去年有段时间我几乎天天泡在AI绘画的各类社区里看别人发的图心里痒自己却始终没动手。不是不想是每次点开教程要么默认你已经有A卡N卡的基础认知要么甩给你一大段命令行就跑根本没讲明白每一步到底在干嘛出了问题也不知道去哪查。后来趁着换电脑我硬着头皮把Stable Diffusion在自己机器上完整部署了一遍踩了一晚上坑也终于把整个流程吃透了。这篇就把我的完整操作过程、每一步的理由、还有那些教程里一般不会告诉你的坑一次性讲清楚。需要先说明的是所谓本地部署就是把AI绘画环境完整装进你自己的电脑里所有计算都在本地完成不需要联网也不需要把图片数据传给别人。它和在线工具的核心区别是模型自由、数量不受限、可以自己训练微调而且长期用下来没有按张计费的压力。当然前提是你愿意花点时间搞定环境。这篇教程面向的是完全没接触过部署的小白也适合已经装过但搞不清原理、总在莫名其妙的地方报错的人。我尽量用人话把每个环节讲透包括硬件要求、软件安装、模型下载、界面操作、常见报错排查最后再聊聊我这个系列后续打算写些什么。1. 本地部署到底解决什么问题为什么值得折腾先说个反直觉的结论本地部署Stable Diffusion其实不是为了省钱而是为了自由度。在线绘图工具你用得再多能用的模型就那几个风格固定参数也有限制想换一个冷门模型或者自己炼丹基本没门。而本地部署之后社区里成千上万个模型、LoRA、ControlNet扩展只要显存放得下你想试哪个试哪个这才是它真正的价值。另外还有隐私考虑。你可能只是画点自用素材、给文章配图、做设计灵感草稿这些图如果都传到在线服务多少有点心里不踏实。本地跑起来之后图从生成到保存全程不出你的电脑这层安心感是云服务给不了的。当然本地部署也确实有门槛。最大的门槛不是钱而是“环境依赖”这四个字。Stable Diffusion的WebUI依赖Python环境、深度学习库PyTorch、一大堆第三方包还要匹配显卡驱动和CUDA版本任何一个环节对不上启动就直接报错、闪退、CUDA out of memory轮番上阵。我见过很多人就是被这些报错劝退的所以说到底本地部署考验的不是技术深度而是耐心排查问题的能力。那到底什么人适合本地部署呢有三类想深度玩模型的人。 换底模如换画风、叠加LoRA换角色、用ControlNet精确控构图这些玩法只有在本地环境才玩得尽兴。高频出图的设计师、自媒体作者。 出图量大在线工具的会员费和等待时间都是成本本地部署一次到位后面就不心疼了。对数据隐私敏感的人。 所有素材和生成结果都留在本机不用担心第三方平台的数据使用政策。如果只是偶尔画一两张玩或者连自己电脑显卡规格都不清楚那我也说实话在线工具更省事没必要硬上本地部署。但如果你已经看到这里说明你大概率是想认真入坑的那就继续往下看。2. 硬件自检与环境准备先把地基打牢很多教程上来就让你装Python、装Git、跑命令结果装到一半才发现显卡不行白折腾一场。所以第一步不是安装而是先搞清楚你的电脑到底能不能跑、能跑多快、能跑多大分辨率。2.1 显卡显存决定你的上限Stable Diffusion的绘图过程极度依赖显卡并行计算能力。官方推荐的最低显存是4GB但实际上4GB只能勉强跑512x512的图稍微开点插件就容易爆显存。我的建议是显存大小实际体验适合做的事4GB勉强能跑512x512出图开高清修复很容易爆显存仅体验、试水6GB日常够用512~768分辨率流畅可以尝试简单LoRA入门主力8GB比较舒适1024x1024附近可以跑插件兼容性好标准推荐配置12GB高分辨率、大模型、ControlNet多开都从容进阶玩家除了显存显卡驱动一定要更新到较新版本NVIDIA显卡建议安装最新的Game Ready驱动或者Studio驱动因为新版本驱动通常包含对PyTorch等深度学习框架更好的兼容性。AMD显卡也能跑但需要的环境配置路径不同教程资料相对少一些新手建议优先用NVIDIA显卡。有一个特别容易被忽略的点如果你的NVIDIA显卡驱动是Windows自动更新装的很可能是旧版PyTorch直接不认表现为启动后一直卡在“Loading model”或者直接报CUDA相关错误。所以别嫌麻烦去NVIDIA官网手动下载一次驱动干净省事。2.2 内存、硬盘和系统的底线要求显存很重要但内存和硬盘也别忽视。Stable Diffusion加载模型时会先读入系统内存再搬运到显存所以内存至少16GB32GB更稳。我见过有的人显存12GB内存只有8GB加载大模型时直接卡死。