企业官网建设流程全解析

1. 项目缘起：为什么要在云端部署Stable Diffusion整合包？

作为一名长期在AIGC领域折腾的开发者，我最近被一个老问题给“卡”住了：本地显卡性能捉襟见肘，跑个高分辨率图或者训练个LoRA模型，风扇狂转不说，时间成本也高得吓人。相信很多朋友都遇到过类似的情况，尤其是当你手头只有一张消费级显卡，或者干脆在用笔记本的时候。本地部署Stable Diffusion，尤其是功能齐全的整合包，对硬件的要求确实不低。

这时候，云GPU就成了一个非常诱人的选择。它能把我们从硬件的束缚中解放出来，按需使用强大的算力。在众多云GPU平台里，趋动云（VDriver Cloud）以其相对友好的定价和针对AI开发者的优化环境，进入了我的视野。而秋葉aaaki大佬的Stable Diffusion整合包，可以说是中文社区里最知名、最易用的发行版之一，集成了WebUI、大量插件和优化，开箱即用。

那么，一个很自然的想法就产生了：能不能把这两者结合起来？把秋葉整合包部署到趋动云的Linux GPU实例上，打造一个随时随地可以访问、性能强劲的“个人AI画室”？这个想法听起来很美，但实际操作起来，从云环境初始化、依赖配置到整合包适配，每一步都可能藏着坑。网上关于在趋动云上部署特定整合包的详细教程并不多，大多停留在基础环境搭建。因此，我决定把这次完整的部署过程、遇到的坑以及最终的优化方案记录下来，希望能给有同样需求的朋友铺平道路。

2. 趋动云环境准备与核心配置解析

在开始上传和运行整合包之前，我们必须先把趋动云上的“地基”打好。这个环节的配置直接决定了后续所有步骤的顺畅程度，也是与本地部署差异最大的地方。

2.1 实例规格选择：不只是看显存

登录趋动云控制台，创建新项目并进入“开发机”页面。这里的选择至关重要。对于Stable Diffusion WebUI，显存（GPU Memory）是首要考量因素。运行基础模型（如SD 1.5）生成512x512的图片，8GB显存是较为舒适的起点。如果你想玩转SDXL模型、高分辨率修复（Hires.fix）或者进行LoRA训练，那么16GB或以上的显存是必须的。

在趋动云上，你可以看到诸如“RTX 4090 (24GB)”、“RTX 3090 (24GB)”、“A100 (40/80GB)”等选项。我的建议是：

• 入门尝鲜/轻度使用：选择RTX 3090 24GB或同级别卡。24GB显存足以应对绝大多数应用场景，性价比相对较高。
• SDXL与高阶应用：如果预算充足，直接上A100 40GB。大显存在处理复杂工作流、多图批次生成时优势明显，能极大减少显存不足导致的崩溃。

除了GPU型号，还需要注意实例的磁盘空间。趋动云的默认系统盘大小可能只有50GB左右。秋葉整合包解压后本身就有10-20GB，再加上你后续要下载的各种基础模型、LoRA、Embedding，50GB是远远不够的。务必在创建实例时，将数据盘（比如/workspace）容量扩展到100GB以上，我强烈建议直接拉到200GB或更多，避免后续频繁清理空间的麻烦。你可以将整合包和所有模型都放在这个数据盘路径下。

2.2 系统镜像与关键环境配置

趋动云提供了多种预置的深度学习镜像。对于Stable Diffusion，我们通常选择PyTorch相关的镜像。一个常见的选择是PyTorch 2.0.1，并搭配CUDA 11.8或12.1的版本。秋葉的整合包v4版本通常对PyTorch 1.x和2.x都有较好的兼容性，选择较新的PyTorch 2.x镜像有利于获得更好的性能和未来插件的兼容性。

