共绩算力 RTX 5090 极速部署 Stable Diffusion WebUI：新手也能秒开 AI 绘图工作站

优质文章学习记录

— 12 min read
共绩算力 RTX 5090 极速部署 Stable Diffusion WebUI：新手也能秒开 AI 绘图工作站
还在为本地硬件不足跑不动 AI 绘图模型发愁？想快速拥有高性价比的 Stable Diffusion 绘图环境？今天给大家带来共绩算力 RTX 5090 部署 Stable Diffusion WebUI（增强版）的详细教程，全程零兼容冲突，从云主机配置到生成第一张 AI 画作仅需 30 分钟，步骤清晰可复现，无论是设计爱好者还是 AI 新手都能轻松上手！

目录

一、为什么选择共绩算力部署 Stable Diffusion？

二、环境准备：精准配置云主机

2.1 创建云主机实例

1.2 登录云主机终端

二、完整部署流程

2.1 环境清理与依赖安装

2.2 下载与配置Stable Diffusion WebUI

2.3 配置启动脚本

2.4 首次启动与配置

三、本地访问与基础使用

3.1 浏览器访问WebUI

3.2 生成第一张AI图片

3.3 常用功能体验

四、进阶优化与插件安装

4.1 安装实用插件

4.2 性能优化配置

4.3 模型管理技巧

五、故障排查与维护

5.1 常见问题解决

5.2 日常维护命令

六、总结与资源推荐

6.1 部署成果总结

6.2 进阶学习资源

6.3 成本优化建议

一、为什么选择共绩算力部署 Stable Diffusion？

共绩科技的云主机专为 AI 开发场景优化，对 Stable Diffusion 这类图形密集型任务适配性拉满，核心优势直击痛点：

丰富高端 GPU 可选：RTX 5090（32GB 显存）完美支撑大模型 + 高清绘图，避免显存不足（OOM）问题开箱即用的开发环境：预装 Python 3.10+、CUDA 12.8 及适配驱动，无需手动配置深度学习框架弹性计费更省钱：1.68 元 / 时起步，关机零费用，仅按实际使用时长计费，比本地装机成本低 90%完整工具链支持：自带 Jupyter、Web Shell 等终端，无需 SSH 配置，浏览器即可完成所有操作国内网络加速：访问 PyPI 镜像、模型仓库无卡顿，下载大模型速度比海外云平台快 3 倍

二、环境准备：精准配置云主机

2.1 创建云主机实例

1. 访问共绩算力平台

2. 创建云主机配置详解

  • 进入控制台 → 云主机 → 创建实例
  • 基础配置：
    • 实例名称：SD-WebUI-RTX5090（便于识别）
    • 算力规格：RTX 5090（32GB显存） ← 关键选择！
    • 系统镜像：默认Linux镜像（已预装Python 3.10+、CUDA 12.8）
  • 存储配置：
    • 系统盘：50GB（默认足够）
    • 数据盘：如需要存储大量模型，可添加共享存储卷（按需付费）
  • 网络与安全：
    • 区域选择：安徽一区或广东一区（国内网络更稳定）
    • 安全组：默认开放全部端口（方便后续访问）

3. 确认创建与启动

  1. 点击"立即创建"，等待2-3分钟实例状态变为"运行中"
  2. 成本提示：RTX 5090实例约2.5元/小时，关机期间不收费！

1.2 登录云主机终端

1. Web Shell登录（推荐新手）

  • 实例列表点击"登录" → 选择"Web Shell"
  • 浏览器内直接打开终端界面，无需SSH配置

2. 验证基础环境在终端中执行以下命令，检查预装环境：

# 检查Python版本 python3 --version # 检查CUDA版本 nvcc --version # 检查GPU状态 nvidia-smi

3. 正常输出应显示Python 3.10+、CUDA 12.8、RTX 5090显卡信息。

二、完整部署流程

2.1 环境清理与依赖安装

步骤1：彻底清理冲突环境

# 卸载可能冲突的包（避免版本不兼容） pip3 uninstall -y torch torchvision torchaudio xformers diffusers transformers # 彻底清理残留文件 rm -rf /root/.cache/pip rm -rf /opt/miniconda3/lib/python3.12/site-packages/{torch*,xformers*,diffusers*,transformers*} # 更新pip并清理缓存 pip3 install --upgrade pip pip3 cache purge

