一键解锁本地AI超能力！Docker + Ubuntu 极速部署 Stable Diffusion WebUI 绘画平台（NVIDIA GPU 加速超详解）

最新推荐文章于 2025-06-11 07:17:07 发布

reddingtons

最新推荐文章于 2025-06-11 07:17:07 发布

阅读量837

点赞数 7

CC 4.0 BY-SA版权

文章标签：人工智能 docker ubuntu

本文链接：https://blog.youkuaiyun.com/reddingtons/article/details/148054100

相信不少兄弟都想在自己的服务器或者本地机器上跑一些有趣的WebUI应用，比如最近火到不行的AI绘画工具Stable Diffusion WebUI。但是，传统部署方式那一套环境配置、依赖安装、版本冲突，简直能把人折磨疯！“在我这儿明明好好的，怎么到服务器上就不行了？”这种灵魂拷问，咱都懂。

所以，今天的主角就是Docker！这玩意儿简单来说，就是个集装箱，能把你的应用程序和它所需要的所有环境（比如特定版本的Python、各种库文件等）一股脑儿打包起来。这样一来，无论你把这个“集装箱”搬到哪里（别的服务器、你的笔记本），里面的应用都能保证一个姿势运行，完美解决环境一致性问题。对于咱们要部署的Stable Diffusion WebUI（以AUTOMATIC1111版本为例，这是目前最流行、功能最全的社区版本之一），它是一个基于Web的用户界面，让你可以通过浏览器直观地与Stable Diffusion模型互动，输入文本提示词（Prompt）就能生成各种风格的图片。这东西对Python版本、CUDA版本、PyTorch版本以及一大堆依赖库都有特定要求，手动配起来，那叫一个酸爽。

废话不多说，今天咱就用Docker这把瑞士军刀，在Ubuntu系统下，利索地把Stable Diffusion WebUI给它安排得明明白白，而且还要用上NVIDIA的GPU来给它加速，让出图速度嗖嗖的！

一、战前准备：检查你的“弹药库”（环境要求）

在咱们撸起袖子加油干之前，先确保你的Ubuntu服务器（或者带Ubuntu的个人电脑）满足以下基本条件：

一个能打的Ubuntu系统： 推荐Ubuntu 20.04 LTS或Ubuntu 22.04 LTS。老版本可能有些坑。
一块给力的NVIDIA显卡： AI绘画可是个吃显存的家伙，没有N卡，或者N卡太老（比如GTX 9系以下），体验会比较差。至少也得有个6GB显存吧，8GB以上更佳。
NVIDIA显卡驱动已正确安装： 这是让Docker能使唤你显卡的前提。你可以通过 nvidia-smi 命令来检查驱动是否正常工作。如果没装，赶紧去NVIDIA官网找对应你显卡型号的最新驱动装上。
足够的磁盘空间： Docker镜像、模型文件（一个模型动辄几个G）、生成的图片，这些都会占用不少空间。建议至少留个50GB以上的空闲空间，多多益善。
一颗爱折腾的心和稳定的网络： 毕竟要下载不少东西。

二、核心步骤：Docker化部署Stable Diffusion WebUI

步骤1：更新你的Ubuntu系统包列表

养成好习惯，开搞前先更新一波：

sudo apt update && sudo apt upgrade -y

这条命令的意思是：

sudo: 以超级用户权限执行命令。
apt update: 从软件源更新可用的软件包列表。
&&: 逻辑与操作符，表示前一个命令成功执行后，再执行后一个命令。
apt upgrade -y: 升级所有已安装的软件包到最新版本，-y 参数表示自动确认所有提示。

步骤2：安装Docker引擎 (Docker Engine)

如果你的系统上还没有Docker，或者有很老的版本，咱们先来装个新的。

卸载旧版本（如果存在）：

sudo apt-get remove docker docker-engine docker.io containerd runc

设置Docker的APT软件源：

sudo apt-get update
sudo apt-get install \
    ca-certificates \
    curl \
    gnupg \
    lsb-release -y

这些是添加新的HTTPS软件源所必需的包。

添加Docker的官方GPG密钥：

bash sudo mkdir -p /etc/apt/keyrings curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /etc/apt/keyrings/docker.gpg

这步是为了验证后续下载的Docker软件包的真实性。

设置稳定版Docker软件源：

echo \
  "deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/keyrings/docker.gpg] https://download.docker.com/linux/ubuntu \
  $(lsb_release -cs) stable" | sudo tee /etc/apt/sources.list.d/docker.list > /dev/null

