Stable Diffusion 2026本地安装完全指南：从零开始搭建你的AI绘画工作站

Stable Diffusion 2026本地安装完全指南：从零开始搭建你的AI绘画工作站

还记得2023年我第一次接触AI绘画时，Midjourney的惊艳效果让我彻夜难眠，但每月30美元的订阅费和风格限制总让我觉得不够自由。后来我发现了开源神器Stable Diffusion，一瞬间就像打开了新世界的大门——免费、可控、可本地运行。转眼到了2026年，Stable Diffusion的生态已经变得无比成熟，SDXL Turbo、Stable Video Diffusion、ControlNet 3.0等新特性层出不穷，但很多新手朋友仍然卡在“本地安装”这道门槛上。今天我就用第一人称的口吻，陪你从零开始，把Stable Diffusion稳稳地装进你的电脑里。

为什么选择本地部署Stable Diffusion？

隐私与数据安全：你的创意，只属于你

当你用在线AI绘画服务时，每一次生成的图片、每一段prompt都会上传到云端服务器。ChatGPT、Midjourney这些工具的协议里往往写着“可使用用户内容进行模型训练”。如果你商用设计稿、角色概念图、甚至是个人艺术项目，本地部署意味着所有数据留在你的硬盘里，没有人能“学习”你的创意。

无限次生成，零等待，零成本

在线服务通常有次数限制（Midjourney的快速模式每月只有15小时）或按次收费。本地部署后，只要你的显卡扛得住，想生成多少张就生成多少张。2026年的Stable Diffusion已经能通过Tiling技术在大显存下生成8K分辨率图片，配合TensorRT加速，一张1024×1024的图仅需2秒。更妙的是，本地部署不需要排队——深夜灵感爆发时直接开干。

完全可控：从模型到参数，一切你说了算

在线工具给你的是“黑箱”——你只能调滑条和选风格。本地安装后，你可以： - 自由更换Checkpoint（基础模型），从写实到二次元，甚至自己训练LoRA - 使用ControlNet精确控制构图、姿势、深度 - 叠加多个LoRA（低秩适应模块）实现角色、画风、动作的混合控制 - 自定义Sampler（采样器）和CFG Scale，玩出Darkroom风格、水墨风

2026年的硬件门槛有多低？

很多人以为本地安装需要顶配显卡，其实2026年一张二手RTX 3060（12G显存）就能流畅运行SDXL。如果使用SDXL Turbo或LCM-LoRA，甚至能在GTX 1660上2秒出图。下面我会详细列出硬件清单。

准备工作：硬件检查与软件依赖

硬件最低要求（2026年实测）

如果你用AMD显卡，2026年的ROCm 6.0和DirectML支持已经非常成熟，但建议新手首选NVIDIA，因为CUDA生态最无痛。

必装软件清单

1. Python 3.10.6（注意：不要装3.11或3.12，很多库不兼容）
2. Git（用于下载仓库和模型）
3. CUDA 11.8（NVIDIA显卡必备，2026年建议用CUDA 12.1以获得最新优化）
4. cuDNN（深度学习加速库，配合CUDA版本）
5. Visual Studio Build Tools（编译xformers等依赖时需要C++编译器）

注意：如果你是Windows用户，强烈建议先装好Git for Windows和Python官方安装包，安装时勾选“Add Python to PATH”。

验证环境：打开终端打几个命令

安装完成后，打开命令提示符（CMD）或PowerShell，输入：

python --version   # 应该显示 Python 3.10.6
git --version      # 应该显示 git version 2.x.x
nvcc --version     # 应该显示 Cuda compilation tools, release 11.8

如果没有报错，说明环境就绪。如果nvcc找不到，别急，下面我会教你在WebUI安装过程中自动检测CUDA。

图1：终端窗口下验证Python、Git和CUDA版本的输出示例，确保环境准备无误。

方案一：使用Stable Diffusion WebUI一键安装（新手最推荐）

下载Automatic1111的webui.sh

Automatic1111的WebUI是目前用户量最大、插件最丰富的界面，2026年它已经更新到了1.9.x版本，原生支持SDXL、ControlNet、Tiled VAE等。安装方法极其简单：

1. 打开你希望安装的目录（建议放在D盘或空间充裕的盘，路径不要有中文和空格）
2. 在地址栏输入 cmd 打开终端
3. 输入以下命令克隆仓库：

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

1. 进入文件夹：

cd stable-diffusion-webui

1. 运行启动脚本（Windows用 webui-user.bat，Linux/Mac用 bash webui.sh）

首次运行会自动下载依赖，包括PyTorch、xformers、深度学习库等。这个过程大约5-20分钟，取决于你的网速。注意：如果遇到网络问题，可以设置国内镜像源——在webui-user.bat里添加一行 set COMMANDLINE_ARGS=--xformers --no-half-vae。

