【腾讯云HAI域探秘】搭建一个永不宕机的本地SD文本生成图像应用--喂饭级高性能应用HAI部署stable diffusion webui 一键文生图_高性能应用服务 hai安装的stable diffusion

目录

• 一、高性能应用服务HAI产品 + Stable Diffusion Webui部署思路
• 二、一键启动Stable Diffusion WebUI 推理
• 三、使用 HAI JupyterLab连接 进行 StableDiffusion API 的部署
• 四、使用本地IDE实现私服Web端一键文生图
• 五、使用腾讯云Cloud Studio 快速云上开发
• 六、高性能应用服务HAI使用感受
• 最后

本次有幸受邀作为新品先锋体验官参加了【腾讯云HAI域探秘】活动，沉浸式体验高性能应用服务HAI产品 + Stable Diffusion WebUI部署。

一、高性能应用服务HAI产品 + Stable Diffusion Webui部署思路

腾讯云高性能应用服务(Hyper Application Inventor, HAI)，是一款面向AI、科学计算的GPU应用服务产品，为开发者量身打造的澎湃算力平台。基于腾讯云GPU云服务器底层算力，提供即插即用的高性能云服务，无需复杂配置，便可享受即开即用的GPU云服务体验。我们的实验思路主要如下：

1. 体验高性能应用服务HAI启动 StableDiffusionWebUI 进行文生图模型推理；
2. 使用高性能应用服务HA的JupyterLab连接进行 StableDiffusion API 的部署；
3. 使用本地IDE调用 StableDiffusion API 的前端Web页面，实现私服一键文生图；
4. 使用腾讯Cloud Studio 快速开发调用 StableDiffusion API 的前端Web页面；

二、一键启动Stable Diffusion WebUI 推理

打开高性能应用服务HAI，申请到体验资格后，在控制台点击新建，选择AI模型，选择Stable Diffusion，地域任意选择，算力方案选择基础型，然后为实例取个名称如：stable_diffusion_test，硬盘默认50GB，点击购买。

等待创建完成后，点击算力连接，点击stable_diffusion_webui，一键启动推理

进入页面后，我们就可以开始使用 高性能应用服务HAI 部署的StableDiffusionWebUI 快速进行AI绘画了，整个的ui界面包括了

1. 模型选择： 模型对于 SD 绘图来说非常重要，不同的模型类型、质量会很大程度的决定最终的出图效果（系统默认配置了基础模型，也可以更换）
2. Prompt区： 如果你使用过 ChatGPT 你应该知道 Prompt 是什么。说的直白点就是你想让 SD 帮忙生成什么样的图，反向 Prompt 就是你不想让 SD 出生的图里有这些东西。后续课程也会详细的讲解如何更好的编写 Prompt
3. 功能栏： 包括了常见的 文生图、图生图、模型获取、模型训练等功能。不同的功能页面也不同，这一节课，我们先针对最长使用的 文生图 模块页面来讲解
4. 采样区： 采用什么样的绘画方式算法，以及“画多少笔” 来绘图。一定程度上决定出图的质量
5. 调参区： 设置分辨率、每次出图的批次、出图抽象性（和 prompt 关联性的程度）
6. 脚本区： 通过配置脚本可以提高效率；比如批量出图、多参数的出图效果比较

经常使用的功能如下：

这里推荐几个小技巧：

1. 正向提示词（Prompt）和反向越多，AI 绘图结果会更加精准。另外，目前中文提示词的效果不好，还得使用英文提示词；
2. 采样方式推荐使用Euler a、DDIM、DPM ++ 2M Karras这三个；
3. 采样步骤建议在20~40之间，步数越高也就意味着耗费的资源会越多，对机器的配置会更高，且步数不是越高越好；
4. 分辨率推荐使用512×512，在 SD 的最初模型 SD 1.5 训练的图片的分辨率大部分都是 512×512，所以在出图的时候，这个分辨率的效果也是最好的；
5. 若是想明确某主体，应当使其生成步骤向前，生成步骤数加大，词缀排序向前，权重提高。画面质量 → 主要元素 → 细节；若是想明确风格，则风格词缀应当优于内容词缀，画面质量 → 风格 → 元素 → 细节。

三、使用 HAI JupyterLab连接 进行 StableDiffusion API 的部署

点击Jupyter_Lab连接，进入JupyterLab

新建一个终端，cd进入/root/stable-diffusion-webui目录，然后以API 模式启动运行launch.py文件，并监听7862端口，命令如下：

cd /root/stable-diffusion-webui
python launch.py --nowebui --xformers --opt-split-attention  --listen --port 7862
1
2

