企业官网建设流程全解析

Stable Diffusion 这个工具，我第一次接触的时候折腾了整整一个周末。那会儿还没有什么一键整合包，Python 环境、CUDA 版本、xformers 编译、模型路径配置，每一步都能卡住半天。后来帮朋友装、帮同事装、在群里远程指导别人装，前前后后没有一百次也有八十次，慢慢就摸出了一套最省事、最少踩坑的流程。这篇内容就是把这套流程完整写下来，从下载到部署到出第一张图，再到模型管理和常见报错处理，尽量做到你照着做就能跑通。

不管你是完全没有编程基础的画师、设计师，还是想在自己电脑上跑AI绘图的普通用户，只要你的电脑有一块还算过得去的显卡，这篇内容都能帮你把 Stable Diffusion 跑起来。我会重点讲清楚每一步为什么这么做、哪些地方容易出问题、遇到报错怎么排查，而不是只丢一堆命令让你自己猜。

1. 先搞清楚你的硬件能不能跑，以及该选哪种部署方式

很多人一上来就问“我该下哪个版本”，其实这个问题应该反过来问：你的硬件条件决定了你该用什么方案。Stable Diffusion 的部署方式大致分三类，选错了后面全是麻烦。

1.1 显卡是决定性因素，先看显存再看型号

Stable Diffusion 的核心计算靠的是显卡的并行计算能力，NVIDIA 显卡的兼容性最好，因为主流框架对 CUDA 的支持最成熟。AMD 显卡也能跑，但配置过程会多不少弯路，Apple Silicon 的 Mac 则走的是另一套优化路径。

显存大小直接决定了你能跑什么分辨率和什么规模的模型。下面这张表是我根据实际使用经验整理的参考：

如果你用的是集成显卡或者显存低于 4GB，本地部署的体验会非常差，这种情况我建议先考虑在线方案或者升级硬件，不要硬折腾。

注意：显存不是唯一指标，显卡的算力架构也很重要。同样是 8GB，新一代显卡的出图速度可能是老卡的几倍。但只要你显存够，老卡也能出图，只是慢一点。

1.2 三种部署路线，各自适合什么人

第一种是官方原版部署。就是从官方仓库拉代码，自己配 Python 环境、装依赖、下模型。这种方式最灵活，能第一时间用上新功能，但配置过程对新手极不友好，一个依赖版本冲突就能让你卡一整天。适合有一定编程基础、喜欢折腾、需要深度定制的人。

第二种是一键整合包。这是国内社区最流行的方式，把 Python 环境、依赖、启动脚本、常用插件全部打包好，解压就能用。秋叶整合包是这个领域里流传最广的版本之一，它的价值在于帮你跳过了最痛苦的环境配置环节。适合绝大多数普通用户，尤其是只想画图不想折腾环境的人。

第三种是云端或在线方案。不需要本地显卡，通过网页使用。优点是零门槛，缺点是通常有使用限制、排队、或者按量付费，而且你的模型和数据不在自己手里。适合硬件不够、只想先体验一下的人。

我的建议很直接：如果你只是想画图，直接用整合包，别去碰原版部署。整合包省下来的时间够你画几百张图了。等你真的需要定制某些功能，再去研究原版也不迟。

1.3 整合包版本怎么选，别盲目追新

整合包更新很频繁，但并不是越新越好。新版本可能引入了新的依赖、新的默认设置，有时候反而会带来兼容性问题。我的经验是：

• 如果你已经有一个稳定运行的版本，不要轻易升级，除非新版本有你必须要的功能。
• 如果你是全新安装，选最近一两个月内发布、社区反馈较多的稳定版，而不是当天刚发的版本。
• 下载前先看清楚说明里的显卡要求、系统要求，以及是否包含你需要的模型。

整合包通常分几个部分：主程序包、模型文件、可选插件。主程序包是必须的，模型文件可以单独下载，插件按需添加。很多人下载的时候没注意，下了一个不含模型的包，启动后发现没有模型可用，又得重新找。

