Linux下Stable Diffusion部署方法

Linux下Stable Diffusion部署方法
一 环境准备与系统要求

• 操作系统：优先选择 Ubuntu 20.04/22.04 LTS 或 CentOS 7+，内核与驱动支持更好。
• Python：建议使用 Python 3.10（可用 Miniconda 管理）。
• GPU与驱动：NVIDIA 显卡建议 显存≥8GB（如 T4/V100/A10），安装匹配版本的 NVIDIA 驱动、CUDA、cuDNN。
• 资源与存储：内存至少 8GB（推荐16GB+），可用磁盘 ≥200GB（模型与缓存占用较大）。
• 基础工具：安装 Docker（便于容器化部署与隔离环境）。

二 方式一 Docker快速部署 WebUI

• 安装 Docker（Ubuntu示例）：
• 卸载旧版本（如有）→ 安装依赖 → 添加 Docker GPG 与仓库 → 安装引擎 → 验证：
• 命令示例：
• sudo apt-get remove docker docker-engine docker.io containerd runc
• sudo apt-get update && sudo apt-get install -y apt-transport-https ca-certificates curl gnupg lsb-release
• curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /usr/share/keyrings/docker-archive-keyring.gpg
• echo "deb [arch=$(dpkg --print-architecture) signed-by=/usr/share/keyrings/docker-archive-keyring.gpg] https://download.docker.com/linux/ubuntu $(lsb_release -cs) stable" | sudo tee /etc/apt/sources.list.d/docker.list > /devref
• sudo apt-get update && sudo apt-get install -y docker-ce docker-ce-cli containerd.io
• sudo docker run --rm hello-world
• 拉取并运行 AUTOMATIC1111/stable-diffusion-webui（GPU）：
• 建议将本地模型目录挂载到容器内（示例挂载到 /models）：
• docker run -d --gpus all -p 7860:7860 -v /path/to/models:/models automatic1111/stable-diffusion-webui
• 访问地址：http://服务器IP:7860。
• 无公网IP或需脚本化一键部署时，可使用云端提供的安装脚本（示例开放 8860 端口）：
• curl https://bcets.cdn.bcebos.com/sd-server-install-ubuntu.sh | bash
• 完成后按提示访问 http://IP:8860，并确保安全组/防火墙放行对应端口。

三 方式二 手动安装 WebUI（便于定制与调试）

• 安装 Miniconda 并创建环境：
• wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
• bash Miniconda3-latest-Linux-x86_64.sh && source ~/.bashrc
• conda create -n sd_env python=3.10 && conda activate sd_env
• 克隆仓库并启动：
• git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git
• cd stable-diffusion-webui && ./webui.sh
• 模型放置与加载：
• 将 .ckpt / .safetensors 模型放入：~/stable-diffusion-webui/models/Stable-diffusion/，重启 WebUI 即可识别。
• 常见启动参数（在 webui.sh 前追加或写入 COMMANDLINE_ARGS）：
• 显存优化：--medvram / --lowvram
• 指定端口：--port 7860
• 其他常用：--skip-torch-cuda-test（仅当驱动/测试不通过时临时使用）

四 方式三 手动安装 推理与LoRA训练（diffusers方案）

• 创建环境并安装依赖（会自动匹配 GPU 版本的 PyTorch 与相关库）：
• conda create -n sd_env python=3.10 && conda activate sd_env
• pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
• pip install diffusers transformers accelerate ftfy safetensors
• pip install peft # LoRA 训练必备
• 推理最小示例（Python）：
• from diffusers import StableDiffusionPipeline

import torch
pipe = StableDiffusionPipeline.from_pretrained("runwayml/stable-diffusion-v1-5", torch_dtype=torch.float16).to("cuda")
image = pipe("a photo of a cat on the moon").images[0]
image.save("cat.png")

• LoRA 训练要点：
• 准备结构化数据集（图片+标注/说明），使用 PEFT + diffusers 的训练脚本进行低秩微调。
• 训练完成后保存 LoRA 权重，在 WebUI 或推理脚本中加载以生成定制化结果。

五 常见问题与优化

• GPU未生效或显存不足：
• 确认 nvidia-smi 可见 GPU，PyTorch 能识别 CUDA；必要时添加启动参数 --medvram/--lowvram，并降低分辨率（如 512×512 → 256×256）。
• 模型加载失败：
• 检查模型文件路径是否包含 中文/特殊字符，校验文件完整性（如 MD5），必要时重新下载。
• 端口无法访问：
• 云服务器需放行安全组/防火墙（如 7860 或 8860）；本地防火墙如 ufw 需允许对应端口。
• 依赖安装问题：
• 安装 protobuf、sentencepiece 等缺失库；若 datasets 构建失败，优先安装预编译 wheel：pip install --upgrade pip setuptools wheel && pip install pyarrow --only-binary=:all: && pip install datasets。
• 资源建议：
• 显存 ≥8GB 更流畅；内存 ≥16GB 更稳；磁盘 ≥200GB 便于多模型与缓存。