硬盘方面一个完整环境加常用模型大概需要30~50GB空间如果还想收集各种模型建议预留100GB以上固态硬盘是必需的机械硬盘加载模型慢到怀疑人生。操作系统方面Windows和Linux都能跑Mac也能跑MPS模式但Mac的兼容性和性能都不如N卡环境。我的建议非常直接Windows 10/11 NVIDIA显卡 固态硬盘这是目前最省心的组合。2.3 安装Python和GitWebUI的前身是Python项目所以Python环境必不可少。这里给小白一个我的实测经验不要装最新版Python很多第三方库还没来得及适配。建议装Python 3.10.6这个版本是Stable Diffusion WebUI社区验证过的稳定版本。去Python官网下载时注意Windows底下要勾选“Add Python to PATH”这一步漏了后面所有命令都执行不了。Git也是同理直接装默认选项就行。装完之后打开命令行输入python --version git --version能正常打印版本号就说明环境准备到位了。注意如果你电脑上已经装了其他版本的Python不要卸载后面用虚拟环境隔离就行。建议有空了解一下虚拟环境venv的概念这对避免Python包版本冲突极其关键。2.4 网络与下载工具准备Stable Diffusion的核心文件在GitHub和HuggingFace等海外平台国内直连下载速度可能很不稳定。虽然这个话题我不展开但你需要准备一个相对稳定的网络方案或者选择国内镜像源。不少国内高校和云服务商有PyPI、HuggingFace的镜像具体可以搜索“pypi 镜像”“hf-mirror”等关键词能大大提升安装成功率。另外下载大模型文件时建议用支持断点续传的下载工具否则下载一半断了真的会崩溃。3. 完整部署实操从空白文件夹到启动WebUI环境准备好之后正式部署的核心流程其实就三步下载项目源码、安装依赖、启动。但每一步都有细节我按自己的操作路径一步步说。3.1 获取WebUI源码主流的Stable Diffusion WebUI仓库是AUTOMATIC1111维护的stable-diffusion-webui可以说是目前功能最全、插件生态最丰富的版本。还有一个分支是ComfyUI采用节点式操作功能更强但是学习曲线陡这个我们留到系列后续单独讲。作为第一篇老老实实用WebUI就好。在你的工作目录下执行git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git cd stable-diffusion-webui这一步是把整个项目源码拉到你本地。下载速度慢的可以考虑代理或镜像但如果网络情况尚可耐心等一会儿就好。3.2 安装依赖和启动Windows系统下有一个现成的脚本webui-user.bat双击就能启动自动安装流程。它做的事情包括创建虚拟环境、读取PyTorch、安装requirements里的数百个Python包、下载一些默认模型等。第一次执行会非常久看网速和机器性能可能20分钟到两小时不等中间看起来像卡住了其实没卡耐心等。如果你想用命令行跑也可以手动执行python launch.py注意Windows下如果双击bat文件出现窗口闪退通常是Python环境变量没配好直接命令行窗口运行能看到完整报错排查起来要方便得多。首次启动完成后命令行会显示一个本地地址Running on local URL: http://127.0.0.1:7860浏览器打开这个地址看到WebUI界面部署第一步就算完成了。3.3 第一次生成你的第一张图这时候WebUI界面里其实用的是自带的默认模型首次启动脚本会自动下载一个小模型你可以直接输入一句提示词比如a beautiful landscape, mountains, sunset, highly detailed, 8k然后点击Generate。如果一切正常几十秒后就能看到第一张图。看到图的那一刻你会觉得前面所有折腾都值了。这里我要特别提一个感受第一张图生成成功倒还好真正值得注意的是生成时显卡风扇的转速和显存占用情况。用任务管理器或者NVIDIA的监控浮窗观察一下如果显存占用率接近100%但没报错说明硬件吃紧后面出大图需要做优化如果占用率不到60%恭喜你后续很宽裕。4. 模型管理与目录结构玩转会换模型才算入门WebUI能跑起来只是开始真正让它变得好用的是“换模型”。