步骤2：安装PyTorch与基础依赖

# 安装适配RTX 5090的PyTorch（CUDA 12.8版本） pip3 install torch==2.7.1 torchvision==0.22.1 torchaudio==2.7.1 \ --index-url https://download.pytorch.org/whl/cu128 \ -i https://pypi.tuna.tsinghua.edu.cn/simple # 安装图像处理基础库 pip3 install numpy==1.26.4 pillow==10.3.0 opencv-python==4.9.0.80 \ -i https://pypi.tuna.tsinghua.edu.cn/simple

步骤3：安装Stable Diffusion核心依赖

# 安装HuggingFace相关库 pip3 install transformers accelerate diffusers \ -i https://pypi.tuna.tsinghua.edu.cn/simple # 安装Web界面框架 pip3 install gradio==3.41.2 fastapi==0.104.1 uvicorn==0.24.0 \ -i https://pypi.tuna.tsinghua.edu.cn/simple # 安装性能优化插件 pip3 install xformers -i https://pypi.tuna.tsinghua.edu.cn/simple

2.2 下载与配置Stable Diffusion WebUI

步骤1：克隆最新版WebUI源码

# 安装git（如果未预装） apt update && apt install -y git wget # 克隆AUTOMATIC1111的WebUI（功能最全的版本） git clone https://gitee.com/mirrors/stable-diffusion-webui.git /root/sd-webui # 进入工作目录 cd /root/sd-webui

步骤2：创建模型目录结构

# 创建必要的模型目录 mkdir -p /root/sd-webui/models/Stable-diffusion # 基础模型 mkdir -p /root/sd-webui/models/Lora # LoRA模型 mkdir -p /root/sd-webui/models/VAE # VAE模型 mkdir -p /root/sd-webui/models/ControlNet # ControlNet模型 mkdir -p /root/sd-webui/outputs # 输出目录

步骤3：下载基础模型（国内镜像加速）

# 使用 Hugging Face 国内镜像 wget -O /root/sd-webui/models/Stable-diffusion/sd_xl_base_1.0.safetensors \ https://hf-mirror.com/stabilityai/stable-diffusion-xl-base-1.0/resolve/main/sd_xl_base_1.0.safetensors # 或者使用阿里云镜像 wget -O /root/sd-webui/models/Stable-diffusion/sd_xl_base_1.0.safetensors \ https://mirror.ghproxy.com/https://huggingface.co/stabilityai/stable-diffusion-xl-base-1.0/resolve/main/sd_xl_base_1.0.safetensors # 下载SDXL精炼模型（优化细节） wget -O /root/sd-webui/models/Stable-diffusion/sd_xl_refiner_1.0.safetensors \ https://hf-mirror.com/stabilityai/stable-diffusion-xl-refiner-1.0/resolve/main/sd_xl_refiner_1.0.safetensors # 下载中文优化模型（可选，提升中文提示词理解） wget -O /root/sd-webui/models/Stable-diffusion/chilloutmix_NiPrunedFp32Fix.safetensors \ https://hf-mirror.com/ckpt/chilloutmix/resolve/main/chilloutmix_NiPrunedFp32Fix.safetensors

2.3 配置启动脚本

创建一键启动脚本start_sd.sh：

cat > /root/sd-webui/start_sd.sh << 'EOF' #!/bin/bash # 进入WebUI目录 cd /root/sd-webui # 设置环境变量 export PYTHONPATH="/root/sd-webui:$PYTHONPATH" export HF_HOME="/root/.cache/huggingface" # 启动参数说明： # --listen：允许外部访问 # --port 7860：指定端口 # --xformers：启用显存优化 # --enable-insecure-extension-access：允许安装插件 # --medvram：中等显存优化模式（适合RTX 5090） # --no-half-vae：避免VAE精度问题 python3 launch.py \ --listen \ --port 7860 \ --xformers \ --enable-insecure-extension-access \ --medvram \ --no-half-vae \ --skip-torch-cuda-test \ --skip-version-check \ --update-check EOF # 赋予执行权限 chmod +x /root/sd-webui/start_sd.sh

2.4 首次启动与配置

步骤1：首次启动WebUI

cd /root/sd-webui ./start_sd.sh

报错解决：

# Deactivate current environments conda deactivate conda deactivate # Create a new environment with Python 3.10.6 conda create -n sd-webui python=3.10.6 # Activate the new environment conda activate sd-webui # Navigate to your project and run the script cd /root/sd-webui ./start_sd.sh

首次启动会自动：

  • 下载CLIP模型和VAE模型（约5-10分钟）
  • 编译xformers优化器
  • 初始化Web界面

等待终端显示以下信息即启动成功：

Running on local URL: http://0.0.0.0:7860 To create a public link, set `share=True` in `launch()`.

步骤2：后台运行配置（重要）

为避免断开SSH后服务停止，配置后台运行：

# 创建后台启动脚本 cat > /root/sd-webui/start_sd_background.sh << 'EOF' #!/bin/bash cd /root/sd-webui nohup python3 launch.py \ --listen \ --port 7860 \ --xformers \ --enable-insecure-extension-access \ --medvram \ --no-half-vae \ > /root/sd-webui/webui.log 2>&1 & echo "WebUI已启动，日志文件：/root/sd-webui/webui.log" echo "查看日志：tail -f /root/sd-webui/webui.log" echo "停止服务：pkill -f launch.py" EOF chmod +x /root/sd-webui/start_sd_background.sh # 启动后台服务 ./start_sd_background.sh

三、本地访问与基础使用

3.1 浏览器访问WebUI

1. 获取公网IP

  • 共绩控制台 → 云主机 → 实例详情 → 复制"公网IP"

2. 浏览器访问

  • 本地浏览器打开：http://你的公网IP:7860
  • 首次加载约30秒，出现Stable Diffusion WebUI界面

3.2 生成第一张AI图片

1. 模型选择

左上角选择：sd_xl_base_1.0.safetensors

2. 提示词填写

# 正向提示词（英文效果更好） masterpiece, best quality, 8k resolution, cyberpunk cityscape at night, neon lights, futuristic buildings, rain-wet streets, cinematic lighting, detailed reflections # 反向提示词（避免不良效果） low quality, worst quality, bad anatomy, blurry, jpeg artifacts, watermark, text

3. 参数设置

  • 采样方法：DPM++ 2M Karras
  • 采样步数：25
  • 图片宽度：1024
  • 图片高度：768
  • 提示词引导系数：7.5
  • 随机种子：-1（随机）

4. 生成图片

  • 点击"生成"按钮
  • RTX 5090约15秒完成生成
  • 右键图片可保存到本地

3.3 常用功能体验

图生图功能：上传本地图片 → 调整重绘强度（0.5-0.7）→ 添加风格提示词

图片放大：生成后点击"Extras" → 选择放大算法（ESRGAN）→ 调整倍数

模型管理：设置 → Model Settings → 添加模型下载路径

四、进阶优化与插件安装

4.1 安装实用插件

通过WebUI安装（推荐）：

  1. 进入"Extensions"标签页
  2. 点击"Available" → "Load from URL"
  3. 输入插件GitHub地址：
    1. 中文翻译：https://github.com/dtlnor/stable-diffusion-webui-localization-zh_CN
    2. 提示词自动补全：https://github.com/DominikDoom/a1111-sd-webui-tagcomplete
    3. 模型预览图：https://github.com/AlUlkesh/stable-diffusion-webui-images-browser

命令行安装：

cd /root/sd-webui/extensions git clone https://github.com/dtlnor/stable-diffusion-webui-localization-zh_CN git clone https://github.com/DominikDoom/a1111-sd-webui-tagcomplete

