Stable Diffusion 本地部署实战指南
导语：从“显卡炸了”到“AI自由”
上周三，我的学员小林发来一张截图：他的RTX 3060显卡在运行Stable Diffusion时，显存占用飙到11.9GB，风扇转速拉满，系统直接蓝屏。他崩溃地问：“老师，是不是我电脑配置不够？是不是只能花钱买云端服务？”
这个问题，我每个月至少收到20次。但真相是：90%的本地部署失败，不是因为配置不够，而是因为部署流程踩了坑。今天这篇指南，我会用3个具体案例，带你从零搭建一套稳定运行的Stable Diffusion环境。你不需要是程序员，只需要会复制粘贴命令、会点“下一步”。
核心章节一：环境搭建——告别“环境地狱”
1.1 硬件门槛：你的显卡能跑吗？
先做一道自测题：你的显卡显存 ≥ 4GB？是，请继续；否，请考虑云端方案（如Google Colab或AutoDL）。推荐配置如下：
| 显卡类型 | 显存要求 | 推荐分辨率 | 典型型号 |
|———|———|———–|———|
| 入门级 | 4-6GB | 512×512 | GTX 1660 Super |
| 主流级 | 8-12GB | 768×768 | RTX 3060/4060 |
| 旗舰级 | 16-24GB | 1024×1024 | RTX 4090 |
注意：显存不是唯一指标。我的学员用GTX 1070（8GB）跑512×512图，速度比RTX 3060（12GB）慢40%，但能稳定运行。关键看Tensor Core支持——RTX系列有加速，GTX系列全靠算力硬扛。
1.2 工具链安装：三步走
第一步：安装Python（版本必须3.10.6）
不要用最新版Python 3.12！Stable Diffusion WebUI的依赖库（如torch、xformers）在3.12上兼容性极差。直接去官网下载Python 3.10.6，安装时勾选“Add Python to PATH”。
第二步：安装Git
Git用于从GitHub拉取模型和插件。Windows用户直接下载Git for Windows，安装时选“Use Git from the Windows Command Prompt”。
第三步：部署Stable Diffusion WebUI（官方推荐方案）
打开命令行（Win+R输入cmd），执行以下命令：
git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git
cd stable-diffusion-webui
python launch.py --xformers --opt-split-attention
这里解释参数：
- `–xformers`：启用内存优化，显存占用降低30%-50%
第一次运行会自动下载依赖（约2GB），过程可能卡在“Installing torch”这一步——别慌，是网络问题。可以手动下载torch：
pip install torch==2.1.0 torchvision==0.16.0 --index-url https://download.pytorch.org/whl/cu118
然后重新运行 `python launch.py`。看到 `Running on local URL: http://127.0.0.1:7860` 就成功了。
核心章节二：模型选择与加载——别让“模型库”变成“垃圾堆”
2.1 模型类型速查
很多学员下载了10GB的模型，结果生成效果像“马赛克艺术”——因为选错了模型类型。Stable Diffusion的模型分三类：
实操案例：生成“赛博朋克风格少女”
1. 在Hugging Face下载 Base模型 `v1-5-pruned-emaonly.safetensors`（约4.2GB），放入 `models/Stable-diffusion/` 目录
2. 下载LoRA模型 `cyberpunk_girl_v2.safetensors`（约50MB），放入 `models/Lora/` 目录
3. 在WebUI界面，选择Base模型为 `v1-5-pruned-emaonly`，点击LoRA标签页，选中 `cyberpunk_girl_v2`
注意：LoRA模型必须与Base模型版本匹配。SD 1.5的LoRA不能用于SDXL，否则生成图像会扭曲。
2.2 参数调优：从“鬼图”到“神图”
我见过最离谱的案例：学员用默认参数生成“一只猫”，结果得到一张“长着猫头的章鱼”。这是因为CFG Scale和采样步数没调好。
推荐新手参数模板：
提示词：masterpiece, best quality, (cyberpunk:1.2), girl, neon lights, detailed face
