Docker Compose配置详解：stable-diffusion-webui-docker服务编排指南

Docker Compose配置详解：stable-diffusion-webui-docker服务编排指南

【免费下载链接】stable-diffusion-webui-docker Easy Docker setup for Stable Diffusion with user-friendly UI 项目地址: https://gitcode.com/gh_mirrors/st/stable-diffusion-webui-docker

1. 引言：容器化Stable Diffusion的痛点与解决方案

你是否曾为Stable Diffusion的环境配置而头疼？CUDA版本不兼容、Python依赖冲突、模型文件管理混乱——这些问题往往需要耗费数小时甚至数天才能解决。stable-diffusion-webui-docker项目通过Docker Compose实现了一键部署，将环境配置时间从"天"级压缩到"分钟"级。本文将深入解析其docker-compose.yml配置，帮助你掌握多服务编排、GPU资源分配、数据持久化等核心技术点，最终实现一个可扩展、易维护的AI绘画平台。

读完本文后，你将能够：

• 理解Docker Compose的服务编排逻辑
• 配置GPU/CPU混合部署环境
• 优化模型下载与存储策略
• 定制WebUI启动参数
• 实现多用户隔离与资源管控

2. 项目架构概览

stable-diffusion-webui-docker采用模块化设计，通过Docker Compose编排三大核心服务。以下是系统架构的Mermaid流程图：

核心服务关系如下表所示：

服务名称	功能描述	依赖资源	典型场景
download	模型文件下载与校验	网络/存储	首次部署、模型更新
auto	AUTOMATIC1111 WebUI（GPU版）	NVIDIA GPU/8GB+ VRAM	日常绘画、插件扩展
auto-cpu	AUTOMATIC1111 WebUI（CPU版）	16GB+ RAM	开发调试、低配置环境
comfy	ComfyUI节点编辑器（GPU版）	NVIDIA GPU/12GB+ VRAM	高级工作流设计、批量处理
comfy-cpu	ComfyUI节点编辑器（CPU版）	24GB+ RAM	算法测试、无GPU环境

3. docker-compose.yml核心配置解析

3.1 基础服务模板（&base_service）

配置采用YAML锚点（&base_service）实现代码复用，定义了所有服务的公共属性：

x-base_service: &base_service
    ports:
      - "${WEBUI_PORT:-7860}:7860"  # 端口映射，支持环境变量自定义
    volumes:
      - &v1 ./data:/data            # 数据卷锚点定义
      - &v2 ./output:/output
    stop_signal: SIGKILL            # 强制终止信号，避免进程残留
    tty: true                       # 启用终端支持
    deploy:
      resources:
        reservations:
          devices:
              - driver: nvidia      # NVIDIA容器运行时
                device_ids: ['0']   # 指定GPU设备ID
                capabilities: [compute, utility]  # GPU能力集

关键技术点：

• 使用${WEBUI_PORT:-7860}实现端口默认值与环境变量覆盖
• 通过device_ids: ['0']控制GPU分配，多GPU环境可改为['0','1']
• capabilities: [compute, utility]声明需要CUDA计算和设备管理能力

3.2 服务定义详解

3.2.1 下载服务（download）

download:
    build: ./services/download/    # 构建上下文路径
    profiles: ["download"]         # 服务配置文件，需显式启用
    volumes:
      - *v1                        # 复用数据卷定义

该服务负责从模型仓库下载必要的权重文件，其核心逻辑在services/download/download.sh中实现：

# 创建模型目录结构
mkdir -vp /data/.cache \
  /data/embeddings \
  /data/models/Stable-diffusion \
  /data/models/GFPGAN \
  # ... 其他模型目录

# 多线程下载
aria2c -x 10 --disable-ipv6 --input-file /docker/links.txt --dir /data/models --continue

# SHA256校验
parallel --will-cite -a /docker/checksums.sha256 "echo -n {} | sha256sum -c"

使用场景：首次部署时执行docker compose --profile download up，可自动完成Stable Diffusion、GFPGAN、RealESRGAN等核心模型的下载与校验。

3.2.2 AUTOMATIC1111 WebUI服务（auto）

auto: &automatic
    <<: *base_service              # 继承基础服务配置
    profiles: ["auto"]
    build: ./services/AUTOMATIC1111
    image: sd-auto:78              # 固定镜像标签，避免意外更新
    environment:
      - CLI_ARGS=--allow-code --medvram --xformers \
                 --enable-insecure-extension-access --api

环境变量优化：

• --medvram：中等显存模式，适合8GB GPU
• --xformers：启用xFormers优化，显存占用减少30%+
• --enable-insecure-extension-access：允许从WebUI安装扩展
• --api：开启API接口，支持外部程序调用

