一、Stable Diffusion介绍

二、Stable Diffusion环境搭建

1.Anaconda下载与安装

2.Pycharm（IDE）下载与安装

3.CUDA、CuDNN下载与安装

三、Stable Diffusion的本地部署

1.克隆项目到本地

2.初始化打开项目

3.安装环境所需库

4.运行代码以及效果展示

至此，AI绘画 Stable Diffusion本地部署以及初步功能实现完成！制作不易，望喜欢！

一、Stable Diffusion介绍

最近火热的AI绘画技术吸引了很多人的目光，AI绘画今年取得如此广泛关注的原因，有很大的功劳得益于Stable Diffusion的开源。它是由德国慕尼黑大学机器视觉与学习研究小组和Runway的研究人员基于CVPR2022的一篇论文：《High-Resolution Image Synthesis with Latent Diffusion Models》，并与其他社区团队合作开发的一款开源模型。

以上是Stable Diffusion的效果图。有经验、有条件的小伙伴可以去翻阅大佬们的Paper，刚接触AI绘画的零基础小白也可以随我去一步步部署、搭建、复现这篇论文的功能哦！此项目有显卡门槛，建议显存越大越好。

Stable Diffusion是一个基于Latent Diffusion Models（潜在扩散模型，LDMs）的文图生成（text-to-image）模型。具体来说，得益于Stability AI的计算资源支持和LAION的数据资源支持，Stable Diffusion在LAION-5B的数据库子集上训练了一个Latent Diffusion Models，该模型专门用于文图生成。Latent Diffusion Models通过在一个潜在表示空间中迭代“去噪”数据来生成图像，然后将表示结果解码为完整的图像，让文本转图片生成能够在10G显存的GPU下运行，并在几秒钟内生成图像，无需预处理和后处理，这确实是速度和质量上的突破。

二、Stable Diffusion环境搭建

1.Anaconda下载与安装

1.Anaconda介绍：Anaconda是开源的Python发行版本，其包含了conda、Python等180多个科学包及其依赖项。conda是一个开源的包、环境管理器，可以用于在同一个机器上安装不同版本的软件包及其依赖，并能够在不同的环境之间切换。总之，它是放实现代码条件的容器！

2.Anaconda下载：Anaconda | The World's Most Popular Data Science Platform

进入官网后如下图所示，点击Download即可开始下载：

下载完成后在文件夹中有一个exe程序文件，双击打开：

3.Anaconda安装：依次点击Next-I agree-All Usrs-Next，然后到如下图片所示：

把两个选项都勾选上，这样省去自己去添加环境变量，之后点击Install-Next-Next-Finish就完成安装了。

4.测试Anaconda：按下win+R,输入cmd，打开终端，输入conda有输出即可，输入conda -V可查看Anaconda版本。

至此Anaconda安装完成！底下是一些配置。

5.添加Anaconda镜像：添加镜像源之后底下的安装各种库速度会快很多

打开Anaconda PowerShell Prompt（建议添加桌面快捷方式以后要经常打开）：

输入如下代码即可：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes

6.继续输入以下代码创建本项目AI绘画的基础环境（其中包含了python，名字可自定）：

conda create -n ai-painting python=3.10

2.Pycharm（IDE）下载与安装

1.Pycharm介绍：PyCharm是一种Python IDE（Integrated Development Environment，集成开发环境），带有一整套可以帮助用户在使用Python语言开发时提高其效率的工具，比如调试、语法高亮、项目管理、代码跳转、智能提示、自动完成、单元测试、版本控制。总之它是运行代码的地方啦！

2.Pycharm下载：PyCharm: the Python IDE for Professional Developers by JetBrains

进入官网后如下图所示，点击Download即可开始下载：

选择Community日常学习就已足够：

下载完成后在文件夹中有一个exe程序文件，双击打开：

点击Next-选择路径再点Next-勾选所有选项再点Next-Install-Finish，至此Pycharm安装完成。

3.CUDA、CuDNN下载与安装

1.CUDA、CuDNN介绍：

CUDA 是 NVIDIA 发明的一种并行计算平台和编程模型。它通过利用GPU的处理能力，可大幅提升计算性能；

CuDNN (NVIDIA CUDA 深度神经网络库) 是一个 GPU 加速的深度神经网络基元库，能够以高度优化的方式实现标准例程（如前向和反向卷积、池化层、归一化和激活层）。