实例启动后，通过Web Terminal（JupyterLab Terminal或独立的SSH终端）进入系统。首先，我们需要进行一些基础检查与配置：

1. 检查GPU驱动与CUDA：这是云平台的优势，通常无需我们手动安装。输入nvidia-smi命令，确认GPU被正确识别，并查看CUDA版本。输出信息会显示显卡型号、驱动版本和CUDA版本。记下这个CUDA版本（例如12.1），后续如果需要手动编译某些插件，会用到。
2. 配置Python环境与包管理：预置镜像通常已经安装了conda或配置好了基础的Python环境。检查一下Python版本：python3 --version。Stable Diffusion WebUI推荐使用Python 3.10.x。如果版本不符，可以使用conda创建一个新的环境：

   conda create -n sdwebui python=3.10.6 conda activate sdwebui

   但请注意，秋葉整合包内通常自带了Python解释器。我们更关心的是系统层面是否有必要的编译工具。
3. 安装系统级依赖：有些Python包（如torchvision）或WebUI的组件在安装时需要编译。确保系统已安装编译工具和必要的库：

   # 对于Ubuntu/Debian系镜像 sudo apt-get update sudo apt-get install -y build-essential git libgl1 libglib2.0-0 wget git-lfs # git-lfs 用于大模型文件（如.ckpt, .safetensors）的拉取，非常重要！

   安装git-lfs后，需要初始化：git lfs install。

完成以上步骤，一个为Stable Diffusion准备好的基础Linux环境就配置好了。接下来，就是主角登场。

3. 秋葉整合包v4的部署与适配调整

秋葉整合包之所以受欢迎，就是因为它把复杂的依赖、环境变量和启动脚本都打包好了，在Windows上几乎是双击即用。但在Linux环境下，尤其是云服务器上，我们需要手动处理一些路径和权限问题。

3.1 获取与解压整合包

由于整合包体积巨大（通常超过10GB），我们不建议通过git clone（除非作者提供了仓库）。更实际的做法是：

1. 本地下载：从秋葉大佬发布的网盘链接（如百度网盘）将整合包v4的压缩文件（通常是.7z或.zip格式）下载到本地。
2. 上传至云端：在趋动云实例的文件管理界面（JupyterLab文件浏览器），找到你的数据盘路径，例如/workspace。然后通过上传功能，将本地的整合包压缩文件上传到此目录。云服务器的上传速度通常很快。
3. 解压：在终端中，进入上传目录进行解压。

   cd /workspace # 如果是 .7z 文件 sudo apt-get install p7zip-full -y # 如果未安装7z 7z x sd-webui-aki-v4.7z -o./sd-webui # 如果是 .zip 文件 unzip sd-webui-aki-v4.zip -d ./sd-webui

   解压后会得到一个名为sd-webui或类似的文件夹，里面就是整合包的全部内容。

3.2 核心启动脚本分析与修改

这是Linux部署的核心步骤。整合包根目录下会有一个关键的启动脚本，在Windows上是启动器.exe或webui-user.bat，而在Linux下，我们需要关注的是webui.sh（如果存在），或者我们需要自己创建一个。

首先，查看整合包内是否有webui.sh或launch.py。秋葉的整合包可能主要面向Windows，Linux脚本可能不完整或需要调整。我们可以参考官方Stable Diffusion WebUI的webui.sh来修改或创建。

进入解压后的目录：

cd /workspace/sd-webui

情况一：如果存在webui.sh用文本编辑器（如nano或vim）打开它，检查以下几个关键点：

• Python路径：脚本开头可能会定义python_cmd。我们需要将其指向云实例中可用的Python。如果使用了我们前面创建的conda环境，可以修改为：

  python_cmd="conda run -n sdwebui python" # 或者直接使用conda环境中的python绝对路径，可以通过 `conda env list` 和 `which python` 在激活环境后查看

• 启动参数：这是优化的重点。在commandline_args变量中，我们可以添加适用于服务器环境的参数。一个推荐的配置如下：

  export COMMANDLINE_ARGS="--listen --port 7860 --api --enable-insecure-extension-access --no-half-vae --xformers"

