本地部署 Stable Diffusion WebUI 虽然方便，但对硬件要求极高，尤其是显存。利用带 GPU 的云服务器实例，不仅能以较低成本体验强大的 AI 绘画能力，还能随时随地通过浏览器访问，灵活性大大提升。
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 起步，推荐 12GB 以上。
- 操作系统：Linux 发行版（如 Ubuntu 20.04 LTS、Debian 11）是首选，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）。过高或过低的版本都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。这可以避免依赖冲突，方便管理，是部署的'黄金法则'。
- Git 配置：确保 Git 已安装。如果在国内访问 GitHub 较慢，可以考虑配置镜像源，例如设置环境变量 HF_ENDPOINT 指向镜像站（如 https://hf-mirror.com），这能极大加速模型下载。
二、项目部署
2.1 获取项目代码
克隆仓库是最直接的方式：
git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git
若遇到网络问题，也可以手动下载 zip 压缩包上传。代码结构大致如下：根目录下包含 webui.sh 启动脚本和 launch.py 程序入口，启动时会按照 modules/launch_utils.py 的流程配置环境。
2.2 性能优化
启动前，建议安装 libgoogle-perftools4 和 libtcmalloc-minimal4 库，可以优化程序性能：
sudo apt-get install libgoogle-perftools4 libtcmalloc-minimal4 -y
2.3 启动项目
HF_ENDPOINT=https://hf-mirror.com ./webui.sh --port 7860 --listen --enable-insecure-extension-access --xformers
这里解释一下几个关键参数的作用：
- HF_ENDPOINT：设置中文镜像，等同于先 export 再启动。作用是将所有从 Hugging Face 下载模型、配置文件等的请求重定向到镜像站，对国内用户非常有用，可解决官网访问慢或无法下载的问题。
- --port 7860：指定 WebUI 监听的端口号，默认是 7860，也可改为其他端口（如 8080）。
- --listen：让 WebUI 服务器监听所有网络接口（而不仅仅是 127.0.0.1）。默认情况下只允许本地访问，加上该参数后，局域网内其他设备甚至公网（需暴露端口）也能访问。
- --enable-insecure-extension-access：允许扩展访问本地文件系统或执行不安全操作。一些社区扩展（如模型管理器、LoRA 加载器）需要更高权限才能运行。默认出于安全考虑是禁用的，仅在信任所安装的扩展时才建议启用。
- --xformers：启用 xFormers 优化。这是一组用于加速 Transformer 模型的高效注意力操作实现。启用后通常可以降低显存占用并提升生成速度，但仅支持 NVIDIA GPU（CUDA）。
