为什么新手可以选择 SD.Next
SD.Next 是一个面向 Stable Diffusion 生态的 WebUI 项目，兼容常见文生图、图生图、ControlNet、LoRA、VAE 等工作流。相比只提供单一功能的轻量工具，它更适合想长期学习 AI 绘图、模型管理和本地部署的新手。Linux 命令行安装的优势在于环境可控、资源占用低、便于远程维护，也适合把旧电脑、闲置显卡或低价云主机利用起来。
低成本部署的核心不是盲目追求高端硬件，而是先确认使用场景：如果只是生成 512×512 或 768×768 的图片，8GB 显存显卡已经能入门；如果经常使用 SDXL、批量出图或多插件工作流，建议 12GB 显存以上。CPU 也能运行，但速度较慢，更适合测试安装流程，不建议作为长期生产环境。
安装前准备：系统、驱动与空间
推荐使用 Ubuntu 22.04 LTS、Debian 12 或同类稳定发行版。安装前先确认显卡驱动已正常工作。NVIDIA 用户可执行 nvidia-smi 查看驱动和显存信息；AMD 用户需确认 ROCm 支持情况；Intel 显卡用户则要查看对应推理后端的支持文档。新手优先选择 NVIDIA CUDA 路线，资料最多，排错成本最低。
磁盘空间建议至少预留 40GB。程序本体不大，但模型、LoRA、VAE、ControlNet 权重会快速占用空间。系统依赖方面，先执行 sudo apt update，然后安装基础组件：sudo apt install -y git python3 python3-venv python3-pip wget curl libgl1 libglib2.0-0。Python 建议使用 3.10 或 3.11，过新版本可能出现依赖兼容问题。
命令行安装步骤
第一步，创建工作目录。可执行 mkdir -p ~/ai-tools && cd ~/ai-tools，把所有 AI 工具放在同一目录，后续备份和迁移更方便。
第二步，拉取项目。执行 git clone https://github.com/vladmandic/automatic.git sdnext，然后进入目录：cd sdnext。SD.Next 项目更新较快，首次安装建议使用主分支；如果遇到新版本异常，再考虑切换到近期稳定提交。
第三步，启动安装脚本。执行 ./webui.sh。脚本会自动创建 Python 虚拟环境、安装 PyTorch、下载依赖并完成初始化。首次运行时间较长，取决于网络、磁盘和 CPU 性能。不要在依赖安装过程中频繁中断，否则可能造成环境不完整。
第四步，打开页面。安装完成后，终端会显示本地访问地址，通常是 https://127.0.0.1:7860。如果在服务器上部署，可使用 ./webui.sh --listen --port 7860 指定监听和端口。但新手不建议直接暴露到公网，应配合访问控制、反向袋里白名单或仅在内网使用。
模型文件放在哪里
没有模型时，界面可以打开，但无法正常生成图片。常见基础模型通常放在 models/Stable-diffusion 目录，文件后缀多为 .safetensors 或 .ckpt。VAE 可放入 models/VAE，LoRA 放入 models/Lora，ControlNet 模型放入对应扩展目录。建议优先使用 .safetensors 格式，来源要可靠，避免运行来历不明的权重文件。
模型管理有两个实用建议：一是按用途命名，例如 realistic、anime、sdxl、controlnet，避免几十个文件混在一起；二是记录模型来源、版本和触发词，后续复现效果会轻松很多。低成本机器不建议一次性下载大量模型，先准备一个 SD 1.5 模型和一个 SDXL 模型即可。
低显存机器的启动参数
SD.Next 支持多种启动参数，新手可以从保守配置开始。8GB 显存运行 SD 1.5 时，可尝试 ./webui.sh --medvram；如果显存更紧张，可使用 --lowvram，但速度会明显下降。运行 SDXL 时，可尝试 --medvram-sdxl，减少爆显存概率。
注意力优化方面，可尝试 --opt-sdp-attention 或在界面设置中选择 PyTorch SDP 相关选项。较新的 PyTorch 对注意力计算已有优化，未必需要额外安装 xFormers。若显卡支持半精度，默认通常会启用 fp16；如果遇到黑图、花屏或 VAE 报错，可尝试 --no-half-vae。部分老显卡可能需要 --precision full --no-half，但速度会变慢，显存占用也会上升。
如果想减少启动时间，可关闭暂时不用的扩展，避免一次加载过多模型；如果想提高出图速度，可降低分辨率、减少采样步数、控制批量数量。对新手而言，512×768、20 到 30 步、单张生成是最稳的起点。
性能优化的实用参数组合
入门 NVIDIA 显卡可先用：./webui.sh --opt-sdp-attention --medvram。显存 12GB 以上可尝试：./webui.sh --opt-sdp-attention --opt-channelslast。SDXL 低显存场景可用：./webui.sh --medvram-sdxl --opt-sdp-attention。若主要在局域网访问，可加 --listen --port 7860，但务必限制访问范围。
除了启动参数，生成设置同样影响性能。Euler、DPM++ 2M Karras 等采样器较常用；步数不是越高越好，很多模型在 25 步左右已经足够。Hires.fix 会显著增加耗时和显存占用，低显存机器建议先生成小图，再单独放大。批量数量比单张循环更容易占满显存，新手排错时应保持 batch size 为 1。
常见问题与解决办法
问题一：执行 ./webui.sh 提示权限不足。可运行 chmod +x webui.sh 后重试。问题二：找不到 python 或 venv。确认已安装 python3-venv，并执行 python3 --version 查看版本。问题三：CUDA 不可用。先用 nvidia-smi 检查驱动，再确认 PyTorch 安装版本是否匹配；不要随意混装多个 CUDA 工具包。
问题四：页面打开但无法出图。通常是模型未放对目录、模型文件损坏或显存不足。可先换一个小模型、降低分辨率测试。问题五：更新后插件报错。先禁用最近安装的扩展，再执行 git pull 更新主程序；必要时删除 venv 目录后重新运行安装脚本，让依赖重新生成。
问题六：运行一段时间后磁盘满了。检查 outputs、models 和缓存目录，定期清理无用图片和重复模型。建议把模型目录放到大容量硬盘，再用软链接指向项目目录，例如 ln -s /data/models/Stable-diffusion ~/ai-tools/sdnext/models/Stable-diffusion。
安全边界与使用建议
不要把未设置访问控制的 WebUI 直接开放到公网，也不要在多人共用服务器上随意安装未知扩展。扩展拥有读取本地文件和执行脚本的能力，应优先选择维护活跃、评价稳定的项目。模型也要关注授权条款，商用前确认许可范围，避免因素材、人物肖像或品牌元素引发合规问题。
对于新手，最稳妥的学习路线是先完成基础安装，再掌握模型、提示词、采样器和分辨率之间的关系，最后再加入 ControlNet、LoRA、局部重绘等复杂功能。低成本部署不等于低质量使用，只要控制好显存、模型数量和启动参数，SD.Next 在普通 Linux 环境中也能提供稳定的 AI 绘图体验。