反向提示词：lowres, bad anatomy, bad hands, text, error, missing fingers, extra digit
采样方法：DPM++ 2M Karras
采样步数：25
CFG Scale：7
分辨率：512×768（竖版）/ 768×512（横版）
种子：-1（随机）
关键参数解释：
进阶技巧：使用 ControlNet 插件控制构图。比如你想让AI生成“坐在椅子上的少女”，但AI总画成“漂浮的少女”——这时用OpenPose姿势检测，上传一张参考图，AI就会严格按照骨架生成。
安装ControlNet：在WebUI的 `Extensions` 标签页，搜索 `sd-webui-controlnet`，点击Install。重启后，在生成界面下方会出现ControlNet面板。
核心章节三：性能优化——让显存“呼吸”
3.1 显存泄漏的终极解法
小林蓝屏的案例，根源是显存泄漏。Stable Diffusion在生成过程中，会不断分配显存，但部分版本不会自动释放。解决方法：
1. 开启显存优化参数：在启动命令中加入 `–medvram` 或 `–lowvram`（根据显存大小选择）
2. 使用Tiled VAE：安装插件 `sd-webui-tiled-vae`，将大图切块处理，显存占用降低60%
3. 关闭“面部修复”：CodeFormer面部修复功能会额外占用2-3GB显存，建议生成后单独用其他工具修复
3.2 生成速度翻倍：Xformers + TensorRT
如果你的显卡支持（RTX 20系以上），安装TensorRT扩展：
# 在WebUI目录下
git clone https://github.com/NVIDIA/TensorRT-Model-Optimizer.git
cd TensorRT-Model-Optimizer
pip install -r requirements.txt
然后运行 `python optimize.py –model-path ../models/Stable-diffusion/你的模型.safetensors`。优化后，生成速度提升2-3倍，显存占用降低40%。
注意：TensorRT只支持.safetensors格式，不支持.ckpt格式。而且每次升级WebUI后需要重新优化。
总结与进阶建议
三天进阶路线图
避免的坑
1. 别用中文路径：模型、插件、输出目录都不要有中文，否则报错“FileNotFoundError”
2. 定期清理缓存：WebUI的 `outputs/txt2img-grids` 目录会积累大量缩略图，一个月能占满C盘
3. 备份模型：Hugging Face的模型可能随时下架，下载后备份到移动硬盘
常见问题 FAQ
Q1：启动时卡在“Installing torch”怎么办？
A：这是网络问题。手动下载torch：`pip install torch==2.1.0 torchvision==0.16.0 –index-url https://download.pytorch.org/whl/cu118`，然后再运行launch.py。
Q2：生成图像总是“黑屏”或“纯色块”？
A：常见原因：①VAE模型缺失或损坏，下载官方vae-ft-mse-840000-ema-pruned.safetensors放入models/VAE；②提示词中写了反向提示词“black”或“dark”，将其删掉。
Q3：怎么把生成的图像保存为高清大图（2K/4K）？
A：使用Hires.fix功能。在生成界面勾选“Hires.fix”，设置放大倍数为2，放大算法选“R-ESRGAN 4x+”。注意：这会让生成时间翻倍，且显存需求增加50%。
Q4：为什么我的显卡是RTX 4090，但生成速度和RTX 3060一样慢？
A：检查是否启动了TensorRT优化。另外，4090的显存带宽虽高，但如果模型加载时没有使用`–xformers`，效率会大打折扣。建议启动命令：`python launch.py –xformers –opt-split-attention –medvram`。
Q5：如何批量生成100张图而不炸显存？
A：使用“Batch Count”功能（在生成界面底部），每次生成4-8张，中间间隔5秒让显存释放。不要一次性设置Batch Size=10，否则显存会瞬间爆满。更好的方案：用 `script` 中的“X/Y/Z plot”功能，可以批量生成参数组合图。
—
最后送你一句话：本地部署不是终点，而是起点。当你掌握了环境搭建、模型选择、参数调优这三大核心能力，Stable Diffusion就不再是“黑箱”，而是你手中的画笔。去生成你的第一张“完美作品”吧，有问题随时在评论区留言。
评论(0)