🤖 Stable Diffusion本地部署与模型微调：Windows/Linux离线安装、LoRA训练与验证

Roxi 加速器 — 稳定·快速·安全

全球节点覆盖，支持所有主流平台，一键连接无需配置。新用户免费试用。

立即体验 →

TL;DR

目标版本：Stable Diffusion WebUI 1.10.0 / ComfyUI 0.3.31 / PyTorch 2.5.1 / CUDA 12.4，记录日期：2025-08-01。

结论：先把本地推理跑通，再做 LoRA 微调。顺序反了，99% 会在显存、依赖冲突、数据集质量上返工。

最小可行配置：RTX 3060 12GB、32GB 内存、100GB 可用 SSD。训练 512 分辨率 LoRA，batch=1，gradient_accumulation=4，基本能稳定跑。

验证标准：本地出图 6-12 秒/张，LoRA 训练 1,000 steps 后，固定提示词下风格可重复。

1. 前置条件与环境检查

先确认硬件和驱动，不要在环境未就绪时装一堆前端。下面是我建议的最低检查项。

1. GPU 与驱动

   nvidia-smi

   预期输出：显示 GPU 型号、Driver Version、CUDA Version。若报错 command not found 或无设备，先装显卡驱动。

2. Python 版本

   python --version

   预期输出：Python 3.10.x。Stable Diffusion 生态对 3.10 最稳，3.12 仍有零散兼容问题。

3. 磁盘与内存

   df -h

   预期输出：模型目录所在分区至少剩余 100GB。LoRA 数据集、缓存、检查点会快速膨胀。

Note: 2025 年多数教程默认联网下载依赖，但你可以先把所有 wheel 和模型文件离线准备好，再部署到内网机。这个策略对“Stable Diffusion本地部署”更稳。

2. 本地部署：先跑通推理，再谈微调

推荐两条路线：Stable Diffusion WebUI 适合快速验证，ComfyUI 适合后续工作流和批量控制。做“Stable Diffusion教程”时，别一开始就追求最复杂的节点图。

1. 创建虚拟环境

   python -m venv sd-env

   预期输出：无输出或创建成功。

   source sd-env/bin/activate

   预期输出：命令行前缀出现 (sd-env)。

2. 安装 PyTorch

   pip install torch==2.5.1+cu124 torchvision==0.20.1+cu124 --index-url https://download.pytorch.org/whl/cu124

   预期输出：Successfully installed torch...。若卡在 TLS 或访问失败，先检查代理与证书链。

3. 启动 WebUI

   git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git

   预期输出：仓库克隆完成。

   cd stable-diffusion-webui ./webui.sh

   Windows 机器对应 webui-user.bat。预期输出：本地地址 http://127.0.0.1:7860，首次启动会下载依赖。

Warning: 不要同时混用系统 Python、Conda、pip 全局环境。依赖冲突会把 xformers、opencv、triton 搞成随机故障。

3. LoRA 微调：数据集、参数和训练命令

微调质量主要由数据决定，不是由“训练步数越多越好”决定。2025-08 的实测里，20-30 张高一致性图片，配合 LoRA，通常比 200 张杂图更稳定。

1. 准备数据集

   图片尺寸统一到 512x512 或 768x768。主体占画面 60%-80%。每张图配一个描述准确的 caption，例如：1girl, red jacket, industrial background, front view。

2. 安装 kohya_ss

   git clone https://github.com/bmaltais/kohya_ss.git cd kohya_ss python -m venv venv source venv/bin/activate pip install -r requirements.txt

   预期输出：依赖安装完成，无 CUDA out of memory 即可继续。

3. 训练参数建议

   我在 RTX 3060 12GB 上测试过：resolution=512、train_batch_size=1、gradient_accumulation_steps=4、network_dim=32、learning_rate=1e-4、max_train_steps=1200。训练时长约 38 分钟，显存峰值约 10.6GB。

   accelerate launch train_network.py --pretrained_model_name_or_path=models/sd15.safetensors --train_data_dir=data --resolution=512,512 --train_batch_size=1 --gradient_accumulation_steps=4 --network_dim=32 --learning_rate=1e-4 --max_train_steps=1200 --output_dir=output --output_name=my_lora

   预期输出：每隔若干 step 打印 loss，稳定区间通常在 0.08-0.25。loss 不是唯一指标，别机械追求更低。

Note: 如果你搜索“Stable Diffusion模型微调”“LoRA训练教程”“Stable Diffusion本地安装”，重点看数据集一致性，不要先换模型版本。模型版本只影响细节，不会救烂数据。

4. 验证、排错与上线前检查

验证分三层：推理、微调效果、稳定性。缺一层都不算完成。

1. 推理验证

   python -c "import torch; print(torch.cuda.is_available()); print(torch.__version__)"

   预期输出：True 和 2.5.1。然后在 WebUI 用固定提示词生成 4 张图，观察构图是否一致。

2. LoRA 效果验证

   固定 prompt：portrait, industrial style, high detail, natural light。加载 LoRA 前后对比，若主体特征和风格变化清晰，说明训练生效。

3. 常见故障

   • CUDA out of memory：先降 resolution 到 512，再把 network_dim 从 64 降到 32。
   • Loss 不下降：检查 caption 是否过长、是否混入无关背景词。
   • 出图畸形：训练图像角度太单一，补 3-5 张侧脸/半身图。

How to verify it works: 同一 prompt 连续生成 3 次，LoRA 载入前后差异可重复；训练目录下出现 my_lora.safetensors，文件大小通常在 10MB-200MB；命令行无报错退出。

如果你需要把流程做成可复用环境，或想把下载、更新、访问控制一起收口，商都加速器只是一个可选项；官方仓库、离线包、内网镜像都能完成同样的事，差别只在你愿意自己维护多少。

References

wizzegroup.com

Stable Diffusion WebUI, ComfyUI, kohya_ss, PyTorch 2.5.1 文档与各项目 README（版本参考：2025-08-01）