前言

AI绘画当前非常的火爆，随着Stable diffusion，Midjourney的出现将AI绘画推到顶端，各大行业均受其影响，离我们最近的AI绘画当属Stable diffusion，可本地化部署，只需电脑配备显卡即可完成AI绘画工作，此篇文章将以AUTODL从0到1云部署stable-diffusion-webui。

1.GPU云算力配置

在AutoDL注册个账号，然后租个GPU服务器

租用新实例
选择合适的实例，以RTX A5000的显卡为例
实例选择
滚动下来选择基础镜像，选择Miniconda/conda3/3.10(ubuntu22.04)/11.8（此处我选择的最新版，需要看选择CUDA版本是否低于实例的最高CUDA，如果过高将无法创建），完成镜像选择后，点击底部的立即创建即可。
创建实例

2.开始部署

进入控制台->容器实例，可以看到刚创建的示例，点击快捷工具JupyterLab进入Jupyter

新实例
点击终端，新建终端
jupyter

2.1 环境配置

初始化conda，执行conda init，执行完成后关闭终端，重新开启一个终端
root@autodl-container-19e411b150-db72abe2:~# conda init
新建conda sd虚拟环境，新建后退出原有base环境，再激活sd环境
(base) root@autodl-container-19e411b150-db72abe2:~# conda create -n sd python=3.10.6
(base) root@autodl-container-19e411b150-db72abe2:~# conda deactivate
root@autodl-container-19e411b150-db72abe2:~# conda activate sd

2.2 拉取stable-diffusion-webui

开启学术资源加速（不开很慢甚至无法下载相关文件）,在终端执行此命令
# 开启学术加速
source /etc/network_turbo
# 关闭学术加速
unset http_proxy && unset https_proxy
终端

拉取stable-diffusion-webui git源码
进入autodl-tmp目录，此目录是实例数据盘目录
(sd) root@autodl-container-19e411b150-db72abe2:~# cd autodl-tmp/
(sd) root@autodl-container-19e411b150-db72abe2:~/autodl-tmp# git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git

clone sd

2.3 启动Stable-diffusion-webui

进入stable-diffusion-webui目录
(sd) root@autodl-container-19e411b150-db72abe2:~/autodl-tmp# cd stable-diffusion-webui/
运行webui.sh
(sd) root@autodl-container-19e411b150-db72abe2:~/autodl-tmp/stable-diffusion-webui# bash webui.sh -f

接着就是三方库以及模型下载，需要等待一段时间！

在下载完成并启动成功后，会看到http://127.0.0.1:7860的控制台日志，这表示启动成功了，但是在autodl通过自定义服务开启网页的话，是无法访问的，因为autodl的自定义服务的映射端口是6006，webui.sh启动方式的端口是7860，故需要ctrl+c停止服务，重新以命令行的形式启动，命令行加上6006的端口即可

(sd) root@autodl-container-19e411b150-db72abe2:~/autodl-tmp/stable-diffusion-webui# python launch.py --disable-safe-unpickle --port=6006 --xformers --no-half-vae

参数详解
--disable-safe-unpickle: 不启动安全检查，不加可能导致模型加载时报错
--port: 指定Stable-diffusion-webui启动的端口
--xformers: 极大改善内存消耗和速度
--no-half-vae: 不启用半精VAE，解决生成图片时，可能的VAE精度不足所导致的报错
命令行启动SD
autodl自定义服务