第一次启动：界面长什么样？

启动完成后，终端会显示一个本地地址，通常是 http://127.0.0.1:7860。用浏览器打开，你会看到：

• txt2img：输入prompt，选择模型，点击生成
• img2img：基于已有图片修改
• Settings：调整VRAM使用量、采样方法等
• Extensions：安装各种插件

关键设置：在Settings里找到“Optimization”，把内存优化方案选为“xformers”（如果你显卡显存较小，也可选“medvram”或“lowvram”），然后点击“Apply settings”并重启UI。

常见问题：显卡没被识别怎么办？

如果启动时看到“No module named 'torch'”或“CUDA not available”，大概率是PyTorch安装问题。手动安装CUDA版的PyTorch：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

再重新运行webui-user.bat。

方案二：使用ComfyUI手动配置（进阶玩家的灵活选择）

为什么选择ComfyUI？

ComfyUI采用节点式工作流，你可以像搭乐高一样把text encoder、sampler、vae decoder串联起来。对于想要深度定制出图流程的用户（比如同时用多个ControlNet、叠加多个LoRA、动态调整seed），ComfyUI比WebUI更高效。2026年ComfyUI已经支持Stable Video Diffusion和Zero-1-to-3等新模型。

安装步骤

1. 同样先克隆仓库：

git clone https://github.com/comfyanonymous/ComfyUI.git

1. 进入目录，创建虚拟环境（推荐）：

cd ComfyUI
python -m venv venv
.\venv\Scripts\activate  # Windows激活

1. 安装依赖：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
pip install -r requirements.txt

1. 运行：

python main.py

访问 http://127.0.0.1:8188 即可。

加载第一个基础工作流

ComfyUI默认没有模型，你需要手动把下载的Checkpoint放到 ComfyUI/models/checkpoints/ 目录。然后从菜单栏“Load Default Workflow”加载一个txt2img工作流，双击空白处搜索“checkpoint”，把它连到模型节点，再选择采样器（如DPM++ 2M Karras），最后点击“Queue Prompt”生成。

WebUI vs ComfyUI：我该选哪个？

建议：先装WebUI上手，玩熟后再装ComfyUI。两者可以共存于同一台机器，共享同一套模型文件夹。

模型下载与安装：让你的SD真正“活”起来

模型分类与推荐网站

Stable Diffusion的模型主要分三类： - Checkpoint：基础模型，比如SD 1.5、SDXL、SDXL Turbo、Realistic Vision等 - LoRA：微调模块，大小几十MB，可以叠加使用，比如特定角色、画风、服装 - VAE：变分自编码器，影响色彩和细节，常用vae-ft-mse-840000

去哪里下载？首选 CivitAI（2026年已经称为AI模型界的GitHub），注册后可以下载各种模型。Hugging Face也是官方来源，但国内访问可能较慢。

安装到正确的位置

WebUI的模型路径在 stable-diffusion-webui/models/： - Checkpoint -> Stable-diffusion/ 文件夹（.safetensors文件） - LoRA -> Lora/ 文件夹 - VAE -> VAE/ 文件夹 - ControlNet模型 -> ControlNet/ 文件夹

ComfyUI的路径类似：ComfyUI/models/ 下有对应子文件夹。

推荐几款2026年必装模型

1. SDXL Turbo：官方蒸馏模型，只需1-2步即可出高质量图，适合快速迭代
2. Realistic Vision V6.0：写实人像之王，皮肤质感炸裂
3. DreamShaper XL：兼顾写实和幻想的全能模型
4. Anime Pastel Dream：二次元画风，特别适合插画
5. LCM-LoRA：配合SD 1.5使用，可以将采样步数从30压缩到4步，速度提升6倍

下载完成后，必须重启WebUI或ComfyUI才能识别新模型。WebUI里可以在左上角下拉菜单切换Checkpoint。

图2：CivitAI网站的模型详情页，包含样本图、下载链接和使用说明，这里是找模型的首选地。

优化与加速：让SD跑得比闪电还快

xformers：显存节省+速度提升

xformers是NVIDIA开源的注意力优化库，能减少约30%的显存占用，同时提升生成速度。在WebUI的启动参数中添加 --xformers 即可。如果你用的是ComfyUI，确保安装了xformers包：

pip install xformers --index-url https://download.pytorch.org/whl/cu118

Tiling：生成超高分辨率图片

普通SDXL最大生成1024×1024，但通过Tiled VAE插件，你可以把大图切块处理。比如生成2048×2048，实际显存占用只相当于1024。在WebUI的Extensions里搜索“Tiled Diffusion”，安装后可以在txt2img界面启用“Tiled VAE”和“Tiled Diffusion”。

