1. 先把部署路线选清楚四条路各自的适用人群Stable Diffusion 的部署方式说到底是四种官方原版、社区整合包、Docker 容器、ComfyUI 节点流。很多人一上来就问“哪个最好”这个问题本身就不成立因为四条路服务的是完全不同的人。我自己从 2023 年开始折腾前后在五台机器上装过十几遍踩过的坑足够写一本小册子。这篇就把四条路线拆开讲透包括每一步为什么这么做、参数怎么算、出问题怎么查。先给一个结论性的对照表方便你对号入座部署方式适合人群上手难度环境隔离插件生态显存占用官方原版想理解底层机制的人高差需手动装中等整合包新手、快速出图极低差预装齐全中等Docker多环境、服务器、团队中极好需自行配置略高ComfyUI进阶、工作流复用中高一般节点式扩展低为什么官方原版反而最难因为它只给你一个 Python 环境和一份 requirements.txt剩下的 CUDA 版本、torch 编译、xformers 匹配全靠自己。整合包把这些全部打包好了双击 run.bat 就能跑代价是环境被锁死你想升级某个库可能直接崩。Docker 的价值在于“一次构建到处运行”特别适合你有多个项目、多个 Python 版本互相打架的场景。ComfyUI 则是另一条赛道它不追求开箱即用而是追求工作流的可复用和可版本化。我个人的建议是如果你只是想出图直接上整合包如果你想长期做项目、要复现、要迁移Docker 是正解如果你要做复杂的多模型串联、批量处理ComfyUI 值得投入时间学。下面逐条展开。2. 官方原版部署从零理解依赖链的每一步2.1 为什么官方部署总是卡在 installing requirements热词里有个高频问题“stable diffusion webui forge run.bat 卡在 installing requirement”。这个现象几乎每个用官方方式部署的人都遇到过。根本原因有三个一是 pip 默认走国外源下载 torch 这种几百 MB 的包经常超时二是 requirements 里某些包的版本和你的 CUDA 驱动不匹配pip 会反复尝试解析依赖三是 Windows 下长路径和权限问题导致写入失败。解决思路很直接先换国内源再手动锁定 torch 版本最后分步安装而不是一把梭。具体操作# 第一步升级 pip 并换源 python -m pip install --upgrade pip pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple # 第二步先单独装 torch指定 CUDA 版本 # CUDA 11.8 对应 cu118CUDA 12.1 对应 cu121 pip install torch2.1.2 torchvision0.16.2 --index-url https://download.pytorch.org/whl/cu118 # 第三步再装其余依赖 pip install -r requirements.txt为什么要先装 torch因为 requirements.txt 里通常写的是torch不带版本号pip 会去解析最新版而最新版可能要求更高的 CUDA。你先手动钉死版本pip 在装其他包时就会以这个为基准冲突概率大幅下降。2.2 CUDA、驱动、torch 三者的版本对应关系这是官方部署最容易翻车的地方。很多人显卡驱动是 535却去装 cu121 的 torch结果torch.cuda.is_available()返回 False。记住一个原则驱动版本决定你能用的最高 CUDA 运行时版本torch 的 cuXXX 必须小于等于这个上限。查驱动支持的最高 CUDA 版本nvidia-smi # 右上角会显示 CUDA Version: 12.2 之类然后对照驱动版本支持最高 CUDA推荐 torch 版本470.x11.4torch 1.12 cu113515.x11.7torch 1.13 cu117525.x12.0torch 2.0 cu118535.x12.2torch 2.1 cu121550.x12.4torch 2.3 cu124实测下来如果你不确定就选比上限低一档的版本稳定性最好。比如驱动支持 12.2你就装 cu118几乎不会出问题。2.3 启动参数怎么调显存不够的救命配置官方 WebUI 的启动参数直接决定你能不能跑起来。低显存用户8G 以下必须加这几个# 在 webui-user.bat 里设置 set COMMANDLINE_ARGS--medvram --xformers --opt-split-attention--medvram把模型分阶段加载显存占用降 30% 左右代价是速度慢一点。--lowvram更激进适合 4G 显存但速度会明显下降。