Stable Diffusion 快速入门

前言

Stable Diffusion 是一个开源的潜空间扩散模型（Latent Diffusion Model），主要用来根据文字生成图像（文生图），也可以在已有图片的基础上重绘（图生图）、局部重绘（inpainting）等。它的权重公开，在一张消费级显卡上就能本地运行，这也是它火起来的主要原因。

本文介绍 Stable Diffusion 的基本原理，以及如何在本地部署 WebUI 生成第一张图。

Stable Diffusion 是什么

扩散模型

扩散模型的思路很简单：训练时，不断往图片上加噪声，直到变成一片纯噪声，然后训练一个神经网络去学习“每一步该去掉多少噪声”。生成时反过来，从一张随机噪声开始，一步一步去噪，最终“还原”出一张图。

为什么叫“潜空间”

直接在像素上做几十步去噪，计算量非常大。Stable Diffusion 的做法（来自论文 High-Resolution Image Synthesis with Latent Diffusion Models）是：先用一个 VAE 把图像压缩到一个小得多的潜空间（latent space）里，在潜空间里完成去噪，最后再用 VAE 的解码器还原成像素图像。这样显存和算力需求就降到了普通显卡能承受的范围。

文字是怎么起作用的

提示词（prompt）先经过文本编码器（如 CLIP 的文本编码器）变成向量，在每一步去噪时作为条件输入去噪网络（U-Net），引导去噪往“符合描述”的方向走。整体流程如下：

Stable Diffusion 生成流程

几个组件对应到日常使用里：

组件	作用	你会接触到的地方
文本编码器	把 prompt 变成向量	提示词、负面提示词
U-Net（去噪网络）	在潜空间里逐步去噪	采样步数、采样器、CFG
VAE	潜空间 ↔ 像素图像	可单独更换 VAE 文件
随机噪声	生成的起点	种子（Seed）

平时下载的“模型”（checkpoint，.safetensors 文件）通常就是把以上几部分的权重打包在一起。

本地部署 Stable Diffusion WebUI

最流行的图形界面是 AUTOMATIC1111/stable-diffusion-webui（下文简称 WebUI），打开浏览器就能用。

硬件要求

显卡：官方推荐 NVIDIA 显卡。显存 4GB 左右可以借助 --medvram / --lowvram 参数跑起来，8GB 及以上体验会好很多；SDXL 这类更大的模型对显存要求更高。AMD 显卡、Intel 显卡、Apple Silicon 也有对应的安装说明，但兼容性和速度不如 NVIDIA。
硬盘：程序本身加上依赖要占用不少空间，单个模型文件通常就有几个 GB，建议预留几十 GB。
网络：首次启动会自动下载 PyTorch 等依赖，需要能正常访问 GitHub 和 PyPI。

Windows

安装 Python，版本以 WebUI 的 README 为准（README 推荐 3.10.x，过新的 Python 可能装不上对应的 PyTorch），安装时勾选 Add Python to PATH；
安装 Git；

克隆仓库：

1
git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git

在资源管理器里以普通用户（不要用管理员）身份双击运行 webui-user.bat。

Linux

安装依赖（以 Debian / Ubuntu 为例，其他发行版见 README）：
1
sudo apt install wget git python3 python3-venv libgl1 libglib2.0-0

克隆仓库并启动：

1
2
3
git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git
cd stable-diffusion-webui
./webui.sh

macOS（Apple Silicon）

步骤和 Linux 类似，同样是克隆仓库后运行 ./webui.sh，需要先用 Homebrew 装好依赖，具体见官方 wiki 的 Installation on Apple Silicon。

首次启动

第一次运行会自动创建 Python 虚拟环境、安装 PyTorch 等依赖，耗时较长，耐心等待。看到类似下面的输出后，用浏览器打开地址即可：

1
Running on local URL:  http://127.0.0.1:7860

启动参数

启动参数写在 webui-user.bat（Windows）或 webui-user.sh（Linux / macOS）的 COMMANDLINE_ARGS 里，例如：

