19 10 月 2026
AI 绘图是云服务器上最"吃显卡"的应用,但也是最容易做出成果的——搭好服务,插画、头像、商品图、设计草图都能出。这篇讲清楚 SD 的硬件门槛、部署方式、模型管理和对外服务方案。选型全景见云服务器跑 AI 应用完全指南。

一、先选路线:SD WebUI 还是 ComfyUI

Stable Diffusion 生态有两个主流界面,选错路线会走弯路:

SD WebUI(AUTOMATIC1111 / Forge)ComfyUI
定位开箱即用,参数面板全节点流程图,工作流可复现
上手难度低,装完就能出图中高,要理解节点和数据流
显存效率一般高(同样显存能跑更大模型)
插件生态极丰富丰富且增长快
适合谁个人玩家、快速出图进阶用户、批量生产、工作流沉淀

建议路径:先用 SD WebUI(或 Forge,它优化了显存占用和速度)把出图跑通,需要批量生产、精细控制工作流时再转 ComfyUI,节点流的深入玩法见ComfyUI 进阶部署。

这篇以 WebUI 为主线,硬件和环境部分两者通用。

二、硬件门槛:显存是硬通货

SD 家族的显存需求,这张表决定你要不要买 GPU 机器:

显存能跑什么出图速度参考(512×512,30 步)
4GSD1.5,关闭部分优化5–15 秒/张
8GSD1.5 全开,SDXL 基础工作流3–8 秒/张
12GSDXL + ControlNet + 多 LoRA2–5 秒/张
24GFlux 完整工作流、高分辨率批量10–30 秒/张

没有显卡的现实:CPU 跑 SD1.5 是分钟级(3–10 分钟一张),能演示不能生产。所以正经绘图必须 GPU 实例——按小时计费的云 GPU 是非全天候使用的最优解,画完图销毁实例只付用掉的几个小时。

内存和磁盘同样别省:

  • 内存:16G 起步。SD 加载模型、ControlNet、VAE 都在内存里周转,显存不够时还要靠内存腾挪
  • 磁盘:基础模型 SD1.5(2G)+ SDXL(7G)+ Flux(25G)+ 一堆 LoRA/ControlNet/VAE,轻松破 100G。系统盘 50G + 数据盘 100G 是舒适配置,挂载方案见Linux 磁盘挂载与扩容实战

NAT 型服务器跑 SD:推理吃显卡,和公网 IP 无关——自用场景(你自己连、团队几人连)NAT 型 + 端口映射完全够用,且比同配置独立 IP 机器省一半以上。但要对外提供服务的话,确认端口映射稳定,挂域名要 443 映射支持(见小程序服务器选购里的端口说明)。

三、部署:Docker 是唯一推荐姿势

SD WebUI 的依赖(Python、PyTorch、CUDA、xformers)极其难配,永远不要手动在系统里装。Docker 镜像把一切打包好:

# Forge 版(推荐:比原版快、省显存),映射到本地回环
docker run -d --name sd-webui \
  --restart unless-stopped \
  --gpus all \
  -v /data/sd/models:/app/StableDiffusion/models \
  -v /data/sd/outputs:/app/StableDiffusion/outputs \
  -p 127.0.0.1:7860:7860 \
  -e COMMANDLINE_ARGS="--api --listen" \
  ashleykza/stable-diffusion-webui-forge:latest

几个关键点:

  1. --gpus all:需要先装 NVIDIA Container Toolkit,Docker 基础见Docker 安装与基础命令
  2. 模型目录挂出来:-v /data/sd/models:...,模型放数据盘,重装不丢
  3. -p 127.0.0.1:7860:只绑本地,公网必须走反代(第五节)
  4. --api:开放 API,给 n8n/工作流调用用;纯手工出图可以不加

原版 AUTOMATIC1111 的官方镜像也可以(sd-webui 社区镜像众多),但 Forge 在速度和显存上的优化对云服务器用户更实在。

验证:docker logs -f sd-webui 看到 Running on local URL: http://127.0.0.1:7860 后,本地 SSH 端口转发或先走反代再访问:

# 本地电脑临时访问(不想配反极简验证时)
ssh -L 7860:127.0.0.1:7860 root@服务器IP
# 浏览器开 http://127.0.0.1:7860

四、模型管理:SD 的"零件"比想象中多

新手最大的困惑是"模型放哪个目录"。SD 的模型分好几类,各有各的位置:

类型目录作用体积量级
Checkpoint(大模型)models/Stable-diffusion/出图风格的基础,决定画风2–7G(Flux 25G)
LoRAmodels/Lora/风格/角色微调插件,叠在 checkpoint 上10–300M
VAEmodels/VAE/色彩解码,多数 checkpoint 已内置300M 左右
ControlNetmodels/ControlNet/控制构图/姿势/线稿700M–1.5G
Embeddingmodels/embeddings/文本触发词几 KB–几十 KB

推荐的基础模型组合

模型定位显存
SD1.5(如 AnythingV5)二次元/快速出图4G 起
SDXL(基础版)高质量通用8G 起
RealVis / Juggernaut写实人像8G 起
Flux.1-dev2025 年后画质标杆12G+(量化版 8G 勉强)

下载渠道

国内访问 HuggingFace 慢,优先 ModelScope(魔搭)、LibLibAI,或 hf-mirror 镜像。模型下载完按上表目录放好,WebUI 界面点刷新就能看到。

管理习惯:模型文件是"下载一次长期用"的冷数据,放普通 SSD 数据盘即可,不用高性能盘;定期清理 outputs 目录的废图,别让出图把磁盘塞满——磁盘打满的排查见磁盘写满故障排查。

五、对外服务:三层防护

把 SD 服务开放给团队或外部用户,按这个顺序加固:

第一层:Gradio 自带鉴权

# 启动参数加账号密码
-e COMMANDLINE_ARGS="--api --listen --gradio-auth 用户名:密码"

第二层:Nginx 反代 + HTTPS

server {
    listen 443 ssl;
    server_name draw.yourdomain.com;

    ssl_certificate     /etc/nginx/ssl/draw.yourdomain.com.pem;
    ssl_certificate_key /etc/nginx/ssl/draw.yourdomain.com.key;

    # 出图是长请求,超时给足
    proxy_read_timeout 600s;
    client_max_body_size 50m;      # 上传参考图

    location / {
        auth_basic "AI Draw";
        auth_basic_user_file /etc/nginx/.htpasswd;
        proxy_pass http://127.0.0.1:7860;

        # WebSocket 支持(WebUI 进度推送依赖)
        proxy_http_version 1.1;
        proxy_set_header Upgrade $http_upgrade;
        proxy_set_header Connection "upgrade";
    }
}

WebSocket 那三行是 WebUI 进度条正常工作的关键,漏配会出现"能出图但看不到进度"。反代进阶见Nginx 反向代理实战,证书自动化见SSL 证书完全指南。

第三层:访问控制

  • 公网开放的绘图服务一定会被扫,必须至少有一层认证,别裸奔
  • 按 IP 限流防白嫖,见Nginx 限流与 WAF
  • 只给固定几人用就加 IP 白名单;防火墙基线见Linux 防火墙配置

NAT 型用户记得确认 443 映射(挂域名)和目标端口映射稳定性,见NAT 端口映射完全指南。

六、常见问题排查

症状原因解决
CUDA out of memory显存不够SDXL 降 SD1.5;开 --medvram;Forge 的显存优化;换大显存
出图全绿/全黑VAE 缺失或不匹配下载对应 VAE 放到 models/VAE/,界面里手动选
出图速度突然变慢模型没在 GPU 上跑确认 --gpus all 生效,nvidia-smi 看进程
重启后模型全没模型存容器内了检查 -v 挂载是否写对
界面能开但点生成报错依赖/插件损坏docker logs sd-webui 看堆栈,重拉镜像
出图像素级复制训练图模型过拟合/LoRA 权重过高降低 LoRA 权重 0.6–0.8

诊断命令:nvidia-smi 看显存占用和 GPU 进程、docker logs -f sd-webui 看服务日志。更系统的排查方法论见服务器故障排查完全手册。

七、成本与使用策略

GPU 实例不便宜,用出性价比的关键是按需开关:

  1. 非全天候使用 → 按小时计费实例:需要时开机,用完销毁,模型文件放可迁移的数据盘/对象存储(见对象存储实战)
  2. 参数调试在本地/小机器,批量出图开大机器:SD WebUI 的生成参数可以导出分享,换机复现只是换个 checkpoint
  3. 出图任务交给工作流:ComfyUI 工作流是 JSON 文本,配合 API 可以全自动批量出图,见ComfyUI 进阶部署和n8n 自动化工作流
  4. 长期固定使用 → 包月 GPU:每天都要出图的话包月更划算,选型逻辑见云服务器成本优化手册

