我们可以通过官方网站 Stability AI，以及 Dream Studio、Replicate、Playground AI 、Baseten 等网站在线体验 Stable Diffusion 的巨大威力。相比于集成在网络平台的 SD 或者其他 AI 绘画平台来说，自部署平台没有生成数量的限制，不用花钱，不用被 NSFW 约束，生成时间快，不用排队，自由度高，而且功能完整，插件丰富，可以调试和个性化的地方也更多；更稳定，也更容易让 SD 变成生产力或者商业化使用。既然这样，那就自力更生，在本机上自己部署一个，可以随心所欲地玩图。

二、Stable Diffusion 安装

2.1 安装前的准备

现有深度学习训练和部署环境在硬件上一般基于 Nvidia GPU，在底层需要显卡驱动和 CUDA 工具包（需要包含配套版本的 cuDNN），在应用软件层面需要 Python 编译和解释器，以及基于 Python 的深度学习框架（如 Pytorch、TensorFlow 等）。同时，为了方便代码自动下载和程序模块化管理，通常还需要安装 git 和 conda 软件。笔者（Sheex2012）主机配备了 RTX 4070Ti 12G 显卡，并事先安装了 CUDA 12.1，Python 3.11.6，git 2.44，Pytorch 2.1.2，能够满足 Stable Diffusion 环境要求。本文重点聚焦 Stable Diffusion 推理程序的部署，硬件需求确认和基础软件的安装这里不再赘述。

2.2 下载和部署 Stable Diffusion

我们从 Stability.AI 的 github 官方开源 Stability.AI Stablediffusion 下载源码：

git clone https://github.com/Stability-AI/stablediffusion.git

当然，也可以从网页上以下载源码 ZIP 包，解压缩到本地。

源码下载完成后，接下来需要安装项目的依赖项：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

然后从 huggingface 下载预训练模型 v2-1_768-ema-pruned.ckpt，并存放到 checkpoints 文件夹中。

2.3 运行 Stable Diffusion

部署完成后，运行下述脚本，生成图片：

python ./scripts/txt2img.py --prompt "a professional photograph of an astronaut riding a horse" --ckpt ./checkpoints/v2-1_768-ema-pruned.ckpt --config ./configs/stable-diffusion/v2-inference-v.yaml --H 768 --W 768

这个应该是目录结构的问题，将 ldm 拷贝 / 移动到 script 文件夹，再来一次，不出意外，还是有点小意外，内存不够了：

torch.cuda.OutOfMemoryError: CUDA out of memory. Tried to allocate 9.49 GiB. GPU 0 has a total capacty of 11.99 GiB of which 0 bytes is free. Of the allocated memory 14.77 GiB is allocated by PyTorch, and 9.52 GiB is reserved by PyTorch but unallocated. If reserved but unallocated memory is large try setting max_split_size_mb to avoid fragmentation. See documentation for Memory Management and PYTORCH_CUDA_ALLOC_CONF

那就把图像的尺寸调整成 512×512，问题解决了。

这是生成的图片（存放在 outputstxt2img-samples 文件夹中）：

三、Stable Diffusion WebUI 安装

Stable Diffusion 只是提供一个模型，提供基础的文本分析、特征提取、图片生成这些核心功能，但自身是没有可视化 UI 的，用起来就是各种文件加命令行。其中流传最广、功能最强也是被公认最为方便的，就是由越南超人 AUTOMATIC1111 开发的 WebUI，即大名鼎鼎的 Stable Diffusion WebUI。Stable Diffusion WebUI 集成了大量代码层面的繁琐应用，将 Stable Diffusion 的各项绘图参数转化成可视化的选项数值和操控按钮，用户可以直接通过 Web 页面使用 Stable Diffusion。Stable Diffusion WebUI 是一个最流行的开源 Stable Diffusion 整合程序，其核心功能是文生图和图生图，这也是 Stable Diffusion 的核心能力。Stable Diffusion WebUI 的其它功能，比如 ControlNet、高清放大、模型训练等等都是其它第三方开发的，有的已经内置到 WebUI 中，随着 WebUI 的发布而发布，有的还需要用户手动安装。

3.1 手动安装

我们先手动方式一步一步安装，从中体验一下其中的繁琐（其实，这对于从事深度学习的相关技术人员来说是常规操作）。

首先，从 github 上下载源码：

git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git

其次，下载安装 Stable Diffusion WebUI 的依赖项：

cd stable-diffusion-webui


pip install -r requirements_versions.txt -i https://pypi.tuna.tsinghua.edu.cn/simple 

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

依赖项成功安装后，还是从 huggingface 下载 v1-5-pruned-emaonly.safetensors 预训练模型，放置到 modelsStable-diffusion 文件夹。

python webui.py

命令行窗口显示了模型加载运行过程，这里一共花了 49.2 秒。

进入http://127.0.0.1:78 60网站，输入提示词：

反向提示词：

点击，Generate 按钮，3.9 秒后，生成一幅女孩肖像画。GPU 占用 3.8G 左右。

如果觉得全是英文的界面操作起来不够方便，可以：

1）从 Stable-diffusion-webui 的汉化扩展下载汉化语言包，把 “l

3.2 自动安装

自动安装的方式，极大地简化了部署流程，对于不太熟悉命令行操作和复杂环境配置的新手来说，是非常友好的选择。这里以使用 “StableDiffusion-WebUI-Automatic-Installer” 脚本为例进行介绍。

首先，下载 “StableDiffusion-WebUI-Automatic-Installer” 脚本。你可以在相关的开源平台找到它，比如 github（链接：https://github.com/cmdr2/stable-diffusion-ui）。下载完成后，解压到你希望安装 Stable Diffusion WebUI 的目录。

然后，进入解压后的目录，找到并双击运行 “webui-user.bat” 文件（如果是 Linux 或 Mac 系统，则运行对应的.sh 文件）。这个批处理文件会自动检测你的系统环境，安装所需的 Python 版本、依赖库，下载 Stable Diffusion WebUI 的源码以及预训练模型等。在这个过程中，命令行窗口会显示安装的进度和相关信息。由于下载的内容较多，可能需要一些时间，请耐心等待。安装过程中可能会因为网络问题导致某些下载失败，你可以尝试多次运行 “webui-user.bat” 文件，它会自动检测哪些部分未成功安装并进行重试。

安装完成后，同样会自动打开浏览器并跳转到http://127.0.0.1:7860页面，此时你就可以像手动安装成功后一样，在 WebUI 界面中输入提示词进行 AI 绘画创作了。

3.3 整合包安装

Stable Diffusion 秋叶整合包是中国大神秋叶基于 Stable Diffusion WebUI 内核开发的整合包，内置了与电脑本身系统隔离的 Python 环境和 Git（包含了第三部分需要下载和安装的依赖项、github 依赖包、预训练模型以及相当多的插件）。可以忽略网络需求和 Python 环境的门槛，让更多人轻松地使用 Stable Diffusion WebUI。超简单一键安装，无任何使用门槛，完全免费使用，支持 Nvdia 全系列显卡。

配置要求：

系统：Windows 10 及以上系统
显存最低 4G，建议使用 Nvidia 2060 显卡，显存 6GB 以上。内存至少是 8GB，而配备 16GB 或者以上内存，你会有更好的使用体验

下载文件：
下载到本地，最好不要有中文目录，整合包地址链接：链接：

下载到本地，最好不要有中文目录，整合包地址链接：链接：https://pan.baidu.com/s/11e-upzehUb_qH5iuqVIBfg?
解压文件夹到本地，点击启动器
点击一键启动

