1.1 入门认知:Stable Diffusion 能做什么、常见应用场景与新手学习路径
我第一次接触Stable Diffusion的时候,其实脑子里一片空白。当时只是看到别人用AI画出了一张特别逼真的赛博朋克城市夜景,还以为是什么高级3D软件做的。后来才知道,这东西叫Stable Diffusion,是一个开源的AI绘画模型,你只要用文字描述想要的画面,它就能在几十秒内生成一张图。那种感觉挺震撼的,就像你突然拥有了一个能听懂人话的画师,随时待命。
它能做的事情远不止画个风景图。我自己常用的场景有这么几类:一是做概念设计,比如给小说配插图、给游戏想角色造型,脑子里有个模糊的画面,用提示词描述出来让SD帮你细化;二是做图片修复和扩展,老照片模糊了可以重绘,竖图不够宽可以用扩图功能补全;三是风格迁移,把一张普通照片变成油画、水彩或者动漫风格。身边有做电商的朋友用它生成产品场景图,省了不少拍摄成本。也有做自媒体的朋友用它批量做封面图,效率提升很明显。
新手学习路径这块,我踩过一些坑,说点实在的。别一上来就研究什么LoRA训练、ControlNet深度控制,先把基础出图跑通。我的建议是前三天只做一件事:装好环境,用默认模型生成几十张图,感受提示词和参数的变化。等你对出图流程熟悉了,再去学提示词语法和模型搭配。我当时急着玩各种插件,结果基础没打牢,后面遇到报错完全不知道怎么排查。慢就是快,这句话在学SD上特别适用。
1.2 Stable Diffusion 本地安装电脑配置要求:显卡、显存、内存、硬盘空间与操作系统选择
说到电脑配置,这大概是新手问得最多的问题。我直接说结论:显卡是核心,N卡优先,显存越大越好。Stable Diffusion本地运行主要靠显卡的GPU算力,NVIDIA显卡因为CUDA生态支持好,兼容性和速度都占优势。AMD卡也能跑,但配置过程会折腾不少,新手不建议。显存方面,4GB能勉强跑512×512的图,6GB算入门,8GB是比较舒服的起步线,12GB以上你就可以比较自由地玩高分辨率和复杂工作流了。我现在用的是8GB显存的卡,日常出图够用,偶尔跑大图会慢一些。
内存和硬盘容易被忽略,其实挺关键的。内存建议16GB起步,32GB更稳妥,因为加载模型和切换模型的时候内存占用会突然飙高。硬盘空间嘛,你得有心理准备,一个大模型动辄2到7GB,加上VAE、LoRA、ControlNet模型,随便攒攒就上百GB了。我建议单独留一个至少200GB的固态硬盘分区给SD用,机械硬盘加载模型会慢到让你怀疑人生。操作系统方面,Windows用户最多,教程和整合包也最丰富,我自己用的就是Windows 11。Mac用户可以用,M系列芯片跑起来还行,但生态和插件支持不如Windows。Linux适合有一定基础的玩家,稳定性和性能调度更好,但安装过程对新手不太友好。
还有一点我想提醒:别为了跑SD去盲目升级电脑。如果你手头是笔记本,先查一下显卡型号和显存,很多轻薄本没有独立显卡,跑起来会非常吃力。这种情况下可以先考虑云端部署方案,或者用一些在线生成平台练手,等确定自己真的长期用,再考虑配台式机。我当时就是先用公司的旧电脑试了半个月,确认自己确实喜欢折腾这个,才决定攒一台新机器的。
1.3 安装方式对比与部署流程:整合包、WebUI 等方案的选择及安装步骤
安装方式这块,市面上的方案大概分三类:一键整合包、官方WebUI手动部署、以及ComfyUI这类节点式界面。我挨个说说我的体验。整合包是最省事的,国内有几位大佬做的包,下载解压双击启动就能用,环境依赖都给你配好了,适合纯新手。缺点是包体积大,更新不太灵活,有时候你想装个新插件会发现版本对不上。我第一个SD就是用整合包装的,十分钟跑通第一张图,那种成就感对坚持下去很重要。
官方WebUI手动部署就是Automatic1111的那个版本,需要自己装Python、Git,然后克隆仓库、安装依赖。过程稍微麻烦点,但好处是干净、可控,出问题你知道是哪一步的事。我第一次手动部署花了大概一个下午,中间卡在Python版本不匹配上,后来换成3.10.6才顺利跑起来。现在网上教程很全,跟着步骤走基本没问题。ComfyUI是另一种思路,用节点连线的方式搭建工作流,学习曲线陡一些,但灵活度极高,适合想做复杂控制的老手。新手我建议先WebUI,等熟了再考虑ComfyUI。
