Stable Diffusion WebUI 本地部署完整教程

优质文章学习记录

— 7 min read
Stable Diffusion WebUI 本地部署完整教程

Stable Diffusion WebUI 本地部署完整教程（AUTOMATIC1111 版）

本教程基于 Windows 系统，适合 AI 绘画爱好者或初学者，旨在帮助大家从零部署并运行本地的 Stable Diffusion 模型界面（Web UI）。我们将从克隆项目、配置环境到运行界面，并附上常见网络问题的解决方案。

一、准备工作

1. 安装依赖

  • Python 3.10.x
  • Git（推荐官网下载最新版）
  • 显卡驱动 + CUDA（NVIDIA 用户，建议驱动更新到最新版）

安装好后，确保 Python 和 Git 都加入了系统环境变量。

二、克隆项目仓库

使用如下命令克隆 AUTOMATIC1111 的 Web UI 项目：

git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git

🚧 常见问题：OpenSSL SSL_read: Connection was reset, errno 10054

这是网络导致的 Git 连接失败问题。

✅ 解决方法：

关闭 Git 的 HTTPS 证书验证：

git config --global http.sslVerify false

然后重新执行 clone 命令即可成功。

三、运行项目

1. 进入项目目录，双击运行：

stable-diffusion-webui\webui-user.bat

运行后会自动创建虚拟环境并下载依赖库。

🚧 问题：提示升级 pip？

✅ 解决方法：

根据提示复制升级命令，在新命令行中执行（路径根据你的安装位置可能不同）：

H:\AI\stable-diffusion-webui\venv\Scripts\python.exe -m pip install--upgrade pip

升级完成后，重新运行webui-user.bat。

四、解决国内网络环境下载失败的问题

在首次运行时，WebUI 会自动安装一些依赖模型，例如：

  • gfpgan
  • clip
  • open-clip

若下载失败，你会在命令行中看到安装卡住或超时的报错，解决方案如下：

方法一：修改 pip 安装源为国内镜像

打开 stable-diffusion-webui\launch.py 文件，找到安装失败的部分。

例如：

run_pip(f"install {gfpgan_package}","gfpgan")

改为：

run_pip(f"install -i https://pypi.douban.com/simple/ {gfpgan_package}","gfpgan")

同样方式修改：

  • clip_package
  • open_clip_package

然后保存、关闭命令行，重新运行webui-user.bat。

方法二：加速 GitHub 文件下载

如果卡在某个 GitHub 地址，可以用加速代理，例如：

"https://github.com/..."

改为：

"https://github.moeyy.xyz/https://github.com/..."
示例：在 launch.py 或 launch_utils.py 中

找到类似以下函数：

defprepare_environment():

把里面涉及 GitHub 的 URL 全部加上加速前缀。

📌 文件找不到的情况

如果你找不到 launch.py，可能你的版本结构已经更新，请在 launch_utils.py 中查找对应的 run_pip(...) 语句并按相同方式修改（比如第 263、266、269 行）。

五、首次加载模型

第一次进入 WebUI 会自动下载一个默认模型（如 v1-5-pruned-emaonly.ckpt），文件较大（约 4GB），请耐心等待。

在这里插入图片描述


首次加载可能时间较长。你也可以自行下载 .ckpt 或 .safetensors 模型放入以下目录：

stable-diffusion-webui\models\Stable-diffusion\

🚧 遇到模型加载失败：ProxyError 错误

如果你遇到类似如下错误信息：

ProxyError: ('Unable to connect to proxy', FileNotFoundError(2, 'No such file or directory'))

并伴随类似：

requests.exceptions.ProxyError: (MaxRetryError("HTTPSConnectionPool(...): Max retries exceeded with url: /openai/clip-vit-large-patch14/resolve/main/vocab.json ..."))

