#  Stable Diffusion文生图：本地 AI 绘画事实标准入门

> Stable Diffusion 和它的经典界面 WebUI——在本地把一句描述变成一张图，显存门槛比很多人想象得低，4 GB 就能起步。这一篇从选版本（1.5 还是 XL）讲到出第一张图，再讲到用 LoRA 换风格，把新手最容易卡住的几步一次走完。

![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12801654/88583de8afe89ad14dcf7cceabc64696.png)


## 一、为什么需要它

本地 AI 部署这条路上，Stable Diffusion 是**图像生成的事实标准**——搜索"本地 AI 绘画"、"Stable Diffusion 安装"的人，多半是在找同一件事：在自己电脑里跑一个文生图服务，不用把提示词和成品交给任何云平台。它的吸引力来自三点：开源可私有化（数据不出本机）、生态庞大（SD1.5 时代积累的海量 LoRA/模型/checkpoint）、硬件门槛在可接受范围（4 GB+ 显存就能跑 SD1.5，这在整个 AI 硬件里都算下限友好）。

再说"为什么是现在"：2025-2026 年的 SD 生态比两年前厚得多——LoRA 让"画风/角色"变成了可插拔的小文件（100-300 MB），社区模型站里随便一个细分领域（二次元、写实人像、国风水墨）都有一批打磨过的权重，下载下来叠加到基模上就能出图，零训练成本。这也是"Stable Diffusion 教程"长盛不衰的原因：它不只是一个模型，而是一整套"基模 + 微调权重 + 界面"的完整生态，而且整条链路都能落在本地。


WebUI 是最常见的入口。这里先立两个口径：

1. **界面选型**：本篇主线是 AUTOMATIC1111 的 stable-diffusion-webui（参数齐全、教程丰富、LoRA 生态成熟）；如果你后面要玩"节点式工作流"（把出图流程画成流程图），那是 ComfyUI 的领地，见《AI-23 ComfyUI节点式工作流》。两条路线后端都吃同一批 SD 模型，不冲突。
2. **模型代际**：SD1.5 → SDXL → Flux.1 是一路演进的关系。按本系列的新颖性原则，**追求画质上限的新用户，2025-2026 年的主流选择已经是 Flux 家族**（见《AI-24 Flux与SDXL模型进阶》）；但 SD1.5 的生态体量（LoRA、ControlNet、工作流教程）仍然居前，而且它是少数能在 4 GB 显存上跑起来的主力模型之一，所以入门篇仍然以 SD1.5/SDXL 为主线展开，Flux 作为进阶方向给出交叉链。

## 二、环境要求

| 项目 | 要求 | 说明 |
|------|------|------|
| 显卡 | N 卡（SD1.5：4 GB+ 可跑；SDXL：12 GB 舒适 / 8 GB 需 fp16+优化） | 显存估算为经验值（AI-05 公式同样适用） |
| CPU / 内存 | 8 核以上 / 16 GB+（经验值） | SDXL 出图内存占用更高 |
| 磁盘 | 每套 checkpoint 5 GB 量级，预留 50 GB+ | 模型目录远离 C 盘（系列惯例） |
| 软件 | git + Python 3.10/3.11/3.12 | Python 环境见《AI-03 Python环境与虚拟环境》 |
| 网络 | 首次要 git clone 仓库 + 下载模型 | 国内方案见 3.2/3.3 与第六节 |

GPU 不是"必须"：WebUI 可以纯 CPU 跑（加 `--cpu` 参数），但出图时间从分钟级退化到小时级，只适合体验不适合日常——非 N 卡用户先读《AI-30 非N卡方案与整套自检》。

## 三、安装与部署

### 3.1 克隆仓库

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

国内访问 GitHub 不稳（clone 极慢/失败）是高频坑，走镜像站/代理，或直接下 Release 压缩包（与《AI-06 模型下载全攻略》同一思路）。**具体启动命令与依赖安装方式，以官方仓库 README 当前版本的说明为准**——不同版本 README 的细节（如 Python 要求）会变，别照抄两年前的教程。

我一般的做法：克隆完成后**先读一遍 README**，确认它对 Python 的要求（3.10/3.11/3.12 区间内，具体以仓库当前说明为准）与本机一致再启动。启动脚本会在仓库目录下自建虚拟环境并装 PyTorch 等一堆依赖——这意味着首次启动会下载几个 GB 的东西，磁盘与带宽都要留足余量，这也是为什么环境要求里把磁盘单独列出来。


### 3.2 启动 WebUI

Linux：

```
./webui.sh
```

Windows：

```
webui-user.bat
```

首次启动会自动创建 Python 环境并安装依赖，时间从十几分钟到半小时不等（取决于网络），**中途断网直接重跑同一条命令**，安装支持续传。启动成功后终端打印本地地址（默认 `http://127.0.0.1:7860`），浏览器打开即见两个标签页：txt2img（文生图，本篇主角）与 img2img（图生图）。

