1. 部署路线选型先搞清楚你到底需要哪种方案1.1 四种部署方式的核心差异Stable Diffusion 的部署方式经过两年多的社区演化目前已经形成了四条比较清晰的技术路线。很多人一上来就问“哪个最好”这个问题本身就不成立因为选择取决于你的硬件条件、使用目的和技术底子。官方原版部署指的是从 Stability AI 官方仓库拉取代码手动配置 Python 环境、安装 PyTorch、下载模型权重。这条路最干净没有任何第三方封装适合想深入理解底层机制、需要做二次开发或者写论文复现实验的人。代价是环境配置可能耗掉你半天时间尤其是 CUDA 版本和 PyTorch 版本对不上的时候报错信息能让人抓狂。整合包部署是国内社区最流行的方式秋叶整合包是其中的代表。它把 Python 运行时、Git、CUDA 依赖、常用插件全部打包好解压即用。对于不想折腾环境、只想快速出图的用户来说这是效率最高的选择。缺点是包体较大通常 10GB 以上而且整合包内部的版本锁定较死想升级某个组件时可能遇到兼容性问题。Docker 部署适合有一定运维基础的用户核心优势是环境隔离和可迁移性。你在本地跑通的容器可以原封不动地搬到服务器上。Docker 部署的难点在于 GPU 透传配置NVIDIA Container Toolkit 的安装和--gpus all参数的调试是新手最容易卡住的地方。ComfyUI严格来说不是部署方式而是一个基于节点的工作流界面。它和 WebUI 是并列关系都可以通过官方、整合包或 Docker 来部署。ComfyUI 的优势在于工作流可复用、显存占用更低、对复杂管线的支持更好但学习曲线比 WebUI 陡峭不少。对比维度官方原版整合包DockerComfyUI上手难度高低中中高环境隔离无无强取决于部署方式升级灵活性高低中高显存优化一般一般一般优秀适合人群开发者普通用户运维/团队进阶用户1.2 硬件门槛与显存预算在选路线之前先确认你的硬件能不能跑。Stable Diffusion 的显存需求取决于模型类型和分辨率SD 1.5 系列最低 4GB 显存可跑 512x5126GB 可跑 768x7688GB 以上比较从容SDXL 系列最低 8GB 显存跑 1024x102412GB 以上体验较好Flux 系列建议 16GB 以上12GB 需要开启量化加载如果你用的是笔记本的移动端显卡注意功耗墙和散热限制实际出图速度可能只有同型号桌面卡的一半左右。另外NVIDIA 显卡的兼容性最好AMD 显卡在 Windows 下需要走 DirectML 路线速度损失较大Linux 下 ROCm 的支持在逐步改善但仍有坑。提示不要被“最低显存”误导。4GB 能跑和 4GB 跑得舒服是两回事。如果你打算常用图生图、ControlNet 或者批量生成显存预算至少要在最低要求上翻一倍。1.3 我的选型建议如果你是第一次接触我建议直接上秋叶整合包先把出图流程跑通建立信心。用了一两周之后如果你发现自己需要更精细的控制、更复杂的工作流再考虑迁移到 ComfyUI。如果你有团队协作需求或者需要频繁在不同机器之间迁移环境那 Docker 是值得投入时间学习的。官方原版部署我一般只在需要改源码或者调试底层问题时才用。2. 官方原版部署从零搭建的完整流程2.1 环境准备与依赖安装官方部署的第一步是确认 Python 版本。Stable Diffusion WebUI 目前推荐 Python 3.10.x3.11 也可以但部分插件可能不兼容3.12 暂时不建议。用python --version确认如果版本不对建议用 conda 创建一个独立环境conda create -n sd python3.10 conda activate sd接下来安装 PyTorch。这一步是整个部署过程中最容易出问题的环节核心是 CUDA 版本、PyTorch 版本和显卡驱动三者要匹配。先用nvidia-smi查看驱动支持的 CUDA 版本然后到 PyTorch 官网找到对应的安装命令。比如驱动支持 CUDA 12.1就装pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121装完之后用python -c import torch; print(torch.cuda.is_available())验证返回 True 才算成功。如果返回 False大概率是版本不匹配需要回退重装。2.2 克隆仓库与首次启动git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git cd stable-diffusion-webui首次启动直接运行webui.batWindows或webui.shLinux/Mac。脚本会自动创建虚拟环境并安装依赖。这个过程可能持续 10 到 30 分钟取决于网络状况。国内用户大概率会遇到 pip 下载慢的问题可以在webui-user.bat里加上国内源set COMMANDLINE_ARGS--xformers --medvram set PIP_INDEX_URLhttps://pypi.tuna.tsinghua.edu.cn/simple--xformers开启内存优化--medvram适合 6-8GB 显存的机器4GB 显存用--lowvram。