Stable Diffusion软件安装及使用教程

最新推荐文章于 2025-04-28 14:30:41 发布

AIGC-Lison

最新推荐文章于 2025-04-28 14:30:41 发布

阅读量966

点赞数 21

本文链接：https://blog.csdn.net/z19981/article/details/145682977

版权

前言

Stable Diffusion软件安装及使用教程

本文分三部分

一：安装教程

二：功能解答

三：使用技巧

（演示所使用的是秋叶整合包文末免费获取）

一，安装教程

下载安装包后，直接解压即可

所有的AI设计工具，安装包、模型和插件，都已经整理好了，👇获取~

（注：不要有中文路径）

二，软件使用

1：根目录下双击A绘世启动器.exe，等待加载完成

2：加载完毕后，进入高级选项，生成引擎N卡选择GPU，显存优化调整到符合自己电脑的

（AMD显卡（N卡忽略这里）：设置配置模式调到专家-版本管理内核分支调成amd的主板，刷新更新后，高级选项生成引擎，调成第一个自己的，显存根据真实显存调整即可，环境维护-安装pyt为directml最新版即可，关掉重启，如果出现报错，就在环境维护中，安装单独的pip（有个D开头的），成功启动后，A卡也可以调用GPU进行绘画）

3：配置完后，点击控制台，一键启动，等待加载，加载完后会自动跳转网页

二：客户端问题解答

问题	备注
底模	大模型
底模位置	SD目录/models/stable-diffusion/；然后在stable diffusion模型处进行刷新即可
Lora	微调模型，框定具体的模型特征，通常会用几个lora一起使用
Lora位置	SD目录/models/Lora/
vae	常用vae：vae-ft-mse-840000-ema-pruned
vae位置	SD目录/models/vae/
embedding提示词集合	常用在反向提示词，防止崩坏等，省去了填写大量提示词的问题，
embeddin位置	SD目录/embeddings/

