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：

体验高性能应用服务HAI启动 StableDiffusionWebUI 进行文生图模型推理；

使用高性能应用服务HA的JupyterLab连接进行 StableDiffusion API 的部署；

使用本地IDE调用 StableDiffusion API 的前端Web页面，实现私服一键文生图；

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

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）

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

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

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

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）

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：

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；

采样方式推荐使用Euler a、DDIM、DPM ++ 2M Karras这三个；

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；

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；

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：

bash 复制代码

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

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：

javascript 复制代码

{
     "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" 
}

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：

javascript 复制代码

{
   "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
}

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：download.csdn.net/download/ai...

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：

javascript 复制代码

// 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()
})

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。

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。

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。

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。

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。

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

💖 个人简介：人工智能领域研究生，目前主攻文本生成图像（text to image）方向

📝 个人主页：中杯可乐多加冰

🔥 限时免费 订阅：文本生成图像T2I专栏

🎉 支持我：点赞👍+收藏⭐️+留言📝

另外，我们已经建立了微信T2I学习交流群，如果你也是T2I方面的爱好者或研究者可以私信我加入。

【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

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

三、使用 HAI JupyterLab连接进行 StableDiffusion API 的部署