TensorRT加速：为NVIDIA显卡量身定制

2026年NVIDIA发布了TensorRT for Stable Diffusion，可以将模型编译为优化版本，速度提升40%-60%。安装方法： 1. 在WebUI的Extensions里安装“sd-webui-tensorrt” 2. 打开Settings > TensorRT，选择你的显卡型号 3. 点击“Export TensorRT engine”等待编译（第一次可能耗时10分钟） 4. 编译完成后，在txt2img界面选择“TensorRT”作为后端

内存不够怎么办？——参数微调

如果你只有4GB显存，可以尝试： - 使用 --medvram 或 --lowvram 启动参数（但会降低速度） - 换用SD 1.5模型，而不是SDXL - 关闭“面部修复”（face restoration）等后处理功能 - 在设置里降低“批次大小”（Batch Count）和“批次尺寸”（Batch Size）

2026年新利器：Flash Attention 3.0

2026年Flash Attention 3.0已经集成到PyTorch 2.5中，它通过软硬件协同优化，让注意力计算更快更省显存。如果你的显卡是RTX 40系列，强烈推荐安装PyTorch 2.5以上版本：

pip install torch==2.5.0 torchvision==0.18.0 --index-url https://download.pytorch.org/whl/cu121

配合 --xformers 和Flash Attention，一张512×512的图可以做到1秒内生成。

常见问题与排错（FAQ）

启动时报错“RuntimeError: Could not load library cudnn_cnn_infer64_8.dll”怎么办？

答案：这个问题通常是cuDNN版本不匹配导致的。去NVIDIA官网下载cuDNN for CUDA 11.8或12.1（根据你装的CUDA版本），将压缩包里的bin、lib、include文件夹复制到CUDA安装目录（如C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8）。如果是Windows，也可以直接把cuDNN的bin目录添加到系统Path变量。

安装插件时总是报“SSL: CERTIFICATE_VERIFY_FAILED”错误？

答案：这是因为国内部分网络环境可能无法验证GitHub的SSL证书。解决方法：在WebUI的webui-user.bat文件里，在set COMMANDLINE_ARGS=后面加上--skip-version-check 2>nul，或者临时设置环境变量set GIT_SSL_NO_VERIFY=1。更稳妥的办法是使用代理科学上网，或通过手动下载插件zip包，解压到extensions文件夹。

生成的图片全是黑色的，或者提示“NaN”？

答案：这通常是VAE问题或显存溢出导致。首先确保你使用的模型对应的VAE已经正确加载（CivitAI上的模型页面通常会注明推荐的VAE）。如果显存不足，可以在启动参数加--no-half-vae（让VAE用全精度计算），或者降低图片尺寸与采样步数。另外，有些模型（如SDXL Turbo）需要配合特定的sampler（如Euler a），否则会出黑图。

如何让Stable Diffusion使用Intel/AMD的显卡？NVIDIA独显好贵。

答案：2026年已经有大佬开发了DirectML和Vulkan后端。针对AMD显卡，可以尝试使用stable-diffusion-webui-directml分支：在安装时设置环境变量set USE_DIRECTML=1，启动参数加--backend-directml。但注意，DirectML的显存效率比CUDA略低，且某些ControlNet模型可能不兼容。Intel的Arc显卡（如A770）也支持DirectML，性能尚可。

我能不能把Stable Diffusion放到云服务器上，然后远程访问？

答案：当然可以！本地安装只是基础，你还可以用GPU云主机（比如AutoDL、恒源云）租用30系列或40系列显卡，每小时仅几毛钱。安装好WebUI后，修改webui-user.bat的启动参数，加上--listen和--port 7860，然后在云服务器的防火墙放行该端口。外网访问建议通过frp内网穿透或Tailscale组网，避免安全问题。另外，如果只是偶尔用，也可以用Google Colab免费版的T4显卡（但有限制），这方面可以结合DeepSeek或ChatGPT写一个自动化脚本定时重启Colab。

总结：你的AI绘画之旅才刚刚开始

从零开始安装Stable Diffusion并不难——检查硬件、克隆仓库、运行脚本、下载模型，一共四步。2026年的AI绘画生态已经非常友好，甚至像Stable Diffusion WebUI Forge这样的优化版启动器还提供了图形化安装向导，一键搞定所有依赖。但安装只是第一步，真正有趣的是后面的探索：

• 用ControlNet让照片中的人物摆出你想要的姿势
• 用LoRA训练自己宠物、朋友、甚至你画风的数字分身
• 用Stable Video Diffusion把静态图变成4秒的短视频
• 配合ChatGPT生成精妙的prompt，或者用Midjourney的私服学习其构图规律

当你亲手生成第一张高质量的AI图片时，那种成就感远不是在线工具能比的。你会发现，AI不是替代艺术家的工具，而是放大你创造力的画笔。现在，打开你的电脑，照着教程开始吧——如果遇到问题，评论区留言，或者搜索“Stable Diffusion 2026 常见问题”，总有一群热心的社区小伙伴在等你。

为了2026年更自由的创作，请勇敢地踏出第一步！