这条命令会根据你的系统架构（比如amd64）和Ubuntu版本代号（比如jammy, focal）来配置正确的Docker软件源。

安装Docker引擎、CLI和Containerd：
```
sudo apt-get update
sudo apt-get install docker-ce docker-ce-cli containerd.io docker-compose-plugin -y
```
- docker-ce: Docker Community Edition，社区版引擎。
- docker-ce-cli: Docker命令行界面工具。
- containerd.io: 一个核心的容器运行时。
- docker-compose-plugin: 新版Docker Compose的插件形式（老版本是docker-compose独立二进制）。
验证Docker是否安装成功：
```
sudo docker run hello-world
```
如果看到 "Hello from Docker!" 的信息，那就说明Docker已经成功安装并运行了。
(可选但强烈推荐) 将当前用户添加到docker用户组： 这样你以后执行docker命令就不用每次都加sudo了，省事儿！
```
sudo usermod -aG docker $USER
```
执行完这条命令后，你需要退出当前终端会话（或者直接重启下系统）并重新登录，这样用户组的更改才会生效。之后你就可以直接用 docker version 这样的命令了。

步骤3：安装NVIDIA Container Toolkit (让Docker认识你的N卡)

为了让Docker容器能用上宿主机的NVIDIA GPU，我们需要安装NVIDIA Container Toolkit。

设置NVIDIA容器工具包的软件源：

curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg \
  && curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list | \
    sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \
    sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list

这两条命令是组合起来的，第一条获取GPG密钥，第二条添加软件源信息并指定使用该密钥。

更新包列表并安装NVIDIA Docker工具包
```
sudo apt-get update
sudo apt-get install -y nvidia-container-toolkit
```
旧版本可能叫nvidia-docker2，现在统一为nvidia-container-toolkit。
配置Docker运行时并重启Docker服务： 通常安装工具包后会自动配置，但为了保险，可以手动执行（或者检查）并重启。
```
sudo nvidia-ctk runtime configure --runtime=docker
sudo systemctl restart docker
```
nvidia-ctk runtime configure --runtime=docker 会确保Docker的 daemon.json 文件中正确设置了NVIDIA运行时。
测试NVIDIA Docker是否工作正常：
```
docker run --rm --gpus all nvidia/cuda:12.1.0-base-ubuntu22.04 nvidia-smi
```
- --rm: 容器退出后自动删除。
- --gpus all: 把宿主机所有可用的NVIDIA GPU都分配给这个容器。
- nvidia/cuda:12.1.0-base-ubuntu22.04: 这是一个NVIDIA官方提供的包含CUDA环境的Docker基础镜像。你可以根据你的驱动和需求选择合适的CUDA版本和基础系统版本。如果你的驱动比较老，可能需要用旧一点的CUDA镜像，比如nvidia/cuda:11.8.0-base-ubuntu20.04。
- nvidia-smi: 在容器内执行nvidia-smi命令。
如果这条命令成功运行，并且输出了和你宿主机上执行nvidia-smi类似的显卡信息，那么恭喜你，Docker已经可以愉快地使用你的NVIDIA GPU了！

步骤4：准备Stable Diffusion WebUI的持久化数据目录

为了让我们的模型、配置、生成的图片等数据在Docker容器重启甚至删除后依然存在，我们需要把这些数据存储在宿主机上，然后映射到容器里。

在你的用户主目录下（或者其他你喜欢的地方）创建一些文件夹：

mkdir -p ~/stable-diffusion-webui/data
mkdir -p ~/stable-diffusion-webui/models/Stable-diffusion
mkdir -p ~/stable-diffusion-webui/models/VAE
mkdir -p ~/stable-diffusion-webui/models/Lora
mkdir -p ~/stable-diffusion-webui/models/ControlNet
mkdir -p ~/stable-diffusion-webui/models/ESRGAN # 用于超分模型
mkdir -p ~/stable-diffusion-webui/outputs
mkdir -p ~/stable-diffusion-webui/config
mkdir -p ~/stable-diffusion-webui/extensions

mkdir -p: -p参数确保如果父目录不存在也会一并创建。
~/stable-diffusion-webui/data: 可以用来存放一些通用的数据。
~/stable-diffusion-webui/models/...: 分门别类存放你的主模型(checkpoints)、VAE、Lora、ControlNet模型、超分模型等。
~/stable-diffusion-webui/outputs: 所有生成的图片、网格图等都会默认保存在这里。
~/stable-diffusion-webui/config: 存放WebUI的配置文件，如config.json, ui-config.json。
~/stable-diffusion-webui/extensions: 存放你安装的各种WebUI扩展。