提示词中转英插件	打开sd后找到拓展，下载sd-webui-prompt-all-in-one，提示词下方为插件位置，点击设置，翻译处打勾即可自动翻译
反向提示词	nsfw降低不该出现的图概率，图片崩坏建议使用embedding（例如NG-DeepNegative-V1-75T崩坏的人体结构，badhandv4改善手部细节）
CFG	Classifier Free Guidance scale（分类器自由指导比例）是一个参数，用于控制模型应尊重你的提示的程度。如果CFG值太低，稳定扩散将忽略你的提示。太高时图像的颜色会饱和。 1–大多忽略你的提示。 3–更有创意。 7–遵循提示和自由之间的良好平衡。 15–更加遵守提示，图片的对比度和饱和度增加。 30–严格按照提示操作，但图像的颜色会过饱和。 CFG在4-10之间都非常适合，但最佳的还是建议将迭代步数还有采样方法结合起来看。
图片无损放大	二次元算法采用：R-ESRGAN 4X+Anime6B；处理真人高清化/extras
<>尖括号	主要用来调用lora，<lora:文件触发:权重>
clip终止层数	ClipSkip为1：处理到最后一层（即所有层） ClipSkip为2：处理到倒数第二层（忽略最后一层） ClipSkip为3：处理到倒数第三层（忽略最后和倒数第二层）值较小，生成含有丰富提示词的插图；ClipSkip的值较大，生成忽略提示词的插图（被丢掉的提示词就越多）
放大模型	相片类的：LDSR（但速度很慢），或者ESRGAN_4x（如果你想要超级清晰的细节和/或速度）。绘画类的：ESRGAN_4x（写实）提供高油漆纹理和细节，General-WDN提供更好的整体外观动漫类的：Anime6B，也适合将某些东西变成动画。
Tiled diffusion	方案：指的是两种算法以供选择；覆盖图像尺寸：指的是能够做出超出原有SD模型的限制，做出更大的图像（比如类似于清明上河图的那种超宽影像）潜空间分块宽/高度：就是那个图里面的小框宽高度，一般来说选64-160之间的值（最佳的数值选取其实取决于你选的潜空间分块单批数量，以及你所用模型的最佳生成图片大小【模型最好使用未剪枝的】，一般的建议选择是96或128）潜空间分块单批数量：类似于生成图中的“单批数量”参数，这个看显卡性能，一般来说越大越快，这里的可供选择区间是1到8。潜空间分块重叠：重叠数值提高会减少融合中的接缝。显然，较大的重叠值意味着更少接缝，但会显著降低速度，因为需要重新绘制更多的小块。（一般建议使用MultiDiffusion时选择32或48，使用MixtureofDiffusers选择16或32）
Tiled VAE	这个是有关电脑性能的选项，勾选这个将会极大降低VAE编解大图所需的显存开销，几乎无成本的降低显存使用。以highres.fix为例，如果你之前只能进行1.5倍的放大，则现在可以使用2.0倍的放大。不过一般来说你不需要更改默认参数，只有在以下情况下才需要更改参数：一是当生成之前或之后看到CUDA内存不足错误时，请降低tile大小；二是当你使用的tile太小且图片变得灰暗和不清晰时，请启用编码器颜色修复。
采样器	老牌采样器经典 Euler a （加a的是在每一次去操的时候增加一点新的噪点进去，每次生成都会变动，不收敛，去掉a的画面生成最后会趋近于稳定，可收敛） Euler DPM采样器 DPM2算法的画面有提升，但是时长增加一倍，不推荐，带有Karras算法的采样器，8步后噪点更少，所以直接选择带有Karras的算法即可 2S和2M的区别：S代表单步算法，M代表多步算法增加了相邻层之间的信息传递，所以选择带有M算法的即可，所以最后筛选： DMP++2M Karras 最推荐的算法，收敛，速度快，质量不错 DMP++SDE Karras 随机微分方程，不收敛，高品质，速度慢，真实系追求画面可以选 DMP++2M SDE Karras 2M和SDE的这种算法，不收敛，速度有所提升 DMP++2M SDE Exponential 指数算法，不收敛，细节少一些，但是画面更柔和干净， DPM++3M SDE Karras DPM++3M SDE Exponential 这两个3M速度和2M一样，需要更多采样步数，调低CFG采样步数>30步效果更好，也就是采样步数超过30，可以尝试使用这一类算法 2023采样器 Unipc 2023新采样器，统一预测矫正器，兼容性很好，收敛，10步左右就能生成可用画面 Restart 每步渲染时间长些，但只需很少的采样步数，就能生成质量相当不错的图片，有潜力如果你想使用快速且质量不错的东西，那么最好的选择是DPM++2M Karras，UniPC 如果你想要高质量的图像并且不关心收敛，那么不错的选择是DPM++SDE Karras 如果你喜欢稳定、可重复的图像，请避免使用任何ancestral samplers（加a的东西）。如果你喜欢简单的东西，Euler和Heun是不错的选择。

三：使用技巧及案例展示

描述词格式

1，画质词+画风词

2，画面主题描述

3，环境，场景，灯光，构图

4，lora

5，负面词

（）关键词权重

默认词的权重都是1，词越靠前权重越大，每层（）权重增加0.1倍，每层{}权重增加0.01倍，每层[]权重降低0.1倍，括号最多套三层，也可以（关键词：1.1）来进行权重的加减，权重值建议设置在0.3~1.5之间

交替采样

[提示词1|提示词2]，意思就是交替采样，案例 1 girl,upper body,[blue | red] hair,意思就是红色和蓝色交替采样，会生成一个红蓝相间头发的女孩

渐变

[提示词1：提示词2：0~1数值]，案例：forest，lots of trees，[stones:flowers:0.7],表示前70%石头采样后30%花朵采样，这样就会生成以石头为主，花朵为点缀的森林图片，

控制采样

1:[提示词:0~1的数值]，案例：forest，lots of trees and stones，[flowers:0.7],表示整体采样值到达70%时开始进行花的描述，这样就会出现花会很少的森林图像

2:[提示词::0~1的数值]，案例：forest，lots of trees and stones，[flowers::0.7],表示从开始就进行花的采样，到达70%的进程后停止采样，这样出现的花会比上一个语法多出来一些

