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

NASA火星代码测试内幕：用AIGC模拟外星环境攻击

NASA火星代码测试内幕：用AIGC模拟外星环境攻击

火星任务软件测试的迫切需求 NASA的火星探测任务（如“毅力号”和未来载人计划）依赖于复杂的软件系统，这些系统必须抵御未知的外星环境威胁，包括辐射干扰、沙尘暴、黑客攻击等。传统测试方法难以模拟这些极端场景，因此NASA创新性地引入AIGC（人工智能生成内容）技术，生成动态、高保真的攻击模拟环境。本文从软件测试专业视角，揭秘这一内幕，分析其技术框架、测试流程和行业启示，助力测试从业者提升风险应对能力。 一、背景：火星软件测试的独特挑战 火星任务软件（如导航、通信和生命支持系统）面临三重挑战： 1. 环境不确定性：火星表面辐射强度是地球的100倍，沙尘暴可导致传感器失效（数据来源：NASA JPL报告，2025）。 2. 安全威胁：外星黑客攻击可能通过深空网络渗透，例如2024年模拟测试中发现的零日漏洞。 3. 测试局限性：地面实验室无法完全复制火星条件，传统脚本测试覆盖率不足。 AIGC的引入解决了这些痛点： * 定义：AIGC利用生成式AI（如GPT-4和GANs）自动创建攻击场景，包括恶意代码注入、

Qwen3-0.6B-FP8代码实例：Python requests调用Web API实现批处理问答

Qwen3-0.6B-FP8代码实例：Python requests调用Web API实现批处理问答 想用Qwen3-0.6B-FP8模型批量处理一堆问题，但不想在Web界面里一个个手动输入？今天我就来分享一个实用的方法：用Python的requests库直接调用模型的Web API，实现自动化批处理问答。 这个方法特别适合需要批量生成内容、处理大量文档或者做自动化测试的场景。你只需要准备一个问题列表，运行一段简单的Python脚本，就能一次性得到所有答案，效率提升不止一点点。 1. 准备工作：理解Web API调用原理 在开始写代码之前，我们先搞清楚一件事：怎么通过代码跟Qwen3-0.6B-FP8对话？ 1.1 Web界面背后的秘密 当你访问 https://gpu-{实例ID}-7860.web.gpu.ZEEKLOG.net/ 这个Web界面时，实际上背后有一个API在默默工作。你每发送一条消息，前端就会通过这个API把消息传给模型，然后把模型生成的回复显示给你看。 我们要做的，就是绕过Web界面，直接用代码调用这个API。 1.2 找到API地址 通常，
从语法纠错到项目重构：Python+Copilot 的全流程开发效率提升指南

从语法纠错到项目重构：Python+Copilot 的全流程开发效率提升指南

文章目录 * 从语法纠错到项目重构：Python+Copilot 的全流程开发效率提升指南 💻✨ * 一、语法纠错：Copilot 如何成为你的“实时校对员” ✅ * 示例 1：自动修复缩进错误 * 示例 2：括号/引号自动闭合与修复 * 示例 3：类型注解缺失的智能补充 * 实战技巧：结合 Linter 使用 Copilot * 二、代码生成：从单行补全到完整函数实现 🧠⚡ * 示例 4：用注释驱动函数生成 * 示例 5：生成单元测试 * 示例 6：异步 HTTP 请求生成 * 三、调试辅助：Copilot 如何帮你“读懂”错误信息 🐞🔍 * 场景：遇到 `KeyError` 怎么办？ * 场景：

GLM-4.7-Flash实战教程：基于GLM-4.7-Flash构建本地Copilot工具

GLM-4.7-Flash实战教程：基于GLM-4.7-Flash构建本地Copilot工具 1. 为什么需要本地Copilot工具 在日常编程和工作中，我们经常需要代码建议、文档生成、问题解答等AI辅助功能。虽然云端AI服务很方便，但存在网络延迟、隐私安全、使用成本等问题。基于GLM-4.7-Flash构建本地Copilot工具，可以让你： * 完全离线运行：不依赖网络，响应速度极快 * 数据隐私安全：所有对话和代码都在本地处理 * 定制化能力强：可以根据自己的需求调整模型行为 * 成本可控：一次部署，长期使用，无按次付费 GLM-4.7-Flash作为最新的开源大模型，在代码理解和生成方面表现出色，特别适合作为本地编程助手。 2. 环境准备与快速部署 2.1 硬件要求 为了流畅运行GLM-4.7-Flash，建议准备以下硬件环境： * GPU：4张RTX 4090 D显卡（或同等算力） * 内存：至少128GB系统内存 * 存储：至少100GB可用空间（模型文件约59GB）