你可以根据自己的需求调整目录结构。记住这些你创建的宿主机路径，后面Docker命令或Compose文件里会用到。

步骤5：选择并拉取一个Stable Diffusion WebUI的Docker镜像

社区里有很多大佬打包好了Stable Diffusion WebUI的Docker镜像，我们可以直接用。在Docker Hub上搜索"stable diffusion webui gpu"之类的关键词，你会找到不少选择。一些流行的镜像，比如 AUTOMATIC1111/stable-diffusion-webui （官方可能没有直接提供Docker，但社区有很多基于它的）或者一些第三方维护的比如 hlky/sd-webui (这个比较老了，找更新的)、continueai/continue-stable-diffusion 等等。

这里我们假设使用一个常见的社区镜像，比如 someuser/stable-diffusion-webui-docker:latest-cuda (请替换为你实际找到并选择的镜像名)。

拉取镜像：

docker pull someuser/stable-diffusion-webui-docker:latest-cuda

请将 someuser/stable-diffusion-webui-docker:latest-cuda 替换成你选择的实际镜像名称和标签。标签通常会指明CUDA版本或GPU支持，比如 cu118 (CUDA 11.8), cu121 (CUDA 12.1)等，确保它和你上一步测试 nvidia-smi 时所用的CUDA版本兼容或接近。

步骤6：运行Stable Diffusion WebUI容器

这是最关键的一步。我们可以用 docker run 命令，也可以用 docker-compose.yml 文件来管理。对于参数比较多的应用，强烈推荐后者。

方法一：使用 docker run 命令

docker run -d --name sd-webui \
  --gpus all \
  -p 7860:7860 \
  -v ~/stable-diffusion-webui/data:/data \
  -v ~/stable-diffusion-webui/models:/app/models \
  -v ~/stable-diffusion-webui/outputs:/app/outputs \
  -v ~/stable-diffusion-webui/config:/app/config \
  -v ~/stable-diffusion-webui/extensions:/app/extensions \
  -e CLI_ARGS="--xformers --enable-insecure-extension-access --listen --port 7860" \
  someuser/stable-diffusion-webui-docker:latest-cuda

参数详解：

docker run: 运行一个新容器。
-d: 后台运行容器 (detached mode)。
--name sd-webui: 给容器取个名字，方便管理，比如叫sd-webui。
--gpus all: 将所有可用的NVIDIA GPU分配给容器。
-p 7860:7860: 端口映射。将宿主机的7860端口映射到容器的7860端口（这是Stable Diffusion WebUI的默认端口）。如果你宿主机的7860端口被占用了，可以改成比如 -p 8888:7860，那么你访问时就用 http://你的IP:8888。
-v HOST_PATH:CONTAINER_PATH: 卷映射 (Volume mounting)。
- ~/stable-diffusion-webui/data:/data: 将宿主机的 ~/stable-diffusion-webui/data 目录映射到容器内的 /data 目录 (具体容器内路径可能因镜像而异，请参考你所用镜像的文档)。
- ~/stable-diffusion-webui/models:/app/models: 将宿主机的模型目录映射到容器内WebUI读取模型的路径 (通常是 /app/models 或 /stable-diffusion-webui/models，具体看镜像打包结构)。
- ~/stable-diffusion-webui/outputs:/app/outputs: 输出目录。
- ~/stable-diffusion-webui/config:/app/config: 配置文件目录。
- ~/stable-diffusion-webui/extensions:/app/extensions: 扩展目录。 注意： 容器内的路径 (/data, /app/models 等) 需要根据你选择的Docker镜像的实际文件结构来定，务必查阅该镜像的说明文档。
-e CLI_ARGS="--xformers --enable-insecure-extension-access --listen --port 7860": 设置环境变量 CLI_ARGS。这个变量会被传递给WebUI的启动脚本作为命令行参数。
- --xformers: 启用xformers库，可以显著提升NVIDIA显卡的生图速度并降低显存消耗（需要你的显卡支持，并且镜像内已安装）。
- --enable-insecure-extension-access: 允许从WebUI界面安装第三方扩展（请注意安全风险，只安装信任的扩展）。
- --listen: 让WebUI监听所有网络接口（0.0.0.0），这样局域网内其他机器也能通过服务器IP访问。如果只想本机访问，可以去掉这个参数或改为 --listen --share (会生成一个gradio的公网分享链接，但不推荐长期使用)。
- --port 7860: 指定WebUI在容器内监听的端口。
someuser/stable-diffusion-webui-docker:latest-cuda: 你要运行的Docker镜像名称和标签。

方法二：使用 docker-compose.yml 文件 (推荐)

