Stable diffusion webui部署及简单使用_stablediffusion webui

---

前言

Stable diffusion-webui部署及使用

---

一、Stable Diffusion WebUI部署

1.Stable diffusion

Stable Diffusion是2022年发布的深度学习文本到图像生成模型。它主要用于根据文本的描述产生详细图像，尽管它也可以应用于其他任务，如内补绘制、外补绘制，以及在提示词指导下产生图生图的转变。其源代码和模型权重已分别公开发布在GitHub和Hugging Face，可以在大多数配备有适度GPU的电脑硬件上运行。而以前的专有文生图模型（如DALL-E和Midjourney）只能通过云计算服务访问。
Stable Diffusion是一种扩散模型（diffusion model）的变体，叫做“潜在扩散模型”（latent diffusion model; LDM）。扩散模型是在2015年推出的，其目的是消除对训练图像的连续应用高斯噪声，可以将其视为一系列去噪自编码器。Stable Diffusion由3个部分组成：变分自编码器（VAE）、U-Net和一个文本编码器。与其学习去噪图像数据（在“像素空间”中），而是训练VAE将图像转换为低维潜在空间。添加和去除高斯噪声的过程被应用于这个潜在表示，然后将最终的去噪输出解码到像素空间中。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ResNet骨干的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。研究人员指出，降低训练和生成的计算要求是LDM的一个优势。去噪步骤可以以文本串、图像或一些其他数据为条件。调节数据的编码通过交叉注意机制（cross-attention mechanism）暴露给去噪U-Net的架构。为了对文本进行调节，一个预训练的固定CLIP ViT-L/14文本编码器被用来将提示词​转化为嵌入空间。

2.Linux 上的自动安装步骤如下：

stable diffusion-webui部署参考：https://github.com/AUTOMATIC1111/stable-diffusion-webui

复制后在命令行运行以下代码。（前提是已安装Git工具，参考博文：https://blog.csdn.net/qq_43570821/article/details/136204928）

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

1.安装依赖项：

# Debian-based:
sudo apt install wget git python3 python3-venv libgl1 libglib2.0-0
# Red Hat-based:
sudo dnf install wget git python3 gperftools-libs libglvnd-glx 
# openSUSE-based:
sudo zypper install wget git python3 libtcmalloc4 libglvnd
# Arch-based:
sudo pacman -S wget git python3
1
2
3
4
5
6
7
8

2.切换到想要安装 WebUI 的目录并执行以下命令：

wget -q https://raw.githubusercontent.com/AUTOMATIC1111/stable-diffusion-webui/master/webui.sh
1

3.运行 webui.sh

二、使用步骤

1.下载已有模型

模型下载链接：https://huggingface.co/models

选择自己需要的模型下载

完整下载

仅下载模型文件

2.启动WebUI

切换到stable-diffusion-webui文件夹，运行以下命令激活venv环境

source venv/bin/activate
1

运行bash ./run.sh，在浏览器打开webui界面

3.界面介绍

---

总结

以上就是今天要讲的内容，本文仅仅简单介绍了stable diffusion-webui的使用，后面会进行特定风格的lora模型训练。