最新版本 Stable Diffusion 开源AI绘画工具之部署篇

简介: AI 绘画让设计师走向失业

🎈 AI绘画

  • 关于 AI 绘画最近有多火,既然你有缘能看到这篇文章,那么相信也不需要我过多赘述了吧?
  • 随着 AI 绘画技术的发展,最新感到压力山大的应该属于那些设计师了吧,AI 不仅作图效率其高,而且画面超级逼真,甚至在很多细节处理方面都已经超过专业设计师的级别,是不是瞬间感觉自己的饭碗保不住了。
  • 虽然很多人听说了这项技术,但是对于部署还是一知半解,到现在也只是只闻其声不见其物。这篇文章主要就是教大家如何部署最新版本的 Stable Diffusion 绘画工具。

111111.jpg



🎈 本地环境要求

  • 在下载 AI 绘画工具前,电脑上需要提前下载一些运行的环境
    首先本地机器最好是英伟达的N卡,并且至少需要 4GB 显存才能在本地运行,当然,A卡也是可以玩起来的,因为绘画对显卡是有着很高的要求的。不然的话,即使安装成功,得到的图片结果可能也是全黑图或者是根本无法进行绘制
    安装的时候,需要打开魔法上网,不然无法下载绘画所需要的一些依赖
    另外本地需要有 python 环境,官方要求下载 Python 3.10.6 版本
    其中 python 的下载地址:https://www.python.org/downloads/
    另外还需要安装 Git,下载地址:https://git-scm.com/downloads/
    python 安装完成后,我们运行以下命令,将 pip 升级到最新
python -m pip install --upgrade pip


🎈 下载 Stable Diffusion

22222.png


🎈 运行启动

  • 下载到本地后,如果你是 windows 系统,直接双击文件夹中的 webui-user.bat
    如果你是 MACOS 或者 Linux 系统,请运行命令 ./webui.sh
    第一次启动会下载各种依赖,时间比较久,而且最新版加入了一个近 4GB 的默认模型 v1-5-pruned-emaonly.safetensors 也是要下载的,所以耐心等就可以了。
    如果想要加快下载速度的话,可以提前下载好这个模型,然后放到 models/Stable-diffusion 文件夹中即可,然后再启动 webui-user.bat,这样就不会再重新下载这个模型了
    模型默认官方下载地址:https://huggingface.co/runwayml/stable-diffusion-v1-5/tree/main
    如果觉得官方默认下载缓慢,评论区我也贴上了百度云默认模型的下载地址,请自行选择
    如果安装过程顺利,直接在浏览器打开 http://127.0.0.1:7860
    访问成功即是安装成功,打开的页面大概如下

