本地部署虽然方便，但对硬件要求较高，尤其是显存。使用云服务器（特别是带有 GPU 的实例）能以较低成本体验强大的 AI 绘画能力，且支持随时随地通过浏览器访问。
一、部署前的准备
1.1 选择合适的云服务器
- GPU 型号：优先选择 NVIDIA 显卡，如 V100、T4、P4、3090、4090 等。显存越大越好，建议至少 8GB，推荐 12GB 以上。
- 操作系统：Linux 发行版是首选，如 Ubuntu 20.04 LTS、Debian 11 或 CentOS 7/8，社区支持好，文档丰富。
- 网络带宽：部署初期需要下载大量模型和依赖，稳定的网络环境至关重要。
1.2 环境配置
- Python 版本：推荐使用 Python 3.10.x（如 3.10.6）。过高或过低的版本可能与某些依赖库不兼容。
- 虚拟环境：务必使用 venv 或 conda 创建独立的虚拟环境，避免依赖冲突，这是管理的黄金法则。
- Git 配置：确保 Git 已安装。若国内访问 GitHub 较慢，可配置镜像源，例如设置环境变量
HF_ENDPOINT指向镜像站（如https://hf-mirror.com），能极大加速模型下载。
参考配置示例：Ubuntu + RTX3090（显存 24G），网络带宽 600MB/s+，Python 3.10.6 + Miniconda。
二、项目部署
2.1 获取项目代码
克隆官方仓库：
git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git
若遇网络问题，也可手动下载 zip 压缩包上传。代码结构中，webui.sh 是启动脚本，launch.py 是程序入口，启动时会按 modules/launch_utils.py 的流程配置环境。
2.2 性能优化
启动前安装性能优化库：
sudo apt-get install libgoogle-perftools4 libtcmalloc-minimal4 -y
2.3 启动项目
运行以下命令启动服务：
HF_ENDPOINT=https://hf-mirror.com ./webui.sh --port 7860 --listen --enable-insecure-extension-access --xformers
参数说明：
- HF_ENDPOINT：重定向 Hugging Face 下载请求到镜像站，解决国内访问慢的问题。
- --port 7860：指定监听端口，默认 7860，可根据需求修改。
- --listen：允许服务器监听所有网络接口，使局域网或公网设备能访问 WebUI。
- --enable-insecure-extension-access：允许扩展访问本地文件系统，部分高级扩展需此权限，但存在安全风险，仅信任扩展时启用。
- --xformers：启用 xFormers 优化，降低显存占用并提升生成速度，仅支持 NVIDIA GPU。
2.4 部署说明
启动后，项目目录会生成 stable-diffusion-webui 子目录存放环境依赖，注意区分它与项目根目录。若使用 Conda 而非 venv，需将 webui.sh 中的 use_venv 变量值从 1 改为 0。