2024年最新Stable Diffusion下载+安装+使用教程(超详细版本),学不会你找我

注意:

本文讲解的用的是用“整合包”来本地部署 安装及使用Stable Diffusion
WebUI,你不需要懂太多的计算机知识,而且用整合包对新手也是比较友好的,磁盘需要预留100G~200G空间才能玩。

整合包我会放在文末

前言

本文将基于最新的SD整合包,结合笔者整合的资源,为大家介绍最基础的概念和安装方式。

可以说,从这一天开始,AI绘画,尤其是SD的普及,又得到了更进一步的推动。

Stable Diffusion(SD)是什么


Stable Diffusion是2022年发布的深度学习文本到图像生成模型,它是一种潜在扩散模型,它由创业公司Stability
AI与多个学术研究者和非营利组织合作开发。目前的SD的源代码和模型都已经开源,在Github上由AUTOMATIC1111维护了一个完整的项目,正在由全世界的开发者共同维护。由于完整版对网络有一些众所周知的需求,国内有多位开发者维护着一些不同版本的封装包。开源社区为SD的普及做出了难以磨灭的贡献。

SD最大的特征,就是由于其开源的特性,可以在电脑本地上离线运行。可以在大多数配备至少8GB显存的适度GPU的消费级硬件上运行。笔者推荐显存线是12G。

由于AI训练和产出的本质是软硬件结合了的深度学习原理,因此常常会用到英伟达
公司的显卡(NVIDIA显卡
),以及相关的诸如CUDA、CUDNN,乃至python相关的深度学习组件如xformer、pytorch等,学习AI想要进阶的话非常容易碰到这些需要大量额外学习编程知识的内容,所以非常容易让小伙伴们感到困难。

本文以及整合包都不会涉及到这些内容,会比原版相对来说容易理解,也容易部署得多得多得多。

SD基本概念

大模型
:用素材+SD低模(如SD1.5/SD1.4/SD2.1),深度学习之后炼制出的大模型,可以直接用来生图。大模型决定了最终出图的大方向,可以说是一切的底料。多为CKPT/SAFETENSORS扩展名。

VAE :类似滤镜,是对大模型的补充,稳定画面的色彩范围。多为CKPT/SAFETENSORS扩展名。

LoRA
:模型插件,是在基于某个大模型的基础上,深度学习之后炼制出的小模型。需要搭配大模型使用,可以在中小范围内影响出图的风格,或是增加大模型所没有的东西。炼制的时候如果基于SD底模,在不同大模型之间更换使用时的通用性会较好。但如果基于特定的大模型,可能会在和该大模型配合时得到针对性的极佳效果。

ControlNet :神级插件,让SD有了眼睛,能够基于现有图片得到诸如线条或景深的信息,再反推用于处理图片。

Stable Diffusion Web-UI (SD-WEBUI):开源大神AUTOMATIC1111基于Stability
AI算法制作的开源软件,能够展开浏览器,用图形界面操控SD。

秋叶包
:中国大神秋叶开发的整合包。由于WEBUI本身基于GitHub的特性,绝大多数时候的部署都需要极高的网络需求,以及Python环境的需求。使用秋叶整合包,内置了和电脑本身系统隔离的Python环境,以及内置了Git,不需要了解这两个软件就可以运行。可以几乎忽视这样的门槛,让更多人能够享受AI出图。

一、Stable Diffusion 安装

我们可以先安装启动器的运行依赖,并解压秋叶包本体。

第一步:打开“启动器运行依赖-dotnet-6.0.11.exe ”来安装。

在这里插入图片描述

第二步:解压“sd-webui-aki-v4.zip ”。

注意:

当我们解压好启动器本体的时候,暂时还不要启动,先一起把模型安装了。

在这里插入图片描述

第三步:导入核心数据。

1、下载“推荐大模型 ”文件夹中的模型。

在这里插入图片描述

2、并把文件夹里的所有模型放在这个目录下:

\sd-webui-aki-v4\models\Stable-diffusion


  * 1

3、同时,还要下载ControlNet模型

在这里插入图片描述

4、ControlNet模型文件夹里的所有内容,放在这个目录下:

\sd-webui-aki-v4\models\ControlNet


  * 1

5、最后,需要单独下载推荐LoRA

在这里插入图片描述

6、这些LoRA是笔者为了方便小伙伴们取用改了名的,需要全部放在这个目录下:

sd-webui-aki-v4\extensions\sd-webui-additional-networks\models\lora


  * 1

7、当大家上手之后就可以参考末尾处这一篇文章,并在【大量模型·LoRA 】文件夹中寻找自己想要的LoRA了。

在这里插入图片描述

二、Stable Diffusion 使用教程

开启软件运行。

解压并导入完毕上述数据之后,就可以点开启动器了。

1、在安装目录下往下拉,找到这个“A启动器.exe ",双击。

在这里插入图片描述

2、再点击右下角的一键启动

在这里插入图片描述

3、再让这个界面多跑一会儿。

在这里插入图片描述

4、就可以看到它自动在浏览器中打开了一个新的网页,就算是启动成功了。

注意:

有时候会出现警告错误或缺少模块,但是又不会影响正常运行。

如果它没自动打开,可以手工去浏览器输入网址:http://127.0.0.1:7860

在这里插入图片描述

5、最终的效果。

例如:输入一个关键词“一个美女”,点击“生成”,结果效果图如下:

在这里插入图片描述

总结:

这是Stable Diffusion WebUI 2.0 离线版的,没网也能用,也可以做18+的,这里就不展示了,哈哈哈!

不过这玩意10G,我加了一些lora,controNet,大模型,一下子就70个G,效果还不错,不过大部分都是civitai中直接下载别人训练好的模型。

整合包下载

上面用到的安装文件和整合包已经上传CSDN,朋友们如果需要可以点击下方微信扫描CSDN官方认证二维码免费下载。

感兴趣的小伙伴,赠送全套AIGC学习资料,包含AI绘画、AI人工智能等前沿科技教程和软件工具,具体看这里。

在这里插入图片描述

AIGC技术的未来发展前景广阔,随着人工智能技术的不断发展,AIGC技术也将不断提高。未来,AIGC技术将在游戏和计算领域得到更广泛的应用,使游戏和计算系统具有更高效、更智能、更灵活的特性。同时,AIGC技术也将与人工智能技术紧密结合,在更多的领域得到广泛应用,对程序员来说影响至关重要。未来,AIGC技术将继续得到提高,同时也将与人工智能技术紧密结合,在更多的领域得到广泛应用。

在这里插入图片描述

一、AIGC所有方向的学习路线

AIGC所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照下面的知识点去找对应的学习资源,保证自己学得较为全面。

在这里插入图片描述

在这里插入图片描述

二、AIGC必备工具

工具都帮大家整理好了,安装就可直接上手!
在这里插入图片描述

三、最新AIGC学习笔记

当我学到一定基础,有自己的理解能力的时候,会去阅读一些前辈整理的书籍或者手写的笔记资料,这些笔记详细记载了他们对一些技术点的理解,这些理解是比较独到,可以学到不一样的思路。
在这里插入图片描述
在这里插入图片描述

四、AIGC视频教程合集

观看全面零基础学习视频,看视频学习是最快捷也是最有效果的方式,跟着视频中老师的思路,从基础到深入,还是很容易入门的。

在这里插入图片描述

五、实战案例

纸上得来终觉浅,要学会跟着视频一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。
在这里插入图片描述

在这里插入图片描述

  • 5
    点赞
  • 11
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Stable Diffusion是一款基于深度习的语言模型,它通常通过云服务提供,例如Hugging Face的Hub等。由于它是开源的,如果你想在本地安装并运行它,你需要做以下步骤: 1. **下载源码**: 首先,访问Stable Diffusion的GitHub仓库(https://github.com/huggingface/stable-diffusion),克隆或下载最新版本的代码。 2. **环境配置**: 确保你的系统上已经安装了必要的依赖,如Python(推荐使用3.7+版本)、PyTorch、Transformers库以及可能需要的GPU支持(如果有的话)。可以使用pip来安装这些库。 ```bash pip install torch torchvision transformers --upgrade ``` 3. **数据准备**: 模型训练通常需要大量的文本数据,这包括预处理后的训练数据和额外的配置文件。你可以从官方提供的数据集链接下载数据,并按照说明解压和配置。 4. **搭建环境**: 如果在本地运行大模型,可能还需要设置适当的内存限制和其他资源配置。比如,在某些Linux发行版中,可能需要设置CUDA_VISIBLE_DEVICES环境变量来指定GPU。 5. **编译模型**: 进入项目目录,根据项目的readme文档,可能需要对模型进行编译或转换,以便在本地部署。 6. **训练或加载**: 根据你的需求,选择是训练一个新模型还是直接加载预训练模型。如果是训练,可能需要运行训练脚本;如果是加载,到合适的 checkpoint 文件进行加载。 7. **运行服务**: 使用像Flask这样的web框架创建一个API,将训练好的模型集成进去,允许用户输入请求并得到响应。 8. **安全性和性能优化**: 为了保护隐私和提高效率,记得加密敏感数据,调整好批处理大小和推理频率。 **注意事项**: 在本地运行大型模型可能会消耗大量计算资源,并且涉及到的数据处理也较为复杂。如果不是专业研究者或有特定需求,一般建议使用预训练模型和云服务来获取即时的结果。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值