在趋动云部署Stable Diffusion整合包：低成本搭建云端AI绘画工作站

1. 项目概述：为什么要在趋动云上部署Stable Diffusion整合包？

最近不少朋友在问，有没有一种方法，能让自己随时随地、不受本地硬件限制地玩转Stable Diffusion？特别是秋葉aaaki大佬的整合包，功能齐全、开箱即用，但很多人的电脑要么显卡不行，要么内存不够，跑起来卡顿甚至直接报错。这时候，云服务就成了一个绝佳的解决方案。而“趋动云”作为国内一个专注于AI算力租赁的平台，以其相对清晰的计费方式和预置的AI环境，进入了我们的视野。

这个项目的核心，就是把原本运行在Windows系统上的“秋葉Stable Diffusion整合包v4”，移植并部署到趋动云的Linux服务器环境中。听起来像是把Windows软件装到Linux上？没错，但远不止于此。这背后解决的，是个人创作者、小型团队乃至学生群体面临的几个核心痛点：高昂的本地硬件成本、复杂的本地环境配置、以及算力资源的灵活性与可及性。通过云端部署，你只需要一台能上网的普通电脑，甚至是一台平板，就能调用云端强大的GPU（比如RTX 3090, A100等）来流畅地进行AI绘画、模型训练等任务。

我自己实测下来，在趋动云上部署成功后，不仅生成图片的速度远超我本地老旧的GTX 1060，更重要的是环境纯净、独立，再也不用担心因为本地安装各种Python包导致环境冲突，或者把C盘塞满了。整个过程，相当于在云端拥有了一台专属于你的、高性能的“AI绘画工作站”，按需使用，按量付费，对于想深入体验SD但又不想一次性投入上万块升级设备的朋友来说，性价比极高。

2. 核心思路与方案选型：为什么是趋动云+Linux整合包？

在决定动手之前，我仔细对比了几种常见的云端部署方案。市面上有Google Colab、Kaggle Notebooks等免费选项，也有AWS、阿里云等大型云厂商。最终选择趋动云部署秋葉整合包的Linux版，是基于以下几个核心考量：

2.1 为什么选择趋动云？

首先，网络访问的稳定性和速度是国内用户必须考虑的第一要素。趋动云作为国内服务，在镜像拉取、数据上传下载、WebUI访问等环节的延迟和成功率上，通常比直接访问海外服务有显著优势。其次，它的计费模式对AI实验相对友好，提供了多种按小时计费的GPU机型，从性价比高的RTX 3090到高端的A100，选择灵活。你可以跑完任务就关机，只支付实际使用的时长，避免了包月或包年带来的闲置成本。最后，趋动云平台预置了PyTorch、CUDA等深度学习基础环境，省去了大量底层驱动和框架安装的麻烦，让我们可以更专注于应用本身的部署。

2.2 为什么是秋葉整合包的Linux版？

秋葉aaaki的整合包在Windows社区享有盛誉，因为它集成了Stable Diffusion WebUI、常用的插件、模型管理以及一系列优化脚本，真正做到了一键安装。然而，其官方版本是针对Windows设计的。幸运的是，社区有爱好者基于原版整合包的核心，制作了适用于Linux系统的版本。这个Linux版通常以Docker镜像或脚本化安装包的形式存在，它剥离了Windows特有的依赖（如某些DirectX库），并适配了Linux下的路径和权限管理。

选择这个版本，意味着我们不需要从零开始编译WebUI、配置Python环境、一个个安装插件。它提供了一个相对完整的、经过验证的“软件包”，极大地降低了在Linux服务器上部署SD的复杂度。我们的工作，就变成了如何将这个“软件包”正确地安装和运行在趋动云的服务器实例中。

2.3 整体技术路径规划

我们的部署路径可以概括为：“创建云端实例 -> 传输整合包 -> 安装依赖 -> 启动服务 -> 远程访问”。

1. 环境准备：在趋动云上创建一台带有GPU的云服务器实例，选择预装了NVIDIA驱动和Docker的镜像，这是最省事的起点。
2. 文件传输：将秋葉整合包Linux版的安装文件（通常是一个压缩包或Git仓库）上传到云服务器。这里会用到scp或sftp命令，或者利用趋动云自带的数据盘功能。
3. 解压与安装：在服务器上解压文件，并运行其提供的安装脚本。这个脚本会自动处理大部分依赖安装和环境配置。
4. 配置与启动：根据Linux环境的特点，可能需要修改一些配置文件，例如监听地址（改为0.0.0.0以允许远程访问）、端口号等，然后启动Stable Diffusion WebUI服务。
5. 远程访问：趋动云实例会提供一个公网IP或访问域名。我们通过浏览器访问http://<云服务器IP>:<端口号>，就能看到熟悉的WebUI界面了。

