Stable Diffusion安装（非秋叶包一键部署）_秋叶包配置运行参数

Stable Diffusion安装与配置详细步骤 

一 、下载前置资源 

下载CUDA 

1. 查看CUDA版本 

通过以下命令查看CUDA版本： 

nvidia-smi 
复制 

确保CUDA版本符合要求。 

2. 下载CUDA 

• 访问NVIDIA官网获取当前版本CUDA：CUDA Toolkit Downloads 

• 获取旧版本CUDA：CUDA Toolkit Archive 

下载Visual Studio和visual-cpp-build-tools 

官网： 
Visual Studio 2022 IDE - 适用于软件开发人员的编程工具 (microsoft.com) 
Microsoft C++ Build Tools - Visual Studio

3. 下载和安装MiniConda 

4. 安装Visual Studio和CUDA 

安装Visual Studio和CUDA，确保环境配置完整。 

二、安装stable-diffusion-webui 

1. 克隆webui 

使用以下命令克隆webui项目： 

git clone git@github.com:AUTOMATIC1111/stable-diffusion-webui.git 
复制 

2. 解决bug 

1. 在文件webui.py中搜索“shared.demo.launch”并进行必要的修改。 
   

1. 下载必要文件到openai文件夹，例如： 

git clone https://www.modelscope.cn/AI-ModelScope/clip-vit-large-patch14.git 
复制 

1. 编辑webui-user.bat文件，添加修改显卡参数 
   跳转到显存优化命令写法 

1. 修改端口号位置防止和ollama冲突 
   在/stable-diffusion-webui/webui-user.sh文件中，修改端口号位置，例如： 

export COMMANDLINE_ARGS="--xformers --medvram --theme=dark --port=8888" 
复制 

3 安装依赖和运行 

打开cmd到相应路径 

conda create -n StableDiffusion python=3.10.6 
conda activate StableDiffusion 
pip install insightface==0.7.3 
复制 

运行服务： 

conda activate StableDiffusion 
webui-user.bat 
复制 

1. 安装汉化插件 
   汉化包我们选择 stable-diffusion-webui-chinese, 
   

1. (Extensions -> Install from URL), 

1. https://github.com/VinsonLaro/stable-diffusion-webui-chinese 

1. 点击安装时 
   安装完成后, 点击页面底部的 Reload UI 
    
    
   使用翻译插件 

1. 选中 

1. 应用 

1. 重启 
   

8. 安装插件和下载模型 

• 安装插件路径：插件路径 

• https://gitcode.net/rubble7343/sd-webui-extensions/raw/master/index.json 
  

• 下载基础模型地址：Stable Diffusion Models 

其他问题的解决办法 

1 pip问题 

如果出现ModuleNotFoundError: No module named ‘pip’错误，可以通过以下命令修复： 

python -m ensurepip 
python -m pip install --upgrade pip 
复制 

2.onnxruntime问题 

查看对应cuda版本的onnxruntime 
NVIDIA - CUDA | onnxruntime 
在onnxruntime版本与CUDA等版本均对应，但却出现上面的警告信息，且没有查看到GPU调用。 

考虑是不是onnxruntime压根没找到GPU，所以尝试了下面的代码： 

import onnxruntime 
onnxruntime.get_device() # 得到的输出结果是GPU，所以按理说是找到了GPU的 
print("use"+onnxruntime.get_device()) 
复制 

如果是cpu，就那么就删除所有onnxruntime相关的库文件，重新安装 

python -m pip install -U pip 
pip uninstall -y onnxruntime onnxruntime-gpu onnxruntime-silicon onnxruntime-extensions 
pip install "onnxruntime-gpu>=1.16.1" 
复制 

参考：ONNX模型推理 ｜ ONNX Runtime 找不到 CUDA，推理只能用 CPU 时的解决方案 - 知乎 (zhihu.com) 

3. 解决网页无法打开问题 

这种情况把提前网路全部断开也可以成功启动 
若启动成功但网页无法打开，可尝试下载插件： 

• 下载插件链接1

• 下载插件链接2 
  打开任意一个链接下载即可 

以下是对各个显存优化命令的写法: 

一、低显存优化命令示例 

1. 如果您有 4GB VRAM 并且想要制作 512x512（或最高 640x640）的图像，使用以下命令： 

set COMMANDLINE_ARGS=--medvram 
复制 

1. 如果您有 4GB VRAM 并且想要制作 512x512 图像，但遇到内存不足错误，尝试以下命令： 

set COMMANDLINE_ARGS=--medvram --lowvram --always-batch-cond-uncond 
复制 

1. 如果您有 4GB VRAM 并且想要生成比通常使用的显存容量更大的图像，尝试以下命令： 

set COMMANDLINE_ARGS=--medvram --lowvram 
复制 

二、性能优化参数表 

• --opt-sdp-attention：可能比在某些系统上使用 xformer 的速度更快，但需要更多的 VRAM。 

• --xformers：使用xformers库，内存消耗和速度有显著改进。 

• --force-enable-xformers：无论程序认为您是否可以运行它，都启用 xformers。 

• --medvram：使稳定扩散模型消耗更少的 VRAM，降低性能。 

• --lowvram：对上述内容进行更彻底的优化，对性能有破坏性。 

• --no-half：不将模型切换到 16 位浮点数。 

三、个人总结优化命令 

根据您的个人总结，您可以尝试以下命令来生成图像： 

set COMMANDLINE_ARGS=--lowvram --xformers --no-half --autolaunch 
复制 

通过以上优化命令，您可以在低显存环境下尝试生成图像，平衡速度和显存消耗，提高稳定扩散模型的性能和效率。请根据您的实际情况和需求选择合适的优化参数。 
参考：原生Stable Diffusion本地部署伪保姆级（第六篇）--开启SD之旅（3）-性能优化 - 知乎 (zhihu.com)