--xformers用 xformers 库优化注意力计算速度快 20%-30%显存也省。--opt-split-attention不装 xformers 时的替代方案。这里有个坑xformers 的版本必须和 torch 严格对应装错了会直接报undefined symbol。如果你不想折腾就用--opt-split-attention效果差一点但不会崩。3. 整合包部署快是真快坑也是真坑3.1 秋叶整合包为什么能一键跑起来秋叶整合包包括 WebUI 版和 ComfyUI 版的核心价值在于它把 Python 运行时、CUDA 库、torch、所有依赖、常用模型、常用插件全部打包在一个目录里用嵌入式 Python 解释器不污染系统环境。你解压完双击启动器它自动检测显卡、自动配置参数、自动开浏览器。它的启动器做了几件事检测显卡型号和显存、根据显存自动选择优化参数、检查模型目录、启动一个本地 HTTP 服务。这些逻辑写在启动器的 exe 里你看不到但确实在跑。3.2 整合包的三个典型故障与修复故障一启动后浏览器打不开命令行报端口占用。原因是 7860 端口被其他程序占了。解决办法是改启动参数--port 7861或者在启动器设置里改端口。故障二生成图片时报RuntimeError: CUDA out of memory。整合包默认参数偏保守但如果你的显存特别小比如 6G还是不够。进启动器的高级选项把“显存优化”从“平衡”改成“低显存”它会自动加--lowvram。故障三装了新插件后启动崩溃。整合包的环境是锁定的新插件可能要求更高版本的某个库。这时候不要直接 pip install 升级而是去插件的 GitHub 页面看它的 requirements手动装兼容版本。实在不行就把插件目录删掉重启即可恢复。提示整合包不要放在中文路径或带空格的路径下这是最常见的“莫名其妙启动失败”原因。路径改成D:\SD这种最稳。3.3 整合包能不能升级、能不能迁移能但要讲方法。升级模型和插件是安全的直接替换文件即可。升级核心程序比如 WebUI 本体要谨慎因为整合包的 Python 环境是定制的新版 WebUI 可能要求新的依赖。我的做法是保留旧版本目录不动下载新版整合包解压到新目录把models和extensions目录整个拷过去这样既升级了又保留了资产。迁移到另一台机器更简单整个目录拷贝过去但要注意目标机器的显卡驱动版本不能低于原机器否则 CUDA 会不兼容。4. Docker 部署环境隔离的正解与网络配置的坑4.1 Docker Desktop 装不上virtualization support not detected 的排查链热词里“virtualization support not detected docker desktop failed to start”是高频问题。这个报错的意思是 Docker Desktop 需要 WSL2 或 Hyper-V而你的 CPU 虚拟化没开。排查链路是这样的第一步进 BIOS 开虚拟化。Intel 叫 VT-xAMD 叫 SVM通常在 Advanced 或 CPU Configuration 里。开完保存重启。第二步确认 Windows 功能里开启了“虚拟机平台”和“适用于 Linux 的 Windows 子系统”。用管理员 PowerShelldism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart第三步装 WSL2 内核更新包然后wsl --set-default-version 2。第四步如果还报错检查是不是装了其他虚拟化软件比如某些安卓模拟器占用了 Hyper-V。关掉它们再试。4.2 用 Docker 跑 Stable Diffusion 的镜像选择Docker 跑 SD 有两种思路一是用现成的镜像比如siutin/stable-diffusion-webui-docker二是自己写 Dockerfile。现成镜像省事但版本可能旧自己写灵活但要处理 GPU 透传。