可以看到出现了命令行，稍等等几秒钟，会自动跳到 Web UI 页面。然后就可以在文本框中，输入指令来进行 AI 生图了。

四、总结

通过以上手动、自动和整合包三种方式，我们都能够在 Windows 系统上成功部署 Stable Diffusion WebUI。手动安装虽然步骤较为繁琐，但能让我们深入了解整个部署过程和相关技术细节，适合有一定技术基础和希望深入掌握的用户；自动安装借助脚本大大简化了流程，降低了部署难度，适合大部分普通用户；整合包安装则几乎做到了开箱即用，是最为便捷的方式，尤其适合对技术不太熟悉，只希望快速使用 Stable Diffusion 进行创作的用户。你可以根据自己的情况和需求选择适合的安装方式，开启你的 AI 绘画之旅。

效果展示：

文章来源于互联网:Stable Diffusion Windows本地部署超详细教程(手动+自动+整合包三种方式)

相关推荐: 必看！手把手教你降低论文AIGC率（附主流检测平台避坑指南）

各位同学，最近是不是被论文的“AIGC率”折磨到秃头？熬夜查资料、码字，最后系统一查——判定内容疑似AI生成！这事儿真不能怪大家，毕竟不同平台的检测逻辑天差地别，稍不留神就踩坑。今天，咱们就来扒一扒主流检测平台的特点，再教几招实用的“降痕”技巧。文末还有神器…

未经允许不得转载：5bei.cn大模型教程网 » Stable Diffusion Windows本地部署超详细教程(手动+自动+整合包三种方式)

Stable Diffusion Windows本地部署超详细教程（手动+自动+整合包三种方式）

2025-06-03 分类：AI创作 / stable-diffusion 阅读(251)

Stable Diffusion 是一个基于深度学习的图像生成模型，可以通过文本描述生成高质量的图像。为了在 Windows 本地部署 Stable Diffusion，您可以选择不同的部署方式：手动安装、使用自动安装脚本、或使用整合包。本教程将详细介绍这三种部署方式，并提供代码和步骤，以便您能够顺利地在 Windows 环境下使用 Stable Diffusion。

一、前期准备

在开始之前，确保您的系统满足以下要求：

操作系统：Windows 10/11 64 位
硬件要求：
- 至少 8GB 的 RAM
- 显卡：支持 CUDA 的 NVIDIA GPU（推荐至少有 6GB 显存）
软件要求：
- Python 3.8+
- CUDA 11.3+（如果使用 GPU）
- NVIDIA驱动程序（与 CUDA 版本兼容）
- Git：用于从 GitHub 克隆仓库
- Visual Studio 2019+：用于编译需要的 C++ 扩展

二、手动安装（推荐高级用户）

手动安装步骤适用于熟悉 Python 和环境配置的用户，可以完全掌控安装过程，并灵活地选择依赖项和库版本。

1. 安装 Python 和必要的依赖

下载 Python：
- 请前往 Python 官网下载并安装 Python 3.8 或更高版本。
- 在安装时勾选 “Add Python to PATH”。
安装 Git：
- Git 官网下载并安装 Git。
安装 CUDA 和 NVIDIA 驱动：
- 前往 NVIDIA 官网下载并安装 CUDA（需要与您的 GPU 驱动版本兼容）。

2. 克隆 Stable Diffusion 仓库

使用 Git 克隆 Stable Diffusion 仓库：

git clone https://github.com/CompVis/stable-diffusion.git
cd stable-diffusion

3. 创建虚拟环境并安装依赖

在项目文件夹内，使用以下命令创建虚拟环境，并激活它：

python -m venv venv
venvScriptsactivate  # Windows 下激活虚拟环境

然后，安装所有依赖项：

pip install -r requirements.txt

4. 下载模型权重文件

Stable Diffusion 模型的权重文件比较大，通常需要下载预训练的权重。

注册 Hugging Face 账户：Hugging Face 官网。
登录后，访问 Stable Diffusion 权重文件页面并下载模型权重。
将下载的权重文件放置在项目目录的 models/ldm/stable-diffusion-v1/ 文件夹下。

5. 运行模型生成图像

配置完成后，您可以通过以下命令运行 Stable Diffusion 并生成图像：

python scripts/txt2img.py --prompt "A futuristic city" --plms

这会根据提供的文本描述（例如：“A futuristic city”）生成一张图像。

三、使用自动安装脚本（简单方式）

对于希望简化安装过程的用户，可以使用自动安装脚本，几乎一键完成配置和安装。

1. 下载自动化脚本

使用 Stable Diffusion WebUI 提供的自动化脚本，它集成了多个功能，并且非常易于安装。首先，克隆该仓库：

git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git
cd stable-diffusion-webui

2. 安装依赖

运行以下命令自动安装所需的所有依赖项：

python launch.py

脚本会自动检测您的环境并安装所有依赖。

3. 下载模型

根据提示，脚本会自动帮助您下载模型权重文件。或者您也可以手动下载模型文件并将其放置在 models/Stable-diffusion/ 文件夹内。

4. 启动 Web UI

安装完成后，您可以启动 Web UI：

python launch.py

然后在浏览器中访问 http://127.0.0.1:5000/ 即可使用图形化界面生成图像。

5. 生成图像

通过 Web 界面，您可以输入文本描述并生成图像，支持调整各类参数，如采样方法、步数、图像分辨率等。

四、使用整合包安装（最简单方式）

对于新手用户或希望快速搭建环境的用户，使用整合包（如 Stable Diffusion WebUI）是一种非常方便的选择。这些包已经打包好了所有必要的依赖项和配置文件。

1. 下载整合包

您可以直接下载已经集成了 Stable Diffusion 的整合包。例如，从 AUTOMATIC1111 的 GitHub 仓库下载整个项目。

2. 解压与安装

下载 ZIP 文件并解压。
打开解压后的文件夹，运行 webui-user.bat（Windows）文件，脚本会自动安装所需的 Python 环境和依赖。

3. 启动服务

双击 webui-user.bat 文件，启动服务后，您可以在浏览器中访问 http://127.0.0.1:5000/ 来使用 Web UI 界面进行图像生成。

五、常见问题与解决方案

1. 模型文件下载失败

确保您已经正确注册了 Hugging Face 账号，并且在下载模型时使用了正确的 API 密钥。
可以手动从 Hugging Face 上下载模型文件，解压并将其放置在正确的文件夹中。

2. 缺少 CUDA 或 GPU 不支持

如果您没有支持 CUDA 的 NVIDIA GPU，可以考虑仅使用 CPU 来运行模型，但速度会较慢。
确保您安装了适配的 CUDA 版本，并且 GPU 驱动程序也是最新的。

3. 安装依赖问题

如果在安装依赖时遇到问题，建议使用以下命令来更新 pip：
```
python -m pip install --upgrade pip
```
如果某些包无法安装，可以尝试使用 --no-cache-dir 标志：
```
pip install -r requirements.txt --no-cache-dir
```

4. 生成的图像质量较差

增加采样步数（例如将 --n_iter 设置为更高的值），或者更改采样方法（如使用 plms）。
您还可以通过调整提示词的具体性来获得更好的图像结果。

六、总结

在 Windows 上部署 Stable Diffusion 的方法有三种：手动安装、自动化安装脚本和整合包安装。根据您的需求和技术熟练度，可以选择合适的方式进行安装。如果您是初学者，推荐使用自动化安装脚本或整合包，这两种方式较为简单且支持图形化界面，适合快速搭建实验环境。