部署流程我简单捋一下手动安装的步骤:先装Python 3.10.x,安装时记得勾选“Add to PATH”;然后装Git;接着在硬盘上建一个英文路径的文件夹,用Git克隆WebUI仓库;进入目录运行安装脚本,等依赖装完;最后运行启动脚本,浏览器会自动打开操作界面。整个过程网络环境很重要,有些依赖包下载慢,可以配置国内镜像源。整合包的话就简单多了,下载、解压到英文路径、双击启动器、等它自动配置、点“一键启动”就行。不管哪种方式,路径里千万别有中文和空格,这是我见过最多的低级错误。
1.4 模型与基础资源准备:大模型、VAE、LoRA 的下载、存放与目录管理
模型是SD的灵魂,刚装好的WebUI里只有一个基础模型,出图效果比较素。你需要去下载各种大模型来获得不同的画风。大模型也叫Checkpoint,文件格式一般是.safetensors或者.ckpt,大小在2到7GB之间。常见的下载渠道有Civitai、Hugging Face,国内也有一些镜像站。我刚开始的时候看到那么多模型眼花缭乱,什么都想下,结果硬盘很快满了。后来学乖了,按用途分类:写实风留两三个、二次元留两三个、通用型留一两个,够用了。
VAE是配合大模型用的色彩解码器,有些模型内置了VAE,有些需要单独下载。如果你发现出图颜色发灰、对比度不对,大概率是VAE没配好。VAE文件一般几百MB,放在models目录下的VAE文件夹里,然后在WebUI设置里指定就行。LoRA是另一种东西,可以理解成给大模型打的“风格补丁”,文件很小,几十到几百MB,用来控制特定人物、画风或者姿势。LoRA要放在models/Lora目录下,使用时在提示词里用尖括号语法调用。
目录管理这事我得重点说说,因为混乱的文件夹是后期痛苦的根源。WebUI的标准目录结构里,大模型放models/Stable-diffusion,VAE放models/VAE,LoRA放models/Lora,ControlNet模型放models/ControlNet。我建议你在这个基础上再建子文件夹,比如Stable-diffusion下面分“写实”“二次元”“通用”,Lora下面按作者或者风格分类。下载的时候把文件名改成能看懂的中文或拼音描述,别留一堆乱码。我当时偷懒没整理,后来模型攒到几十个,每次找模型都要翻半天,花了一个晚上重新归类,特别后悔没一开始就做好。
1.5 安装后验证与常见故障排查:启动测试、报错处理、性能优化与安全设置
装完之后第一件事就是启动测试。双击启动脚本,看命令行窗口有没有正常加载,等它出现“Running on local URL”之类的提示,浏览器自动弹出WebUI界面,就说明基本成功了。然后在文生图页面输入一句简单的正向提示词,比如“a cat sitting on a sofa”,点生成,能正常出图就彻底没问题了。我第一次出图的时候特别紧张,生怕报错,结果等了半分钟出来一只模糊的橘猫,虽然画质一般,但那一刻真的挺开心。
常见报错我遇到过不少,挑几个典型的说。一个是“CUDA out of memory”,显存不够,解决办法是降低分辨率、减少批量数量,或者在启动参数里加--medvram、--lowvram来优化显存占用。另一个是启动时卡在“Installing torch”或者依赖安装失败,多半是网络问题,换镜像源或者开代理重试。还有一种是浏览器打开是空白页,检查一下是不是被防火墙拦了,或者换个浏览器试试。我建议把启动窗口的命令行信息留着别关,出问题的时候那些日志就是最好的线索。
性能优化方面,启动参数里可以加--xformers来加速注意力计算,能明显提升出图速度,前提是你的显卡支持。--autolaunch可以让浏览器自动打开。如果你用的是N卡,确保驱动是最新的,CUDA版本匹配。安全设置容易被忽略:WebUI默认只监听本地,别随便改成公网访问,除非你知道怎么配置密码和防火墙。我见过有人把端口暴露出去,结果被陌生人调用了显卡资源。另外,下载模型的时候尽量选.safetensors格式,比.ckpt安全,不容易夹带恶意代码。这些细节看着琐碎,但真能帮你省掉很多麻烦。
2.1 WebUI 界面与基础出图流程:文生图、图生图、模型切换与结果保存
第一次打开WebUI界面,我盯着满屏的滑块和输入框愣了好一会儿。左边一整列参数,右边一大片空白预览区,顶部还有文生图、图生图、后期处理这些标签页,信息量确实有点大。后来用顺手了才发现,日常真正常用的就那么几块:最上面的模型选择框、正向提示词输入框、负向提示词输入框、采样参数区域,还有右下角那个橙色的生成按钮。界面看着唬人,核心操作路径其实很短。
