stable diffusion在server上的部署测试

已于 2024-01-19 11:09:59 修改
阅读量1.7k 收藏 30
点赞数 24
CC 4.0 BY-SA版权
文章标签： stable diffusion
于 2024-01-13 11:48:20 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/raymeow/article/details/135567882
本文详细记录了在Fedora Server 38上部署Stable Diffusion的全过程，包括Automatic1111和InvokeAI的对比、安装步骤、遇到的问题及解决办法。重点介绍了如何在Ubuntu环境下简化安装，并强调了模型导入、端口配置和Windows操作的注意事项。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

SD infinite canvas

Automatic1111 vs InvokeAI

  • Automatic1111 vs InvokeAI - pros and cons
  • stablediffusion-infinity
    该repo的问题是已经2年没更新，它的依赖有问题，运行也有问题
    TypeError: EventListener._setup.<locals>.event_trigger() got an unexpected keyword argument '_js'
    这个我解决不了解决不了就删除这几行，然后还有transformers版本问题（不楞subfolder）stabilityai/sd-vae-ft-mse does not appear to have a file named config.json.
    从评论来说，InvokeAI的操作更简单，所以先试一下
    qnmd invoke，还是automatic1111适合劳资
    qnmd automatic1111根本不好弄outpainting

install

Prerequisites

  • running Fedora Linux 38 (Server Edition)
    • gpu: 3060 laptop 12G
    • ram: 16g （估计8G够了）
    • disk: 256G （模型多就自己加）
    • Software updates就当看不见，千万别更新
  • nvautoinstall
  • NVIDIA CONTAINER TOOLKIT
    • curl -s -L https
最低0.47元/天 解锁文章

