简介这份PDF资料面向希望入门AI绘画的开发者与爱好者系统讲解Stable Diffusion的安装与使用流程帮助零基础读者跨过环境配置门槛快速跑通文本生成图像。资源包共1个PDF文件约814KB内容涵盖环境准备、依赖安装、代码与模型下载、运行命令及参数调节等完整环节并配有可直接复制的命令行示例。文中详细说明Python 3.7以上版本与PyTorch的配置要求演示虚拟环境创建、CompVis仓库克隆及txt2img脚本调用还针对prompt、plms、ddim、steps等关键参数给出调节建议并提醒GPU算力对生成速度的影响。目前已有938人学习适合想低成本掌握AI绘画工具、需要一份可随时查阅操作手册的技术人员参考。1. Stable Diffusion 安装和使用详解从一张 6GB 显存显卡说起很多人第一次听到 Stable Diffusion以为它是个软件下载双击就能用。实际动手才发现它更像一套需要自己组装的工具链模型权重、推理前端、Python 环境、显卡驱动缺一个都跑不起来。我见过太多人卡在第一步——兴冲冲装完结果一张图都出不来报错信息还全是英文。这篇笔记要解决的就是这件事。我会把 Stable Diffusion 的本地安装、模型选择、参数调节、常见报错排查按我实际踩过的顺序讲一遍。目标很明确让你在一台普通消费级显卡的机器上从零跑出第一张可用的图并且知道每个参数动了之后会发生什么。适合谁看有基本电脑操作能力、愿意敲几行命令的从业者。不需要你会深度学习但需要你能看懂文件路径和命令行。如果你只有 CPU 或者显存低于 4GB后面我也会说清楚边界在哪。2. 装之前先想清楚Stable Diffusion 到底跑在什么上2.1 三个核心组件权重、前端、运行时Stable Diffusion 不是一个单独的程序。它由三部分组成理解这三层后面出问题你才知道该查哪里。第一层是模型权重文件通常以.safetensors或.ckpt结尾体积在 2GB 到 7GB 之间。这是真正“画图”的部分决定了出图风格。第二层是推理前端常见的是基于 Gradio 的 WebUI它负责把参数变成模型能懂的输入再把结果渲染成网页。第三层是运行时环境主要是 Python 和 PyTorch负责调用显卡算力。很多人把这三层混在一起以为“装 Stable Diffusion”就是装一个东西。实际上你装的是前端权重是另外下载的运行时是前端依赖的。搞混了就会出现“我明明装了怎么没有模型”这种问题。2.2 显卡选型N 卡、A 卡、Mac 的差别在哪这是最容易被低估的一步。Stable Diffusion 对显卡的兼容性差异很大选错了不是慢一点是根本跑不起来。平台推荐度关键限制常见做法NVIDIA 显卡最推荐显存 ≥ 6GB 较稳直接装 CUDA 版 PyTorchAMD 显卡可用但折腾Windows 下需特定配置用 DirectML 或 Linux ROCmApple Silicon可用统一内存共享用 MPS 后端速度中等纯 CPU能跑但极慢单张图可能几分钟仅用于验证流程我一般会建议如果你还没买卡优先选 NVIDIA显存 8GB 以上。如果已经有 AMD 或 Mac也能跑但要有心理准备某些前端版本对非 N 卡支持不完整遇到报错先查社区有没有对应补丁。提示显存不是唯一指标但它是硬门槛。6GB 能跑 512x512 的基础模型想跑 1024x1024 或者用 SDXL建议 12GB 起步。2.3 磁盘和内存被忽略的两个瓶颈模型文件很大一个基础模型 4GB 左右加上你后面会下载的各种风格模型、LoRA、VAE很容易占掉几十 GB。我建议单独留一个 100GB 以上的目录给模型别放在系统盘。内存方面16GB 是底线。加载模型时会把权重读进内存再传到显存内存不够会直接卡死或者报Killed。如果你同时开浏览器和前端32GB 会舒服很多。3. 本地安装实操从零到出第一张图3.1 环境准备Python、Git、显卡驱动先确认三样东西装好。打开命令行逐条执行# 检查 Python 版本建议 3.10 或 3.11 python --version # 检查 Git 是否可用 git --version # 检查 NVIDIA 驱动和 CUDA 版本N 卡用户 nvidia-sminvidia-smi会输出驱动版本和它支持的 CUDA 版本。记住右上角那个 CUDA Version后面装 PyTorch 要对上。如果这条命令报“不是内部或外部命令”说明驱动没装好先去显卡官网装驱动别急着往下走。Python 版本不要用最新的。3.12 刚出那会儿很多依赖包还没跟上装到一半报编译错误。3.10 和 3.11 是目前最稳的。3.2 拉取前端并创建独立环境不要直接装在系统 Python 里。用虚拟环境隔离出问题删掉重来就行不会污染全局。