电脑跑AI绘画这件事，圈内聊得最多的就是Stable Diffusion本地部署。说白了，就是把你自己的显卡变成一台AI画图服务器，不依赖任何在线平台，不用按张付费，更不用担心别人看到你生成的内容。我自己前前后后帮朋友装了不下二十台机器，从游戏本到工作站都折腾过，今天这篇就把Stable Diffusion本地部署的完整流程、硬件门槛、模型选择和踩坑记录一次性说清楚，想入坑的可以直接照着抄。
先说清楚这东西适合谁：如果你平时出图量不大、偶尔玩票，用在线工具就够了；但如果你要批量生成素材、训练LoRA、研究ControlNet这类进阶玩法，或者单纯不想受平台的审核和额度限制，那本地部署就是绕不开的一步。本地部署最大的价值不是省钱，而是可控——模型随便换、参数随便调、插件随便装，整个流程完全在你自己的电脑里闭环。
1. 部署前先想清楚：本地跑SD到底需要什么条件
很多人一上来就问“我的电脑能不能跑”，其实这个问题得分两层看：一是能不能跑起来，二是能跑多快。能不能跑起来，主要看显存，显存低于4G基本不用考虑SD1.5以上的模型，勉强跑也会因为显存溢出直接崩掉；能跑多快，则取决于显卡型号和显存带宽。
1.1 硬件门槛：显卡决定上限，显存决定生死
先给个最直观的结论：NVIDIA显卡是首选，A卡和核显用户会比较痛苦。这不是偏见，而是SD底层依赖CUDA加速，N卡在生态支持上天然占优。具体到型号，我按经验分了三档：
| 显卡档次 | 代表型号 | 显存 | 实际体验 |
|---|---|---|---|
| 入门级 | GTX 1660 Super / RTX 2060 | 6G | 能跑SD1.5，512x512出图一张30-60秒，勉强能玩 |
| 进阶级 | RTX 3060 / 4060 / 5060 | 12G | 主流甜点，512x512出图一张10秒内，能跑SDXL |
| 高阶级 | RTX 4080 / 4090 | 16G-24G | 几乎通吃所有模型，SDXL也能做到秒出图 |
提示：如果你是纯新手，预算有限又特别想玩SD，哪怕买块二手RTX 3060 12G也比买新的A卡体验好。显存大小比显卡算力更关键，因为显存一旦不够，很多模型连加载都加载不出来，更别说出图了。
内存方面建议16G起步，32G更稳。很多人忽略了一个细节：SD在加载模型、处理VAE解码时，内存占用会突然飙升，内存不够会直接导致系统卡死或者进程被杀。硬盘就不用多说了，一个SD整合包加常用模型，轻轻松松吃掉100G以上空间，建议至少准备200G空闲磁盘，SSD优先。
1.2 软件选型：为什么我推荐先走整合包路线
SD的安装方式有两条路线：官方源码安装和整合包安装。官方源码安装的好处是干净、可控、版本透明，但坏处是你要自己配Python环境、Git、依赖库、CUDA工具链，任何一个环节版本不匹配都会报一堆莫名其妙的天书错误。我第一台机器就是硬啃官方安装的，踩了整整两天坑才跑通，真不建议新手走这条路。
整合包的逻辑是作者已经帮你把Python环境、依赖项、UI界面、常用插件全部打包好了，解压即用，相当于把原来两天的配置时间压缩到半小时。国内比较常见的是秋叶整合包，功能全面、更新快，还有配套的启动器，界面友好，特别适合入门。我自己现在虽然已经能徒手配环境了，但日常使用还是用整合包，省心。
2. 本地部署实操：手把手完成安装与初始化
接下来进入正题。这一节我以Windows系统为主来写，因为绝大多数人的PC都是Windows环境，Mac用户和Linux用户在后面的小节单独说。
2.1 Windows整合包安装全流程
第一步是下载整合包。完整包通常有几个G的大小，注意看清说明，有些是包含基础模型一起的，有些需要单独下载模型。建议先下一体包，因为模型单独下载反而容易搞混。下载完成后解压，这里有一个极其重要的细节：解压路径千万不要带中文和空格。
这个坑我至少见过十次以上。SD内部的很多工具链对路径的解析能力很弱，一旦路径里有中文，轻则报错，重则一系列功能失效。正确的做法是放在类似D:\SDWebUI这种纯英文路径下。解压时间会有点长，几万个零碎文件，耐心等就行。
解压完成后，启动器一般是一个exe文件，有些叫“A启启动器.exe”之类，双击打开。首次启动会做环境检查，自动识别显卡型号和显存大小，如果检测到显卡驱动版本太低会提示你更新驱动。这里我多说一句：NVIDIA显卡驱动建议去官网下载Game Ready驱动，网上很多第三方驱动工具容易装出问题。