两个体感提醒：一是**首次启动的进度条可能停在某个依赖上不动**，多半是网络慢而不是卡死，耐心等待或重跑续传；二是启动日志很长，**报错通常出现在日志尾部**，排错时把最后几十行截下来，比从头翻效率高得多。


### 3.3 下载模型并放对位置（国内网络重点）

WebUI 启动时如果 `models/Stable-diffusion` 目录是空的，它不会自带任何模型——**模型必须自己下载**。步骤：

1. 从 HuggingFace 选一个 SD1.5 checkpoint（SD1.5 生态规模大，任选社区高评分模型即可，具体 repo 以 HF 站点实时列表为准）；
2. 国内网络直连 huggingface.co 会卡住/超时，两条路：设 `HF_ENDPOINT=https://hf-mirror.com` 后用 huggingface-cli 下载（命令详见《AI-06 模型下载全攻略》），或浏览器直接从 hf-mirror.com / ModelScope 下 `.safetensors` 文件；
3. 把 `.safetensors` 文件放进 `models/Stable-diffusion` 目录（子目录一般也认，以仓库说明为准）；
4. WebUI 里点模型下拉框旁的刷新按钮，列表出现即成功。

经验提醒：`.safetensors` 比老式 `.ckpt` 更安全（不执行任意代码），**优先选 safetensors 文件**，这是 SD 社区的基本共识。

## 四、验证

1. **仓库层**：`git clone` 完成，目录里有 `webui.sh` / `webui-user.bat`；
2. **启动层**：`./webui.sh`（或 bat）跑完依赖安装，终端打印 `http://127.0.0.1:7860` 本地地址；
3. **模型层**：模型下拉列表里能选到你放进去的 checkpoint；
4. **出图层**：txt2img 里输入 `a cat, studio light`，按 5.1 的新手参数点 Generate，几十秒到几分钟内出图且画面正常（不是全黑、不是彩噪）。

四层全过 = 部署成功。卡在哪层，第六节有对应条目。这四层顺序也是排错顺序——网络层不通（clone/下载失败）先不要怀疑 GPU；模型层没放对文件，后面调参数也难见效。我一般把第 4 步当成"毕业考"：出一张能看的图，比前面所有"启动成功"的提示加起来都更能说明问题。


## 五、进阶技巧

### 5.1 核心参数：新手推荐值（经验值）

txt2img 面板里新手最常调的六项：

| 参数 | 作用 | 新手推荐 |
|------|------|----------|
| Prompt 提示词 | 正向描述，逗号分隔多个特征 | 写"主体 + 风格 + 光线"，英文效果更好 |
| Negative prompt 负面提示词 | 不想要什么（低质特征） | `lowres, bad anatomy, bad hands, blurry`（社区通用起手式） |
| Sampler 采样器 | 去噪算法 | 先固定用一个（如 DPM++ 2M Karras 类，以界面当前列表为准），别先纠结采样器 |
| Steps 步数 | 去噪迭代次数 | 20-30 起步，再加基本无感 |
| CFG Scale 提示词相关性 | 贴图程度 | 7 上下；太小跑题、太大画面"过饱和" |
| 尺寸 | 分辨率 | SD1.5 建议 512×512 起步；SDXL 建议 1024×1024（各自训练分辨率，跨用出图质量差） |

两条体感：**SD1.5 用 512 尺寸出图、想更大就出小图后放大**，直接开 1024 容易崩脸；**负面提示词的作用比新手想象的大**，空着负面提示词的出图质量普遍差一截。

把这两条展开：所谓"崩脸"是因为模型主要在学习它的训练分辨率附近工作，强行放大等于让它外推，解剖结构最容易先坏；负面提示词则是"白名单 + 黑名单"的另一半——正向提示词只说你要什么，不告诉你模型该避开什么，负面提示词就是那组"社区公认的低质特征黑名单"，是几百万次出图攒下来的经验，直接抄起手式比自己摸索快得多。


### 5.2 LoRA 与 Embedding：小体积的风格/角色微调

**LoRA** 是 SD 生态的关键特性：一个 LoRA 权重文件通常只有 **100 MB-300 MB**（对比基模 checkpoint 5 GB 量级），装进 WebUI 的 LoRA 下拉框、强度给 0.6-1.0 试，就能给基模叠加特定画风、角色或概念。理解 LoRA 只需一句话：**它是"给基模外挂的小补丁"**，多个 LoRA 还能叠着用。训练自己的 LoRA（用 10-30 张图训出你的角色/画风）见《AI-37 LoRA微调训练实战》。

**Embedding（Textual Inversion）** 更小（几 MB 量级），本质是"一个词 = 一种微调概念"，常用来修正基模的常见缺陷（如特定缺陷的负面 Embedding）。新手顺序：先用现成 LoRA 体验效果 → 想要特定角色再考虑训练。

### 5.3 显存不足？启动参数降级（参数名以仓库说明为准）

低显存机器不要直接放弃，WebUI 提供了一组启动参数把"显存放不下"的模型压进显存，代价是速度：

- **`--medvram`**：中等显存优化，显存不够时自动把部分计算卸载到内存。8 GB 卡跑 SDXL 的常用档位；
- **`--lowvram`**：更激进的拆分，4-6 GB 卡跑 SDXL 时再上它；
- **`--cpu`**：纯 CPU 兜底，不占显存，速度极慢（小时级出图）。