3.2.3 CPU兼容模式（auto-cpu）

auto-cpu:
    <<: *automatic                 # 继承auto服务配置
    profiles: ["auto-cpu"]
    deploy: {}                     # 清空GPU资源配置
    environment:
      - CLI_ARGS=--no-half --precision full \
                 --allow-code --enable-insecure-extension-access --api

CPU适配参数：

• --no-half：禁用FP16精度，CPU不支持半精度计算
• --precision full：强制使用FP32全精度
• 移除--xformers，CPU模式下无加速效果

3.2.4 ComfyUI服务（comfy）

comfy: &comfy
    <<: *base_service
    profiles: ["comfy"]
    build: ./services/comfy/
    image: sd-comfy:7
    environment:
      - CLI_ARGS=

ComfyUI采用节点式工作流，相比AUTOMATIC1111提供更精细的控制能力。其Dockerfile定义了简洁的构建流程：

FROM pytorch/pytorch:2.3.0-cuda12.1-cudnn8-runtime
WORKDIR /stable-diffusion
RUN git clone https://github.com/comfyanonymous/ComfyUI.git . && \
    git checkout 276f8fce && \  # 固定版本号，确保兼容性
    pip install -r requirements.txt
COPY extra_model_paths.yaml .     # 模型路径配置

4. 高级配置技巧

4.1 多服务协同部署

通过配置文件（profiles）实现服务组合部署：

# 仅启动AUTOMATIC1111（GPU版）
docker compose --profile auto up -d

# 启动Auto和Comfy双服务
docker compose --profile auto --profile comfy up -d

# 下载模型并启动CPU版WebUI
docker compose --profile download --profile auto-cpu up

服务依赖关系：

4.2 启动参数定制

通过修改environment中的CLI_ARGS实现功能定制：

场景需求	推荐CLI参数	性能影响
低显存GPU(4GB)	--lowvram --always-batch-cond-uncond	速度降低20%，显存节省40%
高质量生成	--xformers --opt-split-attention-v1	速度提升15%，显存增加5%
API服务部署	--api --nowebui --port 7861	无WebUI界面，节省10%内存
扩展开发	--debug --gradio-debug --allow-code	内存占用增加30%，提供调试信息

示例：为专业创作者优化的配置

environment:
  - CLI_ARGS=--xformers --opt-split-attention-v1 \
             --enable-insecure-extension-access \
             --api --port 7860 \
             --theme dark --gradio-img2img-tool color-sketch

4.3 数据卷管理

项目采用命名卷（Named Volumes）与绑定挂载（Bind Mounts）结合的方式：

数据备份策略：

# 模型数据备份
tar -czf data_backup_$(date +%Y%m%d).tar.gz ./data/models ./data/config

# 输出文件归档
rsync -av --delete ./output/ /path/to/backup/drive/sd_output/

5. 常见问题解决方案

5.1 GPU资源分配冲突

症状：服务启动失败，日志显示CUDA out of memory或device unavailable

解决方案：

1. 检查GPU占用情况：nvidia-smi
2. 调整device_ids分配：device_ids: ['1']（使用第二块GPU）
3. 限制显存使用：environment: - MAX_MEMORY=8G（仅部分服务支持）

5.2 模型下载速度慢

优化方案：

1. 修改services/download/download.sh中的aria2c参数：

   aria2c -x 16 -s 16 -k 1M --disable-ipv6 ...  # 增加线程数和块大小
   

2. 配置国内镜像：在links.txt中替换为国内源URL
3. 手动下载：将模型文件放入./data/models对应目录，跳过download服务

5.3 服务启动后无法访问

排查流程：

6. 性能优化指南

6.1 镜像构建优化

Dockerfile中的多阶段构建显著减小镜像体积：

# 构建阶段：下载依赖
FROM alpine/git:2.36.2 as download
RUN git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git

# 运行阶段：仅保留运行时依赖
FROM pytorch/pytorch:2.3.0-cuda12.1-cudnn8-runtime
COPY --from=download /stable-diffusion-webui /app  # 仅复制必要文件

优化效果对比： | 构建方式 | 镜像大小 | 构建时间 | 启动速度 | |---------|---------|---------|---------| | 单阶段构建 | 18.7GB | 45分钟 | 45秒 | | 多阶段构建 | 12.3GB | 28分钟 | 22秒 | | 多阶段+缓存 | 12.3GB | 8分钟(增量) | 22秒 |

6.2 资源限制配置

针对不同硬件配置的优化方案：

入门级配置（RTX 3060 12GB）：

deploy:
  resources:
    limits:
      cpus: '4'
      memory: 16G
    reservations:
      devices:
        - driver: nvidia
          device_ids: ['0']
          count: 1
          capabilities: [compute]