Stable Diffusion的出图风格其实很大程度上由底模决定不同底模画出来的人、景、物风格差异巨大。学会管理模型你才算真的入门了。4.1 模型类型底模、VAE、LoRA这三个词你会在Stable Diffusion生态里反复遇到我尽量用一句话说清底模 核心模型通常是.safetensors或.ckpt文件大小2GB~7GB不等决定了整体画风和基本能力。VAE 变分自编码器负责颜色和细节还原。简单理解就是给画面“调色锐化”换一个合适的VAE往往能让画面质量明显提升。常见的有vae-ft-mse-840000等。LoRA 轻量级微调模型大小几十到几百MB专门控制特定角色、风格或元素。底模决定大方向LoRA在细节上“拧螺丝”。4.2 模型下载与存放位置模型下载最主流的平台是Civitai和HuggingFace中文社区也有不少搬运。不同平台的模型质量参差不齐需要自己多试建议优先选下载量大、预览图多、说明完善的模型。WebUI的模型目录很固定底模放到models/Stable-diffusion/VAE放到models/VAE/LoRA放到models/Lora/如果你下载了ControlNet等扩展会有自己的模型目录后续单独说放好之后回到WebUI界面点击模型列表旁边的刷新按钮就能在左上角下拉菜单中看到新模型了。切换模型时WebUI会自动重新加载首张图会比较慢属正常现象。4.3 一个易混淆的点下载的文件后缀现在网上下载模型绝大多数是.safetensors格式这是社区目前推荐的格式更安全。传统.ckpt格式因为可能存在代码执行风险已逐渐淘汰。如果你看到某个教程非要你下载.ckpt且非官方渠道建议谨慎。.safetensors直接用就好不用转换。另外下载模型时注意看预览图下方的说明。有的模型需要搭配指定的VAE有的模型自带VAE不需要另配还有的模型只适合某个特定分辨率这些信息不看清楚用起来就会感觉“网上效果图很惊艳自己跑出来却很一般”。这不是你操作有问题而是你没有按模型的预设参数来跑。4.4 我推荐新手优先尝试的模型方向刚入门不建议囤一堆模型先选两三个风格差异明显的对比理解“同一个提示词、不同底模、不同效果”这件事远比你盲下几十个模型有用。比如可以选一个写实风格的ChilloutMix系列、一个动漫风格的Anything系列或者Counterfeit系列再配一个二次元插画风格模型基本就能覆盖大多数场景了。5. 参数与性能调优让出图质量和速度同时提升部署完成后很多人发现默认设置出图慢、画质普通就开始调参数。我个人建议不要乱调先理解几个核心参数是干什么的这里挑最重要的说。5.1 采样器与步数采样器决定扩散过程去噪的方式常见的Euler a、DPM 2M Karras、DDIM等等。入门阶段我的建议是直接选DPM 2M Karras步数设在20~30之间这个组合在质量和速度之间比较均衡大部分底模都适配。步数太多并不会无限提升画质超过一定阈值反而可能引入噪声或混乱细节速度还会变慢。很多人无脑设到60步、80步纯属浪费。5.2 分辨率与高清修复Stable Diffusion原生训练分辨率一般是512x512或768x768直接拉高分辨率可能导致人物比例崩坏、细节混乱。所以正确的做法是先低分辨率生成再用“高清修复”Hires.fix功能放大。WebUI里的Hires.fix本质上是“先生成低分辨率图再做一次图生图放大”需要设定放大倍数和重绘幅度新手建议倍数1.5~2重绘幅度0.3~0.5之间。不要一上来就生成1024x2048这种尺寸显存会直接爆掉报CUDA out of memory。5.3 显存不够时候的救命参数如果你显存只有4GB甚至更低别急着换电脑试试在启动参数里加这几个优化选项--medvram --opt-split-attention --xformers--medvram 中等显存优化牺牲一点速度换显存占用大幅下降。--xformers 用xFormers库加速注意力计算同时显著降低显存占用N卡专属优化。--opt-split-attention 类似的内存优化机制部分环境不装xformers也能用。具体操作是编辑webui-user.bat在COMMANDLINE_ARGS一行里加上这些参数。改完重启WebUI即可。实测下来6GB显存开这些参数跑768分辨率的图很从容出图速度也不会慢太多。5.4 生成速度慢的排查思路“为什么我的图生成这么慢”是社区最常被问的问题。