1
set COMMANDLINE_ARGS=--medvram --xformers

1
export COMMANDLINE_ARGS="--medvram --xformers"

常用的几个：

参数	作用
`--medvram` / `--lowvram`	降低显存占用（速度会变慢），显存小时使用
`--xformers`	启用 xformers 加速注意力计算（NVIDIA 显卡）
`--listen`	监听 `0.0.0.0`，允许局域网内其他设备访问
`--api`	开启 API，方便用脚本调用

--listen 会把 WebUI 暴露到局域网，不要在公网服务器上裸开。

下载模型

WebUI 本身不等于模型，需要把模型文件（checkpoint）放到：

1
stable-diffusion-webui/models/Stable-diffusion/

推荐从 Hugging Face 上 Stability AI 的官方仓库下载，例如 SDXL 基础模型 stabilityai/stable-diffusion-xl-base-1.0 里的 sd_xl_base_1.0.safetensors。部分新模型需要登录 Hugging Face 并同意许可协议后才能下载。

放好之后，点 WebUI 左上角模型下拉框旁的刷新按钮，就能选到它了。

其他类型的文件也有各自的目录：

类型	目录
Checkpoint 主模型	`models/Stable-diffusion/`
VAE	`models/VAE/`
LoRA	`models/Lora/`

优先选择 .safetensors 格式。老的 .ckpt 格式基于 Python pickle，加载时有执行恶意代码的风险，来路不明的 .ckpt 不要用。

生成第一张图

打开 txt2img（文生图）标签页，界面上主要是这些参数：

WebUI 参数示意

参数	说明	建议
Prompt（提示词）	想要画面里出现什么，用英文短语、逗号分隔效果最好	主体 + 细节 + 风格，例如 `a cat sitting on a windowsill, sunset, watercolor`
Negative prompt（负面提示词）	不想出现什么	如 `blurry, lowres, watermark`
Sampling steps（采样步数）	去噪的步数	20～30 一般就够，太多收益很小
Sampling method（采样器）	每一步怎么去噪的算法	Euler a、DPM++ 2M 等都是常用选择
CFG Scale	生成结果有多“听”提示词的话	常用 5～8；太高画面容易过饱和、崩坏
Seed（种子）	初始噪声的随机数	`-1` 表示随机；固定种子 + 同样参数可以复现同一张图
Width / Height	图片尺寸	贴近模型训练分辨率：SD 1.5 约 512×512，SDXL 约 1024×1024

填好提示词，点右上角 Generate，几秒到几十秒后就能看到结果，生成的图片默认保存在 outputs/ 目录下。

图生图

img2img 标签页可以上传一张图片作为起点，其他参数和文生图基本一致，多了一个 Denoising strength（重绘幅度）：数值越低越接近原图，越高改动越大。在 img2img 里还能用 Inpaint 只重绘涂抹的区域。

可选：ComfyUI

ComfyUI 是另一个很流行的前端，用节点 + 连线的方式搭建生成流程（工作流）。上手比 WebUI 陡一些，但流程完全透明、灵活，对新模型的支持通常也很快。

新手推荐直接使用官方的桌面版，Windows 上也有便携版可以下载；
手动安装：克隆仓库，按 README 安装对应显卡的 PyTorch 后执行：
1 2
pip install -r requirements.txt python main.py
默认在 http://127.0.0.1:8188 打开。
模型放在 ComfyUI/models/checkpoints/ 下。也可以在 ComfyUI 的 extra_model_paths.yaml 里配置，直接复用 WebUI 的模型目录，不用存两份。

总结

Stable Diffusion 是在潜空间里做去噪的扩散模型，主要用来文生图、图生图；
本地部署推荐 WebUI：克隆仓库，运行 webui-user.bat / webui.sh，自动安装依赖；
模型从 Hugging Face 官方仓库下载，放进 models/Stable-diffusion/；
先用默认参数出图，再逐个调整提示词、步数、CFG、种子，感受每个参数的影响。