化进入容器：
docker exec -it sd-webui bash
你应该会看到类似提示符：
(py310) root@container-id:/workspace#
说明 conda 环境已自动激活，可以开始安装依赖了。
cd /workspace
git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git
cd stable-diffusion-webui
建议固定某个稳定提交版本，避免因主干更新导致兼容性问题：
git checkout <commit-hash>
这是最容易出错的一环。务必根据宿主机 CUDA 版本选择正确的安装命令。
查看宿主机 CUDA 版本：
nvidia-smi
假设输出显示 CUDA Version: 11.8，则安装对应版本：
pip install torch==2.1.0+cu118 torchvision==0.16.0+cu118 torchaudio==2.1.0 --extra-index-url https://download.pytorch.org/whl/cu118
验证是否可用 GPU：
python -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"
预期输出：
2.1.0+cu118 True
⚠️ 注意：不要盲目
pip install torch，这会安装 CPU 版本！
pip install git+https://github.com/openai/CLIP.git@main
pip install open-clip-torch
OpenCLIP 支持更多模型变体，如 ViT-bigG，对高级用户很有用。
pip install gfpgan
如果需要从源码编译（例如支持最新特性），可手动克隆安装：
git clone https://github.com/TencentARC/GFPGAN.git
cd GFPGAN
pip install -r requirements.txt
python setup.py develop
pip install -r requirements.txt
pip install opencv-python-headless
pip install xformers --index-url https://download.pytorch.org/whl/cu118
关于
xformers：它能显著降低显存占用并提升推理速度，尤其在高分辨率生成时效果明显。但必须确保其 CUDA 版本与 PyTorch 匹配，否则会报错。
如果你遇到 xformers 安装失败，可以尝试以下替代方案：
# 方法一：使用预编译包
pip install -U xformers --index-url https://download.pytorch.org/whl/cu118
# 方法二：关闭 xformers，在启动参数中添加 --disable-xformers
一切准备就绪后，回到项目根目录：
cd /workspace/stable-diffusion-webui
使用优化后的启动命令：
COMMANDLINE_ARGS="--listen --port=7860 --enable-insecure-extension-access --no-half-vae --xformers" ./webui.sh
各参数含义：
| 参数 | 作用 |
|---|---|
--listen | 监听 0.0.0.0，允许局域网设备访问 |
--port=7860 | 自定义端口（默认也是 7860） |
--enable-insecure-extension-access | 启用第三方插件（如 ControlNet） |
--no-half-vae | 避免部分老旧显卡在 VAE 解码时崩溃 |
--xformers | 启用注意力机制优化，节省显存 |
首次运行会自动下载基础配置文件（如 config.yaml）和安全检查模型（model.safetensors）。如果你已经准备好模型，建议提前放入：
/workspace/models/Stable-diffusion/
这样可以跳过漫长的网络下载过程。
启动成功后，浏览器访问：
http://<your-server-ip>:7860
你应该能看到熟悉的 WebUI 界面，包括：
虽然 WebUI 已经很强大，但在做模型微调、数据处理或实验探索时，交互式编程仍然不可替代。
在容器内安装 Jupyter：
pip install jupyter
生成配置文件：
jupyter notebook --generate-config
设置密码（推荐）：
python -c "from notebook.auth import passwd; print(passwd())"
复制输出的哈希值，编辑配置文件：
vim ~/.jupyter/jupyter_notebook_config.py
添加以下内容：
c.NotebookApp.ip = '0.0.0.0'
c.NotebookApp.port = 8888
c.NotebookApp.open_browser = False
c.NotebookApp.allow_remote_access = True
c.NotebookApp.password = 'sha1:xxxxxxx' # 替换为你生成的密码哈希
c.NotebookApp.notebook_dir = '/workspace'
启动服务：
jupyter notebook --allow-root
访问地址：http://<your-server-ip>:8888
此时你可以在浏览器中新建 .ipynb 文件，测试 GPU 是否可用：
import torch
print(torch.cuda.is_available())
print(torch.randn(1000, 1000).cuda().sum()) # 应正常输出
对于服务器部署或团队协作，SSH 是比 docker exec 更优雅的选择。
我们在 Dockerfile 中已经安装了 openssh-server，只需确保服务启动即可。
修改 /etc/ssh/sshd_config：
sed -i 's/#PermitRootLogin prohibit-password/PermitRootLogin yes/' /etc/ssh/sshd_config
sed -i 's/PasswordAuthentication no/PasswordAuthentication yes/' /etc/ssh/sshd_config
设置密码：
echo 'root:mypassword' | chpasswd
然后在 entrypoint.sh 中确保 service ssh start 被调用。
之后即可从外部连接：
ssh root@<server-ip> -p 2222
这样即使断开终端，容器内的进程依然运行，非常适合长时间训练任务。
强烈建议将模型目录单独挂载到高速 SSD 或 NAS 存储上：
-v /data/sd-models:/workspace/models
并在 WebUI 设置中指定路径：
Settings → Stable Diffusion → Checkpoint name → Browse Models
这样做有两个好处：
.env 管理环境变量在项目根目录创建 .env 文件：
CUDA_VISIBLE_DEVICES=0
TORCH_CUDA_ARCH_LIST="8.6"
SD_WEBUI_LOG_LEVEL=INFO
然后在启动脚本中加载：
set -a
[ -f .env ] && source .env
set +a
这些变量会影响 PyTorch 编译行为和日志输出级别，对调试非常有用。
定期提交容器为新镜像，防止意外损坏：
docker commit sd-webui sd-webui:backup-$(date +%Y%m%d)
导出镜像便于跨机迁移：
docker save -o sd-webui-backup.tar sd-webui:latest
scp sd-webui-backup.tar user@remote:/backup/
# 在目标机器导入
docker load -i sd-webui-backup.tar
当然，更现代的做法是结合 Kubernetes 或 CI/CD 流水线实现自动化部署，但这超出了本文范围。
| 问题 | 原因 | 解决方法 |
|---|---|---|
CUDA out of memory | 显存不足 | 添加 --medvram 或 --lowvram 参数 |
ImportError: libgl.so.1 | 缺少 OpenCV 图形依赖 | 安装 libgl1-mesa-glx：apt-get install -y libgl1-mesa-glx |
| WebUI 无法外网访问 | 未监听 0.0.0.0 | 确保启动时加 --listen |
| xformers 安装失败 | CUDA 版本不匹配 | 使用 --index-url 指定对应版本 |
| 模型加载慢 | 网络模型或机械硬盘 | 提前下载模型至本地 SSD 目录 |
还有一个隐藏陷阱：Python 版本太高会导致某些旧插件不兼容。目前最稳妥的是锁定在 Python 3.10，避免升级到 3.11 或更高。
通过 Docker + Miniconda 的组合，我们实现了：
✅ 环境完全隔离
✅ 依赖精确可控
✅ GPU 支持开箱即用
✅ 支持 Jupyter 和 SSH 远程调试
✅ 数据持久化与快速迁移
这一架构不仅适用于个人开发者本地测试，也完全可以作为团队共享的 AI 开发平台基础模板。未来还可以进一步扩展：
⚠️ 最后提醒一句：请合法合规使用生成模型，切勿生成违法不良信息。
现在，你已经有了一个稳定、高效、可复用的 Stable Diffusion 开发环境。下一步，不妨试试接入 ControlNet、训练 LoRA 模型，或是打造自己的 AI 绘画工作流。
生成式 AI 的大门，已经为你敞开。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online