启动器界面里通常有几个选项：一键启动、高级选项、模型管理。首次使用建议直接点“一键启动”，它会自动启动WebUI服务并弹出浏览器窗口。如果没有自动打开浏览器，就手动打开，地址一般是http://127.0.0.1:7860，看到这个地址能打开，恭喜你，SD已经跑起来了。
2.2 Mac与Linux的部署差异说明
Mac用户能不能跑SD？能跑，但分两种情况。M系列芯片的Mac在苹果的Metal加速加持下，跑SD1.5模型其实效率不差，出图速度和入门级N卡有得一拼；但到了SDXL这种大模型就明显吃力了，显存共享机制的效率跟NVIDIA的专用显存没法比。Intel芯片的老Mac就别折腾了，体验会很差。
Linux部署更推荐给那些打算把SD长期跑在服务器上的用户。流程和Windows整合包类似，但需要手动装Python 3.10、Git、CUDA驱动这些前置依赖，配置难度明显高一个档次。我的建议是：没有Linux基础的用户不要碰这条线，直接用Windows整合包就好。
2.3 首次启动的初始化设置
第一次打开WebUI界面时，可能看到的是全英文界面，各种参数密密麻麻，初学者容易懵。这很正常，先把两个基础选项搞定：一个是在界面右上角的设置里切回中文语言包；另一个是把“显示模型名称”这个选项打开，不然后面换模型时会非常迷茫。
接下去要做的关键步骤是修改默认的采样器和步数。WebUI默认的设置不一定适合所有场景，我个人习惯是把默认采样器改成DPM++ 2M Karras，默认步数改成20。这个组合在画质和速度之间比较平衡，也是社区里大多数人认可的基础配置。
3. 模型下载与放置：决定你出图风格的关键一步
刚开始用SD的人最容易遇到的问题就是：为什么我照网上教程操作，生成的图就是不如别人的好看？这个问题的答案九成出在模型上。SD本体只是一个引擎，画成什么样完全取决于你加载了什么模型。
3.1 模型类型扫盲：底模、LoRA、VAE、Embedding
SD的模型生态远不是单一文件那么简单，先分清几个核心概念：
- 底模（Checkpoint）：决定画面整体风格取向的基础模型，最常见的两类是SD1.5和SDXL，它们内部又细分为写实类、二次元类、2.5D类等。底模相当于相机的机身，是最核心的模型。
- LoRA（低秩适应模型）：附加在底模之上的微调模型，用来固定某个角色、某种画风或某个物体特征。LoRA不能单独用，必须搭配底模一起使用。它像是镜头滤镜，在底模基础上加一层特定风格。
- VAE（变分自编码器）：负责将模型的潜在空间解码为图像。对画质的影响很大，尤其是色彩和细节，不用VAE时画面可能出现灰蒙蒙的感觉。
- Embedding（文本嵌入）：通过修改提示词解析方式来实现风格控制或者内容过滤，可以理解为AI的词汇库扩展。
新手最容易踩的坑是不知道底模要放哪个目录。底模放在models\\Stable-diffusion文件夹里，LoRA放在models\\Lora，VAE放在models\\VAE。放错位置的话WebUI根本识别不到文件。
3.2 哪里下载模型以及怎么判断模型质量
模型下载渠道主要有两个：Hugging Face和Civitai。开源社区氛围好，但英文界面可能让新手有点犯怵。这里分享一个经验：下载模型前先看成图的示例，Civitai上每个模型都有社区用户生成的效果图，多看一些就知道这个模型适不适合你的需求，别只盯着下载量。
文件格式要注意：主流底模是.safetensors格式，这个格式更安全，可以防止恶意代码注入。早期的.ckpt格式虽然兼容性好，但安全性较差，强烈建议只下载safetensors格式的模型。
模型文件体积也有讲究，SD1.5底模普遍在2G到4G之间，SDXL底模则更大，通常5G到7G。如果一个号称SDXL底模的文件只有几百兆，那大概率是预量化或者裁剪过度的版本，画质会受影响。
3.3 模型加载的几个实用技巧
模型放进去之后要点击浏览器页面上方那个刷新按钮，下拉菜单里才会看到新模型。第一次加载模型会比较慢，需要几十秒到几分钟不等，这是正常的，SD需要把整个模型文件读入内存。
我更建议打开启动器里的“模型预加载”或“safetensors快速加载”选项，可以显著缩短切换模型的时间。另外别贪多，一次只放五六个常用的模型就够了，放几百个模型只会让你选择困难，还浪费磁盘和内存。
