Stable Diffusion下载教程：Windows与Mac本地部署完整实战

2023年初我在一台租来的云GPU上第一次跑通Stable Diffusion，花了三个小时，其中两个半小时都在跟环境依赖搏斗。后来换到自己那台RTX 3070的台式机上重装，又踩了一遍坑——Python版本不对、模型放错目录、显存爆掉、xformers编译失败，一晚上报错截了满满一屏。这份stable diffusion下载教程就是把这些坑按顺序排好，让你别再走一遍我的老路。

核心结论摘要：Stable Diffusion的"下载"其实分两条线——软件本体（WebUI或ComfyUI）和模型权重（.safetensors文件）。新手用Automatic1111 WebUI一键包起步最省心，模型去Hugging Face或Civitai下载，硬件门槛是NVIDIA显卡6GB显存起步，8GB以上体验才谈得上舒服。

先说硬件：跑SD的配置门槛到底在哪

很多人以为Stable Diffusion是"云端大模型"，本地跑不动。这个印象来自原版扩散模型——在像素空间直接做去噪，计算量确实惊人。但Rombach等人2022年发表在CVPR的论文《High-Resolution Image Synthesis with Latent Diffusion Models》（arXiv:2112.10752）提出了关键思路：先把图像压缩到潜空间（Latent Space），在低维空间里做扩散，最后再解码回像素。这一招把显存需求压下来一个数量级，才有了后来消费级显卡也能玩SD的局面。

具体到实际配置，我整理了一张对照表，你可以对号入座：

| 配置档位 | 显卡 | 显存 | 出图速度（512×512，20步） | 实际体验 | |---|---|---|---|---| | 最低可跑 | GTX 1650 / RTX 3050 | 4–6GB | 25–45秒/张 | 能出图，稍大分辨率就爆显存 | | 舒适用 | RTX 3060 12G / 4060 Ti 16G | 12–16GB | 5–10秒/张 | 跑SDXL不吃力，可挂LoRA | | 流畅玩 | RTX 4070 Ti / 4080 | 16GB+ | 3–5秒/张 | 批量出图、ControlNet基本无压力 | | 苹果生态 | M1/M2/M3（统一内存） | 16GB起 | 20–60秒/张 | 能用，但速度约为同价位N卡的1/3 |

存储上建议预留100GB以上。别不信，一个SDXL基础模型就6.5GB，加上VAE、LoRA、ControlNet模型，我本地那台机器的模型目录去年年底已经涨到87GB。硬盘空间这事儿，属于典型的"开始觉得够，后来发现永远不够"。

CPU和内存倒没那么挑剔，16GB内存起步就行，32GB更稳。

三条下载路线怎么选：WebUI、ComfyUI还是云端

这是新手最容易纠结的地方。我把三种主流方案的真实体验摊开说：

| 路线 | 上手难度 | 硬件要求 | 适合人群 | 主要槽点 | |---|---|---|---|---| | Automatic1111 WebUI | ★★☆☆☆ | 需本地N卡 | 新手、想快速出图 | 界面略老旧，插件装多会变慢 | | ComfyUI | ★★★★☆ | 需本地N卡 | 想搭复杂工作流的老手 | 节点式操作，新手劝退 | | 云端（Colab/云GPU） | ★★☆☆☆ | 无 | 没有好显卡、偶尔用 | 免费额度有限，模型存不住 |

说实话，如果你只是想先看看SD长什么样，云端是成本最低的入口。但只要打算长期用，本地部署一定更划算——云GPU按时计费，一个月下来的钱够买块中端显卡了，而且本地模型想怎么堆就怎么堆，不用担心会话超时把权重清空。