文生图是最基础的玩法。在正向提示词框里描述你想要的画面,负向框里写上不想要的东西,选好模型,点生成,等进度条走完,图就出现在右边预览区了。我刚开始的时候只会写“a girl”,出来的人物千奇百怪,后来慢慢加细节,比如“a girl with long black hair, wearing a white dress, standing in a garden”,画面就具体多了。图片生成后会自动保存在outputs文件夹里,按日期分文件夹存放。想单独保存某一张,点图片下方的保存按钮就行。右键图片还能看到“PNG Info”,里面记录了生成这张图的所有参数,包括提示词、种子、采样器设置,这个功能特别有用,看到别人分享的好图,把图拖进PNG Info就能复现参数。
图生图是我用得第二多的功能。它的逻辑是给SD一张参考图,让它在此基础上重新绘制。上传图片后,下面有个“重绘幅度”的滑块,数值越小越接近原图,越大变化越明显。我常用它来放大图片或者微调风格——比如把一张模糊的草图重绘成精细插画,重绘幅度调到0.5左右比较合适。模型切换很简单,点顶部模型下拉框,选好新模型,WebUI会自动加载,等几秒钟就能继续用。不过切换大模型的时候显存会被重新分配,如果同时开着游戏或者浏览器多个标签页,偶尔会卡一下,关掉一些程序会顺畅很多。
2.2 Stable Diffusion 新手提示词写法教程:正向/负向提示词结构、关键词顺序与权重语法
提示词这东西,我一开始以为随便写几个词就行,后来发现它其实有一套自己的语法逻辑。正向提示词描述你想要的画面元素,负向提示词排除你不想要的内容。写正向提示词有个比较实用的顺序:先写画面主体,再写主体细节,然后写环境背景,接着写光线氛围,最后写画风质量词。举个例子,“1girl, long silver hair, blue eyes, standing on a rooftop, city skyline at night, neon lights, cinematic lighting, masterpiece, best quality”这样的结构,SD读起来就很清晰。
关键词之间用英文逗号隔开,别用完整句子。SD对词序有敏感度,越靠前的词权重越高,所以把你最在意的元素放前面。权重语法是用括号加数字来控制,比如“(red dress:1.3)”表示加强红色连衣裙的权重,“(blurry:0.8)”表示减弱模糊程度。我刚开始老是搞混括号方向,写成“red dress:1.3”没加圆括号,结果SD直接把它当普通文本处理了。负向提示词我常备一套模板:“lowres, bad anatomy, bad hands, text, error, missing fingers, extra digit, fewer digits, cropped, worst quality, low quality, normal quality, jpeg artifacts, signature, watermark, username, blurry”。这套模板能挡掉很多常见的画面崩坏问题。
还有一点,提示词不是越多越好。我见过有人一口气写两百多个词,结果SD抓不住重点,画面反而混乱。我的经验是正向提示词控制在75个token以内比较稳,超出部分SD会分段处理,容易出现前后不一致。想要画面丰富,靠的是精准的关键词组合,不是堆数量。另外,不同模型对提示词的敏感度不一样,二次元模型对“masterpiece, best quality”这类质量词反应明显,写实模型有时候加太多质量词反而让画面变油腻,得根据模型特点调整。
2.3 关键参数与采样设置:采样器、步数、CFG、种子、分辨率对画面的影响
采样器是决定出图风格和速度的重要参数。WebUI里采样器下拉列表很长,新手容易挑花眼。我常用的就两个:Euler a 和 DPM++ 2M Karras。Euler a 出图风格偏柔和,速度比较快,适合快速试想法;DPM++ 2M Karras 细节更扎实,出图时间稍长一些,是我正式出图时的首选。有些采样器名字里带“SDE”或者“Ancestral”,出图随机性更强,每次结果差异大,适合探索阶段用。不用纠结把所有采样器都试一遍,先用好一两个,熟悉它们的脾气就够了。
步数(Steps)控制采样过程迭代多少次。步数太低,画面没画完就停了,细节糊成一团;步数太高,收益递减,时间浪费还可能出现过度锐化。我一般设20到30步,大部分模型在这个区间效果比较稳定。CFG(提示词引导系数)控制SD有多“听话”,数值低画面自由发挥空间大,数值高就严格按提示词来。默认7是个甜点值,写实类可以降到5到6让画面自然些,二次元或者需要强控制的场景可以提到9到12。种子(Seed)是画面的身份证,同一个种子加同样的参数和提示词,出图结果完全一致。想微调画面又不想全变,锁定种子再改提示词,就能在保留构图的基础上调整细节。