在你的 ~/stable-diffusion-webui 目录下创建一个名为 docker-compose.yml 的文件，内容如下：

version: '3.8'

services:
  stable-diffusion-webui:
    image: someuser/stable-diffusion-webui-docker:latest-cuda # 替换成你的镜像
    container_name: sd-webui
    ports:
      - "7860:7860"
    volumes:
      - ./data:/data  # 假设容器内WebUI的数据根目录是/data
      - ./models:/app/models # 假设容器内WebUI的模型根目录是/app/models
      - ./outputs:/app/outputs
      - ./config:/app/config
      - ./extensions:/app/extensions
      # 如果需要更细致的映射，可以像下面这样：
      # - ./models/Stable-diffusion:/app/models/Stable-diffusion
      # - ./models/VAE:/app/models/VAE
      # - ./models/Lora:/app/models/Lora
    environment:
      - CLI_ARGS=--xformers --enable-insecure-extension-access --listen --port 7860
      # - TZ=Asia/Shanghai # 可选：设置时区
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: all # 或者指定 capabilities: [gpu]
              capabilities: [gpu]
    restart: unless-stopped

配置文件详解：

version: '3.8': 指定Compose文件格式版本。
services: 定义服务。
- stable-diffusion-webui: 服务名，可以自定义。
- image: 使用的Docker镜像。
- container_name: 容器名。
- ports: 端口映射，格式同 docker run -p。
- volumes: 卷映射。这里使用了相对路径 ./data，它相对于 docker-compose.yml 文件所在的目录。
- environment: 环境变量，同 docker run -e。
- deploy.resources.reservations.devices: 这是Docker Compose v2.1+ 版本中声明GPU资源的方式，确保容器能使用NVIDIA GPU。
- restart: unless-stopped: 定义重启策略。unless-stopped 表示除非手动停止，否则容器总会自动重启（比如Docker服务重启或宿主机重启后）。

然后在 docker-compose.yml 文件所在的目录 (~/stable-diffusion-webui) 执行：

docker-compose up -d

docker-compose up: 创建并启动服务。
-d: 后台运行。

第一次启动时，WebUI可能会下载一些基础模型或依赖，需要耐心等待。你可以通过以下命令查看容器日志：

docker logs -f sd-webui

(-f 参数表示持续跟踪日志输出，按 Ctrl+C 退出跟踪)

当你在日志中看到类似 "Running on local URL: http://0.0.0.0:7860" 或 "Uvicorn running on http://0.0.0.0:7860" 的信息时，就表示WebUI已经成功启动了！

步骤7：访问你的Stable Diffusion WebUI

打开你的浏览器，输入 http://你的服务器IP地址:7860 (如果修改了宿主机端口，则使用修改后的端口)。如果一切顺利，你应该能看到Stable Diffusion WebUI的界面了！

现在，你可以去网上下载你喜欢的模型文件（.ckpt 或 .safetensors 后缀），放到之前创建的宿主机 ~/stable-diffusion-webui/models/Stable-diffusion 目录下，然后在WebUI界面的左上角刷新模型列表，选择模型，输入你的奇思妙想，开始AI创作之旅吧！

三、后续维护与小技巧

停止与启动：
- 如果用docker run启动的：
```
docker stop sd-webui
docker start sd-webui
```
- 如果用docker-compose启动的：在docker-compose.yml所在目录执行
```
docker-compose stop
docker-compose start
```
  或者直接 docker-compose down (停止并移除容器，但不删除卷) 和 docker-compose up -d (重新创建并启动)。

更新WebUI镜像： 当你想更新到最新版的WebUI时（假设镜像维护者发布了新版本）：

# 对于 docker run 用户
docker stop sd-webui
docker rm sd-webui # 先删除旧容器
docker pull someuser/stable-diffusion-webui-docker:latest-cuda # 拉取新镜像
# 然后重新执行之前的 docker run 命令

# 对于 docker-compose 用户
cd ~/stable-diffusion-webui
docker-compose pull # 拉取配置文件中指定镜像的最新版本
docker-compose down # 停止并移除旧容器
docker-compose up -d # 使用新镜像重新创建并启动容器

查看日志：

docker logs sd-webui # 查看全部日志
docker logs -f sd-webui # 实时跟踪日志
docker logs --tail 100 sd-webui # 查看最后100行日志

进入容器内部（调试用）：
```
docker exec -it sd-webui /bin/bash
```
这样你就可以进入容器的命令行环境，进行一些排错或检查。

四、总结

通过Docker部署Stable Diffusion WebUI，咱们不仅大大简化了安装配置流程，还能享受到环境隔离、轻松迁移、便捷更新等诸多好处。特别是对于NVIDIA GPU的利用，NVIDIA Container Toolkit 和 Docker 的结合使得这一切都变得相对简单。

希望这篇“保姆级”教程能帮到各位想玩AI绘画但又被环境劝退的兄弟们。现在，你已经拥有了一个属于自己的、跑在Docker里的、由NVIDIA GPU加速的AI绘画平台了！赶紧去生成一些令人惊艳的作品