  • --listen：允许服务器监听所有网络接口，这样你才能通过公网IP访问。
  • --port 7860：指定WebUI服务的端口。
  • --api：启用API接口，方便其他程序调用。
  • --enable-insecure-extension-access：允许从任何URL安装扩展，避免权限错误。
  • --no-half-vae：禁用VAE的半精度计算，可以解决一些模型加载时的黑图问题（尤其是SDXL），代价是轻微增加显存占用。
  • --xformers：启用xformers库，可以大幅优化显存使用并提升生成速度。前提是云环境已安装xformers。趋动云的PyTorch镜像很可能已经预装了。如果没有，可以尝试在启动脚本中让WebUI自动安装（但可能失败），或者手动pip install xformers。
• 环境变量：检查是否有设置TORCH_CUDA_ARCH_LIST等环境变量的语句，一般云环境不需要改动。

情况二：如果没有webui.sh我们可以创建一个。最简单的方式是复制官方WebUI的脚本，或者自己写一个简单的。创建一个webui.sh文件：

#!/bin/bash # 激活你的conda环境（如果用了的话） # conda activate sdwebui # 设置WebUI目录 cd /workspace/sd-webui # 设置启动参数 export COMMANDLINE_ARGS="--listen --port 7860 --api --enable-insecure-extension-access --no-half-vae --xformers" # 执行启动Python脚本 python launch.py $COMMANDLINE_ARGS

然后给脚本执行权限：chmod +x webui.sh。

3.3 首次启动与依赖安装

保存好启动脚本后，就可以尝试首次启动了：

./webui.sh

脚本会开始运行。它会自动检查并安装所需的Python依赖包（如torch,gradio,transformers等）。这个过程可能会比较漫长，并且完全依赖于网络状况。在云服务器上，速度通常比个人网络快很多。

关键注意事项：首次启动时，很可能会卡在安装gfpgan、clip等包的环节，或者下载某些模型（如sd-vae-ft-mse）时超时。这是因为默认的pip源和模型下载地址可能在国内访问较慢。

解决方案：

1. 修改pip源：在启动前，可以设置环境变量使用国内镜像源加速。你可以编辑webui.sh，在python launch.py之前添加：

   export PIP_INDEX_URL=https://pypi.tuna.tsinghua.edu.cn/simple

2. 手动干预：如果脚本在某个包安装上卡死，可以按Ctrl+C中断，然后手动进入venv环境（如果整合包用了虚拟环境）或用系统python，执行pip install [包名] -i https://pypi.tuna.tsinghua.edu.cn/simple。安装完成后再次运行./webui.sh，脚本通常会跳过已安装的包。
3. 模型下载问题：对于启动时自动下载的VAE等小模型，如果失败，可以手动从Hugging Face或国内镜像站下载，并放置到models/VAE目录下。脚本检测到本地已有文件就会跳过下载。

当终端输出类似Running on local URL: http://0.0.0.0:7860的信息时，恭喜你，WebUI服务已经启动成功了！

4. 网络访问、持久化与高级配置

服务跑起来了，但怎么访问？数据怎么保存？下次开机还要重新配置吗？这是云部署区别于本地的另一个核心。

4.1 配置公网访问与安全

在趋动云实例的控制台，找到“开发机”详情页，通常会有一个“自定义访问端口”或“访问地址”的配置区域。我们需要将实例内部的7860端口映射到公网。

1. 添加端口映射：在控制台添加一条规则，将容器端口（或实例端口）7860映射到一个公网端口（例如10086）。趋动云会自动分配一个公网域名或IP+端口。
2. 获取访问链接：配置完成后，你会得到一个类似https://xxxx.vdriver.cloud:10086的访问地址。
3. 安全警告：直接使用--listen参数并暴露公网端口存在安全风险，因为WebUI默认没有身份验证。强烈建议设置访问密码。修改启动参数：

   export COMMANDLINE_ARGS="--listen --port 7860 --api --enable-insecure-extension-access --no-half-vae --xformers --gradio-auth username:password"

   将username和password替换为你自己的用户名和密码。这样，通过公网访问时就需要输入账号密码了。

现在，你可以在世界任何地方，通过浏览器打开那个公网地址，输入密码，就能进入你的云端Stable Diffusion WebUI了。

4.2 数据持久化与模型管理

云实例的一个特点是“无状态”。如果你关闭了实例，默认情况下，对系统盘的修改（比如/root下的内容）可能会丢失。但趋动云的数据盘（如/workspace）是持久化存储的。这就是为什么一开始就强调要把所有东西放在数据盘。