2.3 模型放置与目录结构模型文件放在models/Stable-diffusion/目录下支持.ckpt和.safetensors两种格式。强烈建议只用.safetensors因为.ckpt格式理论上可以嵌入恶意代码加载来路不明的 ckpt 文件存在安全风险。VAE 文件放在models/VAE/LoRA 放在models/Lora/Embedding 放在embeddings/。ControlNet 模型放在models/ControlNet/。这些目录结构在整合包和 Docker 部署中基本一致记住一次到处通用。2.4 启动参数调优启动参数直接决定出图速度和稳定性。以下是我实测下来比较有用的组合参数作用适用场景--xformers开启内存优化注意力几乎所有 NVIDIA 显卡--medvram中等显存优化6-8GB 显存--lowvram低显存优化4-6GB 显存--no-half-vaeVAE 用 fp32 计算出图出现黑图/灰图时--api开启 API 接口需要程序化调用--listen允许局域网访问远程使用注意--medvram和--lowvram会降低出图速度不要无脑开。8GB 以上显存直接不加显存优化参数速度最快。3. 整合包部署秋叶包的正确打开方式3.1 下载与解压的坑秋叶整合包的下载渠道比较多建议从官方发布页获取避免下载到被二次打包的版本。包体通常在 10-15GB下载完成后解压到一个纯英文路径下路径中不要有中文、空格和特殊字符。我见过太多人因为解压到“D:\AI绘画\秋叶整合包”这种路径导致启动失败的案例。解压完成后目录结构大致如下webui-user.bat启动脚本models/模型目录extensions/插件目录outputs/出图输出目录python/内置 Python 环境3.2 启动与常见报错双击webui-user.bat启动。第一次启动会检查依赖完整性可能需要几分钟。如果卡在installing requirement不动通常是网络问题整合包一般已经配置了国内源但偶尔会失效。解决办法是手动在webui-user.bat里确认PIP_INDEX_URL指向可用的国内源。另一个常见问题是启动后浏览器没有自动打开或者显示连接失败。这时候看控制台最后几行如果显示Running on local URL: http://127.0.0.1:7860手动在浏览器输入这个地址即可。如果显示的是0.0.0.0:7860说明开启了局域网访问用本机 IP 加端口访问。3.3 整合包的升级与插件管理整合包自带的插件管理器可以方便地安装和更新插件。进入 WebUI 后点击“扩展”标签页选择“从网址安装”粘贴插件的 Git 仓库地址即可。常用的插件包括ControlNet精确控制构图ADetailer自动修复面部Image Browser图片管理Prompt All in One提示词翻译与补全升级整合包本身要谨慎。秋叶包的升级通常需要下载新的整合包覆盖直接覆盖时注意保留models/、outputs/和extensions/目录避免模型和插件丢失。实操心得我习惯在整合包根目录下建一个backup文件夹每次升级前把extensions/和webui-user.bat备份进去。升级出问题时可以快速回滚不用重新下载整个包。4. Docker 部署环境隔离与团队协作的最优解4.1 Docker Desktop 安装与 GPU 支持Windows 下安装 Docker Desktop 需要先开启 WSL2 或 Hyper-V。如果安装时提示virtualization support not detected说明 BIOS 里的虚拟化选项没开。重启进入 BIOS找到 Intel VT-x 或 AMD-V 选项开启即可。安装完成后需要额外安装 NVIDIA Container Toolkit 才能让容器访问 GPU。Windows 下 Docker Desktop 已经内置了对 WSL2 GPU 的支持确保 WSL2 内核版本较新即可。Linux 下需要手动安装distribution$(. /etc/os-release;echo $ID$VERSION_ID) curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add - curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list sudo apt-get update sudo apt-get install -y nvidia-container-toolkit sudo systemctl restart docker验证 GPU 透传是否成功docker run --rm --gpus all nvidia/cuda:12.1.0-base-ubuntu22.04 nvidia-smi能输出显卡信息就说明配置正确。