Stable Diffusion新手入门手册

硬件要求
建议使用不少于 16 GB 内存，并有 60GB 以上的硬盘空间。 需要用到 CUDA 架构，推荐使用 N 卡。
（目前已经有了对 A 卡的相关支持，但运算的速度依旧明显慢于 N 卡，参见：
Install and Run on AMD GPUs · AUTOMATIC1111/stable-diffusion-webui Wiki · GitHub
过度使用，显卡会有损坏的风险。
进行 512x 图片生成时主流显卡速度对比：

环境部署手动部署
可以参考 webui 的官方 wiki 部署：Home · AUTOMATIC1111/stable-diffusion-webui Wiki (github.com)
stable diffusion webui 的完整环境占用空间极大，能达到几十 G。同时，webui 需要联网下载安装大量的依赖，在境内的网络环境下下载很慢，请自带科学上网工具。

1. 安装 Python 安装 Python 3.10，安装时须选中

2. 安装 Git 在 Git-scm.com 下载 Git 安装包并安装。

3. 下载 webui 的 github 仓库 按下win+r 输入 cmd，调出命令行窗口。运行： cd PATH_TO_CLONE
   git clone https://http://github.com/AUTOMATIC1111/stable-diffusion-webui.git
   请把代码中的
   PATH_TO_CLONE
   替换为自己想下载的目录。

4. 装配模型 可在如Civitai上下载标注有CKPT的模型，有模型才能作画。下载的模型放入下载后文件路径下的models/Stable-diffusion 目录。

5. 使用 双击运行出一个类似 型使用。

。 脚本会自动下载依赖，等待一段时间（可能很长），程序会输的地址，在浏览器中输入这个链接开即可。详细可参见模

6. 更新 按下win+r 输入 cmd，调出命令行窗口。运行： cd PATH_TO_CLONE
   git pull
   请把代码中的：
   PATH_TO_CLONE
   替换为自己下载仓库的目录。
   整合包
   觉得麻烦的同学可以使用整合包，解压即用。 比如独立研究员的空间下经常更新整合包。 秋叶的启动器也非常好用，将启动器复制到下载仓库的目录下即可，更新管理会更方便。
   

打开启动器后，可一键启动：

如果有其他需求，可以在高级选项中调整配置。

显存优化根据显卡实际显存选择，不要超过当前显卡显存。不过并不是指定了显存优化量就一定不会超 显存，在出图时如果启动了过多的优化项（如高清修复、人脸修复、过大模型）时，依然有超出显存导 致出图失败的几率。

xFormers 能极大地改善了内存消耗和速度，建议开启。准备工作完毕后，点击一键启动即可。等待浏览器自动跳出，或是控制台弹出本地 URL 后说明启动成功
如果报错提示缺少 Pytorch，则需要在启动器中点击配置：

Stable Diffusion webui 的更新比较频繁，请根据需求在“版本管理”目录下更新：

在这里插入图片描述

同样地，也请注意插件的更新：
关于插件
Stable Diffusion 可配置大量插件扩展，在 webui 的“扩展”选项卡下，可以安装插件：

点击“加载自”后，目录会刷新，选择需要的插件点击右侧的 install 即可安装。

安装完毕后，需要重新启动用户界面：

文生图最简流程

1. 选择需要使用的模型（底模），这是对生成结果影响最大的因素，主要体现在画面风格上。
   

2. 在第一个框中填入提示词（Prompt），对想要生成的东西进行文字描述
   

3. 在第二个框中填入负面提示词（Negative prompt)，你不想要生成的东西进行文字描述
   

4. 选择采样方法、采样次数、图片尺寸等参数。
   

• Sampler（采样器/采样方法） 选择使用哪种采样器。 Euler a（Eular
  ancestral）可以以较少的步数产生很大的多样性，不同的步数可能有不同的结果。而非 ancestral
  采样器都会产生基本相同的图像。DPM 相关的采样器通常具有不错的效果，但耗时也会相应增加。

• Euler 是最简单、最快的。

• Euler a 更多样，不同步数可以生产出不同的图片。但是太高步数 (>30) 效果不会更好。 DDIM
  收敛快，但效率相对较低，因为需要很多 step 才能获得好的结果，适合在重绘时候使用。

• LMS 是 Euler 的衍生，它们使用一种相关但稍有不同的方法（平均过去的几个步骤以提高准确性）。大概 30 step
  可以得到稳定结果 。

• PLMS 是 Euler 的衍生，可以更好地处理神经网络结构中的奇异性。

• DPM2 是一种神奇的方法，它旨在改进 DDIM，减少步骤以获得良好的结果。它需要每一步运行两次去噪，它的速度大约是
  DDIM 的两倍，生图效果也非常好。但是如果你在进行调试提示词的实验，这个采样器可能会有点慢了。

• UniPC 效果较好且速度非常快，对平面、卡通的表现较好，推荐使用。

• ampling Steps（采样步数） Stable Diffusion
  的工作方式是从以随机高斯噪声起步，向符合提示的图像一步步降噪接近。随着步数增多，可以得到对目标更小、更精确的图像。但增加步数也会
  增加生成图像所需的时间。增加步数的边际收益递减，取决于采样器。一般开到 20~30。

• 不同采样步数与采样器之间的关系：
  

• CFG Scale（提示词相关性） 图像与你的提示的匹配程度。增加这个值将导致图像更接近你的提 示，但它也在一定程度上降低了图像质量。
  可以用更多的采样步骤来抵消。过高的 CFG Scale 体现为粗犷的线条和过锐化的图像。一般开到 7~11。 CFG Scale
  与采样器之间的关系：
  在这里插入图片描述

• 生成批次 每次生成图像的组数。一次运行生成图像的数量为“批次* 批次数量”。

• 每批数量 同时生成多少个图像。增加这个值可以提高性能，但也需要更多的显存。大的 Batch Size需要消耗巨量显存。若没有超过 12G
  的显存，请保持为 1。

• 尺寸 指定图像的长宽。出图尺寸太宽时，图中可能会出现多个主体。1024
  之上的尺寸可能会出现不理想的结果，推荐使用小尺寸分辨率+高清修复（Hires fix)。

文章来源于互联网:Stable Diffusion新手入门手册

相关推荐: AIGC 如何助力数千账号内容每日更、不重复、保过审？

 视频内容请戳： 0成本投放，日更万条视频就能带流量 | 特赞AI内容工厂 借助 AIGC ，让企业的数千个矩阵账号每天发出不重样的，可过审的，不影响消费者体验的良质内容，从而增加流量，扩大曝光，赋能生意的增长。 这可能是目前 AIGC 与企业营销结合的最落地…