启动成功后，如图所示：

为了使外部网络能够顺利地访问该服务器提供的API服务，我们还需要给 高性能应用服务HAI 配置端口规则，点击服务器的图标进入配置项：

添加入站规则,配置来源0.0.0.0/0 ，协议端口：TCP:7862 (根据您配置的端口填写)，如下：

配置完成后输入 服务器IP地址:端口号/docs 可查看相关的 API 接口 swagger 使用指南，这里不再展开

这里我们可以使用Postman测试结构是否部署成功，打开Postman，新建一个Post请求，url为http://服务器IP地址:端口号/sdapi/v1/txt2img，然后body改为JSON格式，并输入相关请求参数，如下：

简单的请求参数如下：

{
     "denoising_strength": 0,
     "prompt": "puppy dogs",
     "negative_prompt": "",
     "seed": -1,
     "batch_size": 2,
     "n_iter": 1,
     "steps": 50,
     "cfg_scale": 7,
     "width": 512,
     "height": 512,
     "restore_faces": false,
     "tiling": false,
     "sampler_index": "Euler" 
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

其中，prompt为提示词，negative_prompt为反向提示词，seed为种子，随机数，batch_size为每次张数，n_iter为生成批次，steps为生成步数，cfg_scale为关键词相关性，width为宽度，height为高度，restore_faces为脸部修复，tiling为可平铺，sampler_index为采样方法。

点击Send后，HAI服务器接受请求并进行推理，推理后会将图以base64的方法发过来，返回的格式如下：

{
   "images": [...]，// 这里是一个base64格式的字符串数组，根据你请求的图片数量而定
   "parameters": {  ... },//此处为你输入的body 
   "info": "{...}"// 返回的图片的信息
}
1
2
3
4
5

四、使用本地IDE实现私服Web端一键文生图

既然Postman测试成功，那么我们可以为其写一个Web前端页面，本次项目使用到的技术栈为Vue3+TS+Vite+Ant-Design+Axios，项目已经上传至CSDN，链接如下：https://download.csdn.net/download/air__Heaven/88492769

下载后，解压并打开终端，输入npm i安装依赖，然后打开vite.config.ts，将sdapi和controlnet的api改为HAI服务器的地址和端口：

然后输入npm run dev运行项目，就可以愉快的开始玩耍了！

其中main.vue中的核心代码如下：

// 定义文生图请求函数
async function txt2Img() {
   // 每次请求之前清空浏览器的 localStorage 中的缓存
   txt2imgReqStorage.value = null
   txt2imgResultStorage.value = null

   // 清空轮播图
   txt2img_imgs.value = []

   // 如果启用了 ControleNet 则将 ControlNet 相关组件中的参数填充到 文生图请求参数中
   if (controlNetEnable.value === true) {
      console.log(imgFileList.value)
      if (imgFileList.value?.length === 0) {
         message.error("ControlNet已启用，请上传图片")
         return
      }
      if (controlNet_payload.value.module === '') {
         message.error("ControlNet已启用，请选择预处理器")
         return
      }
      if (controlNet_payload.value.model === '') {
         message.error("ControlNet已启用，请选择模型")
         return
      }

      imgFileList.value?.forEach((value, index) => {
         if (index === 0) {
            controlNet_payload.value.input_image = value.thumbUrl || ''
         }
      })
      txt2img_payload.value.alwayson_scripts = {
         controlnet: {
            args: [controlNet_payload.value]
         }
      }
   } else {
      txt2img_payload.value.alwayson_scripts = {}
   }

   // 打印请求参数
   console.log("文生图请求参数：", txt2img_payload.value)
   // 将请求参数保存在浏览器的 localStorage 中
   txt2imgReqStorage.value = txt2img_payload.value;
   //开始请求
   message.loading('正在请求...', 10)
   // 文生图api调用
   const resp = await axios.post('/sdapi/v1/txt2img', txt2img_payload.value)
   // 打印请求结果
   console.log("文生图响应结果：", resp)
   if (resp.data) {
      message.success('请求成功！')
      // 提取请求结果中的图片
      txt2imgRes.value = resp.data
      // 定义一个临时数组，该数组将赋值给 txt2imgResultStorage
      let tempArr = ref<string[]>([])
      txt2imgRes.value?.images.forEach((value: string, index: number) => {
         txt2img_imgs.value.push('data:image/png;base64,' + value)
         // 临时数组中只存放2张图片，防止赋值给 txt2imgResultStorage 后超过5M（localStorage最大支持5M），抛出异常
         if (index < 2) {
            tempArr.value.push('data:image/png;base64,' + value)
         }
      })
      //将提取的请求结果中的图片保存在浏览器的 localStorage 中，如果叠加显示每次生成的图片，请把以下三行代码的注释去掉即可
      // if (tempArr.value.length > 0) {
      //     txt2imgResultStorage.value = tempArr.value
      // }
   } else {
      message.error('请求失败！')
   }
}

// 获取文生图的采样方法
async function txt2ImgSampler() {
   const resp = await axios.get("/sdapi/v1/samplers")
   console.log("采样方法：", resp)
   txt2ImgSamplerRes.value = resp.data
   txt2ImgSamplerRes.value?.forEach((sampler: Txt2ImgSamplers) => {
      txt2ImgSamplerOptions.value?.push({
         value: sampler.name,
         label: sampler.name
      })
   })
}

