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。
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：
- 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。
- 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.shWindows：
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：
- 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）；
- 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； - 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）； - 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
- 仓库层 ：
git clone完成，目录里有webui.sh/webui-user.bat； - 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； - 模型层：模型下拉列表里能选到你放进去的 checkpoint；
- 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 |
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。