在安装完成后，您可以通过提供文本描述来生成图像，并进一步探索 Stable Diffusion 在图像生成、艺术创作等领域的潜力。

文章来源于互联网:Stable Diffusion Windows本地部署超详细教程（手动+自动+整合包三种方式）

相关推荐: Stable Diffusion实现AI 绘画+小说推文，实现降维打击，适合小白的最佳副业

15条作品涨粉2.4万，单条视频最高点赞8.4万。当你还在纠结要不要做小说推文的时候，别人已经把小说推文的账号玩法玩出了新高度。没错，就是升级版的小说推文——用AI绘画来做漫画推文。提到AI，可能你会觉得很高科技、很复杂，其实没你想的那么难，一个软件简单…

未经允许不得转载：5bei.cn大模型教程网 » Stable Diffusion Windows本地部署超详细教程（手动+自动+整合包三种方式）

Stable Diffusion Windows本地部署超详细教程（手动+自动+整合包三种方式）

2025-03-04 分类：AI创作 / stable-diffusion 阅读(337)

前言：

随着人工智能技术的飞速发展，越来越多的行业开始享受到AI带来的便利。在艺术创作领域，一款名为Stable Diffusion的AI绘画工具应运而生，为广大创作者提供了无限的可能。本文将带领大家了解Stable Diffusion的安装过程，在此之前，让我们先来了解一下这款神奇的工具。

一、 Stable Diffusion简介

    2022年作为AIGC（Artificial Intelligence Generated Content）时代的元年，各个领域的AIGC技术都有一个迅猛的发展，给工业界、学术界、投资界甚至竞赛界都注入了新的“AI活力”与“AI势能”。

   其中在AI绘画领域，Stable Diffusion当仁不让地成为了开源社区中持续繁荣的AI绘画核心模型，并且快速破圈，让AIGC的ToC可能性比肩移动互联网时代的产品，每个人都能感受到AI带来的力量与影响。Stable Diffusion由CompVis研究人员创建的主要用于**文本生成图像**的深度学习模型，与初创公司StabilityAI、Runway合作开发，并得到EleutherAI和LAION的支持，它主要用于根据文本的描述产生详细图像，也就是常说的**txt2img**的应用场景中：通过给定文本提示词（text prompt），该模型会输出一张匹配提示词的图片。例如输入文本提示词：A cute cat，Stable Diffusion会输出一张带有可爱猫咪的图片（如下图）。

    Stable Diffusion（简称SD）是AI绘画领域的一个核心模型，与Midjourney不同的是，Stable Diffusion是一个完全开源的项目（模型、代码、训练数据、论文、生态等全部开源），可拓展性强、 出图效率高、 数据安全保障，这使得其能快速构建强大繁荣的上下游生态，并且吸引了越来越多的AI绘画爱好者加入其中，与AI行业从业者一起推动AIGC领域的发展与普惠。可以说，AI绘画的ToC普惠在AIGC时代的早期就已经显现，这是之前的传统深度学习时代从未有过的。

    Stable Diffusion模型基于一个扩散过程，逐步从噪声中恢复出图像信息。在训练阶段，模型会学习如何逐步将噪声转化为真实的图像数据；而在生成阶段，模型则可以从随机噪声出发，通过反向的扩散过程，生成出与训练数据分布相似的图像。Stable Diffusion主要由变分自编码器（VAE）、U-Net和一个文本编码器三个部分组成。在前向扩散过程中，高斯噪声被迭代地应用于压缩的潜在表征。每个去噪步骤都由一个包含残差神经网络（ResNet）的U-Net架构完成，通过从前向扩散往反方向去噪而获得潜在表征。最后，VAE解码器通过将表征转换回像素空间来生成输出图像。

   我们可以通过官方网站 [Stability AI](https://stability.ai/ "Stability AI")，以及[Dream Studio](https://beta.dreamstudio.ai/dream%C2%A0 "Dream Studio")、[Replicate](https://replicate.com/ "Replicate")、[Playground AI](https://playgroundai.com/ "Playground AI")[、Baseten](https://www.baseten.co/ "、Baseten")等网站在线体验Stable Diffusion的巨大威力。但是，一方面国外的网站访问毕竟还是不方便（经常需要科学上网，你懂的），另一方面也不想让自己的一些“幼稚”想法被他们“窃取”。相比于集成在网络平台的SD或者其他AI绘画平台来说，自部署平台没有生成数量的限制，不用花钱，不用被NSFW约束，生成时间快，不用排队，自由度高，而且功能完整，插件丰富，可以调试和个性化的地方也更多；更稳定，也更容易让SD变成生产力或者商业化使用。既然这样，那就自力更生，在本机上自己部署一个，可以随心所欲地玩图、玩图...。

这份完整版的SD整合包已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

二、Stable Diffusion v2安装

1. 安装前的准备

   现有深度学习训练和部署环境在硬件上一般基于Nvidia GPU，在底层需要显卡驱动和CUDA工具包（需要包含配套版本的cuDNN），在应用软件层面需要Python编译和解释器，以及基于Python的深度学习框架（如Pytorch、TensorFlow等）。同时，为了方便代码自动下载和程序模块化管理，通常还需要安装git和conda软件。笔者（Sheex2012）主机配备了RTX 4070Ti 12G显卡，并事先安装了CUDA 12.1，Python 3.11.6，git 2.44，Pytorch 2.1.2，能够满足Stable Diffusion环境要求。本文重点聚焦Stable Diffusion推理程序的部署，硬件需求确认和基础软件的安装这里不再赘述。

2. 下载和部署Stable Diffusion

     我们从Stability.AI的github官方开源[Stability.AI Stablediffusion](https://github.com/Stability-AI/stablediffusion "Stability.AI Stablediffusion")下载源码：

git clone https://github.com/Stability-AI/stablediffusion.git

当然，也可以从网页上以下载源码ZIP包，解压缩到本地。

     源码下载完成后，接下来需要安装项目的依赖项：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

然后从huggingface下载预训练模型v2-1_768-ema-pruned.ckpt，并存放到checkpoints文件夹中。

这份完整版的SD整合包已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

3. 运行Stable Diffusion

     部署完成后，运行下述脚本，生成图片：

python ./scripts/txt2img.py --prompt "a professional photograph of an astronaut riding a horse" --ckpt ./checkpoints/v2-1_768-ema-pruned.ckpt --config ./configs/stable-diffusion/v2-inference-v.yaml --H 768 --W 768

    可是，报错了：

No module named 'ldm'

    这个应该是目录结构的问题，将ldm拷贝/移动到script文件夹，再来一次，不出意外，还是有点小意外，内存不够了：

torch.cuda.OutOfMemoryError: CUDA out of memory. Tried to allocate 9.49 GiB. GPU 0 has a total capacty of 11.99 GiB of which 0 bytes is free. Of the allocated memory 14.77 GiB is allocated by PyTorch, and 9.52 GiB is reserved by PyTorch but unallocated. If reserved but unallocated memory is large try setting max_split_size_mb to avoid fragmentation.  See documentation for Memory Management and PYTORCH_CUDA_ALLOC_CONF