这份stable diffusion下载教程后续的实操部分，以Automatic1111 WebUI为主，因为它的社区文档最全，报错也最容易搜到答案。

Windows实战：WebUI下载安装全流程

第一步：装对Python版本

这是整个流程里最容易翻车的一步。WebUI依赖链里的不少包还没适配Python 3.12，用最新版反而会卡在编译环节。请装Python 3.10.6或3.10.x系列，安装时务必勾选"Add Python to PATH"。

第二步：装Git

去git-scm.com下载Windows版，一路默认选项装完即可。后面克隆仓库要用。

第三步：克隆仓库并配置启动脚本

打开CMD或PowerShell，执行：

1) 克隆 WebUI 仓库，首次约 500MB，网络慢的话耐心等

git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git

2) 进入项目目录

cd stable-diffusion-webui

然后找到目录里的 `webui-user.bat`，用记事本打开，改成下面这样：

@echo off

:: 留空表示使用系统 PATH 里的 Python，前提是你装的是 3.10.x set PYTHON=

:: 虚拟环境目录，保持默认 set VENV_DIR=venv

:: 关键启动参数 :: --xformers 启用 xformers 加速注意力计算，出图能快 20%~40% :: --medvram 8GB 显存以下建议开，用时间换空间 :: --autolaunch 启动后自动打开浏览器 set COMMANDLINE_ARGS=--xformers --medvram --autolaunch

call webui.bat

第四步：首次启动

双击 `webui-user.bat`。第一次运行会自动创建虚拟环境、下载PyTorch和一堆依赖，视网速大概需要10到30分钟，终端里刷屏是正常的，别手痒去关窗口。

跑完之后浏览器会自动打开 `http://127.0.0.1:7860`，看到那个灰扑扑的界面，恭喜你，环境成了。

Mac和AMD用户怎么办

Mac用户可以把上面的克隆步骤照搬，然后执行 `./webui.sh`，会自动走MPS后端。但坦白讲，Apple Silicon跑SD的速度只能算"能用"，我拿M2 Pro实测生成一张512×512的图要22秒左右，同一时段用RTX 3060只要6秒。如果你对速度敏感，Mac不是好选择。

更省事的Mac方案是直接用DiffusionBee，一个打包好的桌面应用，双击安装，不用碰命令行，代价是可控参数少很多，装不了复杂的插件。

AMD显卡在Windows上则需要走ROCm或DirectML分支，配置复杂度明显高于N卡，社区支持也少，我个人不建议新手拿A卡入门。

模型权重：从哪下、放哪、怎么挑

软件装好了只是空壳，真正决定出图风格的是模型权重文件。

推荐下载渠道：

1. **Hugging Face** — 官方权重的主阵地，Stability AI发布SDXL就在这里（2023年7月，论文编号arXiv:2307.01952）。搜索 `stabilityai/stable-diffusion-xl-base-1.0` 即可。
2. **Civitai** — 社区模型的大本营，写实、二次元、国风各种风格都有，量级远超官方渠道。
3. **LiblibAI** — 国内访问速度友好，不少中文优化模型首发在这里。

放哪个文件夹：

• 主模型（Checkpoint）→ `models/Stable-diffusion/`
• VAE 文件 → `models/VAE/`
• LoRA → `models/Lora/`
• ControlNet → `models/ControlNet/`

放完记得在WebUI界面点一下刷新按钮，模型才会出现在下拉框里。

关于文件格式，有个安全细节值得单独说。 老式的 `.ckpt` 文件基于Python的pickle序列化，加载时理论上可以执行任意代码，Hugging Face官方文档里明确建议优先使用 `.safetensors` 格式。现在绝大多数新模型都提供safetensors版本，除非某个老模型只有ckpt，否则别去碰它。

顺便说个个人判断：模型下载这件事，对新手而言真正的难点不是"找不到"，而是"选不出来"。Civitai上光写实类模型就有上千个，每个都配着精修过的展示图，很容易陷入"这个也下那个也下"的循环。我的建议是——先锁定一个主流基础模型（比如SD 1.5或SDXL官方版），把提示词写法玩明白，再考虑换风格模型。模型能解决的只是风格，构图和光影还得靠提示词功底。

