电脑跑AI绘画这件事圈内聊得最多的就是Stable Diffusion本地部署。说白了就是把你自己的显卡变成一台AI画图服务器不依赖任何在线平台不用按张付费更不用担心别人看到你生成的内容。我自己前前后后帮朋友装了不下二十台机器从游戏本到工作站都折腾过今天这篇就把Stable Diffusion本地部署的完整流程、硬件门槛、模型选择和踩坑记录一次性说清楚想入坑的可以直接照着抄。先说清楚这东西适合谁如果你平时出图量不大、偶尔玩票用在线工具就够了但如果你要批量生成素材、训练LoRA、研究ControlNet这类进阶玩法或者单纯不想受平台的审核和额度限制那本地部署就是绕不开的一步。本地部署最大的价值不是省钱而是可控——模型随便换、参数随便调、插件随便装整个流程完全在你自己的电脑里闭环。1. 部署前先想清楚本地跑SD到底需要什么条件很多人一上来就问“我的电脑能不能跑”其实这个问题得分两层看一是能不能跑起来二是能跑多快。能不能跑起来主要看显存显存低于4G基本不用考虑SD1.5以上的模型勉强跑也会因为显存溢出直接崩掉能跑多快则取决于显卡型号和显存带宽。1.1 硬件门槛显卡决定上限显存决定生死先给个最直观的结论NVIDIA显卡是首选A卡和核显用户会比较痛苦。这不是偏见而是SD底层依赖CUDA加速N卡在生态支持上天然占优。具体到型号我按经验分了三档显卡档次代表型号显存实际体验入门级GTX 1660 Super / RTX 20606G能跑SD1.5512x512出图一张30-60秒勉强能玩进阶级RTX 3060 / 4060 / 506012G主流甜点512x512出图一张10秒内能跑SDXL高阶级RTX 4080 / 409016G-24G几乎通吃所有模型SDXL也能做到秒出图提示如果你是纯新手预算有限又特别想玩SD哪怕买块二手RTX 3060 12G也比买新的A卡体验好。显存大小比显卡算力更关键因为显存一旦不够很多模型连加载都加载不出来更别说出图了。内存方面建议16G起步32G更稳。很多人忽略了一个细节SD在加载模型、处理VAE解码时内存占用会突然飙升内存不够会直接导致系统卡死或者进程被杀。硬盘就不用多说了一个SD整合包加常用模型轻轻松松吃掉100G以上空间建议至少准备200G空闲磁盘SSD优先。1.2 软件选型为什么我推荐先走整合包路线SD的安装方式有两条路线官方源码安装和整合包安装。官方源码安装的好处是干净、可控、版本透明但坏处是你要自己配Python环境、Git、依赖库、CUDA工具链任何一个环节版本不匹配都会报一堆莫名其妙的天书错误。我第一台机器就是硬啃官方安装的踩了整整两天坑才跑通真不建议新手走这条路。整合包的逻辑是作者已经帮你把Python环境、依赖项、UI界面、常用插件全部打包好了解压即用相当于把原来两天的配置时间压缩到半小时。国内比较常见的是秋叶整合包功能全面、更新快还有配套的启动器界面友好特别适合入门。我自己现在虽然已经能徒手配环境了但日常使用还是用整合包省心。2. 本地部署实操手把手完成安装与初始化接下来进入正题。这一节我以Windows系统为主来写因为绝大多数人的PC都是Windows环境Mac用户和Linux用户在后面的小节单独说。2.1 Windows整合包安装全流程第一步是下载整合包。完整包通常有几个G的大小注意看清说明有些是包含基础模型一起的有些需要单独下载模型。建议先下一体包因为模型单独下载反而容易搞混。下载完成后解压这里有一个极其重要的细节解压路径千万不要带中文和空格。这个坑我至少见过十次以上。SD内部的很多工具链对路径的解析能力很弱一旦路径里有中文轻则报错重则一系列功能失效。正确的做法是放在类似D:\SDWebUI这种纯英文路径下。解压时间会有点长几万个零碎文件耐心等就行。解压完成后启动器一般是一个exe文件有些叫“A启启动器.exe”之类双击打开。首次启动会做环境检查自动识别显卡型号和显存大小如果检测到显卡驱动版本太低会提示你更新驱动。