【Stable Diffusion安装及常见问题】详细安装步骤及问题解决方案

Stable Diffusion(SD)可以在多种操作系统上运行,其中主流选择是Windows,但macOS和Linux也都有成熟的方案,不同系统的体验和要求差别不小,这里以Windows系统为例,其他操作系统可以参考官方运行说明,按要求配置

一、安装过程

1.1 git安装

后续安装需要使用git拉取Stable Diffusion的官方仓库文件,使用git拉取相比于下载zip可以通过修改运行文件实现每次运行时自动更新最新版本

(1)访问下方连接,下载git安装包

 Git - Install for Windowshttps://git-scm.com/install/windows

(2)下载完成后运行执行程序,选项保持默认即可

1.2 Python3.10.6安装

Stable Diffusion 依赖 Python,是因为其核心框架(如 PyTorch)、模型库(如 diffusers)、用户界面(如 WebUI)及整个 AI 生态都构建在 Python 之上,Python 是连接模型、工具与用户的唯一高效通用语言

官方运行文档说明中指定使用Python3.10.6版本,最新版本不支持torch

另外系统只允许安装Python3.10.x一个版本,如果已经有3.10.x其他版本建议卸载更换3.10.6,否则后续运行Stable Diffusion会出现问题

(1)访问下方链接进行下载

Python Release Python 3.10.6 | Python.orghttps://www.python.org/downloads/release/python-3106/打开网页滑到最下方,选择Windows x64版本下载安装

(2)运行执行程序,一定要勾选Add python.exe to path ,选择自定义安装

注:确定好安装路径,不要随意更改python路径上的文件夹命名或者移动位置,否则需要重新配置环境变量,如果一定要改路径建议卸载后重新安装

卸载可以找到安装的执行文件打开进行卸载

1.3 Stable Diffusion安装

(1)访问GitHub官方仓库(需要翻墙)

GitHub - AUTOMATIC1111/stable-diffusion-webui: Stable Diffusion web UIhttps://github.com/AUTOMATIC1111/stable-diffusion-webui不能翻墙的可以使用国内镜像网站(不需要翻墙)

stable-diffusion-webui:AUTOMATIC1111/stable-diffusion-webui - 一个为Stable Diffusion模型提供的Web界面,使用Gradio库实现,允许用户通过Web界面使用Stable Diffusion进行图像生成。 - GitCodehttps://gitcode.com/GitHub_Trending/st/stable-diffusion-webui复制链接

(2)复制完链接后,在想安装位置的文件夹下运行CMD

输入git clone 复制的网址,回车

(3)下载完成后,关闭CMD,下载需要的model

Hugging face网站(需要翻墙)下载model,根据自己需求选择对应模型下载,这里我选择一个小一些的基础模型(根据自己电脑配置和需求进行选择)

botp/stable-diffusion-v1-5 · Hugging Facehttps://huggingface.co/botp/stable-diffusion-v1-5下滑找到需要的model,点击下载

(4)下载完成后,将下载的model文件移动到指定路径,不然运行时Stable Diffusion识别不到

D:\刚才下载运行CMD的文件夹\stable-diffusion-webui-master\models\Stable-diffusion

(5)在D:\刚才下载运行CMD的文件夹\stable-diffusion-webui-master路径下找到webui-user.bat文件,右键更多选项编辑

在顶部添加git pull,这样可以保证Stable Diffusion文件是最新的,保存文件

(6)双击运行webui-user.bat文件,第一次打开会自动下载需要的文件(需要翻墙),下载时可能会遇到网络问题,后面解决方案会展示如何使用国内镜像

(7)等待安装完成后,复制标红位置的地址,使用浏览器访问即可

二、问题及解决方案

2.1 运行webui-user.bat安装时的网络问题

安装时需要翻墙且保证网络环境稳定,如果如果遇到网络问题安装失败,可以参考下面解决方案使用国内镜像安装

2.1.1 解决方案

在Stable Diffusion安装的文件夹里面找到launch.py文件,右键以记事本方式打开,下滑找到git+https://在加号后面加上标红的部分,保存后重新运行webui-user.bat文件即可

2.2打开网页后报错

使用浏览器打开后可能会弹出报错,一般是模型加载失败 / 模型文件损坏 / webui 没下载成功模型导致的

2.2.1解决方案

(1)首先在存放model的文件夹目录下删除元原模型,重新下载替换之后重新运行(可以选中model文件右键属性检查文件大小与下载是大小是否一致,若大小差异过大,可能是文件损坏,需要按照上面步骤重新下载model文件替换)

