环境准备与依赖安装
在开始部署 Stable Diffusion WebUI 之前，我们需要先搭建好底层的计算环境。主要涉及 CUDA 工具包、cuDNN 深度学习库以及适配的 PyTorch 版本。
推荐配置参考：
- 系统：Windows 11
- 显卡：NVIDIA GeForce RTX 系列（如 RTX 4060/5060）
- 内存：建议 24GB 及以上
核心组件版本：
- CUDA：12.9
- cuDNN：9.x
- PyTorch：对应 CUDA 版本的 GPU 支持版
一、安装 CUDA Toolkit
首先确认当前显卡驱动支持的 CUDA 版本。按下 Win + R 输入 cmd 打开命令行，执行以下命令查看：
nvidia-smi
输出信息中的 CUDA Version 即为最高支持版本。虽然可以向下兼容安装低版本，但为了获得最佳性能，建议安装与驱动匹配的最新稳定版。
下载地址：https://developer.nvidia.com/cuda-toolkit-archive
以安装 CUDA 12.9 为例：
- 进入下载页面，选择对应的操作系统（Windows 11 选 11，Windows 10 选 10）。
- 安装包类型建议选择
exe (network)或local，点击 Download。 - 运行安装包，接受许可协议。
- 安装模式选择'自定义'，根据磁盘空间情况调整安装路径（默认 C 盘空间不足时可移至 D 盘）。
- 等待安装完成并重启电脑。
二、安装 cuDNN
cuDNN 是 NVIDIA 提供的深度学习加速库，需手动解压配置。
- 访问官网：https://docs.nvidia.com/deeplearning/cudnn/backend/latest/index.html
- 登录账号后下载对应 CUDA 版本的 cuDNN 压缩包。
- 解压文件，将
bin,include,lib三个文件夹内的内容分别复制到 CUDA 安装目录下的对应位置。- 例如：
D:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.9
- 例如：
- 确保环境变量中已包含 CUDA 和 cuDNN 的路径。
三、配置 Python 虚拟环境与 PyTorch
为了避免依赖冲突，强烈建议在项目目录下创建独立的 Python 虚拟环境，而不是直接在全局环境中安装。
-
创建虚拟环境 在项目根目录下执行：
python -m venv .\venv -
激活环境 进入 Scripts 目录并激活：
cd .\venv\Scripts .\activate.bat激活成功后，命令行前会出现
(venv)标识。 -
安装 PyTorch 访问 获取安装命令。这里我们使用指定 CUDA 12.9 的版本：
