适用场景与安装前准备
Stable Diffusion WebUI 是常用的图像生成图形界面工具，适合在 Ubuntu 服务器上搭建个人创作环境、团队内部测试环境或小型推理服务。相比本地电脑，服务器通常具备更稳定的显卡资源和更好的远程访问能力，但也对驱动、依赖版本、端口安全和文件权限提出了更高要求。
建议使用 Ubuntu 20.04 或 22.04 LTS，显卡优先选择 NVIDIA 系列。最低可用显存通常为 6GB，但体验会受模型尺寸、分辨率和插件数量影响；如果希望运行 SDXL 或较高分辨率任务，建议显存 12GB 以上。安装前需要确认服务器可以正常使用命令行、具备 sudo 权限，并预留 30GB 以上磁盘空间，模型文件较多时应准备更大的数据盘。
第一步：检查显卡与系统环境
登录服务器后，先更新软件索引并安装基础工具：sudo apt update && sudo apt upgrade -y。随后安装 git、python、venv、pip、常用编译依赖：sudo apt install -y git python3 python3-venv python3-pip wget curl build-essential libgl1 libglib2.0-0。
如果服务器使用 NVIDIA 显卡，执行 nvidia-smi 检查驱动是否可用。能够看到显卡型号、驱动版本和显存占用，说明驱动基本正常。若提示命令不存在或无法连接驱动，需要先安装适配的 NVIDIA 驱动。驱动安装完成后建议重启服务器，再次执行 nvidia-smi 确认状态。WebUI 会自动安装与 PyTorch 相关的组件，但底层驱动必须先正常工作。
第二步：创建目录并下载 WebUI
建议不要直接在系统根目录操作，可在用户目录或数据盘创建专用目录。例如：mkdir -p ~/ai && cd ~/ai。随后下载项目：git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git。进入目录：cd stable-diffusion-webui。
首次启动时，脚本会自动创建 Python 虚拟环境并下载依赖。为了降低权限风险，不建议使用 root 用户长期运行服务；更稳妥的做法是创建普通用户负责 AI 工具目录，并确保该用户对模型目录和输出目录有读写权限。
第三步：放置模型文件
WebUI 本体不包含基础模型，需要自行准备合法来源的模型文件。常见格式包括 .ckpt 和 .safetensors，后者在安全性和加载稳定性方面更适合日常使用。基础模型应放入 stable-diffusion-webui/models/Stable-diffusion/ 目录，VAE 文件可放入 models/VAE/，LoRA 文件可放入 models/Lora/。
模型文件体积较大，上传到服务器时建议使用稳定的传输方式，并在上传完成后检查文件大小是否一致。不要随意运行来源不明的脚本、扩展或模型附带文件，尤其是需要额外执行命令的安装包，应先确认来源、说明和社区反馈。
第四步：首次启动与远程访问
在项目目录中执行：./webui.sh。首次启动耗时较长，脚本会下载运行依赖并初始化环境。看到类似 Running on local URL 的提示，说明服务已经启动。服务器环境通常需要允许远程访问，可使用参数启动：./webui.sh --listen --port 7860。
其中 --listen 表示监听服务器网络地址，--port 用于指定端口。若服务器有防火墙或云平台安全组，需要放行对应端口。出于安全考虑，不建议直接把 WebUI 暴露到公网长期使用。更推荐通过内网、受控访问方式或反向袋里加访问认证来使用，至少应设置 WebUI 自带的账号密码参数：--gradio-auth 用户名:密码。
第五步：常用性能优化参数
不同显卡适合的参数不同。对于多数 NVIDIA 显卡，可优先尝试：--xformers。它能在许多场景下降低显存占用并提升生成速度，但需要依赖安装成功。若启动后报错，可移除该参数再试。
显存较小的服务器可使用：--medvram 或 --lowvram。前者适合 6GB 至 8GB 显存场景，能在速度和稳定性之间取得平衡；后者适合更紧张的环境，但生成速度会明显下降。若使用某些 VAE 时出现黑图、花图或数值异常，可尝试加入 --no-half-vae。较新的 PyTorch 环境还可尝试 --opt-sdp-attention 或 --opt-sdp-no-mem-attention，具体效果与显卡架构、驱动版本有关。
一个较常见的启动组合是：./webui.sh --listen --port 7860 --xformers --medvram --gradio-auth user:strongpass。若服务器只在本机访问，可去掉 --listen；若显存充足，也可去掉 --medvram，换取更快速度。
第六步：生成设置建议
安装完成后，进入页面选择模型，在 txt2img 中输入提示词即可测试。初次测试建议使用 512×512 或 768×768 分辨率，采样步数 20 至 30，批次数量先设为 1。确认稳定后再逐步提高分辨率、批量和高清修复参数。不要一开始就拉满分辨率和批量，否则容易出现显存不足。
如果显存有限，优先减少 Batch size，而不是盲目降低采样步数。分辨率对显存影响非常明显，高清修复也会显著增加占用。插件越多，启动和运行的不确定性也越高，建议先完成基础出图，再逐个安装 ControlNet、图库管理、提示词辅助等扩展。
第七步：设置后台运行
服务器部署通常需要后台运行。简单方式是使用 tmux 或 screen。安装 tmux：sudo apt install -y tmux，创建会话：tmux new -s sdwebui，启动 WebUI 后按 Ctrl+b 再按 d 即可退出会话而不停止程序。重新进入会话使用：tmux attach -t sdwebui。
如果用于长期服务，可编写 systemd 服务进行托管，设置工作目录、运行用户和启动参数。这样服务器重启后可以自动恢复，但务必确认服务用户权限受限，不要让 WebUI 进程拥有不必要的系统权限。
常见问题与处理方法
问题一：执行 ./webui.sh 提示权限不足。可运行 chmod +x webui.sh 后再次启动。问题二：nvidia-smi 正常，但 WebUI 使用 CPU。通常与 PyTorch CUDA 版本安装异常有关，可删除 venv 目录后重启脚本，让其重新安装依赖；也可按项目文档指定 torch 版本。
问题三：提示显存不足。先降低分辨率和 Batch size，再尝试 --medvram 或 --lowvram，并关闭不必要的扩展。问题四：页面打不开。检查启动参数是否包含 --listen，端口是否正确放行，服务器安全组是否允许访问。问题五：下载依赖缓慢或失败。可更换稳定的软件源，或在网络状态较好的环境中准备依赖缓存，但不要使用来源不明的打包环境。
安全边界与维护建议
部署 AI 工具时要注意三类风险：第一是访问风险，WebUI 默认并非面向公网服务设计，开放端口时必须配置认证，并限制访问范围；第二是文件风险，模型、插件和脚本应来自可信来源，避免执行不明命令；第三是合规风险，生成内容应尊重他人肖像、作品权益和平台规则，不用于误导、冒充或不当传播。
日常维护方面，建议固定一个可用版本，不要频繁在生产环境直接更新。更新前可备份 models、outputs、extensions、config.json 和 ui-config.json。若升级后异常，可通过 git log 查看版本记录，再使用 git checkout 回到旧版本。插件也应逐个更新，出现故障时先禁用最近新增的扩展，便于定位问题。
总体来看，Ubuntu 服务器安装 Stable Diffusion WebUI 的核心并不复杂：先保证显卡驱动正常，再准备 Python 与系统依赖，随后下载 WebUI、放入模型并设置启动参数。真正影响体验的是显存规划、访问安全和后续维护。只要按步骤搭建，并根据硬件选择合适的优化参数，就能获得稳定、可控的 AI 图像生成环境。