2. 下载与解压：路径和目录结构里藏着大坑

下载本身没什么技术含量，但解压和存放的位置非常关键，这一步做错了后面启动会直接报错，而且报错信息往往看不懂。

2.1 路径里绝对不能出现中文和空格

这是新手最容易踩的坑，没有之一。Stable Diffusion 的底层依赖里有大量对路径敏感的程序，中文路径和空格会导致各种莫名其妙的错误，比如模型加载失败、插件无法导入、启动脚本报编码错误。

正确的做法是：把整合包解压到一个纯英文、无空格的路径下。比如：

D:\SD\webui E:\AI\stable-diffusion

错误的做法：

D:\我的文件\AI绘图\stable diffusion C:\Users\张三\Desktop\新建文件夹

提示：如果你已经解压到了中文路径，不要试图改配置去兼容，直接把整个文件夹移动到英文路径下，重新启动即可。改配置往往治标不治本。

2.2 目录结构要心里有数，后面找东西全靠它

整合包解压后，目录结构大致是这样的（不同版本略有差异，但核心目录一致）：

webui根目录/ ├── webui-user.bat # Windows启动脚本 ├── webui.sh # Linux/Mac启动脚本 ├── models/ # 模型存放目录 │ ├── Stable-diffusion/ # 主模型（大模型/底模） │ ├── Lora/ # LoRA模型 │ ├── VAE/ # VAE文件 │ ├── Embeddings/ # 文本嵌入模型 │ └── ControlNet/ # ControlNet模型 ├── extensions/ # 插件目录 ├── outputs/ # 出图保存目录 ├── embeddings/ # 另一种嵌入模型路径 └── venv/ # 内置的Python虚拟环境

你需要重点记住三个目录：models/Stable-diffusion放主模型，models/Lora放 LoRA，outputs是出图默认保存位置。后面下载的模型往对应目录一丢，刷新一下就能用。

2.3 首次启动前的检查清单

在双击启动脚本之前，花两分钟检查这几件事，能帮你避开大部分首次启动失败：

• 路径是否纯英文无空格（再确认一遍）
• 硬盘剩余空间是否足够（模型动辄几个GB，建议留出至少50GB）
• 显卡驱动是否更新到较新版本（老驱动可能导致CUDA初始化失败）
• 杀毒软件是否可能拦截（部分安全软件会误报启动脚本，必要时添加信任）
• 系统虚拟内存是否充足（物理内存不足时，虚拟内存能兜底，建议设置为物理内存的1.5倍以上）

这些检查看起来琐碎，但每一条我都见过真实案例。尤其是路径和驱动这两项，占了首次启动失败原因的一大半。

3. 启动脚本的配置：几个参数决定你的出图速度和稳定性

整合包通常自带一个启动脚本，Windows 下是webui-user.bat。这个文件里可以配置启动参数，直接影响显存占用、出图速度和功能开关。很多人直接双击就用默认配置，其实根据自己的硬件调一下，体验会好很多。

3.1 启动参数怎么加，每个参数解决什么问题

打开webui-user.bat，找到set COMMANDLINE_ARGS=这一行，后面就是你可以追加参数的地方。常用的参数我列一下：

一个典型的 8GB 显存配置大概是这样：

set COMMANDLINE_ARGS=--xformers --medvram --autolaunch

4GB 显存的话：

set COMMANDLINE_ARGS=--xformers --lowvram --autolaunch

注意：--xformers不是所有环境都能用，如果你的整合包没有预装 xformers，加了这个参数会报错。报错的话先去掉这个参数，或者按整合包说明单独安装 xformers。

3.2 启动过程看什么，什么时候算成功

双击启动脚本后，会弹出一个命令行窗口，开始加载各种组件。这个过程第一次会比较慢，因为要初始化环境。你需要关注几个关键节点：

• 出现Running on local URL: http://127.0.0.1:7860说明服务已经起来了，这时候浏览器会自动打开（如果加了--autolaunch）。
• 如果卡在某个地方很久不动，通常是模型加载或者依赖初始化，耐心等一等。
• 如果出现红色报错，先看最后几行，报错信息通常在最后。

