2025最新如何在本地部署 Stable Diffusion3.5超详细完整教程

2025最新如何在本地部署 Stable Diffusion3.5超详细完整教程

在本地部署 Stable Diffusion 3.5:让 AI 绘图更便捷

前言

随着人工智能的快速发展,图像生成技术日益成熟,Stable Diffusion 3.5 作为一款强大的 AI 绘图工具,广泛应用于设计师、创作者等人群的视觉内容生成。它能够通过文本提示生成高质量图像,且具备较高的可控性和细腻的生成效果。

然而,默认情况下,Stable Diffusion 3.5 仅能在局域网内运行,远程操作或者出门时调整参数、查看进度会受到限制。在本文中,我们将通过本地部署的方式,帮助您克服这一限制,实现更加灵活的使用。

提示:不同型号的 Stable Diffusion 对硬件要求有所不同。以 Large Turbo 版本为例,推荐配备至少 8GB 显存以保证流畅运行。
文章目录在本地部署 Stable Diffusion 3.5:让 AI 绘图更便捷前言1. 本地部署 ComfyUI环境准备步骤 1:下载 ComfyUI步骤 2:选择合适的脚本步骤 3:启动 ComfyUI步骤 4:设置中文语言2. 下载 Stable Diffusion 3.5 模型模型选择步骤 1:下载模型文件步骤 2:下载 Clip 编码器文件步骤 3:运行 ComfyUI 服务3. 演示文生图步骤 1:加载示例工作流步骤 2:设置模型步骤 3:输入提示词并生成图像总结

1. 本地部署 ComfyUI

环境准备

  • 操作系统:Windows 11 专业版
  • 显卡要求:至少 8GB 显存

步骤 1:下载 ComfyUI

访问 ComfyUI 的官方 GitHub 页面,下载最新版的免安装版:

打开 GitHub 页面后,找到免安装版并下载解压至本地目录。

ComfyUI GitHub 下载页面

步骤 2:选择合适的脚本

在解压后的文件夹中,您会看到 run_cpurun_nvidia_gpu 两个脚本。run_cpu 是通过 CPU 解码,而 run_nvidia_gpu 则是通过 NVIDIA 显卡加速,后者运行速度更快。

选择适合您硬件的脚本,双击运行。

ComfyUI 运行脚本

步骤 3:启动 ComfyUI

运行脚本后,打开浏览器并访问 http://127.0.0.1:8188,即可进入 ComfyUI 的控制界面。

ComfyUI 页面

默认界面是英文,我们接下来设置为中文,以便更好地进行操作。

步骤 4:设置中文语言

  1. 下载中文语言包:中文插件下载链接
  2. 将解压后的文件放入 ComfyUI 根目录下的 custom_nodes 文件夹中。
中文语言包配置
  1. 回到 ComfyUI,进入设置并选择中文语言。
ComfyUI 设置中文

至此,ComfyUI 界面已经切换为中文,操作更加直观。

2. 下载 Stable Diffusion 3.5 模型

模型选择

Stable Diffusion 3.5 系列有多个版本,本教程使用的是 Stable Diffusion 3.5 Large Turbo 版本。

  • Stable Diffusion 3.5 Large:适合需要高质量图像的专业用户,建议使用 16GB 以上显存。
  • Stable Diffusion 3.5 Large Turbo:速度更快,生成过程更高效,推荐 8GB 显存。
  • Stable Diffusion 3.5 Medium:较为轻量,适合消费级硬件。

点击以下链接下载 Large Turbo 版本模型文件:

步骤 1:下载模型文件

在下载页面找到 sd3.5_large_turbo.safetensors 文件,并将其保存到 ComfyUI 的 models/checkpoint 文件夹中。

模型下载

步骤 2:下载 Clip 编码器文件

接下来,下载以下 Clip 编码器文件并将其保存至 ComfyUI 的 models/clip 文件夹中:

Clip 编码器下载

步骤 3:运行 ComfyUI 服务

回到 ComfyUI 根目录,运行一键脚本启动服务。

3. 演示文生图

步骤 1:加载示例工作流

将下载的 SD3.5L_Turbo_example_workflow.json 文件拖入 ComfyUI 界面中。

加载工作流

步骤 2:设置模型

在左侧的 Clip 设置中,选择刚刚下载的模型。

设置模型

步骤 3:输入提示词并生成图像

在中间的 CLIP 文本编码器中输入提示词,点击右侧的“添加提示词队列”按钮。

生成图像

生成图像后,您就可以看到在本地成功运行的 Stable Diffusion 3.5 模型生成的图像,操作更加便捷。

总结

恭喜您!通过本教程,您已经成功在本地部署了 Stable Diffusion 3.5 模型,并搭建了自己的 AI 绘画工作站。以下是整个部署过程的总结:

  • 第一步:搭建工作台
    • 下载并解压 ComfyUI 免安装版。
    • 启动服务,安装中文插件,完成环境配置。
  • 第二步:安装模型
    • 下载并安装 Stable Diffusion 3.5 Large Turbo 模型及所需的 Clip 编码器。
    • 将模型文件准确放入 ComfyUI 对应文件夹。
  • 第三步:启动并测试
    • 重启 ComfyUI 服务,加载示例工作流。
    • 输入提示词并生成第一张图像。

您已成功完成本地部署,并可以开始探索更多的功能和高级工作流。如果您希望将其转换为公网地址,便于远程访问,建议参考相关教程进行配置。

感谢您跟随本教程完成部署,祝您的创作之旅愉快!