用法：把参数追加到启动命令/启动器里（Linux 是 `./webui.sh --medvram` 这类写法，**具体以仓库 README 与启动器设置为准**）。选档思路：先裸跑，报显存不足才加；`--medvram` 不够再 `--lowvram`，能不上 `--cpu` 就不上。

顺带交代和 ComfyUI 的关系：ComfyUI（AI-23）的显存优化参数名不同（如 `--novae`、`--medvram`、`--lowvram`、`--cpu` 兜底），思路完全一致——都是"显存放不下时，用内存/速度换空间"。同一批模型文件两个界面通用，所以本篇练出的显存判断在换界面时直接复用。


## 六、故障排查（按层定位）

| # | 症状（报错原文） | 层 | 原因 | 解决 |
|---|------------------|----|------|------|
| 1 | `git clone` 极慢/失败（GitHub） | 网络 | 国内访问 GitHub 不稳 | 走镜像站/代理，或直接下 Release 压缩包（《AI-06 模型下载全攻略》同一思路） |
| 2 | `HuggingFace 下载卡住 / ConnectionError / 超时`（下 checkpoint 时） | 网络 | 国内访问 huggingface.co 受限 | `set HF_ENDPOINT=https://hf-mirror.com`（Win）/ `export HF_ENDPOINT=https://hf-mirror.com`（Linux）；或浏览器直下 hf-mirror.com / ModelScope 的 `.safetensors` |
| 3 | 模型加载失败（列表里看不到 / 选中后报错） | 应用 | 文件没放进 `models/Stable-diffusion`，或下载不完整（0 字节/半截文件） | 检查文件后缀与大小是否与来源页一致；删掉重下；放好后点 WebUI 模型刷新按钮 |
| 4 | 出图时 `CUDA error: out of memory` / `torch.cuda.OutOfMemoryError` | 显存 | 分辨率/批大小超出显存，或后台进程占卡 | 降分辨率（SD1.5 回 512×512）、batch 设 1；`nvidia-smi` 查谁在占显存并清掉；再不行按 5.3 加 `--medvram`/`--lowvram`（方法见《AI-28 CUDA报错大全与排查》） |
| 5 | `CUDA error: no kernel image is available for execution on the device` | 驱动/框架 | WebUI 依赖装的 PyTorch wheel 与显卡架构不匹配 | 重装与显卡匹配的 PyTorch（pytorch.org 选择器，详见《AI-02 PyTorch安装与验证》）；老卡注意别装太新的 CUDA 编译版 |
| 6 | `torch.cuda.is_available()` 返回 `False`（WebUI 提示无 GPU、走 CPU） | 驱动/框架 | 装了 CPU 版 PyTorch，或驱动过老 | 重装对应 cuXXX 版 wheel；升级 NVIDIA 驱动到支持对应 CUDA 的版本 |
| 7 | 界面打开正常但提示词中文乱码 | 应用 | 编码问题（个别终端/字体环境）或模型不识别中文提示词 | 出图提示词优先用英文（SD 系模型以英文训练为主）；界面乱码则检查系统字体与 WebUI 终端编码（以仓库 issue 区当前方案为准） |
| 8 | WebUI 端口打不开 / 提示端口被占 | 端口 | 7860 被其他服务占用 | `netstat -ano \| findstr :7860`（Win）/ `lsof -i:7860`（Linux）找占用进程；或按仓库说明换端口启动 |

排错顺序：**网络层（clone/下载顺不顺）→ 模型层（文件放没放对）→ 驱动/框架层（GPU 认不认）→ 显存层（装不装得下）→ 应用层（出不出图）**。新手出不了图的情况多卡在前两层，先确认模型文件确实放在 `models/Stable-diffusion` 里，再怀疑其他因素。

Stable Diffusion 和它的经典界面 WebUI——在本地把一句描述变成一张图，显存门槛比很多人想象得低，4 GB 就能起步。这一篇从选版本（1.5 还是 XL）讲到出第一张图，再讲到用 LoRA 换风格，把新手最容易卡住的几步一次走完。

Stable Diffusion文生图：本地 AI 绘画事实标准入门

编程语言

本地AI绘画入门首选Stable Diffusion，4GB显存即可运行。从版本选型（SD1.5/SDXL）、WebUI安装部署到LoRA风格扩展，本文提供完整实操指南，涵盖环境配置、模型下载、核心参数调优与常见故障排查，助你快速在本地实现文生图。

代码解释

AI绘画

Python

GitHub

Linux

LoRa

4核4G3M云服务器 新用户低至38元/年！

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

Stable Diffusion文生图：本地 AI 绘画事实标准入门-腾讯云开发者社区-腾讯云

Stable Diffusion文生图：本地 AI 绘画事实标准入门

Stable Diffusion文生图：本地 AI 绘画事实标准入门

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