这里我多说一句NVIDIA显卡驱动建议去官网下载Game Ready驱动网上很多第三方驱动工具容易装出问题。启动器界面里通常有几个选项一键启动、高级选项、模型管理。首次使用建议直接点“一键启动”它会自动启动WebUI服务并弹出浏览器窗口。如果没有自动打开浏览器就手动打开地址一般是http://127.0.0.1:7860看到这个地址能打开恭喜你SD已经跑起来了。2.2 Mac与Linux的部署差异说明Mac用户能不能跑SD能跑但分两种情况。M系列芯片的Mac在苹果的Metal加速加持下跑SD1.5模型其实效率不差出图速度和入门级N卡有得一拼但到了SDXL这种大模型就明显吃力了显存共享机制的效率跟NVIDIA的专用显存没法比。Intel芯片的老Mac就别折腾了体验会很差。Linux部署更推荐给那些打算把SD长期跑在服务器上的用户。流程和Windows整合包类似但需要手动装Python 3.10、Git、CUDA驱动这些前置依赖配置难度明显高一个档次。我的建议是没有Linux基础的用户不要碰这条线直接用Windows整合包就好。2.3 首次启动的初始化设置第一次打开WebUI界面时可能看到的是全英文界面各种参数密密麻麻初学者容易懵。这很正常先把两个基础选项搞定一个是在界面右上角的设置里切回中文语言包另一个是把“显示模型名称”这个选项打开不然后面换模型时会非常迷茫。接下去要做的关键步骤是修改默认的采样器和步数。WebUI默认的设置不一定适合所有场景我个人习惯是把默认采样器改成DPM 2M Karras默认步数改成20。这个组合在画质和速度之间比较平衡也是社区里大多数人认可的基础配置。3. 模型下载与放置决定你出图风格的关键一步刚开始用SD的人最容易遇到的问题就是为什么我照网上教程操作生成的图就是不如别人的好看这个问题的答案九成出在模型上。SD本体只是一个引擎画成什么样完全取决于你加载了什么模型。3.1 模型类型扫盲底模、LoRA、VAE、EmbeddingSD的模型生态远不是单一文件那么简单先分清几个核心概念底模Checkpoint决定画面整体风格取向的基础模型最常见的两类是SD1.5和SDXL它们内部又细分为写实类、二次元类、2.5D类等。底模相当于相机的机身是最核心的模型。LoRA低秩适应模型附加在底模之上的微调模型用来固定某个角色、某种画风或某个物体特征。LoRA不能单独用必须搭配底模一起使用。它像是镜头滤镜在底模基础上加一层特定风格。VAE变分自编码器负责将模型的潜在空间解码为图像。对画质的影响很大尤其是色彩和细节不用VAE时画面可能出现灰蒙蒙的感觉。Embedding文本嵌入通过修改提示词解析方式来实现风格控制或者内容过滤可以理解为AI的词汇库扩展。新手最容易踩的坑是不知道底模要放哪个目录。底模放在models\\Stable-diffusion文件夹里LoRA放在models\\LoraVAE放在models\\VAE。放错位置的话WebUI根本识别不到文件。3.2 哪里下载模型以及怎么判断模型质量模型下载渠道主要有两个Hugging Face和Civitai。开源社区氛围好但英文界面可能让新手有点犯怵。这里分享一个经验下载模型前先看成图的示例Civitai上每个模型都有社区用户生成的效果图多看一些就知道这个模型适不适合你的需求别只盯着下载量。文件格式要注意主流底模是.safetensors格式这个格式更安全可以防止恶意代码注入。早期的.ckpt格式虽然兼容性好但安全性较差强烈建议只下载safetensors格式的模型。模型文件体积也有讲究SD1.5底模普遍在2G到4G之间SDXL底模则更大通常5G到7G。如果一个号称SDXL底模的文件只有几百兆那大概率是预量化或者裁剪过度的版本画质会受影响。3.3 模型加载的几个实用技巧模型放进去之后要点击浏览器页面上方那个刷新按钮下拉菜单里才会看到新模型。第一次加载模型会比较慢需要几十秒到几分钟不等这是正常的SD需要把整个模型文件读入内存。我更建议打开启动器里的“模型预加载”或“safetensors快速加载”选项可以显著缩短切换模型的时间。