(2)可能是WebUI 前端网页缓存没有删除,尝试关闭浏览器所有扩展(尤其是翻译扩展),打开浏览器Ctrl + Shift + N无痕访问地址

(3)若前两点无法解决问题,可能是WebUI 前端网页跟后台Python程序失去连接导致

很大可能是因为Python版本不兼容!!!官方文档中使用3.10.6版本

现在需要卸载之前的Python3.10.x和删除Stable Diffusion文件夹(重新下载Stable Diffusion是因为修改Python版本后,重新运行原来的Stable Diffusion不会自动更改新安装的Python版本),重新按照步骤进行安装配置

Read more

告别996:GitHub Copilot将我的开发效率提升300%的实战记录

告别996:GitHub Copilot将我的开发效率提升300%的实战记录

👋 大家好,欢迎来到我的技术博客! 📚 在这里,我会分享学习笔记、实战经验与技术思考,力求用简单的方式讲清楚复杂的问题。 🎯 本文将围绕AI这个话题展开,希望能为你带来一些启发或实用的参考。 🌱 无论你是刚入门的新手,还是正在进阶的开发者,希望你都能有所收获! 文章目录 * 告别996:GitHub Copilot将我的开发效率提升300%的实战记录 * 引言:从疲惫到高效 * 什么是GitHub Copilot?🤖 * 效率提升300%的核心场景 * 1. 快速生成样板代码 * 2. 自动编写单元测试 * 3. 智能调试与注释 * 集成Copilot到工作流 * 步骤1:设置合理的期望 * 步骤2:结合IDE使用 * 步骤3:代码审查与调整 * 高级用法:超越代码生成 * 数据库查询优化 * API接口设计 * 正则表达式助手 * 数据支撑:效率提升分析 * 避坑指南:常见问题与解决 * 1. 可能生成过时或不安全代码

Jetson + OpenClaw + 飞书机器人:构建一个让边缘设备成为 AI Agent 助手的远程交互系统

Jetson + OpenClaw + 飞书机器人:构建一个让边缘设备成为 AI Agent 助手的远程交互系统

1. 背景 最近我希望在 Jetson 上部署一个本地 Openclaw,并通过飞书机器人进行远程交互,从而让闲置的边缘设备秒变我的高级AI助手。整体目标很简单: * 在 Jetson 上运行 OpenClaw * 接入自己的模型 API(我使用的是阿里的Coding Plan) * 通过飞书群聊 @机器人 或者私聊机器人直接调用本地 Agent 最终希望实现这样的工作流: Feishu Group ↓ Feishu Bot ↓ OpenClaw Gateway (Jetson) ↓ Agent ↓ LLM API ↓ 返回飞书消息 这篇文章记录一下从源码部署 OpenClaw,到接通飞书机器人的完整过程,以及过程中踩到的几个关键坑。 2. 环境信息 本文使用环境如下: Jetson 环境 uname -a # 输出 Linux agx229-desktop 5.10.216-tegra

如何用FPGA实现高精度无刷电机控制?从原理到落地的完整指南

如何用FPGA实现高精度无刷电机控制?从原理到落地的完整指南 【免费下载链接】FPGA-FOCFPGA-based Field Oriented Control (FOC) for driving BLDC/PMSM motor. 基于FPGA的FOC控制器,用于驱动BLDC/PMSM电机。 项目地址: https://gitcode.com/gh_mirrors/fp/FPGA-FOC 在工业自动化与机器人领域,如何突破传统MCU在电机控制中的性能瓶颈?FPGA以其并行处理架构为场定向控制(FOC)算法提供了全新的实现路径。本文将系统解析基于FPGA的无刷电机驱动技术,通过硬件-算法-工程实现的三维度分析,帮助开发者掌握FPGA电机控制的核心方法与工程落地技巧。 价值主张:为什么FPGA是电机控制的理想选择 当我们谈论高精度电机控制时,传统MCU方案往往面临三大挑战:计算能力不足导致的控制延迟、采样速率受限影响的控制精度、以及多轴扩展时的资源冲突。FPGA-FOC项目通过硬件并行架构从根本上解决了这些问题,其核心优势体现在三个维度: 硬件架构的突破 FPGA的并行处理特