如何在Linux上实现Stable Diffusion的高效部署

如何在Linux上实现Stable Diffusion的高效部署

一、基础环境准备

1. 硬件要求

• GPU：优先选择NVIDIA显卡（支持CUDA加速），显存≥8GB（推荐RTX 3060及以上，A100 40GB适合多模型并行）；
• CPU：≥4核（Intel i5/i7或AMD Ryzen 5/7系列，避免成为瓶颈）；
• 内存：≥16GB（推荐32GB，处理高分辨率图像时更流畅）；
• 存储：≥100GB SSD（系统盘）+500GB高性能云盘（存储模型文件，如v1-5-pruned-emaonly.safetensors约5GB，Lora模型约1-2GB）。

2. 软件环境

• 操作系统：推荐Ubuntu 22.04 LTS（兼容性最佳，驱动支持完善）；
• Docker（可选但推荐）：简化部署流程，实现环境隔离（避免依赖冲突）；
• NVIDIA驱动与CUDA：
• 安装驱动：通过ubuntu-drivers devices查询推荐版本（如535），执行sudo apt install nvidia-driver-535；
• 安装CUDA：添加NVIDIA仓库（wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-keyring_1.0-1_all.deb），执行sudo apt install cuda-12-2；
• 验证：nvidia-smi查看驱动版本，nvcc -V确认CUDA编译器安装。

二、核心部署方式（Docker vs 手动安装）

1. Docker快速部署（新手首选）

• 拉取镜像：选择预装插件的镜像（如lshqqytiger/stable-diffusion-webui，包含ControlNet、PromptGen等常用插件），执行docker pull lshqqytiger/stable-diffusion-webui；
• 运行容器：通过--gpus all启用GPU加速，挂载模型目录（实现热更新，无需重建容器），命令示例：

docker run -d \
--gpus all \
-p 7860:7860 \
-v ~/sd-models:/app/models \  # 本地模型目录挂载到容器
-v ~/sd-outputs:/outputs \    # 输出目录（存储生成的图像）
lshqqytiger/stable-diffusion-webui

• 访问服务：浏览器输入http://localhost:7860，进入WebUI即可开始生成图像。

2. 手动安装（高级用户，自定义需求）

• 创建虚拟环境：避免依赖冲突，执行python3 -m venv sd_venv，激活环境source sd_venv/bin/activate；
• 安装PyTorch：通过PyTorch官网获取CUDA版本对应的安装命令（如CUDA 12.2）：

pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu121

• 克隆WebUI仓库：git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git，进入目录执行./webui.sh；
• 启动服务：脚本会自动下载模型（首次运行需等待）、安装依赖，完成后通过http://localhost:7860访问。

三、性能优化技巧

• 启用显存优化：
• 在webui-user.sh（手动安装）或Docker的COMMANDLINE_ARGS中添加--xformers（降低显存占用30%，提升推理速度）；
• 使用--medvram（中等显存模式，适合8GB显卡）或--lowvram（低显存模式，适合4GB显卡）；
• 模型管理：
• 下载精简模型（如v1-5-pruned-emaonly.safetensors，比完整版小30%）；
• 将模型放在SSD中（减少加载时间）；
• 系统调优：
• 设置PYTORCH_CUDA_ALLOC_CONF=backend:cudaMallocAsync（减少显存碎片，提升多任务处理能力）；
• 使用--listen参数允许远程访问（如./webui.sh --listen）。

四、常见问题排查

• 权限问题：Docker运行时添加--security-opt seccomp=unconfined参数，解决容器内无法写入文件的错误；
• GPU无法使用：
• 确认驱动安装正确（nvidia-smi显示驱动版本）；
• 检查PyTorch是否安装CUDA版本（torch.cuda.is_available()返回True）；
• 添加--skip-torch-cuda-test参数跳过CUDA测试（部分旧显卡兼容性问题）；
• 模型加载失败：
• 检查模型文件SHA256校验值（与官方一致）；
• 手动下载模型并放置在~/sd-models/Stable-diffusion目录。

五、安全与管理

• 访问控制：通过-e ACCESS_TOKEN=your_password设置访问密码（防止未授权使用）；
• 服务稳定性：使用--restart unless-stopped参数（Docker）或systemctl enable sd-service（手动安装），确保服务重启后自动恢复；
• 资源清理：定期执行docker system prune清理无用镜像、容器，释放磁盘空间。