// 获取 ControlNet 的 Preprocessor 的值
async function controlNetPreProcessors() {
   const resp = await axios.get('/controlnet/module_list')
   console.log("ControlNet-Preprocessor：", resp)
   controlNetModuleRes.value = resp.data
   controlNetModuleRes.value?.module_list.forEach((module: string) => {
      controleNetModuleSelect.value?.push({ value: module, label: module })
   })
}

// 获取 ControlNet 的 Model 的值
async function controlNetModels() {
   const resp = await axios.get('/controlnet/model_list')
   console.log("ControlNet-Model：", resp)
   controlNetModelRes.value = resp.data
   controlNetModelRes.value?.model_list.forEach((model: string) => {
      controleNetModelSelect.value?.push({ value: model, label: model })
   })
}

// 该函数将在页面每次加载后进行调用
onMounted(() => {
   // 页面加载后获取保存在浏览器的 localStorage 中的数据去填充组件的输入
   if (Object.keys(txt2imgReqStorage.value).length !== 0) {
      txt2img_payload.value = txt2imgReqStorage.value
   }
   if (txt2imgResultStorage.value.length > 0) {
      txt2img_imgs.value = txt2imgResultStorage.value
   }

   // 调用获取文生图采样方法的函数
   txt2ImgSampler()
   // 调用获取 ControlNet 的 Preprocessor 的函数
   controlNetPreProcessors()
   // 调用获取 ControlNet 的 Model 的函数
   controlNetModels()
})

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122

其中定义一个名为txt2Img的异步函数，用于处理文生图请求。函数根据是否启用了ControlNet，将ControlNet相关组件中的参数填充到文生图请求参数中。最后，打印请求参数并将其保存在浏览器的localStorage中，然后开始发送请求。

定义一个名为txt2ImgSampler的异步函数，用于获取文生图的采样方法。该函数通过调用API接口获取采样方法数据，并将其存储在txt2ImgSamplerRes变量中。

定义了两个异步函数controlNetPreProcessors和controlNetModels，分别用于获取ControlNet的预处理器和模型的值。这两个函数都通过调用API接口获取相应的数据，并将其存储在相应的变量中。

在页面加载后，调用onMounted函数。在该函数中，首先从浏览器的localStorage中获取保存的数据并填充到组件的输入中。然后依次调用txt2ImgSampler、controlNetPreProcessors和controlNetModels函数，以获取采样方法、预处理器和模型的值。

五、使用腾讯云Cloud Studio 快速云上开发

如果本地没有安装VSCode，也可以使用目前比较火的云IDE，选择打开腾讯云Cloud Studio，选择开发空间的手动创建并立即创建，自定义模板配置如下：

同样，将之前下载的压缩包上传到Cloud Studio开发空间的工作目录中，打开终端，输入解压命令unzip sd_api.zip，解压完成后，后面的步骤与第四章基本相同，即在终端窗口输入命令cd进入文件夹，然后输入npm install安装依赖包，等待依赖完成安装后就可以输入npm run dev启动Web项目了。

最后别忘了销毁HAI服务器和暂停腾讯云Cloud Studio使用空间。

六、高性能应用服务HAI使用感受

整体流程体验下来，HAI作为一款面向AI和科学计算的GPU应用服务产品，具有高性能计算能力、即插即用的云服务、灵活的配置选项、广泛的软件支持和安全保障等优点，是开发者进行复杂科学计算和AI模型训练的理想选择。

1. 高性能计算能力：HAI基于腾讯云GPU云服务器底层算力，提供高性能计算能力，能够满足复杂科学计算和AI模型训练的需求。
2. 即插即用的云服务： HAI提供即插即用的高性能云服务，无需复杂配置，开发者可以快速启动和部署GPU计算任务。
3. 灵活的配置选项：HAI提供灵活的配置选项，用户可以根据自己的需求和预算选择不同的GPU实例类型和配置项等。
4. 丰富的软件支持：HAI为客户提供了广泛的软件支持，包括流行的GPU应用程序和开发框架，如TensorFlow, PyTorch等，可以方便用户进行AI模型的训练和部署。
5. 安全保障：腾讯云拥有高水准的安全防护机制和服务，保障用户的数据和计算任务的安全可靠。

【腾讯云HAI域探秘】活动目前正在进行中，本次活动是由腾讯云和CSDN联合推出的开发者技术实践活动，活动将通过技术交流直播、动手实验、有奖征文等形式，带您深入沉浸式体验腾讯云高性能应用服务HAI。在本次活动中，只要完成各个环节任务，不仅可以参与AIGC创作抽奖、优秀博文的评选，还可以获取相应的积分，参加最终的积分排行榜，获取丰厚的活动礼品。

最后