启动成功的标志就是浏览器里出现了 WebUI 界面，能看到文生图、图生图这些标签页。第一次启动可能还要下载一些额外的组件，保持网络畅通。

3.3 启动失败的常见原因和排查顺序

启动失败不要慌，按这个顺序排查，能解决八成问题：

1. 看报错关键词。如果是CUDA out of memory，是显存不够，加--lowvram。如果是ModuleNotFoundError，是依赖缺失，可能需要重装整合包。如果是路径相关的编码错误，检查路径是否含中文。
2. 检查显卡驱动。在命令行输入nvidia-smi，如果能正常显示显卡信息，说明驱动没问题。
3. 检查Python环境。整合包自带虚拟环境，一般不用管，但如果手动改过环境，可能出问题。
4. 尝试删除缓存重启。有时候是临时文件损坏，删掉venv目录重新启动（整合包会自动重建），但这一步耗时较长，放最后做。

我遇到过最诡异的一次是启动脚本被杀毒软件偷偷改了内容，导致参数失效。所以如果配置明明没问题却启动异常，检查一下脚本文件是否被修改过。

4. 模型管理：主模型、VAE、LoRA 分别是什么，怎么用

Stable Diffusion 的模型体系是新手最容易懵的地方。下载了一堆文件，不知道放哪、不知道干嘛用。这一节把模型体系讲清楚。

4.1 主模型（底模）是画风的基础

主模型也叫底模、大模型，文件通常是.safetensors或.ckpt格式，体积在 2GB 到 7GB 不等。它决定了出图的基本风格和能力。比如：

• 写实风格的主模型，出图偏向照片质感。
• 二次元风格的主模型，出图偏向动漫插画。
• 通用型主模型，什么都能画但都不算极致。

主模型放在models/Stable-diffusion目录下。放进去之后，在 WebUI 左上角的下拉框里就能选到。切换主模型后，出图风格会明显变化。

主模型的版本也需要注意。SD 1.5 是最经典的版本，生态最丰富，LoRA 和插件支持最好。SD 2.x 和 SDXL 是后续版本，能力更强但对硬件要求更高，生态兼容性也不如 1.5。新手建议从 1.5 系的主模型开始，资源多、教程多、踩坑少。

4.2 VAE 是色彩的调节器

VAE 全称变分自编码器，作用是负责图像的编码和解码。你可以把它理解成色彩的调节器。有些主模型自带 VAE，有些需要单独配。如果出图颜色发灰、发暗、对比度不对，很可能是 VAE 的问题。

VAE 文件放在models/VAE目录下，然后在 WebUI 的设置里选择对应的 VAE。常见的 VAE 有vae-ft-mse-840000这类，很多整合包已经内置。

提示：不是所有模型都需要单独配 VAE。如果出图颜色正常，就不要动 VAE 设置。乱配 VAE 反而可能导致颜色异常。

4.3 LoRA 是风格和角色的微调插件

LoRA 是 Low-Rank Adaptation 的缩写，是一种轻量化的微调模型，体积通常只有几十到几百MB。它的作用是给主模型叠加特定的风格、角色、服装、姿势等特征。

LoRA 放在models/Lora目录下。使用时，在提示词里用特定语法调用，比如：

<lora:模型文件名:0.8>

其中0.8是权重，范围 0 到 1，数值越大特征越明显。权重太高可能导致画面崩坏，太低则效果不明显，一般从 0.6 到 0.8 开始试。

LoRA 的命名很重要，文件名最好保持英文，因为提示词里要写文件名。如果文件名是中文，调用时可能出问题。

4.4 模型下载渠道和选择建议

模型下载渠道很多，国内有模型分享社区，国外有 Civitai 这类平台。下载时注意几点：

• 优先选.safetensors格式，比.ckpt更安全，不容易携带恶意代码。
• 看清楚模型的基础版本，是 SD 1.5 还是 SDXL，别下错了。
• 看示例图和参数，了解这个模型适合画什么。
• 注意文件大小，异常小的文件可能不完整。