Read more

【实践】操作系统智能助手OS Copilot新功能测评

【实践】操作系统智能助手OS Copilot新功能测评

一、引言         数字化加速发展,尤其人工智能的发展速度越来越快。操作系统智能助手成为提升用户体验与操作效率的关键因素。OS Copilot借助语言模型,人工智能等,对操作系统的自然语言交互操作 推出很多功能,值得开发,尤其运维,系统操作等比较适用,优化用户与操作系统的交互模式。本次测评,按照测评指南进行相关测评,得出下面的测评报告。 二、OS Copilot简介         OS Copilot 是一款致力于深度融合于操作系统的智能助手,它旨在成为用户与操作系统交互的得力伙伴 。通过先进的自然语言处理技术和机器学习算法,OS Copilot 能够理解用户多样化的指令,将复杂的操作系统操作简单化。         在日常使用场景中,无论是文件管理、应用程序的操作,还是系统设置的调整,OS Copilot 都能提供高效的支持。例如,在文件管理方面,用户无需手动在层层文件夹中查找文件,只需通过描述文件的大致信息,如创建时间、文件内容关键词等,就能快速定位到目标文件。         对于应用程序,它不仅能根据用户的使用习惯智能启动,还能在应用程序运行时进行优化,确保

FPGA卷积神经网络硬件加速终极指南:从零部署到性能优化完整教程

FPGA卷积神经网络硬件加速终极指南:从零部署到性能优化完整教程 【免费下载链接】CNN-FPGA使用Verilog实现的CNN模块,可以方便的在FPGA项目中使用 项目地址: https://gitcode.com/gh_mirrors/cn/CNN-FPGA 在人工智能边缘计算快速发展的今天,FPGA凭借其独特的并行架构和可重构特性,在CNN硬件加速领域展现出前所未有的优势。本项目提供了一套完整的Verilog实现方案,让开发者能够快速在FPGA平台上部署高性能的AI推理应用,特别适合对实时性要求极高的工业视觉、自动驾驶等场景。 全并行架构突破:零延迟计算新范式 无时钟组合逻辑设计 本项目的核心创新在于采用了全并行计算架构,摒弃了传统的流水线设计。所有卷积核同时进行计算,通过组合逻辑实现真正的零延迟输出。这种设计理念虽然对FPGA资源要求较高,但在实时处理性能方面具有革命性优势。 架构设计亮点: * 即时响应:输入数据立即可获得计算结果 * 高度可配置:支持多种卷积核尺寸和步长参数 * 模块化封装:各功能单元独立设计,便于系统集成 核心模块深度解析与实战应

无人机电机与电子调速器模块详解

无人机电机与电子调速器模块详解

一、 无刷电机 无人机主要使用无刷直流电机,因为它具有效率高、寿命长、功率密度大、维护简单的优点。 1. 关键参数: 尺寸: 通常以4位数字表示,如 `2207`、`2306`。 前两位:定子( stator )的直径(单位:毫米),如 22mm。 后两位:定子的高度(单位:毫米),如 07mm。 简单理解:尺寸越大,通常扭矩和功率潜力越大,但也更重。 KV值: 最重要的参数之一。指在空载、1伏特电压下,电机每分钟的转速(RPM)。 低KV电机(如 800KV-1500KV):在给定电压下转速较低,但扭矩更大。通常搭配大尺寸螺旋桨,用于大型机架、长途巡航、载重无人机。 高KV电机(如 2000KV-3000KV+

基于目标偏置与双向APF-RRT*的无人机动态避障轨迹优化

1. 无人机轨迹规划:为什么传统方法在动态环境里“不够看”? 大家好,我是老张,在无人机和机器人路径规划这个领域摸爬滚打了十几年。今天想和大家聊聊一个非常实际的问题:无人机在复杂、动态的环境里,怎么才能规划出一条既安全又高效的飞行路线? 这听起来像是个科幻电影里的场景,但其实是当下无人机物流、巡检、应急救援等领域必须啃下的硬骨头。 想象一下,你操控一架无人机在布满高楼、树木,甚至还有其他飞行器的城市峡谷里穿梭。传统的路径规划方法,比如经典的 RRT(快速探索随机树) 算法,就像是一个蒙着眼睛的探险家。它会在整个空间里随机“扔飞镖”(采样点),然后尝试把飞镖落点连起来形成路径。这种方法虽然能保证最终找到一条路,但效率实在太低了,规划出的路径往往歪歪扭扭,像喝醉了酒一样,而且对动态障碍物反应迟钝。我在早期项目里没少吃这个亏,无人机要么撞上突然出现的飞鸟,要么规划的路径绕了十万八千里,电量耗尽都飞不到目的地。 后来有了 RRT* 算法,它在RRT的基础上增加了“重布线”和“父节点重选”的优化步骤,能让路径长度逐渐逼近最优,算是很大的进步。但它在面对动态环境时,依然有个核心问题: