Stable-Diffusion-v1-5-archive部署指南：GPU加速+7860端口一键启用

优质文章学习记录

— 12 min read

Stable-Diffusion-v1-5-archive部署指南：GPU加速+7860端口一键启用

想快速体验经典AI绘画的魅力吗？Stable Diffusion v1.5 Archive（简称SD1.5）作为文生图领域的“常青树”，以其稳定的表现和广泛的社区支持，依然是许多创作者和开发者的首选。今天，我们就来手把手教你，如何在几分钟内完成这个经典模型的部署，并立即通过浏览器开始你的AI绘画创作。

1. 环境准备与快速部署

部署过程非常简单，几乎不需要任何复杂的配置。你只需要一个支持GPU的云服务器实例，然后按照以下步骤操作即可。

1.1 系统要求与准备工作

在开始之前，请确保你的环境满足以下基本要求：

  • 操作系统：推荐使用Ubuntu 20.04或更高版本，其他Linux发行版也可。
  • GPU支持：需要NVIDIA GPU，并已安装好相应的CUDA驱动（建议CUDA 11.8及以上）。
  • 网络：能够正常访问互联网，用于下载模型文件。
  • 存储空间：至少预留10GB的可用磁盘空间。

如果你使用的是云服务商提供的GPU实例，通常这些环境都已经预配置好了，可以直接进入下一步。

1.2 一键部署脚本

为了简化部署流程，这里提供一个整合的部署脚本。你只需要复制、粘贴、执行，就能完成大部分工作。

首先，登录到你的服务器，创建一个部署目录并进入：

mkdir -p ~/sd15-archive && cd ~/sd15-archive

然后，创建并编辑部署脚本 deploy.sh：

#!/bin/bash echo "开始部署 Stable Diffusion v1.5 Archive..." # 1. 更新系统包并安装基础依赖 echo "步骤1: 安装系统依赖..." sudo apt-get update sudo apt-get install -y wget git python3 python3-pip python3-venv # 2. 创建Python虚拟环境 echo "步骤2: 创建Python虚拟环境..." python3 -m venv venv source venv/bin/activate # 3. 安装PyTorch及相关库 (根据CUDA版本选择) echo "步骤3: 安装PyTorch和基础AI库..." pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 pip install --upgrade pip # 4. 克隆WebUI仓库 (这里以Gradio为例，轻量且易用) echo "步骤4: 克隆并设置Web界面..." git clone https://github.com/gradio-app/gradio.git cd gradio pip install -e . cd .. # 5. 下载SD v1.5模型权重 echo "步骤5: 下载模型文件..." # 使用Hugging Face的镜像源加速下载 wget -O v1-5-pruned-emaonly.safetensors https://huggingface.co/runwayml/stable-diffusion-v1-5/resolve/main/v1-5-pruned-emaonly.safetensors?download=true # 6. 创建简易的推理应用脚本 echo "步骤6: 创建应用脚本..." cat > app.py << 'EOF' import gradio as gr import torch from diffusers import StableDiffusionPipeline # 加载模型 print("正在加载模型，请稍候...") pipe = StableDiffusionPipeline.from_single_file( "v1-5-pruned-emaonly.safetensors", torch_dtype=torch.float16 ).to("cuda") # 定义生成函数 def generate_image(prompt, negative_prompt, steps, guidance_scale, width, height, seed): if seed == -1: generator = None else: generator = torch.Generator("cuda").manual_seed(seed) with torch.autocast("cuda"): image = pipe( prompt=prompt, negative_prompt=negative_prompt, num_inference_steps=steps, guidance_scale=guidance_scale, width=width, height=height, generator=generator ).images[0] # 保存参数用于复现 params = { "prompt": prompt, "negative_prompt": negative_prompt, "steps": steps, "guidance_scale": guidance_scale, "width": width, "height": height, "seed": seed } return image, params # 创建Gradio界面 with gr.Blocks(title="SD v1.5 Archive") as demo: gr.Markdown("# 🎨 Stable Diffusion v1.5 Archive 文生图") gr.Markdown("输入描述，生成你的创意图像。") with gr.Row(): with gr.Column(): prompt = gr.Textbox(label="提示词 (Prompt)", placeholder="例如：a beautiful sunset over mountains, digital art", lines=3) negative_prompt = gr.Textbox(label="负向提示词 (Negative Prompt)", placeholder="例如：lowres, blurry, bad anatomy", value="lowres, blurry, bad anatomy, extra fingers") with gr.Row(): steps = gr.Slider(minimum=1, maximum=50, value=20, step=1, label="采样步数 (Steps)") guidance_scale = gr.Slider(minimum=1.0, maximum=20.0, value=7.5, step=0.5, label="引导强度 (Guidance Scale)") with gr.Row(): width = gr.Slider(minimum=256, maximum=1024, value=512, step=64, label="宽度 (Width)") height = gr.Slider(minimum=256, maximum=1024, value=512, step=64, label="高度 (Height)") seed = gr.Number(label="随机种子 (Seed)", value=-1, precision=0) generate_btn = gr.Button("生成图片", variant="primary") with gr.Column(): output_image = gr.Image(label="生成结果", type="pil") output_json = gr.JSON(label="生成参数") # 绑定事件 generate_btn.click( fn=generate_image, inputs=[prompt, negative_prompt, steps, guidance_scale, width, height, seed], outputs=[output_image, output_json] ) if __name__ == "__main__": demo.launch(server_name="0.0.0.0", server_port=7860, share=False) EOF echo "部署脚本创建完成！" echo "请执行以下命令启动服务：" echo "cd ~/sd15-archive && source venv/bin/activate && python app.py" echo "" echo "启动后，在浏览器中访问：http://你的服务器IP:7860"

给脚本添加执行权限并运行：

chmod +x deploy.sh ./deploy.sh

脚本会自动完成环境搭建、依赖安装和模型下载。整个过程可能需要10-30分钟，具体取决于你的网络速度和服务器性能。

1.3 启动服务并验证

部署脚本运行完成后，按照提示启动服务：

cd ~/sd15-archive source venv/bin/activate python app.py

你会看到类似下面的输出，表示服务正在启动：

正在加载模型，请稍候... Running on local URL: http://0.0.0.0:7860

现在，打开你的浏览器，访问 http://你的服务器IP地址:7860，就能看到SD1.5的Web操作界面了。

2. 核心功能快速上手

界面看起来可能有很多选项，但核心操作其实很简单。我们通过一个完整的例子，带你快速走一遍流程。

2.1 你的第一次AI绘画

假设你想生成一张“山间日落的数字艺术作品”，可以这样操作：

  1. 调整参数（初次使用可先保持默认）：
    • 采样步数 (Steps): 20
    • 引导强度 (Guidance Scale): 7.5
    • 宽度/高度 (Width/Height): 512
    • 随机种子 (Seed): -1 (表示每次随机)
  2. 点击“生成图片”按钮。

在“负向提示词”框中保留默认值或输入：

lowres, blurry, bad anatomy, extra fingers, deformed

这告诉AI“不要生成模糊、解剖结构错误、多手指的图像”。

在“提示词 (Prompt)”框中输入：

a beautiful sunset over mountains, digital art, vibrant colors, detailed landscape, 4k, masterpiece

（是的，用英文效果更好，后面会详细解释）

等待几十秒后，你就能在右侧看到生成的图像了！同时，下方还会显示这次生成的所有参数。如果你特别喜欢某张图的效果，记下这里的“seed”值，下次输入同样的参数，就能得到几乎一样的图片。

2.2 理解关键参数

为了让生成效果更可控，了解几个核心参数的作用很有必要：

参数它是干什么的？新手怎么设置？
提示词 (Prompt)告诉AI你想要什么。描述越具体、越详细，AI越能理解你的意图。用英文，按“主体+场景+风格+细节”的结构描述。
负向提示词 (Negative Prompt)告诉AI你不想要什么。用来避免常见的瑕疵。可以从 lowres, blurry, bad anatomy, extra fingers 开始。
采样步数 (Steps)AI“思考”的步骤数。步数越多，细节可能越丰富，但耗时也越长。20-30步是甜点区。低于15步可能粗糙，高于40步收益不大且慢。
引导强度 (Guidance Scale)AI听从你提示词指令的“认真程度”。值越高，越贴近你的描述，但可能过于死板。7.0-8.5之间比较通用。想创意发散可以调到6-7，想要精确可以调到9-10。
图像尺寸 (Width/Height)生成图片的大小。设为512x512或768x768（64的倍数）。太大显存可能不够。
随机种子 (Seed)生成过程的“起始密码”。相同的种子+相同的参数 ≈ 相同的图片。第一次用 -1 随机探索。遇到喜欢的图，记下种子值用于复现。

3. 写出好提示词的秘诀

模型部署好了，界面也会用了，但为什么别人生成的图那么惊艳，我的却有点“怪”？关键往往在“提示词”上。SD1.5对英文的理解远好于中文，所以强烈建议使用英文提示词。

3.1 提示词的结构化写法

不要只写“a cat”（一只猫）。试试更有结构的描述，效果立竿见影。

基础结构：主体 + 场景 + 风格 + 画质/细节

举个例子：

  • 弱提示词：a cat (一只猫)
  • 强提示词：a fluffy Scottish Fold cat, sitting on a windowsill with sunlight, studio ghibli style, detailed fur, soft lighting, 4k, masterpiece
    • 主体：a fluffy Scottish Fold cat (一只毛茸茸的苏格兰折耳猫)
    • 场景：sitting on a windowsill with sunlight (坐在有阳光的窗台上)
    • 风格：studio ghibli style (吉卜力动画风格)
    • 画质/细节：detailed fur, soft lighting, 4k, masterpiece (细致的毛发、柔和光线、4k、杰作)

你可以像搭积木一样组合这些“标签”。网上有很多“提示词网站”可以给你灵感。

3.2 如果必须用中文怎么办？

虽然效果打折，但如果你只有中文描述，可以这样做：

  1. 先翻译：用翻译工具（如DeepL、谷歌翻译）将你的中文提示词转成英文。
  2. 再优化：在翻译结果的基础上，补充一些通用的质量词，如 best quality, masterpiece, ultra detailed, 8k。
  3. 后生成：使用优化后的英文提示词进行生成。

例如，你想生成“江南水乡，水墨画风格”。

  • 直接输入中文效果可能不稳定。
  • 翻译优化后：jiangnan watertown, ink painting style, traditional Chinese art, serene river, ancient houses, misty, masterpiece, detailed
  • 用后者生成，效果会更接近预期。

3.3 负向提示词：你的“避坑指南”

负向提示词是专业玩家和新手最大的区别之一。它帮你过滤掉不想要的内容。这里有一些常用的“配方”：

  • 通用质量过滤：lowres, blurry, ugly, deformed, disfigured
  • 人物瑕疵过滤：bad anatomy, extra fingers, fewer fingers, mutated hands, poorly drawn face
  • 画面问题过滤：text, watermark, signature, username, out of frame

你可以直接使用这个组合：lowres, blurry, ugly, deformed, disfigured, bad anatomy, extra fingers, fewer fingers, text, watermark。它能解决大部分常见的画面质量问题。

4. 服务管理与问题排查

服务跑起来后，我们还需要知道如何维护它。

4.1 让服务在后台稳定运行

之前用 python app.py 启动，关掉终端服务就停了。我们需要让它一直在后台运行。

一个简单的方法是使用 nohup：

cd ~/sd15-archive source venv/bin/activate nohup python app.py > sd15.log 2>&1 &

这样服务就在后台运行了，日志会保存在 sd15.log 文件里。

更专业一点，可以创建系统服务。创建文件 /etc/systemd/system/sd15.service：

[Unit] Description=Stable Diffusion v1.5 Archive Web Service After=network.target [Service] Type=simple User=root WorkingDirectory=/root/sd15-archive Environment="PATH=/root/sd15-archive/venv/bin" ExecStart=/root/sd15-archive/venv/bin/python /root/sd15-archive/app.py Restart=always [Install] WantedBy=multi-user.target

然后启用并启动服务：

sudo systemctl daemon-reload sudo systemctl enable sd15.service sudo systemctl start sd15.service

现在，服务会在系统启动时自动运行，并且崩溃后会自动重启。

4.2 常见问题与解决方法

遇到问题别着急，按顺序检查这几步：

问题：浏览器打不开 http://IP:7860

检查3：防火墙放行了吗？

# 如果是云服务器，检查安全组规则 # 如果是本地防火墙（如ufw） sudo ufw allow 7860/tcp

检查2：端口监听了吗？

netstat -tlnp | grep 7860 # 或 ss -ltnp | grep 7860

应该能看到 7860 端口被Python进程监听。

检查1：服务在运行吗？

# 如果用nohup启动 ps aux | grep python app.py # 如果用systemd启动 sudo systemctl status sd15.service

问题：生成图片时出错或报CUDA内存不足

  • 可能原因1：图片尺寸太大。将Width/Height从768或1024降低到512试试。
  • 可能原因2：显存不足。SD1.5在512x512分辨率下大约需要4-6GB显存。尝试重启服务，并确保没有其他程序占用GPU。
  • 查看日志：检查 sd15.log 或系统日志 journalctl -u sd15.service 寻找具体错误信息。

问题：生成的图片质量不高，很模糊或有瑕疵

  • 调整参数：逐步提高Steps到25-30，Guidance Scale到8.0。
  • 优化提示词：严格按照第3章的方法，使用结构化英文提示词和负向提示词。
  • 固定种子：找到一个还不错的图片，固定它的Seed值，然后微调其他参数。

5. 总结

通过上面的步骤，你应该已经成功部署了Stable Diffusion v1.5 Archive，并且能够生成自己的第一张AI绘画了。我们来快速回顾一下重点：

  1. 部署很简单：主要就是运行一个脚本，等待模型下载和环境配置完成。
  2. 使用更简单：在Web界面输入描述、调整滑块、点击生成，三步就能出图。
  3. 效果好坏的关键在于提示词。请务必使用结构化英文提示词，并善用负向提示词来规避常见问题。
  4. 参数设置：新手从Steps=20-30，Guidance Scale=7.5，尺寸=512x512开始尝试，找到感觉后再微调。
  5. 服务管理：建议配置成系统服务（如systemd），让它能在后台稳定运行，方便随时访问。