4.2 编写 Dockerfile 与 docker-compose一个可用的 Stable Diffusion Dockerfile 大致长这样FROM nvidia/cuda:12.1.0-runtime-ubuntu22.04 RUN apt-get update apt-get install -y python3.10 python3-pip git wget libgl1 libglib2.0-0 WORKDIR /app RUN git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git . RUN pip3 install torch torchvision --index-url https://download.pytorch.org/whl/cu121 EXPOSE 7860 CMD [python3, launch.py, --listen, --xformers, --api]对应的docker-compose.ymlversion: 3.8 services: sd-webui: build: . ports: - 7860:7860 volumes: - ./models:/app/models - ./outputs:/app/outputs - ./extensions:/app/extensions deploy: resources: reservations: devices: - driver: nvidia count: all capabilities: [gpu] restart: unless-stoppedvolumes挂载是关键把模型、输出和插件目录映射到宿主机这样容器重建时数据不会丢失。4.3 容器化部署的运维要点Docker 部署最大的好处是环境一致性。你在开发机上跑通的镜像推到测试机和生产机上一模一样。但有几个运维细节需要注意第一镜像体积。完整构建出来的镜像可能超过 20GB推送到镜像仓库时很慢。建议把模型文件通过 volume 挂载而不是打进镜像镜像只包含代码和依赖。第二显存监控。容器内用nvidia-smi查看显存占用如果发现显存泄漏长时间运行后显存不释放可以在 compose 里配置定期重启策略。第三日志管理。Docker 默认的 json-file 日志驱动会无限增长建议配置日志轮转logging: driver: json-file options: max-size: 10m max-file: 35. ComfyUI 实战节点工作流的正确上手姿势5.1 ComfyUI 与 WebUI 的本质区别WebUI 是表单式操作你填参数、点生成流程是线性的。ComfyUI 是节点式操作你把“加载模型”“编码提示词”“采样”“解码”“保存”这些步骤用连线串起来形成一个有向无环图。这个图可以保存成 JSON 文件分享给别人一键复现。这种设计带来的核心优势是可复用性和可组合性。比如你想做一个“先图生图再局部重绘再放大”的流程在 WebUI 里需要手动操作三次在 ComfyUI 里就是一个工作流点一次运行全部完成。5.2 秋叶 ComfyUI 整合包快速上手秋叶也出了 ComfyUI 整合包安装逻辑和 WebUI 整合包类似。下载解压后运行run_nvidia_gpu.bat启动。首次启动后浏览器打开http://127.0.0.1:8188。默认工作流已经包含了最基础的文生图流程。你需要做的是在Load Checkpoint节点选择模型在CLIP Text Encode节点填入正向和负向提示词在Empty Latent Image节点设置分辨率在KSampler节点设置步数、CFG、采样器点击Queue Prompt运行5.3 ComfyUI Manager 与插件生态ComfyUI Manager 是必装插件它提供了插件的一站式安装、更新和管理。安装方法是在custom_nodes目录下克隆仓库cd ComfyUI/custom_nodes git clone https://github.com/ltdrdata/ComfyUI-Manager.git重启后界面会出现 Manager 按钮。通过它可以安装 ControlNet、IPAdapter、AnimateDiff 等常用节点包。国内用户如果遇到克隆慢的问题可以在 Manager 设置里配置国内镜像源。常用的 ComfyUI 插件包括插件名功能必装程度ComfyUI-Manager插件管理必装ComfyUI-Impact-Pack面部修复、细节增强强烈推荐ComfyUI-ControlNet-AuxControlNet 预处理器按需ComfyUI-IPAdapter-plus图像提示适配按需ComfyUI-AnimateDiff-Evolved视频生成按需5.4 工作流分享与复用ComfyUI 工作流可以导出为 JSON 文件也可以嵌入到生成的 PNG 图片中。别人拿到你的图片拖进 ComfyUI 界面就能还原完整工作流。这是 ComfyUI 社区生态繁荣的关键。我个人的习惯是给每个工作流写一个简短的说明文档记录模型版本、插件依赖和关键参数。因为工作流 JSON 本身不包含模型文件别人复现时如果模型不对效果会差很多。实操心得ComfyUI 的节点连线容易乱建议用 Group 功能把相关节点框在一起并给 Group 命名。复杂工作流里良好的分组习惯能节省大量调试时间。6. 常见问题排查与避坑指南6.1 启动阶段高频问题问题一卡在 installing requirement这是 WebUI 启动时最常见的问题。原因通常是 pip 源不可达或者某个依赖包版本冲突。排查步骤先检查webui-user.bat里的PIP_INDEX_URL是否指向可用的国内源如果源没问题打开控制台看具体卡在哪个包手动pip install那个包看报错信息。