✅ 解决方法如下：

  1. 请关闭你之前为了下载模型使用的代理工具（包括系统代理或设置在 WebUI 中的代理参数）。
  2. 关闭命令行窗口，重新运行 webui-user.bat，程序会重新尝试使用正常方式连接 HuggingFace。

🌀 如果出现“卡住不动”的情况？

有时候你可能会发现命令行卡在某一步不动，长时间没有进度。

✅ 解决方法：

  • 直接关闭命令行窗口，重新运行 webui-user.bat，系统通常会从上次中断处继续下载或跳过已安装内容。

六、设置代理加速 HuggingFace 模型下载

为什么要设置？

很多用户在首次运行或切换模型时会遇到以下错误：

OSError: Can't load tokenizer for 'openai/clip-vit-large-patch14'

说明系统在尝试联网下载 tokenizer 文件（如 vocab.json），但由于网络限制（如 HuggingFace 被墙），下载失败。

解决方法一：在 webui-user.bat 中设置代理

  1. 编辑 webui-user.bat 文件，在开头添加如下内容：
:: 启用代理（如 Clash 使用 HTTP 代理 7890 端口） set HTTP_PROXY=http://127.0.0.1:7890 set HTTPS_PROXY=http://127.0.0.1:7890 :: 如果你用的是 SOCKS5 代理（如 V2Ray、Trojan）： :: set ALL_PROXY=socks5://127.0.0.1:1080
  1. 保存并重新运行 webui-user.bat。
✅ 一般配合 Clash 使用效果较好，默认本地端口为 7890。

解决方法二：手动下载 CLIP Tokenizer 模型到本地

  1. 下载以下 4 个文件：
    • vocab.json
    • merges.txt
    • tokenizer_config.json
    • special_tokens_map.json
  2. 将上述 4 个文件全部放入该目录中。

打开 ldm\modules\encoders\modules.py，找到如下代码：

self.tokenizer = CLIPTokenizer.from_pretrained(version)

修改为：

self.tokenizer = CLIPTokenizer.from_pretrained("models/clip-vit-large-patch14")

在本地新建目录：

stable-diffusion-webui\models\clip-vit-large-patch14\

访问以下链接（如无法打开建议用代理）：

https://huggingface.co/openai/clip-vit-large-patch14/tree/main

这样就会从本地加载 tokenizer 文件，避免联网失败问题。

在这里插入图片描述

七、可选：更换模型

你可以将其他 .ckpt 或 .safetensors 模型放入：

stable-diffusion-webui\models\Stable-diffusion\
在这里插入图片描述

然后在 Web UI 界面右上角下拉选择切换模型。

八、模型部署成功后的使用与测试

1. 访问 Web UI 界面

当命令行中显示如下信息：

Running on local URL: http://127.0.0.1:7860
在这里插入图片描述

打开浏览器，输入该地址访问 Web UI 页面。

2. 输入测试 Prompt 生成图片

在界面中，你会看到一个文本输入框，称为 “Prompt” 输入框。

在这里插入图片描述

在此输入框中，试试以下测试内容：

Official portrait of Groot as substitute teacher

3. 配置参数建议（可选）

  • 采样器（Sampler）：默认即可，如 Euler a、DDIM 等。
  • 步数（Steps）：建议设置 20~30，数值越大图片细节越丰富，但生成时间也更长。
  • 分辨率（Width/Height）：推荐 512x512，显卡显存有限可适当调低。
  • 种子（Seed）：默认随机，想要固定结果可指定具体数值。
  • CFG Scale（引导尺度）：7~9 之间通常表现较好，控制对 Prompt 的遵守程度。

4. 点击“生成”按钮

等待几秒至几十秒（具体时间与显卡性能相关），页面会自动显示生成的图像。

在这里插入图片描述

附录、常见模型下载失败的解决方法汇总

问题原因解决方法
OSError: Can't load tokenizer for openai/clip-vit-large-patch14HuggingFace 网络不通本地下载 tokenizer 或配置代理
ProxyError 报错系统代理配置残留关闭系统代理，清理环境变量
命令行卡住不动下载缓慢或被墙Ctrl+C 后重启、断点续传有效
xformers 报错未安装非必要模块可忽略，或通过 pip 安装

Read more

2023年电赛H题（信号分离装置）-FPGA＋stm32解法

2023年电赛H题（信号分离装置）-FPGA＋stm32解法

目录 前言 题目 解题思路 基本框架 代码思路 第一部分（FPGA的FIFO以及串口发送接收） 1.FIFO 2.（FPGA串口发送） 3.FPGA串口接收 4.总结 第二部分（stm32接收数据进行FFT识别波形以及频率并发送） 1.stm32串口接收 2.stm32进行FFT 3.stm32串口发送 第三部分（FPGA得到波形与频率后生成波形） 第四部分（FPGA锁相） 1.鉴相 2.环路滤波 3.反馈 第五部分（DAC输出） 第六部分（移相） 1.按键消抖 2.按键设置相位差 3.数码管显示相位 第七部分（FPGA代码总结） 后记 前言 本文章除开要求一使用的增益为一的加法器以外，其余皆由FPGA+
LazyLLM 多 Agent 应用全流程实践：从源码部署到可视化 Web 调试的低代码方案

