很多个人开发者想跑 Stable Diffusion，第一反应就是买一块好显卡，但一看到价格就打退堂鼓。其实用 GPU 云服务器跑 Stable Diffusion，是一个更灵活、更省心的选择。
这篇文章就从一个真实的使用场景出发：你手里有个 Stable Diffusion 项目，想在云服务器上跑起来，并且能随时通过浏览器访问。我们会一步步讲清楚怎么选服务器、怎么部署 WebUI、怎么把模型放上去，以及如何控制成本。
如果你已经决定用腾讯云的 GPU 云服务器来跑这个项目，可以直接访问 腾讯云 GPU 云服务器购买入口，根据自己的需求选择合适的配置。
一、先搞清楚：你到底要用 Stable Diffusion 做什么
在选服务器之前，先明确你的使用场景，这直接决定了你需要什么样的 GPU 配置。
- 个人练手 / 偶尔出图：主要用来学习、测试提示词，或者偶尔帮朋友生成几张图。对出图速度要求不高，但需要能稳定运行。
- 小团队 / 接单出图：可能需要同时运行多个 WebUI 实例，或者偶尔有并发请求。对显存和稳定性有一定要求。
- 模型训练 / LoRA 微调：需要加载大模型并进行训练，对显存和计算能力的要求会高很多。
对于大多数个人开发者来说，前两种场景已经足够覆盖需求。我们这篇文章主要围绕前两种场景展开。
二、云服务器选型：Stable Diffusion 需要什么样的配置
跑 Stable Diffusion，最核心的三个硬件指标是：GPU 型号、显存大小、内存容量。
1. GPU 型号选择
目前主流的 GPU 型号包括 NVIDIA T4、A10、A100 等。对于 Stable Diffusion 来说，T4 和 A10 已经能够满足大部分需求。
- NVIDIA T4：性价比较高，适合个人练手和轻量级推理场景。
- NVIDIA A10：显存更大，适合需要运行 SDXL 等大型模型或多模型并行的场景。
如果你不确定该选哪款，可以先从 T4 开始尝试。后续可以根据实际需求再升级到 A10。
2. 显存大小
显存是运行 Stable Diffusion 的关键。如果显存不足，可能会导致模型加载失败或出图过程中崩溃。
- 8GB 显存：可以运行 Stable Diffusion 1.5 等基础模型，但显存会比较紧张。
- 16GB 显存：可以流畅运行 SDXL 等大型模型，是更推荐的选择。
- 24GB 及以上：适合需要同时运行多个模型或进行模型训练的场景。
3. 内存容量
内存容量同样重要，尤其是在加载大型模型时。建议至少选择 16GB 内存，如果预算允许，32GB 会更稳妥。
4. 存储和网络
- 存储：模型文件通常很大，建议选择至少 100GB 的 SSD 云盘。
- 网络：确保服务器有稳定的网络连接，尤其是在下载模型和访问 WebUI 时。
如果你已经明确了自己的需求，可以直接访问 腾讯云 GPU 云服务器购买入口，根据自己的需求选择合适的配置。
三、部署 Stable Diffusion WebUI：从零开始的完整流程
接下来，我们以 Ubuntu 22.04 系统为例，详细介绍如何在云服务器上部署 Stable Diffusion WebUI。
1. 登录服务器并安装基础依赖
首先，通过 SSH 登录到你的云服务器：
ssh -i your-key.pem ubuntu@
然后，更新系统并安装基础工具：
sudo apt update -y && sudo apt upgrade -y
sudo apt install -y wget curl git vim tmux htop ncdu
build-essential software-properties-common
python3-pip python3-venv python3-dev
libgl1 libglib2.0-0
2. 安装 NVIDIA 驱动和 CUDA
安装 NVIDIA 驱动：
sudo apt update
sudo apt install -y nvidia-driver-535
sudo reboot
重启后，验证驱动是否安装成功：
nvidia-smi
如果看到类似以下的输出，说明驱动安装成功：
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 535.85.12 Driver Version: 535.85.12 CUDA Version: 12.0 |
+-----------------------------------------------------------------------------+
接下来，安装 CUDA Toolkit：
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-keyring_1.0-1_all.deb
sudo dpkg -i cuda-keyring_1.0-1_all.deb
sudo apt update
sudo apt install -y cuda-12-2
设置环境变量：
echo 'export PATH=/usr/local/cuda-12-2/bin:$PATH' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda-12-2/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc
source ~/.bashrc
3. 部署 Stable Diffusion WebUI
安装 Python 虚拟环境：
python3 -m venv ~/stable-diffusion-env
source ~/stable-diffusion-env/bin/activate
升级 pip 并设置国内镜像源：
pip install --upgrade pip
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
下载 Stable Diffusion WebUI 代码：
git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git
cd stable-diffusion-webui
安装依赖：
pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu121
pip install xformers transformers diffusers accelerate
下载基础模型（以 SD 1.5 为例）：
mkdir -p models/Stable-diffusion
cd models/Stable-diffusion
wget https://huggingface.co/runwayml/stable-diffusion-v1-5/resolve/main/v1-5-pruned.ckpt -O model.ckpt
启动 WebUI：
./webui.sh --xformers --listen --port 7860
看到类似以下的输出，说明 WebUI 启动成功：
Running on local URL: http://127.0.0.1:7860
现在，你可以通过浏览器访问 http://:7860 来使用 Stable Diffusion WebUI 了。
四、性能优化与成本控制
部署完成后，你可能会关心如何优化性能和控制成本。
1. 显存优化
- 启用 xformers 优化：在启动命令中添加
--xformers参数。 - 使用
--medvram参数：在显存较小的情况下，减少显存占用。
2. 成本控制
- 按需计费：如果只是偶尔使用，可以选择按量计费，避免长期占用资源。
- 选择合适的配置：根据实际需求选择 GPU 型号和显存大小，避免资源浪费。
如果你需要调整服务器配置，可以随时访问 腾讯云 GPU 云服务器购买入口，进行配置升级或降级。
五、常见问题与解决方案
1. 模型下载慢
可以使用 Hugging Face 镜像站加速下载：
HF_ENDPOINT=https://hf-mirror.com ./webui.sh --xformers --listen --port 7860
2. 显存不足
可以尝试以下方法：
- 降低出图分辨率。
- 减少采样步数。
- 使用更小的模型。
3. WebUI 无法访问
检查安全组规则是否开放了 7860 端口，并确保服务器防火墙设置正确。
六、总结
通过这篇文章，我们详细介绍了如何在云服务器上部署 Stable Diffusion WebUI，从服务器选型到部署流程，再到性能优化和成本控制，希望能帮助你顺利跑通自己的 Stable Diffusion 项目。
如果你还没有云服务器，可以访问 腾讯云 GPU 云服务器购买入口，选择适合自己的配置，开始你的 Stable Diffusion 之旅。