Stable Diffusion WebUI Docker 环境搭建指南
在 AI 生成内容（AIGC）迅猛发展的当下，Stable Diffusion 已成为图像创作领域的核心工具。然而，本地部署常面临依赖冲突、CUDA 版本不兼容、模型路径混乱等问题。
一个更优雅的解决方案是：用 Docker 容器封装整个运行时环境，结合 Miniconda 实现精准的 Python 依赖管理。这种方式不仅能一键复现完整工作流，还能轻松实现跨机器迁移和团队协作统一。
本文将带你从零开始，基于 CentOS + Miniconda-Python3.9 构建一个支持 GPU 加速的 Stable Diffusion WebUI 环境，涵盖容器初始化、依赖安装、模型组织、远程访问配置等实战细节，并附带 Jupyter 调试与 SSH 远程管理的最佳实践。
搭建高可用容器环境
我们选择 CentOS 7 作为基础系统，因其稳定性强、资源占用低，非常适合长期运行的服务型容器。目标是创建一个具备以下特性的运行环境：
- 支持 NVIDIA GPU 显卡加速
- 使用 conda 隔离项目依赖，避免污染全局环境
- 挂载外部存储以持久化模型与输出文件
- 可通过网络远程访问 WebUI 界面
首先启动容器：
docker run -itd \
--name sd_webui \
--runtime=nvidia \
--gpus all \
--net host \
-v /data/models:/models \
-v /workspace/stable-diffusion-webui:/app \
centos:7 \
/bin/bash
📌 关键参数说明：
--gpus all：启用所有可用 GPU 设备（需提前安装 nvidia-docker2）--net host：共享宿主机网络栈，简化端口映射（也可改用-p 7860:7860）-v：挂载目录，确保模型和代码不会因容器销毁而丢失
进入容器后，先更新系统并设置时区为北京时间：
TimeZone=Asia/Shanghai ln -snf /usr/share/zoneinfo/$TimeZone /etc/localtime && echo $TimeZone > /etc/timezone date
安装必要工具链：
yum update -y yum install -y wget git vim epel-release
配置轻量级 Python 环境：Miniconda + 国内镜像源
相比完整版 Anaconda，Miniconda 更适合用于容器化部署——体积小、启动快、可定制性强。它仅包含 conda 包管理器和 Python 解释器，能让你按需安装所需库，避免冗余。
下载并安装 Miniconda3 for Python 3.9：
wget -c https://repo.anaconda.com/miniconda/Miniconda3-py39_4.12.0-Linux-x86_64.sh sh Miniconda3-py39_4.12.0-Linux-x86_64.sh -b -p /opt/conda
将 conda 添加到 PATH 并激活自动加载：
export PATH=/opt/conda/bin:$PATH echo >> ~/.bashrc ~/.bashrc