新手最常撞上的六个报错

这部分基本是我和朋友踩坑记录的合集：

| 报错信息 | 原因 | 解法 | |---|---|---| | `CUDA out of memory` | 显存不够 | 加 `--medvram` 或 `--lowvram`，降低分辨率 | | `Torch is not able to use GPU` | 装成了CPU版PyTorch | 删掉 `venv` 目录重新启动脚本 | | `No module named 'xformers'` | 加速库没装上 | 去掉启动参数里的 `--xformers` 先跑通 | | 生成出来全是黑图/噪点 | VAE不匹配 | 换回模型自带的VAE，或手动指定 | | `Port 7860 is already in use` | 端口被占 | 加参数 `--port 7861` 换端口 | | 下载模型时中断 | 网络不稳定 | 用 `huggingface-cli download` 断点续传 |

如果你的报错不在这张表里，去GitHub仓库的Issues区搜错误关键词，AUTOMATIC1111这个仓库截至2025年中已经积累了超过14万Star和上万条Issue，你遇到的问题大概率有人问过。

跑通之后：三个值得投入的进阶方向

一是插件生态。 ControlNet能让你精确控制人物姿势和构图，这是SD从"抽卡"走向"可控生产"的分水岭。

二是原理补课。 如果你不满足于调参，想搞懂扩散模型背后的数学，那顺手把Python和深度学习基础补上是划算的——这也算是很多人机器学习入门的实际切入点，比啃纯理论教材有动力得多。网上有不少免费的深度学习教程，配合diffusers库的源码读，进步会很快。想直接用代码调用模型的话，下面是精简版：

前置：pip install torch diffusers transformers accelerate safetensors

from diffusers import StableDiffusionPipeline import torch

加载社区镜像仓库的 SD 1.5 权重，首次运行会自动下载约 4GB

pipe = StableDiffusionPipeline.from_pretrained( "stable-diffusion-v1-5/stable-diffusion-v1-5", torch_dtype=torch.float16 # 半精度推理，显存占用约减半 ).to("cuda")

提示词支持中英文，但英文模型的英文提示词效果通常更准

prompt = "a shiba inu wearing sunglasses, cinematic lighting, 8k" image = pipe(prompt, num_inference_steps=28, guidance_scale=7.5).images[0] image.save("output.png") print("出图完成，已保存为 output.png")

三是把技能换成钱。 电商主图、头像定制、小说配图这些需求是真实存在的，AI副业变现的路径也跑得通。但我得泼盆冷水：现在纯"会出图"已经不算稀缺能力了，客户愿意付钱的是"能稳定交付符合要求的结果"——包括风格统一、批量一致、改稿响应快。把SD当工具而不是当卖点，心态会稳很多。

关键要点速览

• 软件和模型是两回事：WebUI是壳，.safetensors模型才是内容，两者分开下载
• Python必须用3.10.x，3.12容易卡在依赖编译
• 6GB显存是起步线，8GB以上才谈得上顺畅，硬盘留足100GB
• 优先下载.safetensors格式，避开潜在的pickle安全风险
• 报错先查GitHub Issues，90%的问题别人已经问过并有答案

相关推荐

• **想系统梳理AI绘画工具链？** 阅读我们的[AI工具专题合集](https://vergex.cn/ai-tools)，从出图到后期一条龙
• **需要更多AI工具？** 访问 [VergeX AI工具导航](https://nav.vergex.cn)，收录了绘画、写作、编程等各赛道的主流工具
• **想看更多实战教程？** 延伸阅读：[ControlNet插件使用指南](https://vergex.cn/controlnet-guide) 与 [本地部署显存优化技巧](https://vergex.cn/vram-optimize)
• **不想错过更新？** 通过站点邮件订阅或关注公众号，新教程发布第一时间推送