一般来说慢的核心因子排序是分辨率 步数 采样器复杂度 后台占用 底模大小。先把分辨率降下来、步数控制在30以内绝大多数“卡得像幻灯片”的问题都能解决。如果这样还慢再看显存占用有没有其他程序抢占资源。我见过有人边生成边看4K视频出图慢还以为是模型问题。6. 新手最容易踩的坑完整排查链路这一章集中说说部署和出图阶段我真实遇到、以及帮别人排查时见过的高频问题。如果你是照着我前面的步骤做的大概率不会遇到太多但真碰上了也别慌按链路一步步排查。6.1 启动闪退或命令行瞬间消失这个在Windows上太常见了。原因九成出在Python环境变量或虚拟环境创建失败上。排查链路不要在文件管理器里双击webui-user.bat而是在命令行里切到该目录后执行这样能看到完整报错信息。确认python --version能正常输出如果提示找不到命令说明Python没加入PATH重装或手动添加。看报错里有没有代理设置相关提示部分网络环境下需要配置pip国内镜像源再重装依赖。6.2 报错“CUDA out of memory”这是显存不足的经典报错。很多人第一反应是“完蛋了电脑带不动”但其实很多时候不是真的跑不动是参数开太高。处理顺序把分辨率降到512x512以下关掉Hires.fix再试。在启动参数加上--medvram和--xformers。检查后台有没有其他吃显存的应用浏览器挂一堆视频标签页也会占显存。如果以上都做了还爆说明这张图的参数确实超过你显卡上限了降低批次数量Batch Size到1减小Batch Count一次只跑一张。Batch Size和Batch Count是两个完全不同的概念新手经常搞混。Batch Size是一次同时用多张图的显存并行出图非常吃显存Batch Count是排队连续生成多张图对显存友好得多。想一口气出多张图优先加Batch Count。6.3 图片生成出来是黑屏或者模糊一片黑屏图通常有几种原因VAE缺失或加载失败、采样器与模型不兼容、负面提示词写得太狠。排查时我先看WebUI控制台有没有VAE相关报错再去模型页切换一个合适的VAE。模糊一片更常见的是步数太低有些模型最低需要20步以上才能正常出图设个10步出来的就是一团浆糊。6.4 生成的图总是同一种风格怎么调都没变化这个现象通常是你始终没成功切换模型还在用默认模型。点击左上角模型下拉菜单选一个下载好的模型点击旁边刷新图标如果生成时命令行显示的是对应模型的加载路径那才说明切换成功。有时候模型文件损坏加载会失败WebUI会悄悄回退到默认模型造成“参数改了没反应”的错觉。6.5 秋叶整合包和原版部署怎么选聊到Stable Diffusion部署绕不开“秋叶整合包”这个词。它是由国内开发者秋叶制作的一键整合包把Python环境、WebUI、常用模型、常用插件全部打包好解压即用对新手极其友好。我的看法是如果你完全零基础又被各种报错折磨得快放弃先下载整合包把流程跑通把出图逻辑搞明白不会丢人。但整合包也有局限更新版本等官方原版升级时往往要等整合包跟进自己手动换有一些兼容问题。我个人推荐的做法是先用整合包入门等熟悉之后再按这篇教程手动部署一遍原版你会对每个文件和目录的作用理解得更透彻。7. 部署完成后的下一步插件与系列预告到这里你的Stable Diffusion本地环境已经能正常出图了。但这只是整个系列的地基。后续我们会逐步展开这些方向提示词工程 正向提示词、负向提示词、权重写法以及为什么“AI画不好手”。ControlNet实战 用线稿、姿态、深度图精确控制构图这是目前最实用的进阶功能。LoRA训练 用自己收集的图片训练特定角色或风格。ComfyUI入门 节点式工作流适合哪些场景和WebUI如何共存。图生图和局部重绘 用它来修复细节、替换元素比重新生成高效得多。插件方面等你基础顺手之后建议优先装这几个ControlNet构图控制、ADetailer脸部修复、Tiled VAE高分辨率优化、Tag Complete提示词补全。这些在WebUI的扩展管理里搜索安装就行等用到对应功能时我会再展开写。最后分享一个我在实际部署中的体会一台6GB显存、16GB内存的中端电脑前置部署一次花两小时搞定之后一劳永逸。而这两小时的投入换来的是一个完全属于自己的创作工具每次出图都在本地、每个模型都能自己掌控这种踏实感用在线工具是体会不到的。下一篇我会具体讲提示词怎么写从一句话到一组词的组合逻辑我们一步步来。