4.2 性能优化配置

修改启动参数webui-user.sh：

# 编辑用户配置 nano /root/sd-webui/webui-user.sh # 添加以下优化参数 export COMMANDLINE_ARGS="--listen --xformers --opt-split-attention --no-half-vae --medvram" export TORCH_COMMAND="pip3 install torch==2.7.1 torchvision==0.22.1"

4.3 模型管理技巧

批量下载模型：

# 编辑用户配置 nano /root/sd-webui/webui-user.sh # 添加以下优化参数 export COMMANDLINE_ARGS="--listen --xformers --opt-split-attention --no-half-vae --medvram" export TORCH_COMMAND="pip3 install torch==2.7.1 torchvision==0.22.1"

五、故障排查与维护

5.1 常见问题解决

问题1：浏览器无法访问

# 检查服务状态 ps aux | grep python | grep launch # 检查端口占用 netstat -tlnp | grep 7860 # 重启服务 pkill -f launch.py cd /root/sd-webui && ./start_sd_background.sh

问题2：显存不足（OOM）

  • 解决方案：减少图片尺寸（1024×1024以内）
  • 启用--medvram或--lowvram参数
  • 关闭其他占用显存的进程

问题3：模型加载失败

# 重新下载模型 rm -f /root/sd-webui/models/Stable-diffusion/sd_xl_base_1.0.safetensors wget -O /root/sd-webui/models/Stable-diffusion/sd_xl_base_1.0.safetensors [模型链接]

5.2 日常维护命令

查看服务状态：

# 查看运行日志 tail -f /root/sd-webui/webui.log # 查看GPU使用情况 watch -n 1 nvidia-smi # 检查存储空间 df -h /root

备份重要数据：

# 备份模型配置 tar -czf sd_backup_$(date +%Y%m%d).tar.gz /root/sd-webui/models/ /root/sd-webui/outputs/

六、总结与资源推荐

6.1 部署成果总结

通过本教程，你已经成功在共绩算力RTX 5090上部署了：

  • ✅ 完整的Stable Diffusion WebUI环境
  • ✅ SDXL 1.0等高质量基础模型
  • ✅ 中文化界面和实用插件
  • ✅ 优化后的启动参数和后台运行
  • ✅ 可远程访问的专业级AI绘图工作站

6.2 进阶学习资源

提示词技巧：

  • 学习网站：Lexica.art、OpenArt.ai
  • 关键词组合：质量词+主体+风格+细节

模型推荐：

  • 写实风格：Realistic Vision、ChilloutMix
  • 动漫风格：Anything V5、Counterfeit
  • 特殊风格：Arcane、MoDi

参数优化：

  • 采样器：DPM++ 2M Karras（平衡速度质量）
  • 步数：20-30步（效果与速度平衡）
  • CFG Scale：7-9（创意与服从度平衡）

6.3 成本优化建议

  1. 及时关机：不用时在控制台关机，仅按实际使用时间计费
  2. 使用快照：配置好环境后创建系统快照，便于快速恢复
  3. 模型管理：只下载常用模型，避免存储空间浪费

Read more

Nanbeige4.1-3B多轮对话效果展示：Chainlit中持续追问、记忆保持、角色扮演实录

Nanbeige4.1-3B多轮对话效果展示：Chainlit中持续追问、记忆保持、角色扮演实录 1. 引言：当小模型遇上大智慧 最近在测试各种开源模型时，我遇到了一个让人眼前一亮的“小家伙”——Nanbeige4.1-3B。说实话，刚开始看到“3B”这个参数规模时，我并没有抱太高期望。毕竟现在动辄几十B、上百B的模型太多了，3B能有什么表现？ 但实际测试下来，这个模型给了我不少惊喜。特别是在多轮对话场景下，它的表现完全超出了我对这个参数规模模型的预期。 今天这篇文章，我就想带大家看看，这个“小身材”的模型，在Chainlit前端配合下，到底能展现出什么样的“大智慧”。我会通过几个真实的对话场景，展示它在持续追问、记忆保持、角色扮演等方面的实际效果。 2. 模型与部署环境简介 2.1 Nanbeige4.1-3B：小参数，大能力 Nanbeige4.1-3B是基于Nanbeige4-3B-Base构建的增强版本。简单来说，它是在基础模型上，通过进一步的监督微调和强化学习优化而来的。