LazyLLM 多 Agent 应用全流程实践：从源码部署到可视化 Web 调试的低代码方案

LazyLLM 多 Agent 应用全流程实践：从源码部署到可视化 Web 调试的低代码方案 前言：为什么选择 LazyLLM 构建多 Agent 大模型应用？ LazyLLM 作为低代码构建多 Agent 大模型应用的开发工具，可大幅降低大模型应用的开发与部署门槛。本文聚焦其在豆包模型的落地实践，将从源码部署豆包文本模型的完整配置步骤入手，延伸至官方 WebModule 启动可视化 Web 界面的实操流程，并配套精准性、简洁度等多维度的部署测试说明，为开发者提供可直接对照的实操指南，助力高效完成豆包模型在 LazyLLM 框架下的部署与验证。 LazyLLM 整体架构解析：三层联动的多 Agent 运行体系 LazyLLM 的架构分为三层级递进结构，各层级分工明确且联动协同，实现从应用开发到落地执行的全流程覆盖：上层（LazyPlatform AI 大模型应用开发平台）：核心含应用编排平台以可视化编排、发布、回流、调优的闭环完成应用构建迭代与平台管理模块通过租户、权限管理支撑多用户运维，是开发者的高效开发管理入口中层（

基于FPGA的千兆以太网源代码实现与设计实战

本文还有配套的精品资源，点击获取 简介：本设计基于FPGA平台，实现千兆以太网的数据传输功能，适用于高速网络通信场景，如视频信号的高效传输。通过Verilog等硬件描述语言，构建包括以太网物理层（PHY）、MAC控制器、Wishbone总线接口等核心模块，并提供完整的测试平台与行为模型用于仿真验证。配套的使用说明指导开发者在特定FPGA平台上配置和部署该系统，具有较强的工程实用性。该方案广泛应用于嵌入式系统、工业控制和高性能数据传输领域，是掌握FPGA网络接口开发的重要实践项目。 1. FPGA千兆以太网设计概述 随着高速通信需求的不断增长，基于FPGA实现千兆以太网接口已成为嵌入式系统、工业控制和视频传输等领域的重要技术手段。本章从系统架构出发，阐述FPGA在千兆以太网设计中的核心优势——强大的并行处理能力、灵活的可重构性以及极低的数据处理延迟。重点介绍关键功能模块的划分与协作机制，包括PHY层接口、MAC控制器、Wishbone总线桥接及数据包处理引擎，并结合IEEE 802.3标准解析千兆以太网帧结构与物理层规范。同时，明确顶层模块（ eth_top ）的数据流向与控制
LazyLLM 测评 | 低代码颠覆 AI 开发！代码专家智能体进阶模块实战

LazyLLM 测评 | 低代码颠覆 AI 开发！代码专家智能体进阶模块实战

摘要： LazyLLM 是商汤大装置推出的开源低代码框架，作为构建和优化多 Agent 应用的一站式开发框架，覆盖应用搭建、数据准备、模型部署、微调、评测等全流程开发环节，提供丰富的工具支持。其以模块化设计打破传统开发壁垒，通过数据流驱动重构开发逻辑，能让开发者用极简代码实现工业级复杂 AI 应用，摆脱冗余编码束缚，聚焦核心业务场景，降低 AI 应用构建成本并支持持续迭代优化。堪称 AI 开发者的 “效率神器”，其技术普惠理念为 AI 开发领域带来新的实践范式，推动了更高效的开发模式。本文将以Python编程为切入点，带你深入了解LazyLLM框架。 LazyLLM 是构建和优化多 Agent 应用的一站式开发工具，为应用开发过程中的全部环节（包括应用搭建、数据准备、模型部署、模型微调、评测等）提供了大量的工具，协助开发者用极低的成本构建 AI 应用，并可以持续地迭代优化效果。 LazyLLM作为商汤大装置推出的开源低代码框架，简直是AI开发者的“效率神器”