Stable Diffusion本地部署全攻略：从硬件检查到模型管理，小白也能一次成功
去年有段时间我几乎天天泡在AI绘画的各类社区里看别人发的图心里痒自己却始终没动手。不是不想是每次点开教程要么默认你已经有A卡N卡的基础认知要么甩给你一大段命令行就跑根本没讲明白每一步到底在干嘛出了问题也不知道去哪查。后来趁着换电脑我硬着头皮把Stable Diffusion在自己机器上完整部署了一遍踩了一晚上坑也终于把整个流程吃透了。这篇就把我的完整操作过程、每一步的理由、还有那些教程里一般不会告诉你的坑一次性讲清楚。需要先说明的是所谓本地部署就是把AI绘画环境完整装进你自己的电脑里所有计算都在本地完成不需要联网也不需要把图片数据传给别人。它和在线工具的核心区别是模型自由、数量不受限、可以自己训练微调而且长期用下来没有按张计费的压力。当然前提是你愿意花点时间搞定环境。这篇教程面向的是完全没接触过部署的小白也适合已经装过但搞不清原理、总在莫名其妙的地方报错的人。我尽量用人话把每个环节讲透包括硬件要求、软件安装、模型下载、界面操作、常见报错排查最后再聊聊我这个系列后续打算写些什么。1. 本地部署到底解决什么问题为什么值得折腾先说个反直觉的结论本地部署Stable Diffusion其实不是为了省钱而是为了自由度。在线绘图工具你用得再多能用的模型就那几个风格固定参数也有限制想换一个冷门模型或者自己炼丹基本没门。而本地部署之后社区里成千上万个模型、LoRA、ControlNet扩展只要显存放得下你想试哪个试哪个这才是它真正的价值。另外还有隐私考虑。你可能只是画点自用素材、给文章配图、做设计灵感草稿这些图如果都传到在线服务多少有点心里不踏实。本地跑起来之后图从生成到保存全程不出你的电脑这层安心感是云服务给不了的。当然本地部署也确实有门槛。最大的门槛不是钱而是“环境依赖”这四个字。Stable Diffusion的WebUI依赖Python环境、深度学习库PyTorch、一大堆第三方包还要匹配显卡驱动和CUDA版本任何一个环节对不上启动就直接报错、闪退、CUDA out of memory轮番上阵。我见过很多人就是被这些报错劝退的所以说到底本地部署考验的不是技术深度而是耐心排查问题的能力。那到底什么人适合本地部署呢有三类想深度玩模型的人。 换底模如换画风、叠加LoRA换角色、用ControlNet精确控构图这些玩法只有在本地环境才玩得尽兴。高频出图的设计师、自媒体作者。 出图量大在线工具的会员费和等待时间都是成本本地部署一次到位后面就不心疼了。对数据隐私敏感的人。 所有素材和生成结果都留在本机不用担心第三方平台的数据使用政策。如果只是偶尔画一两张玩或者连自己电脑显卡规格都不清楚那我也说实话在线工具更省事没必要硬上本地部署。但如果你已经看到这里说明你大概率是想认真入坑的那就继续往下看。2. 硬件自检与环境准备先把地基打牢很多教程上来就让你装Python、装Git、跑命令结果装到一半才发现显卡不行白折腾一场。所以第一步不是安装而是先搞清楚你的电脑到底能不能跑、能跑多快、能跑多大分辨率。2.1 显卡显存决定你的上限Stable Diffusion的绘图过程极度依赖显卡并行计算能力。官方推荐的最低显存是4GB但实际上4GB只能勉强跑512x512的图稍微开点插件就容易爆显存。我的建议是显存大小实际体验适合做的事4GB勉强能跑512x512出图开高清修复很容易爆显存仅体验、试水6GB日常够用512~768分辨率流畅可以尝试简单LoRA入门主力8GB比较舒适1024x1024附近可以跑插件兼容性好标准推荐配置12GB高分辨率、大模型、ControlNet多开都从容进阶玩家除了显存显卡驱动一定要更新到较新版本NVIDIA显卡建议安装最新的Game Ready驱动或者Studio驱动因为新版本驱动通常包含对PyTorch等深度学习框架更好的兼容性。AMD显卡也能跑但需要的环境配置路径不同教程资料相对少一些新手建议优先用NVIDIA显卡。有一个特别容易被忽略的点如果你的NVIDIA显卡驱动是Windows自动更新装的很可能是旧版PyTorch直接不认表现为启动后一直卡在“Loading model”或者直接报CUDA相关错误。所以别嫌麻烦去NVIDIA官网手动下载一次驱动干净省事。2.2 内存、硬盘和系统的底线要求显存很重要但内存和硬盘也别忽视。Stable Diffusion加载模型时会先读入系统内存再搬运到显存所以内存至少16GB32GB更稳。