Stable Diffusion WebUI 各操作系统安装教程

本文主要是介绍Stable Diffusion WebUI 各操作系统安装教程，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

最近几天在 2 台 Mac、2 台 PC、一台云无 GPU 的 Linux 安装了 Stable Diffusion WebUI，这里记录下如何安装，以及一些注意点和坑。

以下内容针对 Windows（N 卡）、MacOS（m 系列芯片）、Linux（Ubuntu、无 GPU）。

Windows 安装

Windows 安装算是比较简单的，首先直接到 www.python.org/downloads/r… 最下方下载 Windows Installer（注意官方建议版本是 3.10.6，不要使用太新的或太旧的版本，存在部分包不兼容的问题），然后点击安装，建议选择默认安装方式并勾选上 PATH，这样后面就不用自己设置 PATH 环境变量了：

最后的 PATH 最大长度限制的解除可选可不选。然后就可以 clone WebUI 仓库了，如果没有安装过 git 的记得先安装一下：

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

clone 完成后进入 WebUI 目录双击 webui-user.bat 即可打开 WebUI，WebUI 会自动安装需要的依赖并启动，首次运行需要下载的依赖较多可能需要等待比较久的时间。

MacOS 安装

MacOS 安装同样需要先安装依赖，注意先安装好 homebrew，由于 m 系列芯片支持两个版本的 homebrew，所以一定要注意，需要使用 x86 版本的 homebrew，可以使用 which brew 查看，如果是 /usr/local/bin/brew 则是 x86，如果不是最好卸载重装后再继续下面的操作。

确认 homebrew 无误后，使用 homebrew 安装需要的依赖，并 clone Stable Diffusion WebUI：

brew install cmake protobuf rust python@3.10 git wget
git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui

上述操作都就绪后，就可以进入 WebUI 目录，然后使用 ./webui.sh 启动，WebUI 会自动安装需要的依赖并启动，首次运行需要下载的依赖较多可能需要等待比较久的时间。

Linux 安装

我的云主机操作系统是 Ubuntu 22，并且由于是白嫖的甲骨文的免费云，没有 GPU，所以只能用纯 CPU 跑。

在 Linux 上跑也是一样的路子，先安装依赖，再 clone WebUI：

sudo apt install wget git python3 python3-venv
git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui

然后进入 WebUI 目录执行 ./webui.sh 启动即可，同样的，WebUI 会自动安装需要的依赖并启动，首次运行需要下载的依赖较多可能需要等待比较久的时间。

不过需要注意的是由于机器没有 GPU，在启动时候需要添加参数来使用 GPU：

./webui.sh --skip-torch-cuda-test --precision full --no-half --use-cpu all

还需要注意，有一些 model 的参数需要 GPU 的支持，所以使用 CPU 跑图很可能会发现跑半天出现不支持 CPU 的错误，所以如果不是没办法强烈不建议使用 CPU 来跑。

启动

在 Windows 启动时添加参数

由于 Windows 上启动时使用的是 bat 文件，而不是命令行，所以需要添加参数时和其它系统不同，需要编辑 webui-user.bat 文件，然后将在其中的 set COMMANDLINE_ARGS= 后面加上需要添加的参数来运行。

Serve 给其它机器使用

默认情况下 WebUI 只会监听本机的 host，如果需要从其他机器访问，比如在局域网通过另一台机器访问服务器上的 WebUI 则需要增加 --listen 参数。添加参数后如果需要使用插件要添加 --enable-insecure-extension-access 参数，不然会出现最下方的问题。

当然其实也可以直接用 Nginx 反代就不会触发 WebUI 的安全问题。

Nginx 反代

如果想用 Nginx 反代 WebUI，需要注意：WebUI 里面用到 websocket，所以反代也需要考虑到，不然 WebUI 中发出的 ws 请求 /queue/join 会一直报错，下面放一下我的反代的配置：

server {listen 80;listen [::]:80;server_name xxx.xxx.com;return 301 https://$server_name$request_uri;
}server {listen 443 ssl;listen [::]:443 ssl;server_name xxx.xxx.com;ssl_certificate /etc/nginx/cert/xxx.pem;ssl_certificate_key /etc/nginx/cert/xxx.key;proxy_connect_timeout              60s;proxy_send_timeout                 60s;proxy_read_timeout                 60s;proxy_set_header Host $host;proxy_set_header X-Real-IP $remote_addr;proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;proxy_set_header Upgrade           $http_upgrade;proxy_set_header Connection        $connection_upgrade;proxy_set_header X-Forwarded-Proto $scheme;location / {proxy_pass http://localhost:7860;}
}

使用上述配置还需要在 nginx.conf 中的 http 模块中添加上如下声明，不然会报错：

map $http_upgrade $connection_upgrade {default upgrade;''      close;
}

速度

从几台机器和结合最近几天在其它平台上的经验来看，速度差异非常大，我两台 Mac 都是 m1-16G，PC 由于显卡太老旧根本跑不起来（GTX660），Linux 是甲骨文的 VM.Standard.A1.Flex-4VCPU-24G，对比后速度如下：

• Linux 跑一张默认图耗时大概 9 分钟左右
• m1-16G 跑一张默认图的耗时大概在 50 秒
• Colab 的 T4 跑一张默认图耗时大概在 4 秒左右
• 阿里云的 A10 跑一张默认图都是秒出的

如果稍微复杂点的模型我的这台 Linux 一晚上都跑不出几张图，m1 勉强能用，所以哪怕是 Colab 现在的免费时长缩短到一小时，其实也比在其他机器上瞎跑好多了，效率摆在这里。

FAQ

AssertionError: extension access disabled because of command line flags

当使用 WebUI 安装插件时报错，这个是因为使用了 --listen 参数，WebUI 为了安全（因为此时可以外网通过 IP 访问 WebUI）会默认禁用插件安装的权限，此时可以通过 --enable-insecure-extension-access 参数关闭插件的安全检测。

参考链接： github.com/AUTOMATIC11…

WebSocket 连不上，queue/join 报错

正常出现在使用 nginx 反代时，一般由于没有反代 websocket 导致 websocket 无法连接。

没有 GPU 怎么办

没有 GPU 时在启动时需要添加 --skip-torch-cuda-test --no-half --use-cpu all 这几个参数，关闭 CUDA 并强制开启使用 CPU。

Mac 报错： have ‘arm64’, need ‘x86_64’

一般这种情况下是安装了 arm 版的 homebrew，导致安装的其他依赖包也是 arm 版本，而有些依赖包没有 arm 版本就会造成依赖缺失，所以遇到后需要检查自己的 homebrew 版本并切换成 x86 版本并重新安装依赖。

注意

最后一定要注意：在调试时出现问题需要重新安装依赖时，一定、一定、一定要记得先清理干净 WebUI 目录下的缓存，比如 __pycache__、venv 这几个目录，否则会一直使用缓存中的配置。

写在最后

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。
​

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。
 

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。

二、AIGC必备工具

工具都帮大家整理好了，安装就可直接上手！

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。

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。

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。

​

这篇关于Stable Diffusion WebUI 各操作系统安装教程的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---