模型不是越多越好。我见过有人下了几百GB的模型，结果常用的就那几个。建议先精选几个高质量的主模型，再按需补充 LoRA。

5. 出第一张图：参数怎么填，提示词怎么写

环境跑通了，模型也放好了，接下来就是出图。这一节讲最核心的文生图操作。

5.1 提示词的基本结构

提示词分正面提示词和负面提示词。正面提示词描述你想要的内容，负面提示词描述你不想要的内容。

正面提示词的基本结构可以按这个顺序组织：

主体描述 + 细节特征 + 风格词 + 质量词

比如画一个人物：

1girl, solo, long hair, blue eyes, white dress, standing in garden, soft lighting, masterpiece, best quality, highly detailed

负面提示词通常放一些通用的排除项：

lowres, bad anatomy, bad hands, extra fingers, worst quality, low quality, watermark, blurry

提示词的写法有很多技巧，但新手不用一开始就追求完美。先把主体描述清楚，再逐步加细节和质量词。

5.2 核心参数的含义和推荐值

WebUI 界面上有一堆参数，新手容易懵。我挑最关键的几个讲：

采样步数不是越高越好，超过 30 之后提升很有限，但时间线性增加。采样器方面，DPM++ 系列在质量和速度上比较均衡，Euler a 出图有随机性、风格活泼。

CFG Scale 太低会导致提示词不起作用，太高会导致画面过饱和、崩坏。7 到 9 是安全区间。

5.3 分辨率设置的坑：为什么不能随便拉高

很多人想让出图更清晰，直接把分辨率拉到 1024 甚至更高，结果要么显存爆了，要么画面出现重复的人头、扭曲的肢体。这是因为 Stable Diffusion 1.5 是在 512x512 上训练的，直接出高分辨率会超出它的能力范围。

正确的做法是：先用 512 左右出图，再用高清修复（Hires. fix）放大。高清修复会先按原分辨率出图，再通过放大算法提升分辨率并补充细节。这样既能得到高分辨率，又不会崩坏。

高清修复里有个放大倍数和放大算法，一般放大 1.5 到 2 倍，算法选R-ESRGAN 4x+或Latent系列。放大倍数太高也会出问题，建议分步放大。

5.4 出图后的保存和复现

出图后，图片默认保存在outputs目录下。每张图都带有生成信息（提示词、参数、种子），可以在 WebUI 里查看。如果你想复现某张图，把种子固定，参数保持一致，就能得到几乎一样的结果。

PNG 格式的图片会内嵌生成参数，拖回 WebUI 的 PNG Info 标签页就能读取。这是个很实用的功能，看到别人的好图，拿到原图就能反推参数。

6. 常见报错和性能问题：我踩过的坑和解决办法

这一节是我这些年遇到最多的问题汇总，每个都给出排查思路和解决办法。

6.1 显存不足（CUDA out of memory）

这是最高频的报错。原因无非几个：分辨率太高、批次太多、模型太大、没开优化。

解决顺序：

1. 降低分辨率，先回到 512。
2. 批次数量改成 1。
3. 启动参数加--medvram或--lowvram。
4. 确认--xformers是否生效。
5. 关闭其他占用显存的程序（浏览器、游戏、视频软件）。

如果以上都做了还是爆显存，那可能是显卡本身显存太小，只能进一步降低分辨率或者换硬件。

6.2 出图速度慢得离谱

速度慢通常有几个原因：没用显卡跑（跑在CPU上了）、没开优化、采样步数太高、分辨率太高。

先确认是不是跑在 GPU 上。启动日志里会显示使用的设备，如果显示 CPU，说明显卡没被识别，检查驱动和 CUDA。如果确实是 GPU 但很慢，检查是否加了--xformers，以及采样步数是否设太高。

还有一种情况是显卡本身性能有限，比如老架构的入门卡，那速度慢是正常的，只能通过降低参数来提速。

6.3 画面崩坏：多手多脚、人脸扭曲

这是模型能力边界的问题，不是 bug。常见原因和解决办法：

• 分辨率超出模型训练范围：用高清修复代替直接高分辨率。
• 负面提示词不够：加上bad anatomy, extra limbs, bad hands等。
• 提示词冲突：检查是否有互相矛盾的描述。
• 模型本身质量差：换一个质量更好的主模型。
• CFG 太高：降到 7 左右试试。