另外别贪多一次只放五六个常用的模型就够了放几百个模型只会让你选择困难还浪费磁盘和内存。4. 第一次生图文生图的参数配置与实操示范环境搭好了模型也放好了现在进入核心环节——第一次生成图片。这个环节的重点不是追求多惊艳的效果而是理解每个参数在干什么建立基本操作感。4.1 提示词写法正向提示词与负向提示词文生图的第一步是输入提示词。WebUI界面里有两个大输入框一个叫“正向提示词”一个叫“负向提示词”。正向提示词描述你想画什么负向提示词描述你不想出现什么。提示词的基本结构包括主体、环境、画质修饰词三大类。举个例子如果你想画一个穿汉服的女生在竹林里正向提示词可以写1girl, hanfu, bamboo forest, (best quality:1.2), (masterpiece:1.2)负向提示词建议直接复制社区里通用的模板比如lowres, bad anatomy, bad hands, text, error, missing fingers, extra digit, fewer digits, cropped, worst quality, low quality, jpeg artifacts, signature, watermark。特别注意括号语法和权重的关系(关键词:1.2)表示把这个词的权重提升到1.2倍数值越高注意力越高但过度提升会导致画面畸形。新手最好从无权重起步习惯之后再慢慢调。4.2 核心生成参数采样器、步数、CFG、分辨率这些参数乍一看很吓人其实每个都有明确的含义我挑实践中最关键的几个说参数推荐值解释采样器DPM 2M Karras当前画质和速度综合最优的采样算法新手闭眼选这个采样步数20-30步迭代次数太少了细节不足太多了浪费时间且可能过拟合CFG Scale6.5-8提示词引导强度数值越高画面越贴近提示词过高会让画面死板分辨率512x512SD1.5/ 1024x1024SDXL模型训练时的参考分辨率随意改大容易产生畸形构图这里最有必要展开的是分辨率。SD1.5模型在512x512下表现最好如果你直接拉到1920x1080画面大概率出现多手多脚、结构崩坏的情况。正确做法是先在512x512出构图再用“高清修复”或者“图片放大”功能处理成高分辨率。SDXL模型本身就在1024x1024下训练所以可以直接开大尺寸。4.3 实操演示一步步生成你的第一张图搞懂了参数现在完整走一遍流程。假设底模已经加载好我挑一个常见的二次元画风模型输入正向提示词和负向提示词采样器选DPM 2M Karras步数25CFG设为7分辨率512x768点击“生成”按钮。图形生成过程会在界面上实时显示你能看到画面从一堆噪点逐渐变得清晰的整个过程。第一次出图大概等十来秒这张图就是你的SD处女作了。如果觉得构图不对别急着改参数先调整提示词如果觉得风格不对多半是模型选错了。出图之后界面下方会有一整排按钮“保存”是保存到默认目录格式是PNG“发送到图生图”是把生成结果直接拿来继续加工比如局部修改或者扩图“发送到超分放大”则是把低分辨率图做放大处理。刚入门建议把这些功能都摸索一遍它们就是后续进阶的钥匙。5. 进阶场景扩展与效果提升部署成功、会出图了这块就开始铺进阶的路。说实话SD的魅力绝非简单的文生图真正让人上瘾的是它可以无限扩展的工作流。5.1 图生图与局部重绘图生图img2img是文生图的自然延伸核心是“用一张图生成一张图”。你可以上传一张草稿照片然后输入提示词让SD按照提示词的风格对原图进行重绘。这个功能在改色、换风格、美化线稿这些场景下特别实用。局部重绘Inpaint则是图生图的高级玩法把图片里你不满意的部分用蒙版涂掉然后提示词描述你要替换成什么SD会只重绘蒙版区域的像素。我平时修图全是靠它表情不对修表情、背景太乱换背景效率极高。5.2 ControlNet生态与工作流ControlNet是SD最强大的插件之一它的作用是让提示词之外的结构信息也能控制生成结果。