Stable Diffusion v1.5是一个充满可能性的工具。它的价值不在于参数有多新，而在于其稳定性和庞大的社区知识库。无论是寻找灵感、快速构思，还是创作完整的数字艺术作品，它都是一个可靠的起点。现在，打开浏览器，开始你的创作吧。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 ZEEKLOG星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。

Read more

FPGA自学笔记--VIVADO RAM IP核控制和使用

FPGA自学笔记--VIVADO RAM IP核控制和使用

本文主要学习在VIVADO软件中如何生成所需要的RAM IP核，以及相关的配置定义，并搭建tb对生成的IP读写控制时序进行仿真和测试。 一、sram ip生成与配置 1.1 ram ip创建方法 1. 新建工程：打开 Vivado，创建一个新的工程项目。 2. 打开 IP Catalog：在 Vivado 主界面中，单击 IP Catalog。 3. 搜索 RAM：在右侧窗口的 Search 框中输入 ram，会出现相关 IP 条目。 4. RAM IP 类型：在 Memories & Storage Elements 分类下，可以看到两种主要的 RAM 创建入口： * Distributed

打造完美智能家居：5步完成Home Assistant个性化UI设计终极指南

打造完美智能家居：5步完成Home Assistant个性化UI设计终极指南 【免费下载链接】hass-config✨ A different take on designing a Lovelace UI (Dashboard) 项目地址: https://gitcode.com/gh_mirrors/ha/hass-config 想要让你的智能家居控制面板既美观又实用吗？hass-config项目为你提供了一个独特的Lovelace UI设计方案，让你轻松打造个性化的智能家居界面。这个开源项目专注于智能家居UI设计和Home Assistant自定义，即使是技术新手也能快速上手。 项目概述 hass-config是一个专为Home Assistant用户设计的开源项目，提供了一套完整的家庭自动化界面和智能控制面板解决方案。通过精心设计的Lovelace UI模板，你可以快速创建符合个人喜好的家居控制中心，实现设备状态监控、场景联动控制、媒体播放管理等核心功能。 智能家居控制面板 - 展示完整的房间设备控制和状态显示 快速入门指南 步骤一：获取项目文件 使用以下命

零基础玩转8MAV：你的第一个无人机编程项目

快速体验 1. 打开 InsCode(快马)平台 https://www.inscode.net 2. 点击'项目生成'按钮，等待项目生成完整后预览效果 输入框内输入如下内容： 创建一个适合新手的8MAV入门教程项目，包含：1.模拟器环境设置 2.基础飞行控制指令练习 3.简单航点任务编程 4.实时遥测数据显示。使用Blockly可视化编程界面，提供分步指导注释，所有代码不超过100行，能在30分钟内完成。 最近对无人机编程产生了兴趣，但手头没有硬件设备，又担心学习曲线太陡？别担心，通过8MAV模拟器和可视化编程工具，完全可以零成本开启无人机编程之旅。下面分享我的入门实践过程，从环境搭建到完成第一个飞行任务，全程只需要30分钟。 1. 模拟器环境设置 8MAV提供了完善的仿真环境，不需要购买任何硬件设备就能练习编程。我使用的是基于网页的模拟器，打开浏览器就能直接运行。最重要的是，模拟器完全还原了真实无人机的飞行物理特性，包括风速影响、

【无人机避障算法核心技术】：揭秘五种主流算法原理与实战应用场景

第一章：无人机避障算法概述 无人机避障算法是实现自主飞行的核心技术之一，其目标是在复杂环境中实时感知障碍物，并规划安全路径以避免碰撞。随着传感器技术和计算能力的提升，避障系统已从简单的距离检测发展为融合多源信息的智能决策体系。 避障系统的基本组成 典型的无人机避障系统包含以下关键模块： * 感知模块：利用激光雷达、超声波、立体视觉或RGB-D相机获取环境数据 * 数据处理模块：对原始传感器数据进行滤波、特征提取和障碍物识别 * 决策与规划模块：基于环境模型生成避障轨迹，常用算法包括A*、Dijkstra、RRT和动态窗口法（DWA） 常见避障算法对比 算法优点缺点适用场景A*路径最优，搜索效率高高维空间计算开销大静态环境全局规划DWA实时性强，适合动态避障局部最优风险室内低速飞行RRT*渐进最优，适应复杂空间收敛速度慢三维未知环境 基于深度学习的避障方法示例 近年来，端到端神经网络被用于直接从图像生成控制指令。以下是一个简化的行为克隆模型推理代码片段： import torch import torchvision.transforms as tran