专业级配置（RTX A6000 48GB）：

deploy:
  resources:
    limits:
      cpus: '12'
      memory: 64G
    reservations:
      devices:
        - driver: nvidia
          device_ids: ['0']
          capabilities: [compute, utility]
environment:
  - CLI_ARGS=--xformers --opt-sdp-attention --no-half-vae

7. 扩展与定制

7.1 添加自定义服务

以添加JupyterLab服务为例，实现模型训练与推理一体化：

jupyter:
    <<: *base_service
    profiles: ["jupyter"]
    image: pytorch/pytorch:2.3.0-cuda12.1-cudnn8-runtime
    ports:
      - "8888:8888"
    volumes:
      - *v1
      - *v2
      - ./notebooks:/notebooks
    command: >
      bash -c "pip install jupyterlab &&
               jupyter lab --ip=0.0.0.0 --allow-root --no-browser
               --NotebookApp.token='sdlab' --notebook-dir=/notebooks"

7.2 构建自定义镜像

修改AUTOMATIC1111的Dockerfile，预装常用扩展：

# 在现有Dockerfile末尾添加
RUN --mount=type=cache,target=/root/.cache/pip \
  cd ${ROOT}/extensions && \
  git clone https://github.com/DominikDoom/a1111-sd-webui-tagcomplete && \
  git clone https://github.com/Mikubill/sd-webui-controlnet && \
  pip install -r sd-webui-controlnet/requirements.txt

构建并使用自定义镜像：

docker compose build auto --no-cache
docker tag sd-auto:78 my-custom-sd:auto-v1

8. 部署最佳实践

8.1 生产环境配置清单

配置项	推荐值	安全/性能影响
restart	unless-stopped	服务崩溃后自动恢复
user	1000:1000	非root用户运行，降低权限风险
logging	driver: "json-file", options: max-size: "10m"	限制日志大小，避免磁盘占满
healthcheck	curl --fail http://localhost:7860/api/health		exit 1	自动检测服务健康状态

完整生产环境示例：

auto: &automatic
    <<: *base_service
    profiles: ["auto"]
    build: ./services/AUTOMATIC1111
    image: sd-auto:78
    environment:
      - CLI_ARGS=--allow-code --medvram --xformers --api
    restart: unless-stopped
    user: "1000:1000"
    healthcheck:
      test: ["CMD", "curl", "--fail", "http://localhost:7860/api/health"]
      interval: 30s
      timeout: 10s
      retries: 3

8.2 多用户隔离方案

通过Docker Compose的项目名称隔离实现多用户环境：

# 用户A环境
docker compose -p user-a --profile auto up -d

# 用户B环境
docker compose -p user-b --profile auto up -d

配合Nginx反向代理实现域名访问：

server {
    listen 80;
    server_name sd-user-a.example.com;
    location / {
        proxy_pass http://127.0.0.1:7860;
        proxy_set_header Host $host;
        proxy_set_header X-Real-IP $remote_addr;
    }
}

server {
    listen 80;
    server_name sd-user-b.example.com;
    location / {
        proxy_pass http://127.0.0.1:7861;
        proxy_set_header Host $host;
        proxy_set_header X-Real-IP $remote_addr;
    }
}

8.3 性能监控

添加Prometheus + Grafana监控栈，跟踪GPU利用率：

prometheus:
    image: prom/prometheus
    volumes:
      - ./prometheus.yml:/etc/prometheus/prometheus.yml
      - prometheus-data:/prometheus
    ports:
      - "9090:9090"

grafana:
    image: grafana/grafana
    volumes:
      - grafana-data:/var/lib/grafana
    ports:
      - "3000:3000"
    depends_on:
      - prometheus

9. 总结与展望

stable-diffusion-webui-docker项目通过Docker Compose实现了AI绘画工具的标准化部署，其核心价值体现在：

1. 环境一致性：消除"在我电脑上能运行"的问题
2. 资源隔离：多服务共存而不相互干扰
3. 快速迭代：通过配置文件而非系统修改实现功能变更
4. 可扩展性：轻松添加新服务或修改现有服务

未来发展方向：

• 集成Kubernetes支持，实现规模化部署
• 引入模型自动更新机制
• 开发Web管理界面，简化配置过程
• 实现服务自动扩缩容，响应负载变化

掌握Docker Compose配置不仅能解决当前的部署难题，更能为未来的AI应用开发打下基础。无论是个人创作者还是企业团队，都可以基于本文提供的知识，构建适合自身需求的AI绘画平台。

最后，别忘了点赞、收藏本文，关注作者获取更多AI部署与优化技巧。下期我们将深入探讨Stable Diffusion的模型优化与性能调优，敬请期待！

【免费下载链接】stable-diffusion-webui-docker Easy Docker setup for Stable Diffusion with user-friendly UI 项目地址: https://gitcode.com/gh_mirrors/st/stable-diffusion-webui-docker