自己写 Dockerfile 的核心是基础镜像要带 CUDAFROM nvidia/cuda:11.8.0-cudnn8-runtime-ubuntu22.04 RUN apt-get update apt-get install -y python3 python3-pip git wget RUN pip3 install torch2.1.2 torchvision0.16.2 --index-url https://download.pytorch.org/whl/cu118 WORKDIR /app RUN git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git WORKDIR /app/stable-diffusion-webui RUN pip3 install -r requirements.txt EXPOSE 7860 CMD [python3, launch.py, --listen, --port, 7860]启动容器时必须加--gpus alldocker run --gpus all -p 7860:7860 -v /host/models:/app/stable-diffusion-webui/models -d sd-webui-v挂载模型目录是关键否则每次重建容器模型都没了。4.3 Docker 网络与国内源加速Docker 拉镜像慢是常态配置国内镜像加速器{ registry-mirrors: [ https://docker.mirrors.ustc.edu.cn, https://hub-mirror.c.163.com ] }写在 Docker Desktop 的 Settings → Docker Engine 里重启生效。容器内部 pip 也要换源在 Dockerfile 里加pip config set global.index-url。还有一个坑容器内访问宿主机的服务比如你想让容器里的 SD 调用宿主机的某个 API不能用localhost要用host.docker.internalWindows/Mac或宿主机的实际 IPLinux。5. ComfyUI 部署节点流的核心逻辑与插件管理5.1 ComfyUI 和 WebUI 的本质区别WebUI 是“表单式”的你填参数、点生成。ComfyUI 是“节点式”的你把加载模型、编码提示词、采样、解码、保存这些步骤用连线串起来。这个区别决定了 ComfyUI 的学习曲线更陡但一旦学会工作流可以保存成 JSON 文件别人导入就能复现你的完整流程包括用了哪个模型、什么采样器、多少步、什么 CFG。为什么 ComfyUI 显存占用更低因为它按需加载只有工作流里用到的节点才会实例化模型不像 WebUI 一次性把所有东西加载进显存。实测同样的 8G 显存WebUI 跑 512x512 勉强ComfyUI 能跑 768x768。5.2 秋叶 ComfyUI 整合包的目录结构与插件安装秋叶 ComfyUI 整合包的目录结构大致是ComfyUI/ ├── ComfyUI/ # 主程序 │ ├── custom_nodes/ # 插件目录 │ ├── models/ # 模型目录 │ └── output/ # 输出目录 ├── python/ # 嵌入式 Python └── 启动器.exe装插件有两种方式一是用 ComfyUI Manager如果整合包预装了在界面里搜索安装二是手动 git clone 到custom_nodes目录然后进插件目录pip install -r requirements.txt。注意要用整合包自带的 python不是系统的..\..\python\python.exe -m pip install -r requirements.txt5.3 ComfyUI 切换国内源与依赖冲突处理ComfyUI 的插件生态很活跃但插件之间的依赖冲突也常见。典型症状是启动时报ImportError: cannot import name xxx。原因是插件 A 要求numpy1.24插件 B 要求numpy1.26装了一个另一个就崩。处理原则优先保证主程序能跑冲突插件二选一。如果两个都要就建虚拟环境隔离但整合包不支持多环境这时候就体现出 Docker 的优势了。切换国内源在 ComfyUI 里同样重要因为 Manager 装插件时会调 pip# 在 ComfyUI 根目录建 pip.iniWindows [global] index-url https://pypi.tuna.tsinghua.edu.cn/simple trusted-host pypi.tuna.tsinghua.edu.cn6. 模型管理与显存优化的实战经验6.1 模型目录怎么组织才不乱不管你用哪种部署方式模型目录迟早会乱。我的组织方式是按类型分目录再按来源分子目录models/ ├── Stable-diffusion/ # 主模型 │ ├── SD1.5/ │ ├── SDXL/ │ └── Flux/ ├── Lora/ ├── VAE/ ├── ControlNet/ └── Embeddings/WebUI 和 ComfyUI 都支持通过配置文件指定额外的模型路径这样你可以让两个程序共享同一份模型省硬盘。WebUI 在webui-user.bat里加--ckpt-dirComfyUI 在extra_model_paths.yaml里配。