全球的深度学习研究人员和框架开发者都依赖CuDNN 来实现高性能 GPU 加速。借助 CuDNN，研究人员和开发者可以专注于训练神经网络及开发软件应用，而不必花时间进行低层级的 GPU 性能调整。

CuDNN 可加速广泛应用的深度学习框架，包括 Caffe2、Chainer、Keras、MATLAB、MxNet、PaddlePaddle、PyTorch 和 TensorFlow。我们接下来就需要用到Pytorch深度学习框架。

2.CUDA下载与安装：

首先需要查看自己的笔记本最高支持CUDA多少，方法是：win+R，输入cmd，在命令行输入

nvidia-smi

可以看到中间的Driver Version驱动版本以及右上角的CUDA VersionCUDA版本，我最高支持到12.0，而底下的Pytorch官网推荐只支持最新的11.6和11.7，所以我们只需下载其中之一就可，此处我下载的是11.7（前提是你的算力得达到11.7，所以电脑配置不高的小伙伴就不好做了哦），下面可查看驱动版本和CUDA版本匹配情况，各位根据实际情况来。如果达不到最新的CUDA版本，可以去官网搜索下载低等级的，但是能做这个项目的显卡门槛都得3060以上，一般都往最新的去下载就行。

下面我们打开如下网址来下载CUDA11.7：CUDA Toolkit Archive | NVIDIA Developer

此处我选择了第二个CUDA11.7.1版本，点击Windows=>x86-64=>11=>exe(local)（本地离线下载），最后点击Download，这里大家根据自己电脑实际情况来操作，此处我只在win11上完成。

下载完安装CUDA时，首先设置临时解压目录，默认就好，继续往下。

选择自定义安装，自己设置安装目录，可放C盘可放D盘，放D盘的话可以新建一个跟预设一样的路径，看着舒服。

自定义安装选项如下：如需要CUDA的部分就行，然后把VS取消。

自定义安装位置，我在D盘相同位置新建了个文件夹存放。

继续往下，到最后CUDA安装完成！

至于环境变量问题，一般是都设置好了，但如果你有之前版本的CUDA环境变量最好删掉，把新安装的优先级往前放。

如何打开并查看系统环境变量：此电脑右击，选择属性，点击中间的高级系统设置，

点击环境变量，

点击系统环境变量，可查看到CUDA_PATH是否为自己新安装的版本。

下面验证是否安装成功：win+R，输入cmd，打开终端，输入：

nvcc -V

至此，CUDA安装完毕，下面介绍CuDNN的下载与安装。

3.CuDNN下载与配置

下载CuDNN的网址如下：cuDNN Archive | NVIDIA Developer

要想下载CuDNN，首先得注册一下NVIDIA的账号，建议用网易163或者有条件的Gmail邮箱都可，QQ邮箱劝退，可能收不到验证邮件。

验证完邮件会填写相关信息，其中NVIDIA的Organization URL，随便找个URL就可。

注册完毕，出现CuDNN下载界面，根据提示，选择for CUDA 11.x的版本就可，点击选择Windows版本即可下载，这是一个zip文件。

下载解压到D盘，打开可以发现CuDNN并不是一个exe，而是三个配置文件夹，是给CUDA锦上添花的，能更强悍地通过GPU进行高性能加速。

于是，把这三个文件夹复制到CUDA的安装路径的文件夹下：D:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7，即可完成CUDA与CuDNN的合体。

检查是否合体成功，需要验证功能，打开如下文件夹：D:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7\extras\demo_suite，在文件夹空白处右击，选择在终端打开，输入ba然后迅速TAB（键盘左边），意思就是打开bandwidthTest.exe文件，开始验证。

验证如下，如看见Result = PASS，即成功安装。

还需验证下deviceQuery.exe文件，运行下PASS即可。

至此，CUDA与CuDNN的安装配置全部完成！

三、Stable Diffusion的本地部署

1.克隆项目到本地

Stable Diffusion项目地址：GitHub - CompVis/stable-diffusion: A latent text-to-image diffusion model

可以选择直接在终端git，但需要下载git相关工具，我选择直接点击如上图的绿色图标，选择Download ZIP即可下载项目压缩包，下载完解压到你的D盘，D盘是我的学术盘，我所有的代码以及配置都存放在D盘里。