手部崩坏是 Stable Diffusion 的老大难问题，因为训练数据里手部姿态复杂。可以通过负面提示词、ControlNet 辅助、或者后期修图来改善。

6.4 插件装了不显示或报错

插件问题通常出在依赖上。有些插件需要额外的 Python 包，整合包不一定预装。解决办法：

1. 看插件的说明文档，确认依赖是否满足。
2. 在 WebUI 的扩展标签页里检查插件是否启用。
3. 重启 WebUI，很多插件需要重启才生效。
4. 如果插件报错，看命令行窗口的报错信息，通常是缺某个包。

装插件不要贪多，装多了容易冲突。常用的几个就够了，比如 ControlNet、ADetailer 这类。

7. 进阶方向：从能用到好用

跑通基础流程之后，如果想进一步提升，有几个方向值得投入。

7.1 ControlNet：精确控制构图和姿势

ControlNet 是 Stable Diffusion 生态里最重要的插件之一，它能让你用一张参考图控制出图的构图、姿势、线稿、深度等。比如你想让生成的人物摆出特定姿势，用 OpenPose 模型提取骨架，就能精确控制。

ControlNet 需要单独下载模型，放在models/ControlNet目录下。常用的有 OpenPose（姿势）、Canny（边缘）、Depth（深度）、Lineart（线稿）等。每个模型解决不同的控制需求。

7.2 图生图与局部重绘

图生图是在一张已有图的基础上生成新图，通过去噪强度控制变化程度。局部重绘则是只修改图片的某个区域，其他部分保持不变。这两个功能在修图、改图场景里非常实用。

局部重绘的关键是蒙版的绘制和重绘幅度的控制。蒙版画得越精确，修改越可控。重绘幅度太低没变化，太高会脱离原图，一般从 0.5 左右开始试。

7.3 模型训练：打造自己的专属模型

当你发现现有模型都满足不了需求时，可以考虑自己训练。训练分几种：DreamBooth 训练特定主体，LoRA 训练风格或角色，Textual Inversion 训练嵌入。训练对硬件要求更高，也需要准备数据集和调参，属于进阶内容。

新手不建议一上来就训练，先把现有模型和插件用熟，理解提示词和参数的规律，再去训练会事半功倍。

7.4 工作流工具：ComfyUI 的节点式玩法

ComfyUI 是另一种 Stable Diffusion 的前端，用节点连线的方式组织工作流。它比 WebUI 更灵活，适合搭建复杂的生成流程，但学习曲线也更陡。如果你已经熟悉了 WebUI，想进一步定制流程，可以试试 ComfyUI。秋叶也有 ComfyUI 的整合包，安装方式和 WebUI 类似。

ComfyUI 的优势在于流程可视化和可复用，一个搭好的工作流可以保存下来反复使用，也能分享给别人。对于需要批量处理或者复杂流程的场景，效率比 WebUI 高。

8. 一些实际使用中的经验和小技巧

最后分享一些零散但实用的经验，都是实际用下来觉得有价值的。

关于提示词，不要迷信所谓的“魔法词”。网上流传的各种质量词、风格词，效果因模型而异。最好的办法是自己测试，固定种子和参数，只改一个变量，看效果变化。这样积累下来的经验才是自己的。

关于模型选择，不要盲目追新。很多老模型经过社区验证，稳定性和效果都很好。新模型可能在某些方面更强，但也可能有兼容性问题。找到适合自己需求的模型，比追最新更重要。

关于出图效率，批量出图时先用低步数快速筛选构图，选中满意的再提高步数精修。这样比每张都高步数出图效率高得多。

关于硬盘管理，模型文件很占空间，建议单独用一个硬盘或者分区存放。定期清理不用的模型和输出图片，不然硬盘很快就满了。

关于学习路径，不要试图一次学完所有东西。先把文生图跑通，再学图生图，再学 ControlNet，一步一步来。每学一个功能就实际用几次，比看十篇教程都管用。

我在实际使用中最大的体会是，Stable Diffusion 这类工具的上手门槛其实不在技术，而在耐心。环境配置的坑、参数的调试、模型的筛选，都需要花时间。但只要跑通了第一次，后面的路就顺了。希望这篇内容能帮你少走一些弯路，把时间花在创作上，而不是折腾环境上。