    那就把图像的尺寸调整成512x512，问题解决了。

    这是生成的图片（存放在outputs\txt2img-samples文件夹中）：

这份完整版的SD整合包已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

三、 Stable Diffusion WebUI 安装

   Stable Diffusion只是提供一个模型，提供基础的文本分析、特征提取、图片生成这些核心功能，但自身是没有可视化UI的，用起来就是各种文件加命令行。原始的Stable Diffusion程序（脚本）只能以命令行的方式进行，参数设置很不方便，而且每次调用时，需要事先加载预训练模型，图像生成完成后会释放内存中的模型并结束进程，运行效率低，交互操作极其麻烦。

   开源的 Stable Diffusion 社区受到了广泛民间开发者大力支持，众多为爱发电的程序员自告奋勇的为其制作方便操控的 GUI 图形化界面。其中流传最广、功能最强也是被公认最为方便的，就是由越南超人 AUTOMATIC1111 开发的 WebUI，即大名鼎鼎的Stable Diffusion WebUI。可以看到github上的start已经超过130k了，真是神一样的存在。

       PS，大神的头像直接使用了越南盾中胡志明头像。

    Stable Diffusion WebUI集成了大量代码层面的繁琐应用，将 Stable Diffusion 的各项绘图参数转化成可视化的选项数值和操控按钮，用户可以直接通过 Web 页面使用 Stable Diffusion。如今各类开源社区里 90%以上的拓展应用都是基于它而研发的。

    Stable Diffusion WebUI是一个最流行的开源 Stable Diffusion 整合程序，其核心功能是 文生图 和 图生图，这也是 Stable Diffusion 的核心能力。Stable Diffusion WebUI 的其它功能，比如ControlNet、高清放大、模型训练等等都是其它第三方开发的，有的已经内置到 WebUI 中，随着 WebUI 的发布而发布，有的还需要用户手动安装。

    当然，除了 WebUI 还有一些其他的 GUI 应用，比如 ComfyUI 和 Vlad Diffusion 等，不过它们的应用场景更为专业和小众，感兴趣的可以点击下面的 GitHub 链接了解，这里就不再赘述了。

1. 手动安装

   我们先手动方式一步一步安装，从中体验一下其中的繁琐（其实，这对于从事深度学习的相关技术人员来说是常规操作）。

   首先，从github上下载源码：

git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git

   其次，下载安装Stable Diffusion WebUI的依赖项：

cd stable-diffusion-webui
pip install -r requirements_versions.txt -i https://pypi.tuna.tsinghua.edu.cn/simple  
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

依赖项成功安装后，还是从huggingface下载v1-5-pruned-emaonly.safetensors预训练模型，放置到modelsStable-diffusion文件夹。

   好了，开始魔法吧。

python webui.py

   命令行窗口显示了模型加载运行过程，这里一共花了49.2秒。

   进入 http://127.0.0.1:7860网站，输入提示词：

portrait of beautiful girl, brown hair, freckles, tshirt, professional lighting, indoor, artistic photography

     反向提示词：

lowres, bad anatomy, bad hands, text, error, missing fingers, extra digit, fewer digits, cropped, worst quality, low quality, normal quality, jpeg artifacts,signature, watermark, username, blurry, artist name

    点击，Generate按钮，3.9秒后，生成一幅女孩肖像画。GPU占用3.8G左右。

   如果觉得全是英文的界面操作起来不够方便，可以：

1）从Stable-diffusion-webui 的汉化扩展下载汉化语言包，把”localizations”文件夹内的”Chinese-All.json”和”Chinese-English.json”复制到”stable-diffusion-webuilocalizations”目录中；

2）点击”Settings”，左侧点击”User interface”界面，在界面里最下方的”Localization (requires restart)“，选择”Chinese-All”或者”Chinese-English”；

3）点击界面最上方的黄色按钮”Apply settings”，再点击右侧的”Reload UI”即可完成汉化。

   不过，个人觉得汉化后的文字有点拥挤。

2. 自动安装

    事实上，Stable Diffusion WebUI官方网站中不再有手动安装的步骤，我的理解是作者鼓励大家采用自动安装方式，而自动安装的确非常方便的。当我们下载完成Stable Diffusion WebUI源码后，在确保已经安装了Python 3.10.6和git后，双击批处理文件webui-user.bat即可。

    从命令行窗口输出，我们看到，批处理命令自动下载安装了Pytorch等依赖项：

   从github clone 并安装Clip Open_Clip等依赖程序，而且，由于众所周知的原因，从github clone 源码会经常报错：

  没关系，接着多运行几遍即可。然后，再从 从[huggingface](https://huggingface.co/ "huggingface")下载预训练模型v1-5-pruned-emaonly.safetensors（当然，还是会报错）：

   当所有的问题都解决之后，批处理文件webui-user.bat，将和前述的一样，将开放http://127.0.0.1:7860网站，后续处理过程不再赘述。

自动安装过程分析

1) webui-user.bat 分析

自动安装和手动安装在结果上是没有区别的，都是下载源码、下载安装依赖项（包括二进制和github源码）、下载预训练模型，然后按照配置参数运行程序。自动安装过程把上述过程全部放到批处理文件中webui-user.bat，让我们来看看它到底做了啥。

@echo off

set PYTHON=
set GIT=
set VENV_DIR=
set COMMANDLINE_ARGS=

call webui.bat

   webui-user.bat只有短短几行，首先将四个环境变量置空，然后调用webui.bat，所以webui.bat默默承担了所有。

2) webui.bat 简要分析

7. if not defined PYTHON (set PYTHON=python)
8. if defined GIT (set "GIT_PYTHON_GIT_EXECUTABLE=%GIT%")
9. if not defined VENV_DIR (set "VENV_DIR=%~dp0%venv")

   首先，webui.bat在7-9行设置了PYTHON、GIT、VENV_DIR 三个环境变量，其中VENV_DIR 在当前目录中新建venv文件夹；其次，在16行测试调用Python程序；然后在第22行测试pip命令可用性。

16. %PYTHON% -c "" >tmp/stdout.txt 2>tmp/stderr.txt
17. if %ERRORLEVEL% == 0 goto :check_pip
18. echo Couldn't launch python
19. goto :show_stdout_stderr

21. :check_pip
22. %PYTHON% -mpip --help >tmp/stdout.txt 2>tmp/stderr.txt
23. if %ERRORLEVEL% == 0 goto :start_venv

   接下来的37-40行是创建虚拟环境的关键，37行获得当前系统的缺省Python路径，39行利用 -m venv参数，运行此命令将创建目标目录venv，并使用`home`键将`pyvenv.cfg`文件放置在其中，该文件指向运行该命令的 Python 安装(目标目录的通用名称为`.venv`)。

37. for /f "delims=" %%i in ('CALL %PYTHON% -c "import sys; print(sys.executable)"') do set PYTHON_FULLNAME="%%i"
38. echo Creating venv in directory %VENV_DIR% using python %PYTHON_FULLNAME%
39. %PYTHON_FULLNAME% -m venv "%VENV_DIR%" >tmp/stdout.txt 2>tmp/stderr.txt
40. if %ERRORLEVEL% == 0 goto :activate_venv

   基于venv的虚拟环境创建完成后，先激活该虚拟环境，再调用launch.py。至此，批处理文件的任务基本完成，并将控制权交给launch.py脚本。

44. :activate_venv
45. set PYTHON="%VENV_DIR%ScriptsPython.exe"
46. echo venv %PYTHON%


57. :launch
58. %PYTHON% launch.py %*

3) launch.py 脚本简要分析

start = launch_utils.start


def main():
    if args.dump_sysinfo:
        filename = launch_utils.dump_sysinfo()

        print(f"Sysinfo saved as {filename}. Exiting...")