我见过有的人显存12GB内存只有8GB加载大模型时直接卡死。硬盘方面一个完整环境加常用模型大概需要30~50GB空间如果还想收集各种模型建议预留100GB以上固态硬盘是必需的机械硬盘加载模型慢到怀疑人生。操作系统方面Windows和Linux都能跑Mac也能跑MPS模式但Mac的兼容性和性能都不如N卡环境。我的建议非常直接Windows 10/11 NVIDIA显卡 固态硬盘这是目前最省心的组合。2.3 安装Python和GitWebUI的前身是Python项目所以Python环境必不可少。这里给小白一个我的实测经验不要装最新版Python很多第三方库还没来得及适配。建议装Python 3.10.6这个版本是Stable Diffusion WebUI社区验证过的稳定版本。去Python官网下载时注意Windows底下要勾选“Add Python to PATH”这一步漏了后面所有命令都执行不了。Git也是同理直接装默认选项就行。装完之后打开命令行输入python --version git --version能正常打印版本号就说明环境准备到位了。注意如果你电脑上已经装了其他版本的Python不要卸载后面用虚拟环境隔离就行。建议有空了解一下虚拟环境venv的概念这对避免Python包版本冲突极其关键。2.4 网络与下载工具准备Stable Diffusion的核心文件在GitHub和HuggingFace等海外平台国内直连下载速度可能很不稳定。虽然这个话题我不展开但你需要准备一个相对稳定的网络方案或者选择国内镜像源。不少国内高校和云服务商有PyPI、HuggingFace的镜像具体可以搜索“pypi 镜像”“hf-mirror”等关键词能大大提升安装成功率。另外下载大模型文件时建议用支持断点续传的下载工具否则下载一半断了真的会崩溃。3. 完整部署实操从空白文件夹到启动WebUI环境准备好之后正式部署的核心流程其实就三步下载项目源码、安装依赖、启动。但每一步都有细节我按自己的操作路径一步步说。3.1 获取WebUI源码主流的Stable Diffusion WebUI仓库是AUTOMATIC1111维护的stable-diffusion-webui可以说是目前功能最全、插件生态最丰富的版本。还有一个分支是ComfyUI采用节点式操作功能更强但是学习曲线陡这个我们留到系列后续单独讲。作为第一篇老老实实用WebUI就好。在你的工作目录下执行git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git cd stable-diffusion-webui这一步是把整个项目源码拉到你本地。下载速度慢的可以考虑代理或镜像但如果网络情况尚可耐心等一会儿就好。3.2 安装依赖和启动Windows系统下有一个现成的脚本webui-user.bat双击就能启动自动安装流程。它做的事情包括创建虚拟环境、读取PyTorch、安装requirements里的数百个Python包、下载一些默认模型等。第一次执行会非常久看网速和机器性能可能20分钟到两小时不等中间看起来像卡住了其实没卡耐心等。如果你想用命令行跑也可以手动执行python launch.py注意Windows下如果双击bat文件出现窗口闪退通常是Python环境变量没配好直接命令行窗口运行能看到完整报错排查起来要方便得多。首次启动完成后命令行会显示一个本地地址Running on local URL: http://127.0.0.1:7860浏览器打开这个地址看到WebUI界面部署第一步就算完成了。3.3 第一次生成你的第一张图这时候WebUI界面里其实用的是自带的默认模型首次启动脚本会自动下载一个小模型你可以直接输入一句提示词比如a beautiful landscape, mountains, sunset, highly detailed, 8k然后点击Generate。如果一切正常几十秒后就能看到第一张图。看到图的那一刻你会觉得前面所有折腾都值了。这里我要特别提一个感受第一张图生成成功倒还好真正值得注意的是生成时显卡风扇的转速和显存占用情况。用任务管理器或者NVIDIA的监控浮窗观察一下如果显存占用率接近100%但没报错说明硬件吃紧后面出大图需要做优化如果占用率不到60%恭喜你后续很宽裕。4. 模型管理与目录结构玩转会换模型才算入门WebUI能跑起来只是开始真正让它变得好用的是“换模型”。