# 克隆前端仓库到本地这里用通用叫法具体地址以你选的前端为准 git clone 前端仓库地址 sd-webui cd sd-webui # 创建虚拟环境 python -m venv venv # 激活虚拟环境 # Windows: venv\Scripts\activate # Linux / Mac: source venv/bin/activate # 升级 pip避免旧版解析依赖出错 python -m pip install --upgrade pip激活成功后命令行前面会出现(venv)字样。这一步的意义在于所有依赖都装在这个文件夹里你以后想换前端或者重装直接删掉整个目录即可。3.3 安装 PyTorch 和项目依赖PyTorch 是核心装错版本是最常见的翻车点。去 PyTorch 官网的安装命令生成页按你的 CUDA 版本选对应命令。下面以 CUDA 11.8 为例# 安装 CUDA 11.8 对应的 PyTorch pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 # 安装前端项目依赖 pip install -r requirements.txtrequirements.txt里通常包含 Gradio、Transformers、Diffusers 等。如果安装过程中某个包编译失败大概率是缺 C 编译工具。Windows 上装 Visual Studio Build ToolsLinux 上装build-essential。装完后验证 PyTorch 能不能调用显卡import torch print(torch.cuda.is_available()) # 应输出 True print(torch.cuda.get_device_name(0)) # 输出你的显卡型号如果输出False说明 PyTorch 没认到显卡检查 CUDA 版本是否和驱动匹配。3.4 下载模型权重并放到正确目录前端装好了但没有模型它画不出东西。模型权重需要单独下载放到前端指定的目录通常是models/Stable-diffusion/。# 假设你已经下载了模型文件移动到指定目录 # 目录名以你用的前端为准常见是 models/Stable-diffusion mv ~/Downloads/your_model.safetensors ./models/Stable-diffusion/模型来源很多选的时候注意两点一是文件格式优先选.safetensors比.ckpt更安全不容易夹带恶意代码二是看清楚是基础模型还是微调模型基础模型出图更通用微调模型风格更明确但可能偏科。放好后启动前端# 启动 WebUI具体启动脚本名以项目为准 python launch.py命令行会输出一个本地地址通常是http://127.0.0.1:7860。浏览器打开左上角模型下拉框里能看到你放的模型就说明加载成功了。3.5 第一张图最小参数集别一上来就调一堆参数。先用默认值跑通确认流程没问题。在提示词框里输入一段简单的英文描述比如a cat sitting on a chair, simple background。采样步数保持 20采样器选默认图片尺寸 512x512点生成。第一次生成会慢一些因为要加载模型进显存。如果显存不够会报CUDA out of memory这时候把尺寸降到 512x512 以下或者加--medvram启动参数。出图后你至少验证了三件事环境通了、模型加载了、显卡在干活。接下来才是调参的事。4. 参数怎么调提示词、采样器、步数与 CFG4.1 提示词结构正向和反向的分工提示词不是随便写一句话。它分正向和反向两部分正向描述你想要的反向描述你不想要的。正向提示词我一般按这个顺序组织主体 → 细节 → 风格 → 画质词。比如# 正向提示词示例 1girl, silver hair, blue eyes, standing in a garden, soft lighting, detailed face, masterpiece, best quality反向提示词用来压制常见瑕疵# 反向提示词示例 lowres, bad anatomy, extra fingers, blurry, watermark, text权重语法也常用。(word:1.3)表示把这个词的重要性提高 30%[word]表示降低。但别滥用权重堆太多会让画面崩坏这是血泪经验。4.2 采样器选择不同采样器的速度与稳定性采样器决定了模型怎么从噪声一步步还原成图。常见的有 Euler、Euler a、DPM 2M、DPM 2M Karras 等。采样器特点适用场景Euler快结果稳定日常快速出图Euler a带随机性风格更活创意探索DPM 2M质量较好速度中等通用推荐DPM 2M Karras细节更锐利人像、精细场景DDIM老牌速度快兼容旧流程我一般默认用 DPM 2M Karras步数 25 到 30。