        exit(0)

    launch_utils.startup_timer.record("initial startup")

    with launch_utils.startup_timer.subcategory("prepare environment"):
        if not args.skip_prepare_environment:
            prepare_environment()

    if args.test_server:
        configure_for_tests()

    start()


if __name__ == "__main__":
    main()

   可以看到，有个prepare_environment函数，显然是它在负责环境初始化工作。

4) prepare_environment函数分析

def prepare_environment():
    torch_index_url = os.environ.get('TORCH_INDEX_URL', "https://download.pytorch.org/whl/cu121")
    torch_command = os.environ.get('TORCH_COMMAND', f"pip install torch==2.1.2 torchvision==0.16.2 --extra-index-url {torch_index_url}")

    requirements_file = os.environ.get('REQS_FILE', "requirements_versions.txt")

    xformers_package = os.environ.get('XFORMERS_PACKAGE', 'xformers==0.0.23.post1')
    clip_package = os.environ.get('CLIP_PACKAGE', "https://github.com/openai/CLIP/archive/d50d76daa670286dd6cacf3bcd80b5e4823fc8e1.zip")
    openclip_package = os.environ.get('OPENCLIP_PACKAGE', "https://github.com/mlfoundations/open_clip/archive/bb6e834e9c70d9c27d0dc3ecedeebeaeb1ffad6b.zip")

    assets_repo = os.environ.get('ASSETS_REPO', "https://github.com/AUTOMATIC1111/stable-diffusion-webui-assets.git")
    stable_diffusion_repo = os.environ.get('STABLE_DIFFUSION_REPO', "https://github.com/Stability-AI/stablediffusion.git")
    stable_diffusion_xl_repo = os.environ.get('STABLE_DIFFUSION_XL_REPO', "https://github.com/Stability-AI/generative-models.git")
    k_diffusion_repo = os.environ.get('K_DIFFUSION_REPO', 'https://github.com/crowsonkb/k-diffusion.git')
    blip_repo = os.environ.get('BLIP_REPO', 'https://github.com/salesforce/BLIP.git')
    
    # 安装Pytorch
    if args.reinstall_torch or not is_installed("torch") or not is_installed("torchvision"):
        run(f'"{python}" -m {torch_command}', "Installing torch and torchvision", "Couldn't install torch", live=True)
    
    # 分别利用pip安装clip、open_clip、xformers、ngrok
    if not is_installed("clip"):
        run_pip(f"install {clip_package}", "clip")
    
    if not is_installed("open_clip"):
        run_pip(f"install {openclip_package}", "open_clip")
    
    if (not is_installed("xformers") or args.reinstall_xformers) and args.xformers:
        run_pip(f"install -U -I --no-deps {xformers_package}", "xformers")

    if not is_installed("ngrok") and args.ngrok:
        run_pip("install ngrok", "ngrok")

    os.makedirs(os.path.join(script_path, dir_repos), exist_ok=True)

    # 分别利用git安装assets、Stable Diffusion、Stable Diffusion XL、K-diffusion、BLIP
    git_clone(assets_repo, repo_dir('stable-diffusion-webui-assets'), "assets", assets_commit_hash)
    git_clone(stable_diffusion_repo, repo_dir('stable-diffusion-stability-ai'), "Stable Diffusion", stable_diffusion_commit_hash)
    git_clone(stable_diffusion_xl_repo, repo_dir('generative-models'), "Stable Diffusion XL", stable_diffusion_xl_commit_hash)
    git_clone(k_diffusion_repo, repo_dir('k-diffusion'), "K-diffusion", k_diffusion_commit_hash)
    git_clone(blip_repo, repo_dir('BLIP'), "BLIP", blip_commit_hash)

    startup_timer.record("clone repositores")
    
    # 利用pip安装requirements.txt文件指定的依赖项
    if not requirements_met(requirements_file):
        run_pip(f"install -r "{requirements_file}"", "requirements")

   prepare_environment函数（上述代码是简化后的核心代码），基本上就是利用pip和git下载和安装依赖项（作者一直强调事先需要部署好git的原因就在这儿），和手动安装过程对应了起来。

四、秋叶整合包安装

这份完整版的SD整合包已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

   Stable Diffusion秋叶整合包是中国大神秋叶（[bilibili@秋葉aaaki](https://space.bilibili.com/12566101 "bilibili@秋葉aaaki")）基于Stable Diffusion WebUI内核开发的整合包，内置了与电脑本身系统隔离的Python环境和Git（包含了第三部分需要下载和安装的依赖项、github依赖包、预训练模型以及相当多的插件）。可以忽略网络需求和Python环境的门槛，让更多人轻松地使用Stable Diffusion WebUI。超简单一键安装，无任何使用门槛，完全免费使用，支持Nvdia全系列显卡，近期发布了Stable Diffusion整合包v4.8版本（[整合包v4.8](https://pan.quark.cn/s/2c832199b09b "整合包v4.8")）。

1）确认配置：
系统：Windows 10及以上系统
显卡：建议在本机安装Nvidia独立显卡，并且显存要达到6G以上，6G只能出图，如果要做训练建议12G以上。
2）下载文件
下载到本地，最好不要有中文目录，最新版下载链接： https://pan.quark.cn/s/2c832199b09b

3）点击“A绘世启动器”

4）点击“一键启动”

5）进入网站

   这个界面比原始的炫多了。我们看到了类似的命令行输出：

五、推理程序安装方式讨论

1. 整合包需要做什么

   Python+深度学习框架是当前基于深度学习的训练和部署的主流模式，要在一台新的主机上部署推理模型，一般而言必须安装整套的软件框架、辅助工具包和相关的底层驱动，这使得这个过程非常繁琐。特别地，不同的（开源）软件往往依赖不同版本的软件包，而不同版本的软件包之间往往存在接口不兼容的问题，给软件运行带来不可估量的隐患。因此，虚拟环境成为Python环境的一个重要手段，这使得不同的软件版本可以互相隔离。

   因此，要完整地安装一套基于深度学习的应用程序，通常来讲有虚拟环境创建、程序及依赖项下载安装、预训练模型等运行数据下载等重要步骤。对于一个从事深度学习的研究者来说，这些步骤不难，缺什么就补充安装什么。但对于普通的爱好者来说，这个过程就太过于复杂了，因此自动安装要把上述步骤全部在后台一步步下载安装和验证，建立起一个独立的虚拟运行环境；而整合包则更进一步，直接就是一个“绿色版”。

2. 为什么是Python3.10 ?