Stable Diffusion的出图风格其实很大程度上由底模决定不同底模画出来的人、景、物风格差异巨大。学会管理模型你才算真的入门了。4.1 模型类型底模、VAE、LoRA这三个词你会在Stable Diffusion生态里反复遇到我尽量用一句话说清底模 核心模型通常是.safetensors或.ckpt文件大小2GB~7GB不等决定了整体画风和基本能力。VAE 变分自编码器负责颜色和细节还原。简单理解就是给画面“调色锐化”换一个合适的VAE往往能让画面质量明显提升。常见的有vae-ft-mse-840000等。LoRA 轻量级微调模型大小几十到几百MB专门控制特定角色、风格或元素。底模决定大方向LoRA在细节上“拧螺丝”。4.2 模型下载与存放位置模型下载最主流的平台是Civitai和HuggingFace中文社区也有不少搬运。不同平台的模型质量参差不齐需要自己多试建议优先选下载量大、预览图多、说明完善的模型。WebUI的模型目录很固定底模放到models/Stable-diffusion/VAE放到models/VAE/LoRA放到models/Lora/如果你下载了ControlNet等扩展会有自己的模型目录后续单独说放好之后回到WebUI界面点击模型列表旁边的刷新按钮就能在左上角下拉菜单中看到新模型了。切换模型时WebUI会自动重新加载首张图会比较慢属正常现象。4.3 一个易混淆的点下载的文件后缀现在网上下载模型绝大多数是.safetensors格式这是社区目前推荐的格式更安全。传统.ckpt格式因为可能存在代码执行风险已逐渐淘汰。如果你看到某个教程非要你下载.ckpt且非官方渠道建议谨慎。.safetensors直接用就好不用转换。另外下载模型时注意看预览图下方的说明。有的模型需要搭配指定的VAE有的模型自带VAE不需要另配还有的模型只适合某个特定分辨率这些信息不看清楚用起来就会感觉“网上效果图很惊艳自己跑出来却很一般”。这不是你操作有问题而是你没有按模型的预设参数来跑。4.4 我推荐新手优先尝试的模型方向刚入门不建议囤一堆模型先选两三个风格差异明显的对比理解“同一个提示词、不同底模、不同效果”这件事远比你盲下几十个模型有用。比如可以选一个写实风格的ChilloutMix系列、一个动漫风格的Anything系列或者Counterfeit系列再配一个二次元插画风格模型基本就能覆盖大多数场景了。5. 参数与性能调优让出图质量和速度同时提升部署完成后很多人发现默认设置出图慢、画质普通就开始调参数。我个人建议不要乱调先理解几个核心参数是干什么的这里挑最重要的说。5.1 采样器与步数采样器决定扩散过程去噪的方式常见的Euler a、DPM 2M Karras、DDIM等等。入门阶段我的建议是直接选DPM 2M Karras步数设在20~30之间这个组合在质量和速度之间比较均衡大部分底模都适配。步数太多并不会无限提升画质超过一定阈值反而可能引入噪声或混乱细节速度还会变慢。很多人无脑设到60步、80步纯属浪费。5.2 分辨率与高清修复Stable Diffusion原生训练分辨率一般是512x512或768x768直接拉高分辨率可能导致人物比例崩坏、细节混乱。所以正确的做法是先低分辨率生成再用“高清修复”Hires.fix功能放大。WebUI里的Hires.fix本质上是“先生成低分辨率图再做一次图生图放大”需要设定放大倍数和重绘幅度新手建议倍数1.5~2重绘幅度0.3~0.5之间。不要一上来就生成1024x2048这种尺寸显存会直接爆掉报CUDA out of memory。5.3 显存不够时候的救命参数如果你显存只有4GB甚至更低别急着换电脑试试在启动参数里加这几个优化选项--medvram --opt-split-attention --xformers--medvram 中等显存优化牺牲一点速度换显存占用大幅下降。--xformers 用xFormers库加速注意力计算同时显著降低显存占用N卡专属优化。--opt-split-attention 类似的内存优化机制部分环境不装xformers也能用。具体操作是编辑webui-user.bat在COMMANDLINE_ARGS一行里加上这些参数。改完重启WebUI即可。实测下来6GB显存开这些参数跑768分辨率的图很从容出图速度也不会慢太多。5.4 生成速度慢的排查思路“为什么我的图生成这么慢”是社区最常被问的问题。