2.初始化打开项目

解压后的文件夹可以直接拖到Pycharm图标上打开：

打开之后的第一件事就是配置解释器，因为我们之前已经创建过Anaconda的环境，直接选择先前配置的解释器，选中自己创建的环境即可。

3.安装环境所需库

此时我们新创建的解释器里只有于Python相关的最基础的几个库，如下图所示：

我们还要根据项目所需，安装相应的库。可以发现，项目里有一个environment.yaml文件，里面保存着项目作者实现项目所需要的库以及版本，我们可以根据它的版本来一键安装。但是，一键安装有时候会因为网速等问题出现一系列报错失败，所以因为库的数量不多，本人选择单独一个个安装库，并记录版本。

1.numpy库安装：

打开如下Anaconda终端，激活创建的环境：

conda activate ai-painting

底下要安装的库都会安装在这个环境（容器）里，这样一个项目一个环境，很舒服。

执行如下代码安装numpy库：

pip install numpy

再次介绍一下pip工具，是下载python库的工具，但是有的时候会遇到网速问题，可以参考我以前的博客pip配置镜像源。国内常用pip镜像源地址及使用+永久修改_YIBO0408的博客-CSDN博客_pip 资源

2.Pytorch下载与安装：

Pytorch下载踩坑特别多，比如根据官网指令下载没有反应、网速慢等问题，在此本人选择如下方法可避坑。

首先去官方版本匹配网址查看版本https://github.com/pytorch/vision/blob/main/README.rst

下图是torch与torchvision以及python版本的对应关系：

https://github.com/pytorch/audio

下图是torch与torchaudio的对应关系：

从上图可总结出我们要下载的torch、torchvision、torchaudio版本分别为：torch 1.13.0, torchaudio 0.13.0, torchvison 0.14.0。torchvision是pytorch的一个图形库，它服务于PyTorch深度学习框架的，主要用来构建计算机视觉模型；torchaudio 支持以 wav 和 mp3 格式加载声音文件，有加载声音、数据增强、特征提取等功能。此项目对于torchaudio可下载可不下载，但总体完整的pytorch是需要的。

由于在线下载的不确定性，我们选择离线下载，速度快而且下载安装简单。以下是torch离线安装包下载地址：

https://download.pytorch.org/whl/torch_stable.html

我们找到以下三个whl文件，文件名cu117代表CUDA11.7版本，cp310代表python3.10版本，win_amd86_64代表Windows版本。

下载完需要安装，同样需要在环境ai-painting里的终端指令行输入指令，打开Anaconda Powershell Prompt，激活ai-painting环境，此时需要cd（切换）到下载的目录下，我是默认下载到Downloads里的，于是直接cd Downloads即可。

此处教一下怎么切盘，切到D盘：

返回上一级：（中间有空格）

于是，安装三个torch的whl文件指令为：

pip install .\torch-1.13.0+cu117-cp310-cp310-win_amd64.whl

pip install .\torchvision-0.14.0+cu117-cp310-cp310-win_amd64.whl

 pip install .\torchaudio-0.13.0+cu117-cp310-cp310-win_amd64.whl

至此Pytorch框架全部安装完毕！

最后来验证一下Pytorch是否成功安装：

python

import torch

torch.cuda.is_available()

如果结果是True，代表安装完毕啦！

3.其他库的安装：

大部分库只需要如下一键pip install就好了，前提是配置好pip源，这样底下下载就不会卡住了，方法是提前在指令行输入如下：

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

之后可以输入以下指令一键安装。

pip install albumentations diffusers opencv-python pudb invisible-watermark imageio imageio-ffmpeg pytorch-lightning omegaconf test-tube streamlit einops torch-fidelity transformers torchmetrics kornia

我自己一个个试完发现无阻碍无错误，所以大家也可以直接根据environment.yaml文件来一键配置环境。要cd到项目目录下（因为下面还要把另外两个项目克隆配置到本项目目录下）：

一键配置指令如下：

conda env create -f environment.yaml

最后还需把另外两个项目克隆到本地项目新建的src工作目录中，运行指令如下：

pip install -e git+https://github.com/CompVis/taming-transformers.git@master#egg=taming-transformers

pip install -e git+https://github.com/openai/CLIP.git@main#egg=clip

此处两个指令需要kexue上网才能成功，想了解可私信我。全部配置完项目目录如下：

可以发现新建了src目录，目录下有clip和taming-transformers两个文件夹。

4.模型的下载：

模型下载地址：CompVis (CompVis)