简单理解你可以用一张线稿、一张深度图甚至一个人物的骨架姿态图来精确控制AI输出的构图和姿态。用了ControlNet之后AI绘画从“随缘抽卡”变成“精准操控”玩法完全不一样。还有ComfyUI这种节点式工作流工具适合做复杂批量处理场景但它的学习曲线比较陡Node图形化界面跟WebUI完全不同。新手不建议一上来就跑ComfyUI先把WebUI玩熟再考虑要不要迁移。5.3 训练自己的LoRA模型当你想要固定某个人物的长相或者某种特定风格时需要训练一个自己的LoRA模型。训练集一般需要20到50张目标图像再经过一段时间的训练让模型学会这些图像的特征。这部分内容比较深我可以放在这个系列的后续文章里单开一篇详细说。6. 常见问题与排查技巧实录做AI绘画社群答疑这么久大家反馈的高频问题无非这么几类跑不起来、报错、出图质量差、特别慢。这篇最后把这几种情况集中拆解一遍给出可以直接照做的解决方案。6.1 部署与运行报错速查表问题可能原因解决方法启动报错“No module named torch”Python环境没配对用整合包自带的启动器修复环境不要自己乱装Python运行时显存溢出CUDA out of memory显存不足或分辨率设置过高降低分辨率开启显存优化选项如xformers黑屏/白屏无输出显卡驱动太老或浏览器兼容问题更新显卡驱动清空浏览器缓存后重启生成图片全是噪点/马赛克没正确加载VAE在设置里指定VAE路径或使用“自动VAE”功能界面加载超慢模型文件太大或硬盘速度慢换SSD拆掉不用的模型减少启动扫描时间排查技巧上我提供一个经验几乎所有非硬件问题第一步先重启服务第二步检查控制台日志第三步怀疑模型损坏。百分之八十的“玄学问题”都能用这个顺序定位到原因。6.2 效果不理想时的优化思路如果你用同一套提示词出图效果不如教程博主好先别急着怀疑自己操作有问题。检查的顺序应该是先看选的模型和教程是否一致再看是否加载了博主用的LoRA或VAE最后看参数配置是否完全一致。这一步必须严谨一个CFG值调成默认的7和你原来设置的8.5出来两张图的清晰度、对比度都会明显不一样。如果画出来的人物手部细节是崩坏的这是所有AI绘画平台的共同痛点哪怕目前最顶级的大模型也无法完全避免。通过加负向提示词如bad hands, bad fingers能有一定缓解但你要有心理预期完全解决这类问题要么等新一代模型更新要么靠局部重绘修复没有第三种办法。如果出图速度明显比预期慢检查一下是不是忘了开启显存优化选项。在启动器的设置里找到xformers或者--medvram这些加速选项并开启通常能带来30%以上的提速体验。这属于那种“花五分钟改一个选项出图速度快一倍”的典型优化项。6.3 磁盘空间管理的几个提醒前面提到模型体积大这里再说得细一些。一个SD基础整合包大概占5G左右加上两三个常用底模就奔着20G去了再折腾几个LoRA和ControlNet模型50G是很轻松的事。我建议养成这些习惯模型下载前先看清楚体积和类型别见一个下崽儿一个定期清理outputs目录下的历史生成图片默认会把每一次生成的图都保存下来用启动器自带的“模型清理”功能把长期不用的模型一键删除磁盘空间告急时优先删除.ckpt格式的模型保留.safetensors即可——前者容量更大且安全性不如后者。7. 写在最后的几点个人经验这篇内容写到这里已经足够你从零开始跑通Stable Diffusion本地部署了最后再分享几条我帮人装机过程中总结的个人经验。第一别在第一天就想着装上几十个插件SD本身的功能足够你玩很久插件装多了反而拖慢启动速度、增加报错概率。先把文生图、图生图这些基本功练熟再慢慢扩展。第二出图效果不好时先怀疑提示词再怀疑参数最后才怀疑模型这个排查顺序能帮你节省大量时间。第三AI绘画是典型的“杠杆型技能”花时间学会本地部署和模型管理后续在工作流效率上的回报会是几何级数的。这个系列后续我还会继续更新模型推荐、精准控图技巧、LoRA训练实战这些进阶方向的内容。先把这套部署基础打好后面我们能聊的东西会越来越深。