问题二CUDA out of memory显存不足。解决办法按优先级排列降低分辨率、减少 batch size、开启--medvram或--lowvram、关闭其他占用显存的程序、使用--xformers。如果都不行考虑换用量化版本模型。问题三出图全黑或全灰通常是 VAE 问题。尝试加--no-half-vae参数或者换一个 VAE 文件。也有可能是模型本身损坏重新下载模型试试。6.2 运行阶段性能问题出图速度慢首先确认是否在用 GPU 而不是 CPU。在 WebUI 设置里查看“使用 GPU”是否勾选。如果确认是 GPU检查是否开启了--xformers这个参数对速度提升很明显。另外采样器和步数也影响速度Euler a 比 DPM 2M Karras 快20 步比 50 步快。显存占用居高不下WebUI 默认会缓存模型在显存中切换模型时旧模型不一定立即释放。可以在设置里开启“模型切换时卸载旧模型”选项。ComfyUI 在这方面做得更好节点执行完毕后会主动释放中间张量。6.3 Docker 特有问题容器内无法访问 GPU检查 NVIDIA Container Toolkit 是否安装、Docker 服务是否重启、--gpus all参数是否加上。Windows 下还要确认 WSL2 的 GPU 支持是否正常。端口映射不生效确认docker-compose.yml里的端口映射格式是宿主机端口:容器端口。如果宿主机 7860 被占用改成7861:7860。数据丢失这是没配 volume 的典型后果。容器删除后内部数据全部丢失。务必在 compose 文件里配置好模型、输出、插件的 volume 映射。6.4 常见问题速查表现象可能原因解决方向启动卡在依赖安装pip 源不可达换国内源CUDA out of memory显存不足降分辨率/开显存优化出图全黑VAE 精度问题加 --no-half-vae浏览器打不开界面端口占用/未监听检查端口和 --listenDocker 无 GPUToolkit 未装安装并重启 DockerComfyUI 节点报红插件缺失用 Manager 安装模型加载失败文件损坏/格式不对重新下载 safetensors出图速度异常慢用了 CPU检查 GPU 加速7. 模型管理与工作流优化经验7.1 模型文件的组织策略模型多了之后管理是个大问题。我的做法是按类型分目录基础模型按版本分SD1.5、SDXL、FluxLoRA 按风格分人物、场景、画风ControlNet 按控制类型分姿态、深度、边缘。每个模型文件名保持原始名称不要重命名因为有些工作流会校验模型文件名。对于大模型文件建议放在单独的硬盘分区或者 NAS 上通过符号链接挂载到模型目录。这样重装系统或者迁移部署时不用重新拷贝几百 GB 的模型。7.2 提示词工程与参数配合提示词的质量直接决定出图效果。我的经验是主体描述放前面风格描述放中间质量词放后面。负向提示词不要堆太多常用的就那几个lowres, bad anatomy, bad hands, extra fingers, worst quality, low quality。CFG scale 不是越高越好。7-9 是常用范围太高会导致色彩过饱和和画面僵硬。采样步数 20-30 步通常足够超过 40 步收益递减明显。采样器选择上DPM 2M Karras 是通用性最好的Euler a 适合创意类DDIM 适合需要确定性的场景。7.3 批量生成与自动化如果你需要批量出图WebUI 的“批量”功能可以一次生成多张。但更高效的方式是用 API。WebUI 开启--api参数后可以通过 HTTP 请求调用生成接口import requests import json url http://127.0.0.1:7860/sdapi/v1/txt2img payload { prompt: a cat sitting on a chair, masterpiece, best quality, negative_prompt: lowres, bad anatomy, steps: 25, cfg_scale: 7, width: 512, height: 512, batch_size: 4 } response requests.post(url, jsonpayload) data response.json()ComfyUI 也有类似的 API通过/prompt接口提交工作流 JSON。批量场景下API 方式比手动操作效率高一个数量级。7.4 工作流版本管理ComfyUI 工作流建议用 Git 管理。每个工作流 JSON 文件提交到仓库配上说明文档。这样工作流迭代时有历史记录出问题可以回滚。团队协作时每个人拉取最新工作流保证产出一致性。我在实际使用中发现工作流最容易出问题的地方是插件版本不一致。同样的 JSON在 A 机器上跑得好在 B 机器上就报错十有八九是某个自定义节点的版本不同。所以团队协作时除了工作流文件还要记录插件版本清单。最后分享一个小技巧ComfyUI 的工作流可以嵌入 PNG 图片的元数据中。你生成一张满意的图把图片发给别人对方拖进 ComfyUI 就能还原完整工作流。这个特性用来做教程和分享特别方便比单独发 JSON 文件直观得多。