这里我们下载的版本是stable-diffusion-v-1-4-original（也可下载其他版本），点击下载权重：sd-v1-4.ckpt，此处同样需要kexue上网才可下载，如需要模型下载ckpt文件，本人已存百度网盘，可私信自取。

接下来，在项目目录models/ldm下手动创建stable-diffusion-v1文件夹，用来存放下载好的权重文件，即需要把下载文件夹里的sd-v1-4.ckpt文件改名为model.ckpt，然后粘贴到手动创建的stable-diffusion-v1文件夹下即可。（注意文件名遵照原作者的名称来，否则下面运行代码会找不到文件）操作完项目目录如下图所示。

权重文件介绍：Stable-Diffusion-v-1-4 checkpoint使用 Stable-Diffusion-v-1-2 checkpoint的权重进行初始化，随后在“laion-aesthetics v25+”分辨率为 512x512 的 225k steps上进行微调，下降 10% 改进无分类器指导抽样的文本调节。

至此，调试代码前的所有准备工作完成！

4.运行代码以及效果展示

1.文本转图片（Txt To Image(Txt2Img)):

打开终端，激活环境，cd到项目目录，运行如下官方基础代码：

python scripts/txt2img.py --prompt "a photograph of an astronaut riding a horse" --plms

BUG解决：

（1）ModuleNotFoundError: No module named 'ldm'

解决方式：在txt2img.py第二行添加如下代码，旨在获取当前工作目录加入路径。

sys.path.append(os.getcwd())

（2）在huggingface_hub下载文件时出现使用警告如下：

UserWarning: `huggingface_hub` cache-system uses symlinks by default to efficiently store duplicated files but your machine does not support them in C:\Users\XX\.cache\huggingface\hub. Caching files will still work but in a degraded version that might require more space on your disk. This warning can be disabled by setting the `HF_HUB_DISABLE_SYMLINKS_WARNING` environment variable. For more details, see https://huggingface.co/docs/huggingface_hub/how-to-cache#limitations.

解决方式：如果想从Windows11的基于符号链接的缓存系统中受益，需要激活开发者模式或以管理员身份运行Python。

激活开发者模式：打开设置-->点击隐私与安全性-->点击开发者选项-->开发人员模式-开

以管理员身份运行Python：右击Anaconda Powershell Prompt (Anaconda3)终端-->点击以管理员身份运行

（3）torch.cuda.OutOfMemoryError: CUDA out of memory.

解决方式：换大显存的显卡，我的是6G显存的3060笔记本GPU，按照官方基础代码运行会出现如上情况，我们需要调整batch size，也就是后缀说明里的--n_samples，设置其值为1；还需要把生成图片的尺寸大小（默认512*512）改为256*256。以上是我在github问题里搜集到的，亲测无效。

python scripts/txt2img.py --prompt "a photograph of an astronaut riding a horse" --plms --n_samples 1 --H 256 --W 256

以上对于我的显存依旧不够，大家有比我更好的条件的可以试试以上代码。适当地增加batch size（1,2,4,8,16,32...）以及图片尺寸大小(512*512...)

经过各种资料调研，只为降低显存占用，

一种有效的解决方式（对于我的6G笔记本GPU显存）：打开pycharm，打开txt2img.py文件，找到如下代码，添加一行：

model.half()

它的原理是：保存模型时，调用model.half()，将算子存储为fp16（半精度）格式，低精度带来了性能和功耗的优势，但需要解决量化误差问题。这是Pytorch框架提供的一个方便好用的trick：开启半精度。直接可以加快运行速度、减少GPU占用，并且只有不明显的accuracy损失。对于本项目误差图片差别属实不大，本人认为可忽略。

添加完一行代码，后输入如下指令可实现跑图：

python scripts/txt2img.py --prompt "a photograph of an astronaut riding a horse" --plms --n_samples 1 --H 512 --W 512 --n_iter 50