    WebUI的作者AUTOMATIC1111在页面中，强调了Python的版本，需采用3.10.6版本，给出的理由是担心新版本的Python不支持Pytorch。

   笔者的主机先前已经成功安装了Python 3.11.6和Pytorch 2.1.2，觉得作者的担心有点多余，就在主机环境中继续安装部署。

    而且运行时，反正警告我们Python版本不兼容：

   经过仔细比对，我们发现即便已经成功安装了xformers包，系统还是提示no module 'xformers'，让我们颇感意外。

  经分析，xformers依赖一个'triton'包：

  而'triton'包没有编译好的适合于Windows的wheel，自然也就无法安装。而有人针对Python 3.10编译好好了一个版本，而这个包在Python 3.11版本下安装时失败的。**我猜测，这可能是作者反复强调使用Python 3.10的原因。**

六、小结

   近年来，随着AIGC技术的飞速发展，深度学习模型的本地化部署和应用技术也得到了充分重视，各种一键式安装程序层出不穷，大大降低了模型的部署复杂性，进一步促进了AIGC的普惠应用。将虚拟环境创建、程序下载部署、数据下载部署等复杂过程一步步地串联起来，并将常用运行环节和数据整合成一体，实现一键直达，方便“小白”使用，成为一种流行而有效的方法。

   本文仅仅安装部署了Stable Diffusion WebUI的主要成分，SDXL，以及其丰富的插件尚未涉及，后续一要将各个插件系统用起来，二要深入Stable Diffusion原理，并与Stable Diffusion使用结合，探索出更加有意思的东东。而对于具备极客精神的 AI 绘画爱好者来说，使用 Stable Diffusion 过程中可以学到很多关于模型技术的知识，理解了 Stable Diffusion 等于就掌握了 AI 绘画的精髓，可以更好的向下兼容其他任意一款低门槛的绘画工具。

这份完整版的SD整合包已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

文章来源于互联网:Stable Diffusion Windows本地部署超详细教程（手动+自动+整合包三种方式）

未经允许不得转载：5bei.cn大模型教程网 » Stable Diffusion Windows本地部署超详细教程（手动+自动+整合包三种方式）

Stable Diffusion Windows本地部署超详细教程（手动+自动+整合包三种方式）

2024-08-16 分类：AI创作 / stable-diffusion 阅读(386)

一、 Stable Diffusion简介

2022年作为AIGC（Artificial Intelligence Generated Content）时代的元年，各个领域的AIGC技术都有一个迅猛的发展，给工业界、学术界、投资界甚至竞赛界都注入了新的“AI活力”与“AI势能”。

其中在AI绘画领域，Stable Diffusion当仁不让地成为了开源社区中持续繁荣的AI绘画核心模型，并且快速破圈，让AIGC的ToC可能性比肩移动互联网时代的产品，每个人都能感受到AI带来的力量与影响。Stable Diffusion由CompVis研究人员创建的主要用于文本生成图像的深度学习模型，与初创公司StabilityAI、Runway合作开发，并得到EleutherAI和LAION的支持，它主要用于根据文本的描述产生详细图像，也就是常说的txt2img的应用场景中：通过给定文本提示词（text prompt），该模型会输出一张匹配提示词的图片。例如输入文本提示词：A cute cat，Stable Diffusion会输出一张带有可爱猫咪的图片（如下图）。

Stable Diffusion（简称SD）是AI绘画领域的一个核心模型，与Midjourney不同的是，Stable Diffusion是一个完全开源的项目（模型、代码、训练数据、论文、生态等全部开源），可拓展性强、出图效率高、数据安全保障，这使得其能快速构建强大繁荣的上下游生态，并且吸引了越来越多的AI绘画爱好者加入其中，与AI行业从业者一起推动AIGC领域的发展与普惠。可以说，AI绘画的ToC普惠在AIGC时代的早期就已经显现，这是之前的传统深度学习时代从未有过的。

Stable Diffusion模型基于一个扩散过程，逐步从噪声中恢复出图像信息。在训练阶段，模型会学习如何逐步将噪声转化为真实的图像数据；而在生成阶段，模型则可以从随机噪声出发，通过反向的扩散过程，生成出与训练数据分布相似的图像。Stable Diffusion主要由变分自编码器（VAE）、U-Net和一个文本编码器三个部分组成。在前向扩散过程中，高斯噪声被迭代地应用于压缩的潜在表征。每个去噪步骤都由一个包含残差神经网络（ResNet）的U-Net架构完成，通过从前向扩散往反方向去噪而获得潜在表征。最后，VAE解码器通过将表征转换回像素空间来生成输出图像。

我们可以通过官方网站 Stability AI，以及Dream Studio、Replicate、Playground AI 、Baseten等网站在线体验Stable Diffusion的巨大威力。但是，一方面国外的网站访问毕竟还是不方便（经常需要科学上网，你懂的），另一方面也不想让自己的一些“幼稚”想法被他们“窃取”。相比于集成在网络平台的SD或者其他AI绘画平台来说，自部署平台没有生成数量的限制，不用花钱，不用被NSFW约束，生成时间快，不用排队，自由度高，而且功能完整，插件丰富，可以调试和个性化的地方也更多；更稳定，也更容易让SD变成生产力或者商业化使用。既然这样，那就自力更生，在本机上自己部署一个，可以随心所欲地玩图、玩图…。

二、Stable Diffusion v2安装

1. 安装前的准备

现有深度学习训练和部署环境在硬件上一般基于Nvidia GPU，在底层需要显卡驱动和CUDA工具包（需要包含配套版本的cuDNN），在应用软件层面需要Python编译和解释器，以及基于Python的深度学习框架（如Pytorch、TensorFlow等）。同时，为了方便代码自动下载和程序模块化管理，通常还需要安装git和conda软件。笔者（Sheex2012）主机配备了RTX 4070Ti 12G显卡，并事先安装了CUDA 12.1，Python 3.11.6，git 2.44，Pytorch 2.1.2，能够满足Stable Diffusion环境要求。本文重点聚焦Stable Diffusion推理程序的部署，硬件需求确认和基础软件的安装这里不再赘述。

2. 下载和部署Stable Diffusion

我们从Stability.AI的github官方开源Stability.AI Stablediffusion下载源码：

git clone https://github.com/Stability-AI/stablediffusion.git

当然，也可以从网页上以下载源码ZIP包，解压缩到本地。

源码下载完成后，接下来需要安装项目的依赖项：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

然后从huggingface下载预训练模型v2-1_768-ema-pruned.ckpt，并存放到checkpoints文件夹中。

3. 运行Stable Diffusion

部署完成后，运行下述脚本，生成图片：

python ./scripts/txt2img.py --prompt "a professional photograph of an astronaut riding a horse" --ckpt ./checkpoints/v2-1_768-ema-pruned.ckpt --config ./configs/stable-diffusion/v2-inference-v.yaml --H 768 --W 768

可是，报错了：

No module named 'ldm'

这个应该是目录结构的问题，将ldm拷贝/移动到script文件夹，再来一次，不出意外，还是有点小意外，内存不够了：

torch.cuda.OutOfMemoryError: CUDA out of memory. Tried to allocate 9.49 GiB. GPU 0 has a total capacty of 11.99 GiB of which 0 bytes is free. Of the allocated memory 14.77 GiB is allocated by PyTorch, and 9.52 GiB is reserved by PyTorch but unallocated. If reserved but unallocated memory is large try setting max_split_size_mb to avoid fragmentation.  See documentation for Memory Management and PYTORCH_CUDA_ALLOC_CONF

那就把图像的尺寸调整成512×512，问题解决了。

这是生成的图片（存放在outputstxt2img-samples文件夹中）：

三、 Stable Diffusion WebUI 安装

Stable Diffusion只是提供一个模型，提供基础的文本分析、特征提取、图片生成这些核心功能，但自身是没有可视化UI的，用起来就是各种文件加命令行。原始的Stable Diffusion程序（脚本）只能以命令行的方式进行，参数设置很不方便，而且每次调用时，需要事先加载预训练模型，图像生成完成后会释放内存中的模型并结束进程，运行效率低，交互操作极其麻烦。

开源的 Stable Diffusion 社区受到了广泛民间开发者大力支持，众多为爱发电的程序员自告奋勇的为其制作方便操控的 GUI 图形化界面。其中流传最广、功能最强也是被公认最为方便的，就是由越南超人 AUTOMATIC1111 开发的 WebUI，即大名鼎鼎的Stable Diffusion WebUI。可以看到github上的start已经超过130k了，真是神一样的存在。