注意：不同版本的整合包具体步骤可能有细微差异，但整体逻辑是相通的。关键在于理解每一步在做什么，这样遇到问题才能自己排查。

3. 详细部署实操全流程记录

下面，我将以一次完整的部署过程为例，拆解每一个步骤的操作细节和背后的原理。

3.1 趋动云实例创建与环境准备

首先登录趋动云控制台。在创建实例时，有几个关键选择点：

• 镜像选择：这是最重要的一步。不要选择纯净的Ubuntu或CentOS镜像，那样你需要自己安装NVIDIA驱动、CUDA、Docker，非常耗时且易出错。直接在趋动云的“社区镜像”或“官方镜像”中，搜索包含“PyTorch”、“GPU”、“Docker”等关键词的镜像。例如，选择类似PyTorch 2.0.1 + CUDA 11.8 + Docker这样的镜像。这相当于拿到了一个已经装好显卡驱动和容器引擎的“毛坯房”，我们后续的安装工作会轻松很多。
• GPU机型选择：对于Stable Diffusion生成图片，显存是关键。RTX 3090（24GB显存）是目前性价比很高的选择，可以运行大多数基础模型和LoRA。如果只是体验和测试，RTX 3080（10GB/12GB）或更低的型号也可以，但可能会在生成高分辨率图片或使用某些大型模型时遇到显存不足。根据你的预算和需求选择。
• 存储配置：系统盘（比如50GB）通常只装系统和基础环境。强烈建议额外挂载一个数据盘（例如100GB或更大）。因为Stable Diffusion的模型文件（checkpoint、LoRA、VAE）体积巨大，动辄几个GB一个。把整合包和所有模型都放在数据盘上，一是避免撑爆系统盘导致实例无法启动，二是下次创建新实例时，可以复用这块数据盘，模型无需重复下载。
• 网络与安全组：实例创建后，记下分配的公网IP。同时，务必在安全组（或防火墙规则）中开放你计划使用的端口，比如默认的7860端口。否则，后续你将无法从本地浏览器访问WebUI。

创建成功后，通过SSH连接到你的云服务器。你会看到一个干净的Linux终端，但nvidia-smi命令应该能正常输出GPU信息，docker --version也能看到Docker已安装。

3.2 获取与上传秋葉整合包Linux版

秋葉整合包的Linux版本通常不会在官方渠道高调发布，需要我们在GitHub、论坛或网盘上寻找社区维护的版本。搜索关键词如“sd-webui-aki-linux”或“stable-diffusion-webui-linux-portable”。找到一个可靠的发布地址后，我们将其下载并上传到服务器。

这里提供两种主流方法：

方法一：使用scp命令从本地上传（适合文件在本地电脑）假设你本地下载的整合包叫sd-webui-linux.tar.gz，服务器IP是123.123.123.123，你想放到服务器的/data目录下（假设数据盘已挂载在此）。

# 在本地电脑的终端（或PowerShell/Git Bash）中执行 scp -P 22 /path/to/your/sd-webui-linux.tar.gz root@123.123.123.123:/data/

输入服务器密码后，文件就开始传输了。

方法二：在服务器上直接使用wget或git下载（适合有直接下载链接）如果整合包提供了直接的下载链接或Git仓库地址，直接在服务器上操作更快捷。

# 连接到服务器后 cd /data # 进入数据盘目录 # 使用wget下载压缩包 wget https://example.com/path/to/sd-webui-linux.tar.gz # 或者使用git克隆仓库 git clone https://github.com/someuser/sd-webui-linux.git

实操心得：我推荐使用git clone的方式，如果项目活跃，后续更新和修复问题会比较方便。使用前，先用ls -la命令查看一下下载的文件，确认文件完整且大小合理。

3.3 解压整合包与安装依赖

上传或下载完成后，进入文件所在目录进行解压。

cd /data tar -zxvf sd-webui-linux.tar.gz # 如果是zip包，则使用：unzip sd-webui-linux.zip

解压后会得到一个目录，例如sd-webui。进入该目录，通常里面会有一个主要的安装脚本，比如webui.sh或launch.py。

关键一步：运行安装脚本

cd sd-webui # 首先，给脚本添加执行权限 chmod +x webui.sh # 然后运行它。注意，这里通常不需要sudo，在用户目录下运行即可。 ./webui.sh

这个脚本首次运行时，会自动执行一系列操作：

1. 创建Python虚拟环境：在项目目录下创建一个venv文件夹，隔离项目依赖，避免污染系统环境。
2. 安装PyTorch等核心依赖：根据脚本配置，安装指定版本的PyTorch及CUDA支持。因为我们的镜像已经预装了CUDA，所以这一步通常会比较顺利。
3. 安装Stable Diffusion WebUI及其插件依赖：通过pip安装gradio、xformers、accelerate等一大堆Python包。
4. 下载必要的模型文件：有些整合包会尝试自动下载默认的Stable Diffusion模型（如v1.5）。由于网络原因，这一步在国内很可能失败或极慢。