4. 第一次生图：文生图的参数配置与实操示范
环境搭好了，模型也放好了，现在进入核心环节——第一次生成图片。这个环节的重点不是追求多惊艳的效果，而是理解每个参数在干什么，建立基本操作感。
4.1 提示词写法：正向提示词与负向提示词
文生图的第一步是输入提示词。WebUI界面里有两个大输入框，一个叫“正向提示词”，一个叫“负向提示词”。正向提示词描述你想画什么，负向提示词描述你不想出现什么。
提示词的基本结构包括主体、环境、画质修饰词三大类。举个例子，如果你想画一个穿汉服的女生在竹林里，正向提示词可以写1girl, hanfu, bamboo forest, (best quality:1.2), (masterpiece:1.2)；负向提示词建议直接复制社区里通用的模板，比如lowres, bad anatomy, bad hands, text, error, missing fingers, extra digit, fewer digits, cropped, worst quality, low quality, jpeg artifacts, signature, watermark。
特别注意括号语法和权重的关系：(关键词:1.2)表示把这个词的权重提升到1.2倍，数值越高注意力越高，但过度提升会导致画面畸形。新手最好从无权重起步，习惯之后再慢慢调。
4.2 核心生成参数：采样器、步数、CFG、分辨率
这些参数乍一看很吓人，其实每个都有明确的含义，我挑实践中最关键的几个说：
| 参数 | 推荐值 | 解释 |
|---|---|---|
| 采样器 | DPM++ 2M Karras | 当前画质和速度综合最优的采样算法，新手闭眼选这个 |
| 采样步数 | 20-30步 | 迭代次数，太少了细节不足，太多了浪费时间且可能过拟合 |
| CFG Scale | 6.5-8 | 提示词引导强度，数值越高画面越贴近提示词，过高会让画面死板 |
| 分辨率 | 512x512（SD1.5）/ 1024x1024（SDXL） | 模型训练时的参考分辨率，随意改大容易产生畸形构图 |
这里最有必要展开的是分辨率。SD1.5模型在512x512下表现最好，如果你直接拉到1920x1080，画面大概率出现多手多脚、结构崩坏的情况。正确做法是先在512x512出构图，再用“高清修复”或者“图片放大”功能处理成高分辨率。SDXL模型本身就在1024x1024下训练，所以可以直接开大尺寸。
4.3 实操演示：一步步生成你的第一张图
搞懂了参数，现在完整走一遍流程。假设底模已经加载好，我挑一个常见的二次元画风模型，输入正向提示词和负向提示词，采样器选DPM++ 2M Karras，步数25，CFG设为7，分辨率512x768，点击“生成”按钮。
图形生成过程会在界面上实时显示，你能看到画面从一堆噪点逐渐变得清晰的整个过程。第一次出图大概等十来秒，这张图就是你的SD处女作了。如果觉得构图不对，别急着改参数，先调整提示词；如果觉得风格不对，多半是模型选错了。
出图之后界面下方会有一整排按钮，“保存”是保存到默认目录，格式是PNG；“发送到图生图”是把生成结果直接拿来继续加工，比如局部修改或者扩图；“发送到超分放大”则是把低分辨率图做放大处理。刚入门建议把这些功能都摸索一遍，它们就是后续进阶的钥匙。
5. 进阶场景扩展与效果提升
部署成功、会出图了，这块就开始铺进阶的路。说实话，SD的魅力绝非简单的文生图，真正让人上瘾的是它可以无限扩展的工作流。
5.1 图生图与局部重绘
图生图（img2img）是文生图的自然延伸，核心是“用一张图生成一张图”。你可以上传一张草稿照片，然后输入提示词，让SD按照提示词的风格对原图进行重绘。这个功能在改色、换风格、美化线稿这些场景下特别实用。
局部重绘（Inpaint）则是图生图的高级玩法：把图片里你不满意的部分用蒙版涂掉，然后提示词描述你要替换成什么，SD会只重绘蒙版区域的像素。我平时修图全是靠它，表情不对修表情、背景太乱换背景，效率极高。
5.2 ControlNet生态与工作流
ControlNet是SD最强大的插件之一，它的作用是让提示词之外的结构信息也能控制生成结果。简单理解：你可以用一张线稿、一张深度图甚至一个人物的骨架姿态图，来精确控制AI输出的构图和姿态。用了ControlNet之后，AI绘画从“随缘抽卡”变成“精准操控”，玩法完全不一样。