6.2 显存不够时的参数调整顺序显存不够时按这个顺序调从影响最小的开始降低分辨率。512x512 是 SD1.5 的甜点768x768 显存翻倍。减少 batch size。从 4 降到 1显存降 75%。加--medvram。降 30% 显存速度降 10%。加--lowvram。降 50% 显存速度降 40%。换更小的模型。SD1.5 比 SDXL 省一半显存。用 ComfyUI 替代 WebUI。实测数据RTX 3060 12G512x51220 步配置显存占用单张耗时默认8.2G3.5smedvram5.8G3.9slowvram4.1G5.2sComfyUI 默认5.5G3.2s6.3 模型格式 safetensors 与 ckpt 的选择优先用 safetensors。ckpt 是 pickle 格式理论上可以执行任意代码来源不明的 ckpt 有安全风险。safetensors 只存张量数据加载更快也更安全。现在主流模型都提供 safetensors 版本如果只有 ckpt用工具转换一下再用。7. 常见报错速查与排查思路7.1 启动类报错报错信息原因解决CUDA out of memory显存不足加 medvram/lowvram降分辨率torch not compiled with CUDAtorch 版本不对重装对应 cuXXX 的 torchNo module named xxx依赖缺失pip install xxxPort 7860 already in use端口占用换端口或杀进程virtualenv not foundPython 环境问题重装整合包或修复 Python7.2 生成类报错生成时报NaN或全黑图通常是 VAE 不匹配或 CFG 太高。先换 VAE再把 CFG 从 7 降到 5 试试。报RuntimeError: expected scalar type Half but found Float是半精度问题加--no-half启动参数但速度会慢。7.3 插件类报错插件报错先看它的 GitHub Issues90% 的问题别人已经遇到过了。如果 Issues 里没有就把报错信息完整复制去搜。注意看报错栈的最后一行那才是真正的错误点前面的都是调用链。8. 我踩过的几个印象深刻的坑第一个坑曾经为了省事把整合包放在C:\Users\我的文档\AI\Stable Diffusion这种路径下结果启动一直失败报的错还特别模糊。后来改成D:\SD就好了。中文路径和空格是隐形杀手。第二个坑Docker 里跑 SD模型挂载用相对路径结果容器启动后找不到模型。Docker 的-v必须用绝对路径Windows 下还要注意盘符写法D:\models要写成/d/models或者用//d/models。第三个坑ComfyUI 装了一个插件后另一个插件失效了。查了半天发现是 numpy 版本冲突。最后用pip install numpy1.24.4钉死版本才解决。这件事让我意识到整合包的“方便”是有代价的环境不隔离冲突迟早会来。第四个坑以为显存越大越好买了 24G 的卡结果发现瓶颈在 CPU 和内存。加载大模型时如果内存只有 16G模型从硬盘读到内存再到显存这个过程会非常慢。后来加到 64G 内存加载速度提升明显。所以配机器要均衡不能只看显卡。第五个坑用--xformers加速结果生成的图出现奇怪的网格状伪影。查了才知道是 xformers 版本和 torch 不匹配导致的数值精度问题。换回--opt-split-attention后伪影消失。加速是有代价的出图质量优先时不要盲目开优化。9. 给不同阶段的人的具体建议如果你是纯新手今天就想出图下载秋叶整合包解压到英文路径双击启动器等它自动打开浏览器选一个模型输入提示词点生成。不要碰任何命令行。如果你已经会用整合包想深入装一个 ComfyUI从官方示例工作流开始逐个节点理解它的作用。先跑通最简单的“加载模型→编码提示词→采样→解码→保存”再逐步加 ControlNet、Lora、放大。如果你要做团队协作或长期项目上 Docker。把环境、模型、工作流全部容器化用 docker-compose 管理。这样换机器、换同事、换服务器一条命令就能复现。如果你要部署到服务器给别人用Docker Nginx 反向代理 鉴权。注意 WebUI 默认没有鉴权直接暴露公网很危险必须加--gradio-auth username:password。最后说一句部署这件事没有“一劳永逸”的方案。模型在更新插件在更新CUDA 在更新你今天配好的环境三个月后可能就要调整。所以与其追求一次配好不如把排查思路练熟。知道报错去哪查、版本怎么对应、参数怎么调比记住某个具体命令有用得多。