CentOS部署Stable Diffusion的技巧

CentOS部署 Stable Diffusion 的实用技巧
一 环境准备与硬件基线

• 系统更新与基础工具：建议先执行sudo yum update -y，并安装Development Tools、git、python3、python3-pip、cmake等基础工具，减少后续编译与依赖问题。
• Python版本：优先使用Python 3.10.6（编译安装更稳），完成后建立软链：

ln -s /usr/local/python3/bin/python3.10 /usr/bin/python3；ln -s /usr/local/python3/bin/pip3.10 /usr/bin/pip3。

• 硬件基线：内存至少8GB（推荐16GB+）；NVIDIA 显卡显存至少4GB（推荐6–8GB+）；磁盘预留60–100GB+（模型与缓存占用大）。
• 国内下载加速：git 克隆可用镜像加速，例如：git clone https://ghproxy.com/https://github.com/AUTOMATIC1111/stable-diffusion-webui.git；pip 可通过更换国内源提升速度。

二 两种稳定部署路径

• 方式A WebUI脚本快速部署（推荐上手）

1) 安装依赖：yum 安装git、python3、python3-pip、cmake、protobuf、rust等；Python 建议用3.10.6源码编译。
2) 获取脚本：git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git && cd stable-diffusion-webui。
3) 启动安装：./webui.sh（首次会自动安装 torch、xformers 等；无 GPU 或 CUDA 测试不过时，可在启动参数中添加--skip-torch-cuda-test；多卡可用CUDA_VISIBLE_DEVICES=0,1指定）。
4) 访问界面：浏览器打开http://<;服务器IP>:7860。

• 方式B Docker + NVIDIA Container Toolkit（便于隔离与迁移）

1) 安装 Docker：配置官方仓库后执行yum install -y docker-ce docker-ce-cli containerd.io，并启动服务。
2) 安装 NVIDIA Container Toolkit（按官方指引添加仓库并安装nvidia-docker2），重启 Docker。
3) 运行容器：docker run -it --rm --gpus all -p 7860:7860 <镜像名>；如内置 Jupyter 可用 jupyter lab --ip 0.0.0.0 --port 54321 --allow-root（端口可按需映射）。
三 性能优化与常见问题处理

• 加速与显存优化：安装xformers可显著提升推理速度；合理设置--medvram/--lowvram降低显存占用；分辨率长宽保持8 的倍数可避免许多模型报错。
• 依赖与版本：优先使用与 CUDA 版本匹配的 PyTorch；WebUI 目录执行pip install -r requirements_versions.txt有助于版本一致性。
• 资源监控：用nvidia-smi观察 GPU 显存与利用率，用htop查看 CPU/内存，必要时限制并发或降分辨率。
• 常见问题速解：
• GPU 未被识别：确认安装了匹配版本的 PyTorch，并在 webui.sh 启动参数中加入--skip-torch-cuda-test临时绕过检测。
• 克隆/下载慢：git 使用ghproxy.com镜像；pip 更换国内源。
• 模型加载失败：核对模型文件路径与完整性（常见为.ckpt或.safetensors），并放置在models/Stable-diffusion目录。
• 权限与端口：确保运行用户对安装目录有读写权限；如远程访问，放行7860端口或按需修改。

四 安全与运维建议

• 访问控制：仅在需要时开放7860端口，生产环境建议置于反向代理（如 Nginx）后并启用鉴权；限制来源 IP。
• 运行隔离：优先使用虚拟环境或Docker隔离依赖；定期备份models、outputs与配置文件。
• 资源与稳定性：长时间任务建议配合nohup或systemd管理进程，设置日志轮转，避免异常退出导致任务中断。