一般来说慢的核心因子排序是分辨率 步数 采样器复杂度 后台占用 底模大小。先把分辨率降下来、步数控制在30以内绝大多数“卡得像幻灯片”的问题都能解决。如果这样还慢再看显存占用有没有其他程序抢占资源。我见过有人边生成边看4K视频出图慢还以为是模型问题。6. 新手最容易踩的坑完整排查链路这一章集中说说部署和出图阶段我真实遇到、以及帮别人排查时见过的高频问题。如果你是照着我前面的步骤做的大概率不会遇到太多但真碰上了也别慌按链路一步步排查。6.1 启动闪退或命令行瞬间消失这个在Windows上太常见了。原因九成出在Python环境变量或虚拟环境创建失败上。排查链路不要在文件管理器里双击webui-user.bat而是在命令行里切到该目录后执行这样能看到完整报错信息。确认python --version能正常输出如果提示找不到命令说明Python没加入PATH重装或手动添加。看报错里有没有代理设置相关提示部分网络环境下需要配置pip国内镜像源再重装依赖。6.2 报错“CUDA out of memory”这是显存不足的经典报错。很多人第一反应是“完蛋了电脑带不动”但其实很多时候不是真的跑不动是参数开太高。处理顺序把分辨率降到512x512以下关掉Hires.fix再试。在启动参数加上--medvram和--xformers。检查后台有没有其他吃显存的应用浏览器挂一堆视频标签页也会占显存。如果以上都做了还爆说明这张图的参数确实超过你显卡上限了降低批次数量Batch Size到1减小Batch Count一次只跑一张。Batch Size和Batch Count是两个完全不同的概念新手经常搞混。Batch Size是一次同时用多张图的显存并行出图非常吃显存Batch Count是排队连续生成多张图对显存友好得多。想一口气出多张图优先加Batch Count。6.3 图片生成出来是黑屏或者模糊一片黑屏图通常有几种原因VAE缺失或加载失败、采样器与模型不兼容、负面提示词写得太狠。排查时我先看WebUI控制台有没有VAE相关报错再去模型页切换一个合适的VAE。模糊一片更常见的是步数太低有些模型最低需要20步以上才能正常出图设个10步出来的就是一团浆糊。6.4 生成的图总是同一种风格怎么调都没变化这个现象通常是你始终没成功切换模型还在用默认模型。点击左上角模型下拉菜单选一个下载好的模型点击旁边刷新图标如果生成时命令行显示的是对应模型的加载路径那才说明切换成功。有时候模型文件损坏加载会失败WebUI会悄悄回退到默认模型造成“参数改了没反应”的错觉。6.5 秋叶整合包和原版部署怎么选聊到Stable Diffusion部署绕不开“秋叶整合包”这个词。它是由国内开发者秋叶制作的一键整合包把Python环境、WebUI、常用模型、常用插件全部打包好解压即用对新手极其友好。我的看法是如果你完全零基础又被各种报错折磨得快放弃先下载整合包把流程跑通把出图逻辑搞明白不会丢人。但整合包也有局限更新版本等官方原版升级时往往要等整合包跟进自己手动换有一些兼容问题。我个人推荐的做法是先用整合包入门等熟悉之后再按这篇教程手动部署一遍原版你会对每个文件和目录的作用理解得更透彻。7. 部署完成后的下一步插件与系列预告到这里你的Stable Diffusion本地环境已经能正常出图了。但这只是整个系列的地基。后续我们会逐步展开这些方向提示词工程 正向提示词、负向提示词、权重写法以及为什么“AI画不好手”。ControlNet实战 用线稿、姿态、深度图精确控制构图这是目前最实用的进阶功能。LoRA训练 用自己收集的图片训练特定角色或风格。ComfyUI入门 节点式工作流适合哪些场景和WebUI如何共存。图生图和局部重绘 用它来修复细节、替换元素比重新生成高效得多。插件方面等你基础顺手之后建议优先装这几个ControlNet构图控制、ADetailer脸部修复、Tiled VAE高分辨率优化、Tag Complete提示词补全。这些在WebUI的扩展管理里搜索安装就行等用到对应功能时我会再展开写。最后分享一个我在实际部署中的体会一台6GB显存、16GB内存的中端电脑前置部署一次花两小时搞定之后一劳永逸。而这两小时的投入换来的是一个完全属于自己的创作工具每次出图都在本地、每个模型都能自己掌控这种踏实感用在线工具是体会不到的。下一篇我会具体讲提示词怎么写从一句话到一组词的组合逻辑我们一步步来。