Euler a 在步数低的时候容易出惊喜但也容易出废图看你需求。4.3 步数和 CFG两个最容易被调坏的值步数Steps是迭代次数。太低低于 15画面没收敛太高高于 50收益递减还费时间。20 到 30 是甜区。CFG Scale 控制模型多大程度“听你的提示词”。太低1 到 3画面自由但偏离描述太高15 以上颜色会过饱和、画面变硬。7 到 9 是常用范围我一般用 7。这两个参数一起调的时候先固定 CFG 调步数找到清晰度满意的点再微调 CFG 看风格变化。同时改两个你分不清是谁的功劳。4.4 随机种子复现和微调的关键种子Seed决定了初始噪声。同一个种子加同一组参数出图完全一致。想复现别人的图除了提示词和参数种子也必须一样。想微调一张已经满意的图锁定种子只改提示词里的一两个词画面主体不变细节会跟着变。这是最实用的技巧之一。5. 避坑与排查那些让我重装三次的问题5.1 报错 CUDA out of memory现象生成时命令行红字提示显存不足进程中断。原因图片尺寸太大、批量张数太多、或者同时加载了多个模型。解决先把尺寸降到 512x512批量设为 1。还不行就加启动参数--medvram或--lowvram让前端分步加载模型牺牲速度换显存。实在不够就换卡这是硬限制。5.2 模型加载了但出图全黑或全灰现象流程正常但生成的图是一片纯色或者噪点。原因最常见的是 VAE 不匹配。有些模型自带 VAE有些需要外挂 VAE 文件放错位置或者没放就会颜色异常。解决检查models/VAE/目录确认有没有对应的 VAE 文件。如果没有去模型发布页看说明通常会标注推荐 VAE。放好后在前端设置里手动选一下。5.3 提示词明明写了却不出对应内容现象写了blue eyes出来却是棕色眼睛。原因提示词权重不够或者被反向提示词压制或者模型本身对这个概念训练不足。解决给关键词加权重(blue eyes:1.4)同时检查反向提示词里有没有冲突项。如果还不行换个对人物细节训练更好的模型。这不是 bug是模型能力边界。5.4 启动时报缺少 xxx 模块现象ModuleNotFoundError: No module named xxx。原因依赖没装全或者虚拟环境没激活。解决先确认命令行前面有(venv)。然后手动补装pip install xxx。如果补装还报错看是不是版本冲突用pip install xxx版本号指定版本。实在乱就删掉虚拟环境重建比一个个修快。5.5 生成速度突然变慢现象之前一张图几秒现在要几十秒。原因显存被其他程序占用或者系统在跑后台更新或者模型切换后没释放旧模型。解决关掉浏览器多余标签页和其他吃显存的程序。重启前端进程让它重新加载。如果是 Windows检查任务管理器里显卡占用看是谁在偷用。6. 进阶技巧让出图从“能用”到“可控”6.1 用图生图做局部修改文生图是从零开始图生图是在已有图上改。把一张满意的图拖进图生图区域调整重绘幅度Denoising strength。0.3 左右只改细节0.7 以上会大改结构。我常用这个做“换背景”把人物图放进去提示词改成新背景描述重绘幅度 0.5人物基本保留背景换掉。比重画一张省事得多。6.2 LoRA 的加载与权重控制LoRA 是小体积的风格或角色补丁通常几十到几百 MB。放到models/Lora/目录在提示词里用lora:文件名:权重调用。# 调用 LoRA 的提示词写法 1girl, lora:my_style:0.8, standing in rain权重 0.6 到 1.0 是常用范围。太高会过拟合画面变得僵硬太低没效果。多个 LoRA 叠加时总权重别超过 1.5否则容易互相干扰。6.3 用 XYZ 脚本做参数对比前端通常自带 XYZ 脚本可以一次性跑多组参数输出对比图。比如 X 轴设采样器Y 轴设 CFG一次生成一张网格图直观看到哪个组合最好。这个功能帮我省了大量试错时间。以前调参靠一张张试现在一次跑 9 组一眼看出差异。建议每次换新模型都先跑一轮摸清它的脾气。6.4 批量出图的文件管理习惯出图多了文件会乱。我习惯按日期建文件夹文件名保留种子和关键参数。前端设置里可以开启“文件名包含种子”方便以后复现。另外定期清理outputs目录只留满意的图。不然几个月后你会发现硬盘被几万张废图塞满找一张好图像大海捞针。6.5 一个我坚持了很久的验证习惯每次装新环境或者换新模型我不会直接跑复杂提示词。先用一句最简单的a red apple on a table步数 20CFG 7跑一张。这张图能出来且颜色正常说明整条链路没问题。然后再上复杂参数。这个习惯帮我快速定位问题如果简单图都出不来肯定是环境或模型的问题不用怀疑提示词。如果简单图正常但复杂图崩那就是参数或提示词的事。分而治之比一上来就调一堆参数高效得多。希望帮到你。本文还有配套的精品资源点击获取