结语

SD 上云的三句话:Docker 部署别手动配环境、模型目录必须挂数据盘、对外服务必须套反代加鉴权。硬件上看紧显存这一个指标——8G 是舒适起点,SDXL 和 Flux 是 12G 以上的游戏。

需要跑 AI 绘图的服务器,可以看看财富云计算:NAT 型云服务器配大内存数据盘、支持热升级,配合按需 GPU 实例灵活组合,价格比独立 IP 机型省一半以上——自用绘图、团队内部出图这类"吃显卡不吃公网 IP"的场景,NAT 型刚好对症。

延伸阅读
  1. 高防误区与避坑清单:25 个坑+下单前必问 14 问+到货验货流程
  2. DNS 攻击防护专题:劫持、隧道、投毒、放大四类攻击与 DNSSEC
  3. 电商大促防攻击预案:T-14 到当天的分级响应与降级开关
  4. 源站真实 IP 隐藏完全指南:六大暴露面排查+NAT 型终极方案
  5. 日志分析找攻击源:Nginx 日志三维度分析法与证据固定
  6. 攻击应急响应手册:六阶段响应流程,从确认到复盘的照做清单
  7. iptables 抗 DDoS 配置模板:状态过滤+SYN 防护+防扫描+游戏服版
  8. OpenResty Lua 自研 WAF:动态限流+攻击特征检测+Redis 黑名单
更多阅读
  1. 上一篇:Ollama 本地大模型部署实战:一条命令跑起私有 GPT,含 API 对接与性能调优
  2. 下一篇:ComfyUI 进阶部署:节点流工作流、API 自动化与显存优化
发表评论 4

    1. ComfyUI 进阶部署:节点流工作流、API 自动化与显存优化 - 			财富云计算 - 维基百科的头像
      ComfyUI 进阶部署:节点流工作流、API 自动化与显存优化 - 财富云计算 - 维基百科  

      [...]如果 SD WebUI 是"美颜相机",ComfyUI 就是"专业修图台"——参数全透明、工作流可保存可分享、显存利用率更高、能通过 API 全自动出图。这篇带你从部署走到节点流实战。基础篇见Stable Diffusion 绘图服务搭建。一、ComfyUI 强在哪:三个 WebUI 给不了的理由工作流 = 一个 JSON 文件:整条出图流水线(模型→采样→放大→后处理)保存成一个文件,换机器、换[...]

    2. RAG 知识库搭建:让 AI 读懂你的文档,私有问答系统完整方案 - 			财富云计算 - 维基百科的头像
      RAG 知识库搭建:让 AI 读懂你的文档,私有问答系统完整方案 - 财富云计算 - 维基百科  

      [...]mintplexlabs/anythingllm--add-host 那行是让容器里的服务能通过 host.docker.internal:11434 访问宿主机的 Ollama——Docker 网络的基础操作,见Docker 数据卷与网络详解。第 3 步:界面配置(三处设置)浏览器开 http://127.0.0.1:3001,进设置:LLM 提供商:选 Ollama,URL 填 http://[...]

    3. AI 应用的安全与成本控制:无鉴权 API、白嫖攻击与费用熔断 - 			财富云计算 - 维基百科的头像
      AI 应用的安全与成本控制:无鉴权 API、白嫖攻击与费用熔断 - 财富云计算 - 维基百科  

      [...]AI 服务和传统网站有一个本质区别:每一次调用都在烧你的 CPU/GPU、内存和带宽,而且没有自然上限。一个暴露的公网 AI 接口,能在你一觉醒来之间烧掉整月预算。这篇把 AI 服务的攻击面和防护体系讲透。前几篇的部署见Ollama 部署、SD 搭建。一、AI 服务为什么比网站更危险传统网站被攻击,损失是流量和可用性;AI 服务被盯上,损失是实打实的算力成本:传统网站AI 服务静态页面,CC 攻击[...]

    4. Steam游戏开服端口速查表:AppID、端口协议、配置需求一表查完(含Windows/Linux双系统索引) - 			财富云计算 - 维基百科的头像
      Steam游戏开服端口速查表:AppID、端口协议、配置需求一表查完(含Windows/Linux双系统索引) - 财富云计算 - 维基百科  

      [...]netsh advfirewall firewall add rule name="GameRange" dir=in action=allow protocol=UDP localport=26901-26903完整的 Windows 环境准备(远程桌面连接、运行库安装、SteamCMD 用法、开机自启、8 个常见坑)见:《Windows 云服务器开服通用前置教程》→ htt[...]