注意事项：首次运行./webui.sh时，可能会在终端停留很长时间，并滚动大量pip install的信息。这是正常的，请耐心等待。如果卡在某个包的安装上很久，可以按Ctrl+C中断，然后尝试修改pip源为国内镜像（如清华源）后重新运行。修改方法是在运行脚本前，设置环境变量：export PIP_INDEX_URL=https://pypi.tuna.tsinghua.edu.cn/simple。

3.4 关键配置调整与启动参数

安装脚本跑通后，理论上就可以启动了。但为了确保能远程访问并优化性能，我们需要了解并修改启动参数。这些参数通常在webui.sh脚本中，或者通过修改webui-user.sh（如果有）来设置。

最直接的方式是在启动命令后添加参数。例如，我们手动启动：

# 在项目目录下，激活虚拟环境后手动启动（如果webui.sh不能直接运行的话） source venv/bin/activate python launch.py --listen --port 7860 --xformers --medvram

解释一下这几个常用参数：

• --listen：这是实现远程访问的关键。默认WebUI只监听本地回环地址(127.0.0.1)，添加此参数后，它会监听所有网络接口(0.0.0.0)，这样外网才能访问到。
• --port 7860：指定服务运行的端口。你可以换成其他未被占用的端口，比如--port 8080。
• --xformers：启用xformers库，这是一个用于优化Transformer模型（SD的核心）内存和速度的库，能显著减少显存占用并提升生成速度，强烈建议开启。
• --medvram：中等显存优化模式。如果你的GPU显存小于8GB，这个参数很有用。它会采用一些策略让SD在显存不足时也能工作，但可能会轻微降低速度。对于24GB的RTX 3090，通常不需要这个。

如何持久化配置？每次手动输入参数很麻烦。更常见的做法是编辑webui-user.sh文件（如果没有就创建一个）。在这个文件里，你可以设置环境变量COMMANDLINE_ARGS：

# webui-user.sh export COMMANDLINE_ARGS="--listen --port 7860 --xformers --enable-insecure-extension-access"

保存后，以后只需要运行./webui.sh，它就会自动读取这些参数。

3.5 启动服务与验证

配置好参数后，再次运行启动脚本：

./webui.sh

如果一切顺利，终端会输出大量日志，最后会出现类似这样的信息：

Running on local URL: http://127.0.0.1:7860 Running on public URL: https://xxxxxx.gradio.app

注意，这里虽然显示了127.0.0.1，但因为我们在参数中加了--listen，所以服务已经在0.0.0.0:7860上监听了。

现在，打开你本地电脑的浏览器，在地址栏输入：http://<你的趋动云服务器公网IP>:7860。 如果能看到Stable Diffusion WebUI的界面，恭喜你，部署成功了！

提示：第一次打开WebUI时，可能会加载一段时间，因为它需要初始化模型和组件。请耐心等待。

4. 模型管理与进阶配置

部署成功只是第一步，要让这个云端SD工作站真正好用，还需要进行一些管理和优化。

4.1 如何安装和管理模型？

WebUI界面上可以直接下载模型，但在云端服务器上，由于网络问题，成功率很低。最佳实践是在本地下载好模型，然后上传到服务器。

模型通常存放在项目目录下的models文件夹里，里面又有子文件夹：

• Stable-diffusion/：存放核心的大模型（.ckpt或.safetensors文件）。
• Lora/：存放LoRA模型。
• VAE/：存放VAE模型。
• Embeddings/：存放文本嵌入模型。

操作步骤：

1. 在本地用迅雷、IDM等工具从CivitAI等模型网站下载好你需要的模型文件。
2. 使用scp或SFTP工具（如FileZilla）将这些文件上传到服务器对应的目录，例如/data/sd-webui/models/Stable-diffusion/。
3. 上传完成后，在WebUI界面左上角的模型下拉框旁边，点击刷新按钮，新上传的模型就会出现在列表里。

4.2 安装插件

秋葉整合包通常预装了一些常用插件，但你可能还需要其他插件。有两种方式：

1. 通过WebUI界面安装：在“Extensions”标签页，点击“Available”，然后点击“Load from”。列表加载后，找到想要的插件点击“Install”。这种方式同样受网络影响。
2. 手动安装（推荐）：在GitHub上找到插件的仓库，使用git clone命令将其克隆到extensions目录下。

   cd /data/sd-webui/extensions git clone https://github.com/some-plugin-repo.git

   克隆后，重启WebUI，插件就会自动加载。

4.3 性能优化与持久化

• 使用数据盘：再次强调，所有模型、插件、输出图片都建议放在挂载的数据盘（如/data）上，而不是系统盘。这样即使销毁了云服务器实例，数据依然保留，下次创建新实例时挂载上就能直接用。
• 开机自启动：如果你希望服务器重启后SD能自动运行，可以配置一个systemd服务。创建一个服务文件，如/etc/systemd/system/sd-webui.service：