分辨率这个参数坑最多。SD的基础训练尺寸是512×512,直接生成1024×1024的图容易出现人物变成双头或者肢体错乱。我一开始不信邪,非要直接出大图,结果十张里有八张是畸形。正确做法是先出512×512或者512×768的图,然后用图生图的放大功能或者后期处理里的SD放大来提升分辨率。显存不够的话,宽高比也别太极端,1:1、3:4、4:3这些常规比例比较安全。想玩宽幅壁纸那种2:1的比例,建议开高分辨率修复(Hires. fix),放大倍数设1.5到2,重绘幅度控制在0.3到0.5之间,能有效避免画面崩坏。
2.4 案例式提示词迭代:从模仿到创作,围绕人物、场景、风格进行逐步优化
我拿自己做过的一个案例来说说迭代过程。一开始我想画一个穿汉服的女孩站在竹林里。第一版提示词写的是“1girl, hanfu, bamboo forest”,出图效果很素,人物姿势僵硬,竹林看起来像塑料的。看了结果我就知道问题在哪——细节太少,SD不知道我要什么样的汉服、什么样的光线、什么样的画风。第二版我加上了“elegant hanfu with wide sleeves, long black hair in traditional hairstyle, standing gracefully, morning sunlight filtering through bamboo leaves, soft mist, Chinese ink painting style”,画面立刻有了质的提升,衣服有了纹理,光线有了层次,整体氛围也更接近我想象的样子。
第三轮我开始调参数和权重。人物脸部有点模糊,我在正向提示词里加了“(detailed face:1.2)”和“sharp focus”,负向里强化了“blurry, soft focus”。竹林背景太抢眼,我把“bamboo forest”的权重降到0.8,同时把人物相关的词往前挪。出图后脸部清晰了,人物和背景的主次关系也对了。第四轮我尝试换模型,从二次元模型切到一个偏写实古风的模型,同样的提示词出了完全不同的味道,写实模型的皮肤质感和衣料光泽更细腻,但少了点水墨的意境。最后我把两个模型出的图各挑了一张,用图生图结合,取长补短,得到了比较满意的成品。
整个迭代过程我最大的体会是:别指望一次就出神图。把目标拆成几个维度——人物、场景、风格、光线、画质——每次只调整一个维度,观察变化,记录下来。我习惯在出图后把提示词和参数截图存下来,旁边标注这一版哪里好哪里不好。攒了十几版之后回头看,能清楚看到自己的思路是怎么一步步清晰的。模仿别人的好图也是同理,把图拖进PNG Info看参数,理解别人为什么这么写提示词,再换成自己的主题去练,进步会快很多。
2.5 效率提升与使用规范:批量生成、模型管理、作品整理及版权合规注意事项
批量生成是省时间的好办法。WebUI的“批量数量”和“批量次数”两个参数配合用,一次可以出好几组图。我通常设批量数量4,批量次数2,一次跑8张,从中挑一两张能用的。显存不够的话把批量数量降到2,多跑几轮,总比爆显存强。X/Y/Z图表功能也值得试试,可以固定其他参数,让两个变量交叉出图,比如CFG设6、8、10,步数设20、30,一次生成九宫格对比图,快速找到最佳参数组合。我靠这个功能摸清了不少参数之间的搭配规律。
模型管理我吃过亏,现在学乖了。每次下载新模型,先改文件名,用“模型名_类型_版本”的格式,比如“majicmixRealistic_v7_写实.safetensors”,然后放进对应的分类文件夹。WebUI的模型下拉框支持搜索,文件名清晰的话找起来很快。LoRA文件我会在文件名里标注触发词,比如“hanfuStyle_触发词hanfu”,用的时候不用再去翻说明文档。作品整理方面,我按项目建文件夹,每个项目里放提示词文本文件、参数截图和成品图。隔一段时间清理一次废图,只留满意的,不然硬盘再大也扛不住。
版权和合规这块得认真说几句。下载模型的时候看清楚作者的授权说明,有些模型禁止商用,有些要求署名,Civitai上每个模型页面都有标注。用别人训练的LoRA做商稿之前,最好联系作者确认。生成的人物如果涉及真实明星或者公众人物,别拿去商用或者传播,容易惹麻烦。我自己商用出图只用明确标注可商用的大模型,LoRA也是自己训练或者买了授权的。还有一点,别用SD生成违法或者侵权内容,这个底线得守住。工具本身是中性的,怎么用取决于人,养成看授权、留记录的习惯,后面接商单或者做作品集的时候心里踏实。