还有ComfyUI这种节点式工作流工具，适合做复杂批量处理场景，但它的学习曲线比较陡，Node图形化界面跟WebUI完全不同。新手不建议一上来就跑ComfyUI，先把WebUI玩熟，再考虑要不要迁移。
5.3 训练自己的LoRA模型
当你想要固定某个人物的长相或者某种特定风格时，需要训练一个自己的LoRA模型。训练集一般需要20到50张目标图像，再经过一段时间的训练让模型学会这些图像的特征。这部分内容比较深，我可以放在这个系列的后续文章里单开一篇详细说。
6. 常见问题与排查技巧实录
做AI绘画社群答疑这么久，大家反馈的高频问题无非这么几类：跑不起来、报错、出图质量差、特别慢。这篇最后把这几种情况集中拆解一遍，给出可以直接照做的解决方案。
6.1 部署与运行报错速查表
| 问题 | 可能原因 | 解决方法 |
|---|---|---|
| 启动报错“No module named torch” | Python环境没配对 | 用整合包自带的启动器修复环境，不要自己乱装Python |
| 运行时显存溢出（CUDA out of memory） | 显存不足或分辨率设置过高 | 降低分辨率，开启显存优化选项（如xformers） |
| 黑屏/白屏无输出 | 显卡驱动太老或浏览器兼容问题 | 更新显卡驱动，清空浏览器缓存后重启 |
| 生成图片全是噪点/马赛克 | 没正确加载VAE | 在设置里指定VAE路径，或使用“自动VAE”功能 |
| 界面加载超慢 | 模型文件太大或硬盘速度慢 | 换SSD，拆掉不用的模型，减少启动扫描时间 |
排查技巧上我提供一个经验：几乎所有非硬件问题，第一步先重启服务，第二步检查控制台日志，第三步怀疑模型损坏。百分之八十的“玄学问题”都能用这个顺序定位到原因。
6.2 效果不理想时的优化思路
如果你用同一套提示词，出图效果不如教程博主好，先别急着怀疑自己操作有问题。检查的顺序应该是：先看选的模型和教程是否一致，再看是否加载了博主用的LoRA或VAE，最后看参数配置是否完全一致。这一步必须严谨，一个CFG值调成默认的7，和你原来设置的8.5，出来两张图的清晰度、对比度都会明显不一样。
如果画出来的人物手部细节是崩坏的，这是所有AI绘画平台的共同痛点，哪怕目前最顶级的大模型也无法完全避免。通过加负向提示词（如bad hands, bad fingers）能有一定缓解，但你要有心理预期：完全解决这类问题，要么等新一代模型更新，要么靠局部重绘修复，没有第三种办法。
如果出图速度明显比预期慢，检查一下是不是忘了开启显存优化选项。在启动器的设置里找到xformers或者--medvram这些加速选项并开启，通常能带来30%以上的提速体验。这属于那种“花五分钟改一个选项，出图速度快一倍”的典型优化项。
6.3 磁盘空间管理的几个提醒
前面提到模型体积大，这里再说得细一些。一个SD基础整合包大概占5G左右，加上两三个常用底模就奔着20G去了，再折腾几个LoRA和ControlNet模型，50G是很轻松的事。我建议养成这些习惯：
- 模型下载前先看清楚体积和类型，别见一个下崽儿一个
- 定期清理
outputs目录下的历史生成图片，默认会把每一次生成的图都保存下来 - 用启动器自带的“模型清理”功能，把长期不用的模型一键删除
磁盘空间告急时，优先删除.ckpt格式的模型，保留.safetensors即可——前者容量更大且安全性不如后者。
7. 写在最后的几点个人经验
这篇内容写到这里已经足够你从零开始跑通Stable Diffusion本地部署了，最后再分享几条我帮人装机过程中总结的个人经验。
第一，别在第一天就想着装上几十个插件，SD本身的功能足够你玩很久，插件装多了反而拖慢启动速度、增加报错概率。先把文生图、图生图这些基本功练熟，再慢慢扩展。第二，出图效果不好时，先怀疑提示词，再怀疑参数，最后才怀疑模型，这个排查顺序能帮你节省大量时间。第三，AI绘画是典型的“杠杆型技能”，花时间学会本地部署和模型管理，后续在工作流效率上的回报会是几何级数的。
这个系列后续我还会继续更新模型推荐、精准控图技巧、LoRA训练实战这些进阶方向的内容。先把这套部署基础打好，后面我们能聊的东西会越来越深。