• 模型存放：将你下载的.ckpt或.safetensors大模型文件，放入/workspace/sd-webui/models/Stable-diffusion/目录。
• LoRA/Embedding存放：分别放入/workspace/sd-webui/models/Lora/和/workspace/sd-webui/embeddings/目录。
• 扩展插件：通过WebUI界面安装的扩展，默认会存放在/workspace/sd-webui/extensions/下，这些数据也在持久化盘上，下次启动实例时会保留。
• 输出图片：生成的图片默认在/workspace/sd-webui/outputs/，记得定期下载备份或清理。

一个重要的技巧：你可以修改WebUI的设置，让所有路径都指向数据盘下的自定义目录，方便统一管理。这可以通过修改webui-user.sh中的环境变量实现，但秋葉整合包的路径结构相对固定，直接使用其默认子目录即可。

4.3 性能调优与问题排查

部署完成后，为了获得最佳体验，还需要进行一些微调。

1. 启用Xformers：如前所述，--xformers参数至关重要。如果启动日志中有关于xformers的警告或错误，可以尝试将其改为--force-enable-xformers，或者先卸载再让WebUI重装：在终端中，先停止WebUI，然后执行pip uninstall xformers -y，再重新启动./webui.sh。
2. 优化VAE：对于SD 1.5模型，使用--no-half-vae可能不是必须的，可以尝试移除以节省显存。但对于SDXL，保留这个参数更稳定。你还可以尝试在WebUI的设置 -> Stable Diffusion 页面中，将“VAE”设置为“自动”或指定一个轻量化的VAE（如vae-ft-mse-840000-ema-pruned）。
3. 应对OOM（显存溢出）：如果生成大图时崩溃，可以尝试以下启动参数：
   • --medvram或--lowvram：为显存优化的模式，会牺牲一些速度。
   • --opt-split-attention：另一种显存优化。
   • 在WebUI的设置中，降低“最大分辨率”，关闭“Pad prompt/negative prompt to same length”。
4. 查看日志：所有启动和运行中的问题，首先查看终端输出的日志。错误信息通常会明确指出是某个Python包缺失、版本冲突，还是CUDA out of memory。

5. 打造可持续的云端AI工作流

一次成功的部署只是开始。要让这个云端SD成为生产力工具，还需要考虑稳定性和效率。

创建自定义镜像：这是趋动云非常实用的一个功能。当你花费大量时间配置好一个完美的环境（包括整合包、常用模型、插件）后，可以将其保存为“自定义镜像”。下次创建新实例时，直接选择这个镜像，瞬间就能获得一个完全一样的、立即可用的环境，无需重复部署。具体操作在趋动云的控制台“镜像”页面，选择从当前实例创建即可。

自动化脚本：你可以编写一个更完善的启动脚本，包含环境检查、依赖安装、模型更新等逻辑。例如，在webui.sh中加入检查git-lfs是否安装、自动更新WebUI核心和扩展的代码（需谨慎，更新可能导致兼容性问题）。

成本控制：云GPU是按使用时长计费的。不用的时候，一定要记得停止实例。趋动云停止实例后通常只收取存储费用（数据盘的费用），这比让GPU一直空转要划算得多。你的所有数据（模型、配置、输出）都保存在持久化盘上，下次启动实例后，一切都会恢复原样。

最后，分享一个我踩过的坑：早期我将整合包放在系统盘，结果一次实例重置后所有东西都没了。所以，“数据盘是生命线”这句话请务必牢记。另外，在安装第三方扩展时，尤其是那些需要复杂Python依赖（如segment-anything）的，最好先在终端里手动pip install试试，确保能成功，再通过WebUI界面安装，这样可以更清晰地定位问题。

通过这一整套流程，你不仅获得了一个高性能的云端Stable Diffusion工作站，更重要的是掌握了一套在云平台上部署和管理复杂AI应用的方法论。无论是用于个人创作，还是作为团队共享的资源池，这种灵活、强大的模式都能极大地提升效率。下次当本地显卡再次发出哀嚎时，你可以从容地打开浏览器，连接到属于你自己的云端算力，继续你的AI创作之旅。