环境准备
在开始部署之前，确保你的开发环境满足基础要求。本教程基于 Windows 11 系统，配合 NVIDIA GeForce RTX 系列显卡进行配置。核心依赖包括 CUDA Toolkit、cuDNN 库以及 PyTorch GPU 版本。请根据显卡驱动支持的最高 CUDA 版本选择合适的工具链，通常建议保持组件版本的一致性以避免兼容性问题。
安装 CUDA Toolkit
首先检查当前显卡驱动支持的 CUDA 版本。打开命令提示符（cmd），输入 nvidia-smi 查看右上角显示的 CUDA Version。假设你的驱动支持 CUDA 13.0（具体请以实际显示为准），则前往 NVIDIA 开发者官网下载对应的 Toolkit 安装包。
下载安装时，选择与你操作系统匹配的选项（如 Windows 11）。Installer Type 推荐选择本地可执行文件（exe local）或网络安装包，根据你的网络情况决定。运行安装程序后，接受许可协议，选择自定义安装模式。安装路径可根据磁盘空间自行调整，默认位于 C 盘，若空间不足可迁移至其他分区。完成安装后重启系统以确保环境变量生效。
配置 cuDNN
访问 NVIDIA cuDNN 官方文档页面，下载与已安装 CUDA 版本匹配的 cuDNN 库。解压后，将 bin、include 和 lib 文件夹中的内容复制到 CUDA 的安装目录中，或者按照安装向导指定的路径进行覆盖安装。这一步是为了让深度学习框架能够调用 GPU 加速功能。
安装 PyTorch GPU 版
进入 PyTorch 官网获取启动页，根据选择的 CUDA 版本生成对应的安装命令。注意，这里建议在系统全局环境中直接安装，或者提前准备好虚拟环境。
打开 cmd，切换到目标工作目录（例如 D 盘根目录），复制生成的 pip 安装命令执行。示例命令如下：
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu129
等待依赖下载完毕，确认安装成功后即可继续下一步。
部署 Stable Diffusion WebUI
回到工作目录，使用 Git 克隆官方仓库：
git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git
进入项目目录后，创建一个独立的 Python 虚拟环境以保持依赖隔离：
cd stable-diffusion-webui
python -m venv .\venv
激活虚拟环境，Windows 下需进入 Scripts 目录并运行激活脚本：
cd .\venv\Scripts
.\activate.bat
激活成功后，命令行前缀会出现 (venv) 字样。此时安装项目所需的依赖包：
cd ../..
pip install -r requirements_versions.txt
依赖安装完成后，运行启动脚本：
.\webui-user.bat
优化启动配置
为了更便捷地管理路径，建议修改 webui-user.bat 文件。找到其中的 set PYTHON= 行，将其指向虚拟环境中的 Python 解释器路径，例如：
set PYTHON=G:\StableDiffusion\stable-diffusion-webui\venv\Scripts\python.exe
保存后，后续启动只需双击该批处理文件即可。你也可以将快捷方式发送到桌面，方便日常使用。