33333.png


🎈 启动参数

  • 如果你是 windows 系统,可以在 webui-user.bat 中的 set COMMANDLINE_ARGS 中配置启动参数
  • 如果你是 MacOS 系统,可以在 webui-macos-env.sh 中的 export COMMANDLINE_ARGS 中配置启动参数
  • 常见的启动参数如下:
  • --server-name: 默认启动绑定的 ip 是 127.0.0.1,只能是你自己电脑可以访问 webui,如果你想让同个局域网的人都可以访问的话,可以配置该参数
  • --port: 默认端口是 7860,如果想换个端口,可以配置该参数,例如:--port 8888
  • --gradio-auth username:password: 如果你希望给 webui 设置登录密码,可以配置该参数,例如:--gradio-auth tinygeeker:123456
  • --use-cpu:默认使用 GPU 算力(需要 Nvidia 显卡),如果没显卡,可以配置该参数,改用 CPU 算力
  • --medvram:为低显存(比如:4G)启用模型优化,会牺牲一点速度
  • --lowvram:为极低显存(比如:2G)启用模型优化,会牺牲很多速度
  • --autolaunch:启动时自动打开浏览器访问 webui
  • --api:可以在启动 stable-diffusion-webui 的同时,启动一个接口服务
# 常用 Nvidia 显卡启动参数COMMANDLINE_ARGS=--xformers--autolaunch# 常用 AMD 显卡启动参数COMMANDLINE_ARGS=--precision full --no-half--opt-sub-quad-attention--lowvram--disable-nan-check--autolaunch
相关文章
|
17天前
|
人工智能 Java Serverless
阿里云函数计算助力AI大模型快速部署
随着人工智能技术的快速发展,AI大模型已经成为企业数字化转型的重要工具。然而,对于许多业务人员、开发者以及企业来说,探索和利用AI大模型仍然面临诸多挑战。业务人员可能缺乏编程技能,难以快速上手AI模型;开发者可能受限于GPU资源,无法高效构建和部署AI应用;企业则希望简化技术门槛,以更低的成本和更高的效率利用AI大模型。
78 12
|
2天前
|
人工智能 自然语言处理 语音技术
AI 工具导航网站分享
一个致力于成为您在 AI 世界探索旅程中的可靠伙伴,为您搭建起一座通往便捷与高效的桥梁的网站。
AI 工具导航网站分享
|
7天前
|
人工智能 自然语言处理 搜索推荐
你用过最好用的AI工具是什么?
2023年AI革命风起云涌,众多产品令人振奋。我体验了OpenAI的ChatGPT、微软New Bing、Anthropic Claude等多款AI产品。特别推荐微软New Bing,它集成了强大的搜索引擎和语言模型,回答问题精准,提供最新信息,还能免费进行创意绘图。此外,New Bing还集成了Copilot网页助手,帮助用户高效提取和总结内容。
64 27
你用过最好用的AI工具是什么?
|
2天前
|
人工智能 自然语言处理 JavaScript
Univer:开源全栈 AI 办公工具,支持 Word、Excel、PPT 等文档处理和多人实时协作
Univer 是一款开源的 AI 办公工具,支持 Word、Excel 等文档处理的全栈解决方案。它具有强大的功能、高度的可扩展性和跨平台兼容性,适用于个人和企业用户,能够显著提高工作效率。
31 7
Univer:开源全栈 AI 办公工具,支持 Word、Excel、PPT 等文档处理和多人实时协作
|
7天前
|
机器学习/深度学习 人工智能 算法
X-AnyLabeling:开源的 AI 图像标注工具,支持多种标注样式,适于目标检测、图像分割等不同场景
X-AnyLabeling是一款集成了多种深度学习算法的图像标注工具,支持图像和视频的多样化标注样式,适用于多种AI训练场景。本文将详细介绍X-AnyLabeling的功能、技术原理以及如何运行该工具。
46 2
X-AnyLabeling:开源的 AI 图像标注工具,支持多种标注样式,适于目标检测、图像分割等不同场景
|
3天前
|
人工智能 数据库连接 API
在部署《主动式智能导购 AI 助手构建》解决方案的过程中,整体体验还是相对顺畅的,但确实遇到了一些问题,文档提供的引导也有所不足,以下是详细的体验评估
在部署《主动式智能导购 AI 助手构建》解决方案的过程中,整体体验还是相对顺畅的,但确实遇到了一些问题,文档提供的引导也有所不足,以下是详细的体验评估
|
15天前
|
编解码 人工智能 监控
VISION XL:支持四倍超分辨率的 AI 视频修复处理工具,提供去除模糊、修复缺失等功能
VISION XL是一款基于潜在扩散模型的高效视频修复和超分辨率工具,能够修复视频缺失部分、去除模糊,并支持四倍超分辨率。该工具优化了处理效率,适合快速处理视频的应用场景。
61 6
VISION XL:支持四倍超分辨率的 AI 视频修复处理工具,提供去除模糊、修复缺失等功能
|
15天前
|
人工智能 缓存 异构计算
云原生AI加速生成式人工智能应用的部署构建
本文探讨了云原生技术背景下,尤其是Kubernetes和容器技术的发展,对模型推理服务带来的挑战与优化策略。文中详细介绍了Knative的弹性扩展机制,包括HPA和CronHPA,以及针对传统弹性扩展“滞后”问题提出的AHPA(高级弹性预测)。此外,文章重点介绍了Fluid项目,它通过分布式缓存优化了模型加载的I/O操作,显著缩短了推理服务的冷启动时间,特别是在处理大规模并发请求时表现出色。通过实际案例,展示了Fluid在vLLM和Qwen模型推理中的应用效果,证明了其在提高模型推理效率和响应速度方面的优势。
云原生AI加速生成式人工智能应用的部署构建
|
22天前
|
存储 人工智能 数据库
Codel:AI代理工具,支持在终端、浏览器、编辑器执行复杂任务和项目
Codel是一款全自主AI代理工具,支持在终端、浏览器和编辑器中执行复杂任务和项目。它运行在沙盒化的Docker环境中,具备自主操作能力,内置浏览器和文本编辑器,所有操作记录存储于PostgreSQL数据库。Codel能够自动完成复杂任务,如创建项目结构、进行网络搜索等,适用于自动化编程、研究与开发、教育与培训以及数据科学与分析等多个领域。
59 11
Codel:AI代理工具,支持在终端、浏览器、编辑器执行复杂任务和项目
|
18天前
|
机器学习/深度学习 存储 人工智能
【AI系统】训练后量化与部署
本文详细介绍了训练后量化技术,涵盖动态和静态量化方法,旨在将模型权重和激活从浮点数转换为整数,以优化模型大小和推理速度。通过KL散度等校准方法和量化粒度控制,文章探讨了如何平衡模型精度与性能,同时提供了端侧量化推理部署的具体实现步骤和技术技巧。
43 1
【AI系统】训练后量化与部署