_下划线

起连接作用，比如banana cake图片可能会出现一根香蕉和1个蛋糕，如果是banana_cake图片会出现一个香蕉蛋糕

脸崩的问题

采样分配不够，近景可以得到更多的采样分配，脸崩概率小，远景的采样分配少，所以会出现脸崩的情况，

解决方法1：图片分辨率保持较低合理的范围，然后开启高清修复，图片放大两倍，图片分辨率就上来了，可以解决脸崩的问题，但不是最优解，因为高清修复是提高了整体的分辨率，脸部只是增加了一点，但是会大幅增加渲染时间

解决方法2：发送到图生图，利用蒙版把脸遮住，然后选择仅蒙版区域，可以高效解决脸崩问题（适合单个人脸，如果出现很多，则会大大增加工作量）

解决方案3：拓展安装（从网站下载）：https://github.com/Bing-su/adetailer.git插件，然后到https://huggingface.co/Bingsu/adetailer/tree/main中下载face_yolov8m.pt，face_yolov8n.pt，face_yolov8n_v2.pt，face_yolov8s.pt，这几个用来修复人脸的模型

had是修复手部的模型，person是用来增加人物整体细节的模型，放到SD目录/models/adetailer中，使用的时候勾选启用ADetailer，选择修复模型（mediapipe_face_full只能对真人生效），选择后下方框框输入detail face即可修复脸部（关键词如果增加微笑，生气，闭眼等，图片也会进行微调），也可以组合使用，单元1增加人物整体细节，单元2mediapipe_face_full下方框框输入detail face，单元3选择手部修复不加词，

手指的问题

解决方法1：在开始生成图片的时候输入负面提示词添加：残缺的手指，六个手指等，（找反向提示词集：bad-hands-5）

解决方法2：openpose骨骼图，打开文生图界面，通过controlnet，上传一张图片，然后通过openpose来获取同款手指姿势，点启用和完美像素模式，模型控制选择openpos（姿势），然后预处理器选择dw_openpose_full，模型选择openpose相同的，点击预处理结果（预处理器后边的爆炸标志），然后进行生图片，如果手部需要调整怪，固定种子数，然后在拓展一行找到openpose编辑器（在线库搜索openpose-editor安装），点击姿势图右下角的编辑，对骨骼图进行调整，调整完发送到controlnet，然后生成，缺点：图片会有少许变动，可以将图片发送到图生图，然后把骨骼图保存下来，加载到图生图的controlnet，控制类型选择openpose（姿势），预处理器选择无（因为有了骨骼图），模型还是openpose，然后点击生成，在图片和图片会和原图非常接近，如果不希望图片有任何其他的变化，将图片发送到局部重绘，用画笔工具将图片手部涂鸦，然后打开controlnet，将骨骼图拖入，点击启用，控制类型选择openpose（姿势），预处理器选择无，选择重绘蒙版内容，蒙版区域内容处理选择填充，重绘区域选择整张图片，生成即可；

进阶：多重控制（openpose骨骼图），比如爱心的手势，打开文生图界面，通过controlnet0，上传一张图片，然后通过openpose来获取同款手指姿势，点启用和完美像素模式，模型控制选择openpos（姿势），然后预处理器选择dw_openpose_full，模型选择openpose相同的，点击预处理结果（预处理器后边的爆炸标志），然后进行生图片，图片如果很奇怪，点击controlnet1启用，点击完美像素，控制类型选择深度，预处理器选择depth_midas，模型选择和depth相同的，控制权重0.6，然后将通过controlnet0（姿势控制）的权重也调整到0.6，点击生成，如果还是奇怪，点击controlnet2启用，点击完美像素，控制类型选择Softedge（软边缘），预处理器选择Softedge_pidinet，模型选择Softedge相关的，权重改成0.6，点击预处理结果（爆炸按钮），再次点击生成即可

解决方案3：安装Depth Library拓展插件，安装手部模型进行解决

这篇是Stable Diffusion基础的了解和使用技巧，后边AI写真，转换画风等需要使用Stable Diffusion时会在对软件具体功能进行详细的讲解