PS，大神的头像直接使用了越南盾中胡志明头像。

Stable Diffusion WebUI集成了大量代码层面的繁琐应用，将 Stable Diffusion 的各项绘图参数转化成可视化的选项数值和操控按钮，用户可以直接通过 Web 页面使用 Stable Diffusion。如今各类开源社区里 90%以上的拓展应用都是基于它而研发的。

Stable Diffusion WebUI是一个最流行的开源 Stable Diffusion 整合程序，其核心功能是文生图和图生图，这也是 Stable Diffusion 的核心能力。Stable Diffusion WebUI 的其它功能，比如ControlNet、高清放大、模型训练等等都是其它第三方开发的，有的已经内置到 WebUI 中，随着 WebUI 的发布而发布，有的还需要用户手动安装。

当然，除了 WebUI 还有一些其他的 GUI 应用，比如 ComfyUI 和 Vlad Diffusion 等，不过它们的应用场景更为专业和小众，感兴趣的可以点击下面的 GitHub 链接了解，这里就不再赘述了。

1. 手动安装

我们先手动方式一步一步安装，从中体验一下其中的繁琐（其实，这对于从事深度学习的相关技术人员来说是常规操作）。

首先，从github上下载源码：

git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git

其次，下载安装Stable Diffusion WebUI的依赖项：

cd stable-diffusion-webui
pip install -r requirements_versions.txt -i https://pypi.tuna.tsinghua.edu.cn/simple  
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

依赖项成功安装后，还是从huggingface下载v1-5-pruned-emaonly.safetensors预训练模型，放置到modelsStable-diffusion文件夹。

好了，开始魔法吧。

python webui.py

命令行窗口显示了模型加载运行过程，这里一共花了49.2秒。

进入 http://127.0.0.1:7860网站，输入提示词：

portrait of beautiful girl, brown hair, freckles, tshirt, professional lighting, indoor, artistic photography

反向提示词：

lowres, bad anatomy, bad hands, text, error, missing fingers, extra digit, fewer digits, cropped, worst quality, low quality, normal quality, jpeg artifacts,signature, watermark, username, blurry, artist name

点击，Generate按钮，3.9秒后，生成一幅女孩肖像画。GPU占用3.8G左右。

如果觉得全是英文的界面操作起来不够方便，可以：

2）点击”Settings”，左侧点击”User interface”界面，在界面里最下方的”Localization (requires restart)”，选择”Chinese-All”或者”Chinese-English”；

3）点击界面最上方的黄色按钮”Apply settings”，再点击右侧的”Reload UI”即可完成汉化。

不过，个人觉得汉化后的文字有点拥挤。

2. 自动安装

事实上，Stable Diffusion WebUI官方网站中不再有手动安装的步骤，我的理解是作者鼓励大家采用自动安装方式，而自动安装的确非常方便的。当我们下载完成Stable Diffusion WebUI源码后，在确保已经安装了Python 3.10.6和git后，双击批处理文件webui-user.bat即可。

从命令行窗口输出，我们看到，批处理命令自动下载安装了Pytorch等依赖项：

从github clone 并安装Clip Open_Clip等依赖程序，而且，由于众所周知的原因，从github clone 源码会经常报错：

没关系，接着多运行几遍即可。然后，再从从huggingface下载预训练模型v1-5-pruned-emaonly.safetensors（当然，还是会报错）：

当所有的问题都解决之后，批处理文件webui-user.bat，将和前述的一样，将开放http://127.0.0.1:7860网站，后续处理过程不再赘述。

3. 自动安装过程分析

1) webui-user.bat 分析

@echo off

set PYTHON=
set GIT=
set VENV_DIR=
set COMMANDLINE_ARGS=

call webui.bat

webui-user.bat只有短短几行，首先将四个环境变量置空，然后调用webui.bat，所以webui.bat默默承担了所有。

2) webui.bat 简要分析

7. if not defined PYTHON (set PYTHON=python)
8. if defined GIT (set "GIT_PYTHON_GIT_EXECUTABLE=%GIT%")
9. if not defined VENV_DIR (set "VENV_DIR=%~dp0%venv")

首先，webui.bat在7-9行设置了PYTHON、GIT、VENV_DIR 三个环境变量，其中VENV_DIR 在当前目录中新建venv文件夹；其次，在16行测试调用Python程序；然后在第22行测试pip命令可用性。

16. %PYTHON% -c "" >tmp/stdout.txt 2>tmp/stderr.txt
17. if %ERRORLEVEL% == 0 goto :check_pip
18. echo Couldn't launch python
19. goto :show_stdout_stderr

21. :check_pip
22. %PYTHON% -mpip --help >tmp/stdout.txt 2>tmp/stderr.txt
23. if %ERRORLEVEL% == 0 goto :start_venv

接下来的37-40行是创建虚拟环境的关键，37行获得当前系统的缺省Python路径，39行利用 -m venv参数，运行此命令将创建目标目录venv，并使用home键将pyvenv.cfg文件放置在其中，该文件指向运行该命令的 Python 安装(目标目录的通用名称为.venv)。

37. for /f "delims=" %%i in ('CALL %PYTHON% -c "import sys; print(sys.executable)"') do set PYTHON_FULLNAME="%%i"
38. echo Creating venv in directory %VENV_DIR% using python %PYTHON_FULLNAME%
39. %PYTHON_FULLNAME% -m venv "%VENV_DIR%" >tmp/stdout.txt 2>tmp/stderr.txt
40. if %ERRORLEVEL% == 0 goto :activate_venv

基于venv的虚拟环境创建完成后，先激活该虚拟环境，再调用launch.py。至此，批处理文件的任务基本完成，并将控制权交给launch.py脚本。

44. :activate_venv
45. set PYTHON="%VENV_DIR%ScriptsPython.exe"
46. echo venv %PYTHON%


57. :launch
58. %PYTHON% launch.py %*

3) launch.py 脚本简要分析

start = launch_utils.start


def main():
    if args.dump_sysinfo:
        filename = launch_utils.dump_sysinfo()

        print(f"Sysinfo saved as {filename}. Exiting...")

        exit(0)

    launch_utils.startup_timer.record("initial startup")

    with launch_utils.startup_timer.subcategory("prepare environment"):
        if not args.skip_prepare_environment:
            prepare_environment()

    if args.test_server:
        configure_for_tests()

    start()


if __name__ == "__main__":
    main()

可以看到，有个prepare_environment函数，显然是它在负责环境初始化工作。

4) prepare_environment函数分析

def prepare_environment():
    torch_index_url = os.environ.get('TORCH_INDEX_URL', "https://download.pytorch.org/whl/cu121")
    torch_command = os.environ.get('TORCH_COMMAND', f"pip install torch==2.1.2 torchvision==0.16.2 --extra-index-url {torch_index_url}")

    requirements_file = os.environ.get('REQS_FILE', "requirements_versions.txt")

    xformers_package = os.environ.get('XFORMERS_PACKAGE', 'xformers==0.0.23.post1')
    clip_package = os.environ.get('CLIP_PACKAGE', "https://github.com/openai/CLIP/archive/d50d76daa670286dd6cacf3bcd80b5e4823fc8e1.zip")
    openclip_package = os.environ.get('OPENCLIP_PACKAGE', "https://github.com/mlfoundations/open_clip/archive/bb6e834e9c70d9c27d0dc3ecedeebeaeb1ffad6b.zip")

    assets_repo = os.environ.get('ASSETS_REPO', "https://github.com/AUTOMATIC1111/stable-diffusion-webui-assets.git")
    stable_diffusion_repo = os.environ.get('STABLE_DIFFUSION_REPO', "https://github.com/Stability-AI/stablediffusion.git")
    stable_diffusion_xl_repo = os.environ.get('STABLE_DIFFUSION_XL_REPO', "https://github.com/Stability-AI/generative-models.git")
    k_diffusion_repo = os.environ.get('K_DIFFUSION_REPO', 'https://github.com/crowsonkb/k-diffusion.git')
    blip_repo = os.environ.get('BLIP_REPO', 'https://github.com/salesforce/BLIP.git')
    
