Stable Diffusion WebUI 使用指南
前言
人工智能技术近年来发展迅猛，从早期的区块链、虚拟现实到如今的生成式 AI，技术浪潮不断更迭。2022 年开始的 AI 图像生成浪潮标志着人类智能化进程的重要一步。Stable Diffusion 作为当前主流的开源 AI 图像生成工具，以其高自定义程度和强大的扩展性，成为了社区广泛使用的选择。
本文聚焦于 AI 图像生成领域，主要介绍 Stable Diffusion WebUI 的使用。简单来说，Diffusion（扩散）模型通过添加噪声再去除噪声的过程，结合用户的意图提示词，在潜在变量空间中生成图片。WebUI 则是控制这一过程的图形化界面工具。
硬件篇
显卡选择
Stable Diffusion WebUI 目前最主流的搭配是 Windows 系统配合 Nvidia 显卡。为了获得最佳体验，建议配置如下：
- 显卡算力：影响出图速度。过低的算力会严重影响使用体验，建议至少 RTX 3060 以上。
- 显存大小：影响生成分辨率及模型训练规模。推荐显存大于 8GB。通常 512x1024 比例的图片 8G 显存即可满足需求。
部署环境
Windows 环境
部署需要安装 Python 环境及相关库。由于涉及网络问题及依赖配置繁琐，推荐使用整合包以开箱即用。若希望深入了解环境搭建，可参考官方文档自行部署。
Mac 环境
Mac 用户可通过特定适配版本运行，但速度相对较慢。M1/M2 芯片支持较好，但性能仍不及同级别 N 卡。
在线平台
若无本地高性能机器，可使用 Google Colab 等在线平台租用 GPU 资源进行训练或部署，适合临时体验或轻量级任务。
提速篇
整合包封装了繁琐操作，但若追求极致性能，需手动优化环境：
- 开启 CUDNN 加速：NVIDIA CUDA 深度神经网络库，启用后可提升约 30%~40% 的生成速度。
- 升级 PyTorch 至 2.0：新版 PyTorch 针对深度学习优化，可提升约 20% 速度。
- 开启 Xformers 加速：Facebook 出品的 Transformer 加速库，可显著减少显存占用并提升生成速度（部分情况接近 100%），但仅适用于 Nvidia 显卡。
界面与参数
安装完成后，熟悉界面布局至关重要。关键参数包括：
- 采样器 (Sampler)：如 Euler a, DPM++ 2M Karras 等，影响生成质量与速度。
- 步数 (Steps)：通常为 20-50，步数越多细节越丰富，但耗时增加。
- CFG Scale：提示词引导系数，值越高越贴近提示词，过高可能导致画面失真。
- 种子 (Seed)：固定随机种子可复现相同结果。
提示词工程
Prompt（提示词）是指导 AI 生成的核心。一个优秀的提示词应包含主体、风格、环境、光照等要素。
通用模板
(主描述), (风格关键词), (质量修饰词), (负面提示词)
Embedding 提示词打包
Embedding 是一种将一组特征词打包的技术，常用于负向提示词以提高出图质量。例如，使用特定的 Embedding 文件可以自动修正手部结构或优化光影。
LoRA 低秩适应模型
LoRA (Low-Rank Adaptation) 源自微软论文，用于微调大模型。在 SD 中，LoRA 体积小、训练成本低，可用于精确控制角色风格、画风或特定物体。
- 应用场景：游戏角色二次创作、特定画风迁移。
- 优势：相比完整模型，加载速度快，显存占用低。