以上是显存使用情况，可以看出刚好快占满显存。

prompt可以自定义一段英文或者关键单词以英文逗号分开，尺寸可根据显卡自行设置512*512，生成图片50张。下图可以看出效果还是很不错的。

以下是txt2img.py的使用后缀说明：

usage: txt2img.py

optional arguments:
  -h, --help            show this help message and exit 显示此帮助信息并退出
  --prompt [PROMPT]     the prompt to render 要渲染的提示信息
  --outdir [OUTDIR]     dir to write results to 渲染结果路径
  --skip_grid           do not save a grid, only individual samples. Helpful when evaluating lots of samples 不保存网格，仅保存单个样本，在评估大量样品时很有用
  --skip_save           do not save individual samples. For speed measurements. 不保存单个样本，用于速度测量。
  --ddim_steps DDIM_STEPS
                        number of ddim sampling steps ddim采样的steps数量
  --plms                use plms sampling 使用plms采样 
  --laion400m           uses the LAION400M model 使用LAION400M模型
  --fixed_code          if enabled, uses the same starting code across samples 如果支持，跨样本使用相同的起始代码
  --ddim_eta DDIM_ETA   ddim eta (eta=0.0 corresponds to deterministic sampling
  --n_iter N_ITER       sample this often
  --H H                 image height, in pixel space 图片高度
  --W W                 image width, in pixel space 图片宽度
  --C C                 latent channels 潜在通道
  --f F                 downsampling factor 下采样因子
  --n_samples N_SAMPLES
                        how many samples to produce for each given prompt. A.k.a. batch size 每个给定prompt要生成多少样本。又名batch size（批大小）
  --n_rows N_ROWS       rows in the grid (default: n_samples) 网格中的行（默认值：n_samples）
  --scale SCALE         unconditional guidance scale: eps = eps(x, empty) + scale * (eps(x, cond) - eps(x, empty))
  --from-file FROM_FILE
                        if specified, load prompts from this file 如果指定，从该文件加载提示
  --config CONFIG       path to config which constructs model 构造模型的配置路径
  --ckpt CKPT           path to checkpoint of model 模型checkpoint的路径
  --seed SEED           the seed (for reproducible sampling) 种子（用于可重复采样）
  --precision {full,autocast}
                        evaluate at this precision 以此精度进行评估

2.图片转图片(Image To Image(Img2Img))：

以下是官方基础代码，同样我的显卡跑不动：

python scripts/img2img.py --prompt "A fantasy landscape, trending on artstation" --init-img <path-to-img.jpg> --strength 0.8

strength是一个介于 0.0 和 1.0 之间的值，它控制添加到输入图像的噪声量。接近 1.0 的值允许很多变化，但也会产生与输入在语义上不一致的图像。

以下是img2img.py的使用后缀说明：

usage:img2img.py

options:
  -h, --help            show this help message and exit
  --prompt [PROMPT]     the prompt to render
  --init-img [INIT_IMG]
                        path to the input image
  --outdir [OUTDIR]     dir to write results to
  --skip_grid           do not save a grid, only individual samples. Helpful when evaluating lots of samples
  --skip_save           do not save indiviual samples. For speed measurements.
  --ddim_steps DDIM_STEPS
                        number of ddim sampling steps
  --plms                use plms sampling
  --fixed_code          if enabled, uses the same starting code across all samples
  --ddim_eta DDIM_ETA   ddim eta (eta=0.0 corresponds to deterministic sampling
  --n_iter N_ITER       sample this often
  --C C                 latent channels
  --f F                 downsampling factor, most often 8 or 16
  --n_samples N_SAMPLES
                        how many samples to produce for each given prompt. A.k.a batch size
  --n_rows N_ROWS       rows in the grid (default: n_samples)
  --scale SCALE         unconditional guidance scale: eps = eps(x, empty) + scale * (eps(x, cond) - eps(x, empty))
  --strength STRENGTH   strength for noising/unnoising. 1.0 corresponds to full destruction of information in init image
  --from-file FROM_FILE
                        if specified, load prompts from this file
  --config CONFIG       path to config which constructs model
  --ckpt CKPT           path to checkpoint of model
  --seed SEED           the seed (for reproducible sampling)
  --precision {full,autocast}
                        evaluate at this precision

目前原作者的开源代码并没有对GPU显存消耗量大的问题进行优化，经搜索有另外的分支，另一个作者对项目进行了优化，具体地址如下：https://github.com/basujindal/stable-diffusion

大家可去自行下载，复制粘贴相关模型去model文件夹就行，出现bug，上述已经提及并解决，其他都一样。他把显存消耗降到了一半，经检测我的降到3GB，而效果可以说是同样的好。这个项目你可以用docker也提供了GUI图形界面，如果你不想在交互式终端执行，可以用GUI方便操作。