    # 安装Pytorch
    if args.reinstall_torch or not is_installed("torch") or not is_installed("torchvision"):
        run(f'"{python}" -m {torch_command}', "Installing torch and torchvision", "Couldn't install torch", live=True)
    
    # 分别利用pip安装clip、open_clip、xformers、ngrok
    if not is_installed("clip"):
        run_pip(f"install {clip_package}", "clip")
    
    if not is_installed("open_clip"):
        run_pip(f"install {openclip_package}", "open_clip")
    
    if (not is_installed("xformers") or args.reinstall_xformers) and args.xformers:
        run_pip(f"install -U -I --no-deps {xformers_package}", "xformers")

    if not is_installed("ngrok") and args.ngrok:
        run_pip("install ngrok", "ngrok")

    os.makedirs(os.path.join(script_path, dir_repos), exist_ok=True)

    # 分别利用git安装assets、Stable Diffusion、Stable Diffusion XL、K-diffusion、BLIP
    git_clone(assets_repo, repo_dir('stable-diffusion-webui-assets'), "assets", assets_commit_hash)
    git_clone(stable_diffusion_repo, repo_dir('stable-diffusion-stability-ai'), "Stable Diffusion", stable_diffusion_commit_hash)
    git_clone(stable_diffusion_xl_repo, repo_dir('generative-models'), "Stable Diffusion XL", stable_diffusion_xl_commit_hash)
    git_clone(k_diffusion_repo, repo_dir('k-diffusion'), "K-diffusion", k_diffusion_commit_hash)
    git_clone(blip_repo, repo_dir('BLIP'), "BLIP", blip_commit_hash)

    startup_timer.record("clone repositores")
    
    # 利用pip安装requirements.txt文件指定的依赖项
    if not requirements_met(requirements_file):
        run_pip(f"install -r "{requirements_file}"", "requirements")

prepare_environment函数（上述代码是简化后的核心代码），基本上就是利用pip和git下载和安装依赖项（作者一直强调事先需要部署好git的原因就在这儿），和手动安装过程对应了起来。

四、秋叶整合包安装

Stable Diffusion秋叶整合包是中国大神秋叶（bilibili@秋葉aaaki）基于Stable Diffusion WebUI内核开发的整合包，内置了与电脑本身系统隔离的Python环境和Git（包含了第三部分需要下载和安装的依赖项、github依赖包、预训练模型以及相当多的插件）。可以忽略网络需求和Python环境的门槛，让更多人轻松地使用Stable Diffusion WebUI。超简单一键安装，无任何使用门槛，完全免费使用，支持Nvdia全系列显卡，近期发布了Stable Diffusion整合包v4.8版本（整合包v4.8）。

3）点击“A绘世启动器”

4）点击“一键启动”

5）进入网站

这个界面比原始的炫多了。我们看到了类似的命令行输出：

五、推理程序安装方式讨论

1. 整合包需要做什么

Python+深度学习框架是当前基于深度学习的训练和部署的主流模式，要在一台新的主机上部署推理模型，一般而言必须安装整套的软件框架、辅助工具包和相关的底层驱动，这使得这个过程非常繁琐。特别地，不同的（开源）软件往往依赖不同版本的软件包，而不同版本的软件包之间往往存在接口不兼容的问题，给软件运行带来不可估量的隐患。因此，虚拟环境成为Python环境的一个重要手段，这使得不同的软件版本可以互相隔离。

因此，要完整地安装一套基于深度学习的应用程序，通常来讲有虚拟环境创建、程序及依赖项下载安装、预训练模型等运行数据下载等重要步骤。对于一个从事深度学习的研究者来说，这些步骤不难，缺什么就补充安装什么。但对于普通的爱好者来说，这个过程就太过于复杂了，因此自动安装要把上述步骤全部在后台一步步下载安装和验证，建立起一个独立的虚拟运行环境；而整合包则更进一步，直接就是一个“绿色版”。

2. 为什么是Python3.10 ?

WebUI的作者AUTOMATIC1111在页面中，强调了Python的版本，需采用3.10.6版本，给出的理由是担心新版本的Python不支持Pytorch。

笔者的主机先前已经成功安装了Python 3.11.6和Pytorch 2.1.2，觉得作者的担心有点多余，就在主机环境中继续安装部署。

而且运行时，反正警告我们Python版本不兼容：

经过仔细比对，我们发现即便已经成功安装了xformers包，系统还是提示no module ‘xformers’，让我们颇感意外。

经分析，xformers依赖一个’triton’包：

而’triton’包没有编译好的适合于Windows的wheel，自然也就无法安装。而有人针对Python 3.10编译好好了一个版本，而这个包在Python 3.11版本下安装时失败的。我猜测，这可能是作者反复强调使用Python 3.10的原因。

六、小结

近年来，随着AIGC技术的飞速发展，深度学习模型的本地化部署和应用技术也得到了充分重视，各种一键式安装程序层出不穷，大大降低了模型的部署复杂性，进一步促进了AIGC的普惠应用。将虚拟环境创建、程序下载部署、数据下载部署等复杂过程一步步地串联起来，并将常用运行环节和数据整合成一体，实现一键直达，方便“小白”使用，成为一种流行而有效的方法。

本文仅仅安装部署了Stable Diffusion WebUI的主要成分，SDXL，以及其丰富的插件尚未涉及，后续一要将各个插件系统用起来，二要深入Stable Diffusion原理，并与Stable Diffusion使用结合，探索出更加有意思的东东。而对于具备极客精神的 AI 绘画爱好者来说，使用 Stable Diffusion 过程中可以学到很多关于模型技术的知识，理解了 Stable Diffusion 等于就掌握了 AI 绘画的精髓，可以更好的向下兼容其他任意一款低门槛的绘画工具。

参考文献

How to install Stable Diffusion on Windows

Install AUTOMATIC1111’s Stable Diffusion WebUI on Windows

Stable Diffusion之核心基础知识和网络结构解析

文章来源于互联网:Stable Diffusion Windows本地部署超详细教程（手动+自动+整合包三种方式）

相关推荐: 2024最新AI创作系统ChatGPT源码+Ai绘画网站源码，支持GPT联网提问、GPTs应用、AI换脸、插件系统、GPT文档分析、tts语音对话一站式解决方案

一、前言 SparkAi创作系统是基于ChatGPT进行开发的Ai智能问答系统和Midjourney绘画系统，支持 OpenAI-GPT全模型+国内AI全模型。本期针对源码系统整体测试下来非常完美，那么如何搭建部署AI创作ChatGPT？小编这里写一个详细图文教…

未经允许不得转载：5bei.cn大模型教程网 » Stable Diffusion Windows本地部署超详细教程（手动+自动+整合包三种方式）

标签：ai aigc Controlnet Dream Studio DreamStudio github Midjourney OpenAI ps RAG Runway SAM stability ai Stable Diffusion 复制显现绘画