  [Unit] Description=Stable Diffusion WebUI Service After=network.target [Service] Type=simple User=root WorkingDirectory=/data/sd-webui Environment="PATH=/data/sd-webui/venv/bin" ExecStart=/data/sd-webui/venv/bin/python /data/sd-webui/launch.py --listen --port 7860 --xformers Restart=on-failure [Install] WantedBy=multi-user.target

  然后执行systemctl enable sd-webui和systemctl start sd-webui即可。
• 使用Nginx反代（可选）：如果你觉得带端口号的IP地址不好记，或者想启用HTTPS，可以安装和配置Nginx作为反向代理，将域名（或IP）直接指向7860端口的服务。

5. 常见问题与故障排查实录

在实际部署过程中，你几乎一定会遇到一些问题。下面是我踩过的一些坑和解决方法。

5.1 启动时卡在“Installing requirements”或某个包安装失败

问题原因：网络连接超时或pip源速度慢。解决方案：

1. 中断进程 (Ctrl+C)。
2. 设置国内pip镜像源。在运行脚本前执行：

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

3. 或者，手动进入虚拟环境安装关键包：

   source venv/bin/activate pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 # 根据CUDA版本调整 pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

5.2 访问http://IP:7860连接被拒绝或无法访问

问题原因：

1. 防火墙/安全组未放行端口：这是最常见的原因。登录趋动云控制台，找到你的实例，检查其安全组规则，确保入方向规则允许了你所使用的端口（如7860）。
2. 启动参数未加--listen：检查你的启动命令或webui-user.sh配置，必须包含--listen。
3. 服务未成功启动：回到服务器终端，查看./webui.sh运行的日志，看是否有红色错误信息。可能因为依赖缺失、端口被占用等原因启动失败。

排查步骤：

1. 在服务器上运行netstat -tlnp | grep 7860，查看7860端口是否被监听，以及监听地址是否是0.0.0.0。
2. 在服务器本地用curl测试：curl http://127.0.0.1:7860，如果本地能通，说明服务是好的，问题出在网络或防火墙上。

5.3 生成图片时提示“CUDA out of memory”（显存不足）

问题原因：图片分辨率太高、使用了高精度模型、同时生成的批次太大，超出了GPU显存容量。解决方案：

1. 添加启动参数：在启动命令中加入显存优化参数，如--medvram或--lowvram。对于RTX 3090，通常不需要，但如果跑极大模型或高分辨率图时遇到，可以尝试--medvram。
2. 调整生成参数：在WebUI中，降低生成图片的宽度和高度（如从1024x1024降到768x768）；减少“Batch count”或“Batch size”。
3. 使用显存更友好的模型：有些模型（如SDXL）对显存要求极高。可以尝试使用经过优化的版本，或者使用--xformers参数（这个应该已经加了）。
4. 启用模型卸载：有些插件或设置可以将模型暂时从显存移到内存，需要时再加载，但这会降低生成速度。

5.4 如何更新WebUI或整合包？

秋葉整合包Linux版通常是一个独立的项目，更新可能不如原版WebUI频繁。

1. 更新核心WebUI：进入项目目录，执行git pull（如果是从Git克隆的）。然后重启服务。注意，这可能会与整合包自带的修改产生冲突。
2. 更新整合包本身：关注你下载整合包的源（GitHub仓库或发布页），按照作者的说明进行更新。更稳妥的方式是，将整个sd-webui目录备份后，重新下载新版并覆盖（注意备份你的models和outputs等个人数据目录）。

5.5 服务器关机后，下次如何快速恢复？

这是云部署的优势所在。

1. 数据持久化：确保你的模型、配置、输出目录都在独立的数据盘上（如/data）。
2. 记录启动命令：将有效的启动命令或webui-user.sh配置文件保存好。
3. 恢复流程：当需要时，在趋动云上重新创建一个同配置的GPU实例，选择同样的预装环境镜像。将数据盘挂载到新实例上（例如仍然挂载到/data）。然后SSH连接新实例，直接进入/data/sd-webui目录，运行./webui.sh即可。因为所有依赖在镜像中已经存在，模型和数据也在数据盘里，所以能很快恢复服务。

整个过程，从创建实例到服务恢复访问，熟练的话可以在10分钟内完成。这比维护一台物理服务器要灵活和轻松得多。