TL;DR
目标：在本机跑通 Stable Diffusion 1.5 / SDXL，完成一次可验证的 LoRA 微调。前提：NVIDIA 显卡 8GB+，磁盘空余 30GB+，Python 3.10.11，Git 2.44+。本文只讲可复现步骤，不讲概念。
结论：先用 Automatic1111 或 ComfyUI 跑通推理，再用 kohya_ss 做 LoRA。新手别直接碰全量微调，显存和时间成本都不划算。我的测试环境：RTX 3060 12GB，Windows 11 23H2，首图生成约 7.8 秒，LoRA 训练 25 张图、1,500 steps，耗时 18 分钟。
1. 预备条件：别在错误环境里浪费时间
硬件最低线： NVIDIA CUDA 显卡 8GB 可跑 SD 1.5；12GB 更适合 SDXL + LoRA。CPU-only 可以试，但速度通常低于 1 it/s，基本只适合验证流程。
软件版本： Python 3.10.11、Git 2.44.0、CUDA 12.1 对应驱动 531+。Windows 建议关闭路径空格和中文目录；Linux 建议用 Ubuntu 22.04 LTS。
Warning: 不要把模型和训练集放在系统盘。LoRA 数据集、缓存、输出目录至少预留 30GB。磁盘不够时，最先坏的是缓存，其次是训练中断。
-
检查 GPU 与驱动。
nvidia-smi预期输出：显示 GPU 型号、驱动版本、显存占用，且无报错。
-
确认 Python 版本。
python --version预期输出：
Python 3.10.11或同系列 3.10.x。 -
确认 Git 可用。
git --version预期输出：
git version 2.44.0或更高。
2. 本地部署：先跑通推理，再谈微调
我建议两条线并行：Automatic1111 负责快速上手，ComfyUI 负责工作流和后续可视化排错。Stable Diffusion 本地部署教程里，最常见错误不是下载失败，而是依赖版本冲突。
-
拉取 Automatic1111。
git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git预期输出：目录生成，无 404 / SSL 错误。
-
启动一次让它自动装依赖。
cd stable-diffusion-webui && webui-user.bat预期输出：首次启动会下载 torch、gradio 等包，最后出现本地地址
http://127.0.0.1:7860。 -
放入模型文件。
dir models\Stable-diffusion预期输出：目录存在。把
.safetensors模型放入该目录后，页面刷新可见模型名称。
Note: 下载模型时优先用 .safetensors，不要优先用老式 .ckpt。前者更稳，加载报错率更低。
验证是否成功：输入提示词 a red industrial robot, studio lighting，点击生成。若 1024x1024 图像 8~15 秒内出图且无 CUDA OOM，推理层已正常。
3. LoRA 微调：只做小步迭代，别上来就全量训练
LoRA 训练是 Stable Diffusion 模型微调里最实用的路径。我的实测里，25 张主体图、分辨率统一到 768、batch size 1、network dim 16，足够做出风格稳定的基础版。
-
准备数据集。
每张图统一主体清晰、角度多样、背景尽量简单。推荐 20~40 张。文件名用英文，避免标注工具乱码。
-
安装 kohya_ss。
git clone https://github.com/bmaltais/kohya_ss.git预期输出：仓库克隆完成，目录下有训练脚本和 GUI 启动文件。
-
启动训练界面。
./gui.shWindows 下用对应 bat 文件。预期输出：浏览器打开训练面板，无缺失依赖报错。
-
关键参数。
network_dim=16network_alpha=16max_train_steps=1500learning_rate=1e-4预期输出：训练日志稳定递增，loss 从约 0.9 逐步下降到 0.2~0.4 区间，不应出现 NaN。
Warning: 训练集标签不要过度堆砌。caption 太长会让模型学到无关信息。先保守标注，再根据出图结果补标签。
怎么判断微调有效：用固定提示词生成 4 张图，检查主体一致性。若主体特征可重复出现，且风格不过拟合，LoRA 可用。若每张都像不同人，通常是数据集不一致；若输出像训练集原图复读，通常是 steps 过高。
4. 常见故障与快速修复
-
CUDA out of memory。 降分辨率到 512/768，batch size 改 1，启动参数加
--medvram或--xformers。set COMMANDLINE_ARGS=--medvram --xformers预期输出：启动日志里显示启用节省显存模式。
-
模型加载失败。 检查文件是否完整，优先使用
.safetensors。校验文件大小是否与下载页一致。 -
训练 loss 不下降。 先查图片质量，再查 caption，再查学习率。不要先改十个参数。
Note: 如果你在做“Stable Diffusion 本地部署教程”或“Stable Diffusion LoRA 微调怎么用”的搜索，核心不是装上就完，而是能复现、能验证、能定位故障。
如果你只想要一个省事的替代方案，也可以把本地部署、模型切换和基础工作流交给成熟平台做起步，但前提仍然是你先理解上面这套安装、训练、验证链路。商都加速器在这条路上只是一个可选项，不是必选项。
References
AUTOMATIC1111 GitHub
kohya_ss GitHub