ComfyUI-Easy-Use完整指南：快速提升AI绘画效率的终极解决方案

ComfyUI-Easy-Use完整指南：快速提升AI绘画效率的终极解决方案 【免费下载链接】ComfyUI-Easy-UseIn order to make it easier to use the ComfyUI, I have made some optimizations and integrations to some commonly used nodes. 项目地址: https://gitcode.com/gh_mirrors/co/ComfyUI-Easy-Use ComfyUI-Easy-Use是一个专为ComfyUI设计的效率自定义节点集成包，在前100字内明确告诉你，这个项目通过集成和优化大量常用节点，让AI绘画工作流更加直观高效。无论你是Stable Diffusion新手还是资深用户，都能通过这个扩展显著提升创作效率。 🤔 为什么选择ComfyUI-Easy-Use？ 如果你在使用原生ComfyUI时感到节点连接复杂、工作流搭建耗时，那么ComfyUI-Easy-Use正是为你设计的解决方案。它基于TinyTerraNodes进行扩展，集成了众多
【AI】——SpringAI通过Ollama本地部署的Deepseek模型实现一个对话机器人（二）

【AI】——SpringAI通过Ollama本地部署的Deepseek模型实现一个对话机器人（二）

🎼个人主页：【Y小夜】 😎作者简介：一位双非学校的大三学生，编程爱好者， 专注于基础和实战分享，欢迎私信咨询！ 🎆入门专栏：🎇【MySQL，Javaweb，Rust，python】 🎈热门专栏：🎊【Springboot，Redis，Springsecurity，Docker，AI】  感谢您的点赞、关注、评论、收藏、是对我最大的认可和支持！❤️ 目录 🎈Java调用Deepseek  🍕下载Deepseek模型  🍕本地测试  🍕Java调用模型 🎈构建数据库  🍕增强检索RAG  🍕向量数据库  🍕Springboot集成pgvector 🎈chatpdf 🎈function call调用自定义函数 🎈多模态能力 🎈Java调用Deepseek 本地没有安装Ollama、Docker，openwebUI，可以先学习一下这篇文章：【AI】——结合Ollama、Open WebUI和Docker本地部署可视化AI大语言模型_ollma+本地大模型+open web ui-ZEEKLOG博客

腾讯云智能客服机器人Java集成实战：从接入到生产环境优化

最近在项目中接入了腾讯云的智能客服机器人，把整个集成过程和一些优化经验记录下来，希望能帮到有类似需求的同学。自己动手搭过客服系统的朋友都知道，从零开始搞一套，不仅开发周期长，而且智能语义理解这块的门槛太高了，效果还很难保证。直接集成成熟的SaaS服务，就成了一个快速又靠谱的选择。 1. 为什么选择腾讯云智能客服？ 在技术选型阶段，我们对比了几家主流云厂商的方案。阿里云的智能客服功能也很强大，生态完善，但它的API设计风格和我们团队的历史技术栈适配起来有点别扭。AWS Lex的优势在于和海外其他AWS服务无缝集成，但国内访问的延迟和合规性是需要考虑的问题。腾讯云智能客服吸引我们的点主要有几个： * API设计友好：它的RESTful API文档清晰，错误码规范，并且提供了Java、Python等多种语言的SDK，上手速度快。 * 计费透明灵活：支持按调用量、按坐席等多种计费模式，初期可以先用调用量模式试水，成本可控。 * NLP能力本土化强：在中文场景下的意图识别和情感分析准确率不错，特别是针对一些行业术语和网络用语，理解得比较到位。 综合来看，对于国内业务为主、追求快速集