200万优质内容无限畅学
Zilei_Tian
关注
Stable Diffusion 参数测试
xzz_777c的博客
05-13 1025
（全套教程文末领取哈）
Stable Diffusion 图像生成测试
zjjtilm的博客
09-16 2127
多模态图片生成
Stable Diffusion模型测试
jinke2010_happy的博客
07-09 724
使用dqnapi 网站获取stable diffusion 模型，可以本地部署使用，也可以在线测试体验文字生成图像
OSError: stabilityai/sd-vae-ft-ema does not appear to have a file named config.json.错误解决
最新发布
2401_87702265的博客
05-14 262
在某个代码复现的时候遇到 OSError: stabilityai/sd-vae-ft-ema does not appear to have a file named config.json.错误，即不能从 Hugging Face Hub 下载预训练模型。搜索时发现有人说transformer升级就能解决，但是很不幸我没有解决。这种错误通常表示 PyTorch 在读取模型文件时遇到了问题，可能是模型文件损坏或格式不正确。这是从网上下载或者本地上传至服务器时代码损坏所致，重新下载或上传一遍就行。
【SD教程】Stable Diffusion部分参数的测试
m0_58477260的博客
02-28 922
对于Stable Diffusion部分参数的测试与理解。
Stable Diffusion——常用插件安装与测试（一）
知来者逆的博客
02-17 2900
随着Stable Diffusion不断演进，越来越多的开发者开始涉足插件开发。尽管网络上存在大量教程，但它们通常零散分布，逐个学习和查找非常耗时，使人感觉每天都在劳累思考。这里总结了Stable Diffusion常用的插件安装与测试方法。
Stable Diffusion Windows本地部署超详细教程（手动+自动+整合包三种方式）
sheex2012的博客
04-26 5万+
本文以Stable Diffusion为例，由难及易演示了手动、自动和整合包三种部署方式，并分析了这三种方式在虚拟环境创建、程序部署、数据下载部署等复杂动作的具体过程，为一键式自动部署提供了良好的借鉴，进一步促进AIGC的普惠应用。
本地部署 Stable Diffusion3
hawk2014bj的博客
06-15 975
根据以下提示词，比较ChatGPT、Google 和 SD 的差距。ChatGPTSD3ChatGPT最好，比较细腻，其次是Gemini ，SD 稍微差一些，SD的好处是可以私有化部署，可以根据需要进行私有数据训练，SD 生成速度 2.1 it/s。
Stable Diffusion本地部署
u010879329的博客
03-18 1149
5.升级pip命令 cmd进入stable-diffusion-webui\venv\Scripts\文件夹下，输入 python.exe -m pip install --upgrade pip。启动参数记事本打开webui-user.bat 修改 set COMMANDLINE_ARGS=--theme dark --xformers --api --autolaunch --listen。7.cmd进入stable-diffusion-webui\venv\Scripts\文件夹下。
Docker部署Stable-Diffusion-webui
风的博客
01-25 6515
Docker容器内，从零开始搭建一个Stable Diffusion Webui服务。
OSError: stabilityai/sd-vae-ft-mse does not appear to have a file named config.json.
Blue_Whale2020的博客
03-05 6167
然后运行仓库下面scrpits/convert_vae_pt_to_diffusers.py。仓库的使用遇到了这个bug，原因是hugging face在加载线上仓库的时候遇到了问题，然后拉一下hugging face的diffusers的官方git仓库。输入路径就是你刚才下载的权重，输出路径是json信息的保存路径。然后你把报错位置的代码从。
【亲测免费】 深度学习之sd-vae-ft-mse模型：安装与使用教程
gitblog_02663的博客
12-12 927
深度学习之sd-vae-ft-mse模型：安装与使用教程 在深度学习领域，稳定扩散（Stable Diffusion）模型已经成为图像生成任务中的一股强劲力量。sd-vae-ft-mse模型作为稳定扩散模型的一个重要组成部分，其优异的性能和精细的调校使得图像生成效果更上一层楼。本文将详细介绍sd-vae-ft-mse模型的安装与使用方法，帮助读者轻松上手这一强大的工具。 安装前准备 在开始安装sd...
已解决TypeError: init() got an unexpected keyword argument ‘executable_path‘异常的正确解决方法，亲测有效！！！
小明的Java问道之路
02-11 1万+
已解决TypeError:init() got an unexpected keyword argument 'executable_path'异常的正确解决方法，亲测有效！！！
Stable Diffusion安装与常见错误（+Lora使用）2023年最新安装教程
热门推荐
cycyc123的博客
02-22 5万+
帮你快速搭建Stable Diffusion（2023年版本）
【亲测免费】 深度解析sd-vae-ft-mse模型的参数设置
gitblog_02326的博客
12-31 898
深度解析sd-vae-ft-mse模型的参数设置 在深度学习领域，模型的参数设置往往决定了最终结果的优劣。sd-vae-ft-mse模型作为改进版的自动编码器，其参数设置对于图像重建的质量有着至关重要的影响。本文旨在详细解析sd-vae-ft-mse模型的参数设置，帮助读者理解每个参数的作用，以及如何调整这些参数以获得最佳效果。 参数概览 sd-vae-ft-mse模型的关键参数包括训练步数、批次...
跑大模型does not appear to have a file named config.json
wade1010的专栏
07-26 5033
llama-2-70b-chat-hf就是最终产物了，之后使用这个目录进行模型加载。2023-7-26 17:21分开始执行，2023-7-26 17:32结束。
深度解析：sd-vae-ft-mse-original模型的精细调优之路
gitblog_02277的博客
12-05 884
深度解析：sd-vae-ft-mse-original模型的精细调优之路 在人工智能的领域中，图像生成技术一直是最受关注的焦点之一。sd-vae-ft-mse-original模型作为稳定扩散（Stable Diffusion）家族的一员，以其出色的图像生成能力，吸引了无数开发者和研究者的目光。本文将深入探讨sd-vae-ft-mse-original模型的精细调优过程，以及其在图像生成领域的应用...
关于【Stable-Diffusion WEBUI】基础模型对应VAE的问题
Shion's bla bla blog
05-23 8037
其实VAE通常不会有问题，要么嵌入了，要么作者提供了。
Stable Diffusion3.5服务器部署
03-30
### Stable Diffusion 3.5 Server Deployment Guide 部署 Stable Diffusion 3.5 到服务器涉及多个步骤，包括设置计算资源、安装依赖项以及配置模型运行环境。以下是详细的指南： #### 计算资源配置 为了支持 Stable Diffusion 的高性能需求，建议使用配备 NVIDIA GPU 的云实例或本地服务器。AWS 是一种常见的选择，因为其提供了强大的 GPU 实例类型（如 p3 或 g4dn）。通过使用 **Stable Diffusion AWS Extension**[^1]，可以简化云端模型训练和推理环境的搭建过程。 #### 安装依赖项 在服务器上成功启动后，需确保已安装必要的软件包和库文件。以下是一个典型的 Python 环境构建流程： ```bash sudo apt update && sudo apt upgrade -y sudo apt install git python3-pip ffmpeg libsm6 libxext6 -y pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 pip3 install diffusers transformers accelerate safetensors gradio ``` 上述命令会安装 PyTorch 和其他必需的机器学习框架版本，同时也会引入 Gradio 库用于快速开发交互界面。 #### 配置模型服务端口 完成基础环境准备之后，需要定义一个 Web API 来暴露扩散模型的服务功能。下面展示了一个简单的 Flask 示例程序片段： ```python from flask import Flask, request, jsonify import torch from diffusers import StableDiffusionPipeline app = Flask(__name__) model_id = "runwayml/stable-diffusion-v1-5" pipe = StableDiffusionPipeline.from_pretrained(model_id).to("cuda") @app.route('/generate', methods=['POST']) def generate_image(): data = request.json prompt_text = data['prompt'] image = pipe(prompt_text).images[0] image.save('output.png') return jsonify({"status": "success", "message": "Image generated."}) if __name__ == '__main__': app.run(host='0.0.0.0', port=7860) ``` 此脚本监听 `http://<server-ip>:7860/generate` 地址上的 POST 请求，并返回由输入文本生成的新图片路径信息[^3]。 #### 测试与优化 最后一步是对整个系统进行全面测试，验证各个组件之间的兼容性并调整参数以达到最佳性能表现。如果发现某些环节存在瓶颈，则可能需要重新审视硬件选型或者进一步调优算法实现方式。 ---
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值