一周之内体验了：Diffusion，CLIP，Segment Anything，Insightface，LoRA，ConnectNet 诸多算法的实际应用，全部是本地部署，0花费。
1 选择 AI 绘画工具
目前 Ai 绘画界有两大主流工具，Midjourney（简称MJ） 和 Stable Diffusion（称SD）。
MJ 于 2022 年 3 月首次面世，已从 V3 模型发展至 V5 模型，SD 由 Stability AI 公司和非营利研究人员在2022年8月推出的，可在本地免费部署。
MJ 更适合新手入门，10刀/月，30刀/月，60刀/月三档收费；低付费的图片是共享的，高付费服务能一对一出图；学习提示词门槛低；有一定的审核要求，敏感词比较多；少量设置后的画面看起来就很炫，但不太受控，自娱自乐还行，难以稳定输出。
SD 可以设置大量参数，下载海量模型，本地部署，提示词百无禁忌，针对实际工作中的目标，更需要 SD 来定制。它需要本地硬件支持，以及更高的学习成本。
如果只想玩一下，国内也有一些免费平台，浏览器端和手机端微信端都有，就是生成效果比较差。
从两个产品不同的生态圈就可以看出，开放的系统明显呈现出众人拾柴火焰高的趋势，从平台、插件、模型，到文档，工具都越做越好。另外，LoRA 技术让大家都可以自己训练自己的增补小模型，Civitai圈的交流氛围，加入的人也越来越多。这就相当于MJ一个公司和所有人拼，又没有特别过人的核心技术。
艺术给人带来的体验和工作体验不太一样，大家更向往彼此的认同感，除了经济价值，工作本身就是工作的动力，这也成为一种巨大助推力。
2 搭建 SD 环境
2.1 介绍
Stable Diffusion （简称：SD）支持：通过描述生成图，或者改图，做自己的卡通头像，生成各种风格的画作，给线稿上色，修复相片，换脸，抠图 …… 点两下鼠标，几秒就能生成一张作品。在自家机器上搭建一个 SD 环境，不用花钱，不用上网也能使用。
不过还是有点门槛，比如：
- 安装时需要 “科学”连接下载网站（否则无法随心选择海量模型）
- 英文尚可，能看懂界面和简单说明（用翻译软件也不是不行）
- 会一点Python如遇问题自己能解决（也不一定会遇到问题）
- 有带6G以上显存的 GPU 的机器（没有 GPU 会很慢，但也能用）
- 至少 20G 的磁盘剩余空间（这个必须有，建议 50G，最好是SSD，否则加载模型特别慢）
本教程中我使用了 Ubuntu + Docker 方式安装，这是目前我能找到最简单的方法，几乎只需要输入一个命令，即可运行基本功能；当然前提是事先安装了 Ubuntu 系统 Docker 环境以及 GPU 驱动。
这仅仅是运行环境，后面涉及各种模型的组合，调参，插件，了解工具周边生态，与其它工具联合使用；还有审美，光影的感觉，对受众内心的揣摩…… 总之，当一个 AI 画手也不是件容易的事。
2.2 基础环境
操作系统: Ubuntu 22.04
显卡: NVIDIA GTX 1080 Ti 11GB 显存
2.3 安装方法
SD github 项目中推荐直接在系统中安装环境。我则更喜欢把 Python、git、conda 一系列工具都打包在内的 docker 安装方式，这避免了与机器上安装的其它工具的冲突。
siutin/stable-diffusion-webui-docker 是目前下载量最大的 Stable Diffusion 镜像，几乎和 Stable Diffusion github 版本同步更新，相比几个同类镜像，它的大小和易用性也是最好的。
2.3.1 CPU 版本
$ docker run -it --name sdw --network host \
-v $(pwd)/models:/app/stable-diffusion-webui/models \
-v $(pwd)/outputs:/app/stable-diffusion-webui/outputs \
-v $(pwd)/extensions:/app/stable-diffusion-webui/extensions \
--rm siutin/stable-diffusion-webui-docker:latest-cpu \
bash # 安装
$ ./webui.sh --skip-torch-cuda-test --use-cpu all --share --precision full --no-half --listen # 运行
下载后安装模型即可使用。
参数：--no-half 由于我这边一直报错，所以设置了该参数。
参数：--listen 设置后可使用其 ip 地址访问服务，否则只允许本机用 127.0.0.1访问，服务默认端口为 7860。
参数：--enable-insecure-extension-access 允许使用插件
2.3.2 GPU 版本
$ nvidia-docker run -it --name sdw --gpus all --network host \
-v $(pwd)/models:/app/stable-diffusion-webui/models \
-v $(pwd)/outputs:/app/stable-diffusion-webui/outputs \
-v $(pwd)/extensions:/app/stable-diffusion-webui/extensions \
--rm siutin/stable-diffusion-webui-docker:cuda-v1.5.1-2023-08-02 \
bash
$ ./webui.sh --share --listen --enable-insecure-extension-access
2.3.3 下载模型
我下载的第一个模型是：
https://huggingface.co/runwayml/stable-diffusion-v1-5/resolve/main/v1-5-pruned-emaonly.safetensors
可用于生成真实场景，修图，换图等，大小为4.2G，下载后放入 stable-diffusion-webui/models/Stable-diffusion/ 目录。
2.3.4 使用
如果上述程序不报错，在浏览器打开 127.0.0.1:7860，即可看到 gradio 生成的界面。
2.3.5 注意事项
- 请将模型、输出、扩展名映射到 docker 以外的目录，以保证正常保存数据。
- 以 bash 方式进入镜像后，使用命令运行 webui.sh 工具，这样可以在重启时一定程度保留现场，也较方便调试。
- 安装时，我的CPU版正常运行了，GPU版老是报错，于是升级了宿主机的GPU驱动（从470升到535，nvidia-driver-535, nvidia-utils-535两个包），重启后一切正常
- CPU版本工具 3分钟生成一张图，GPU版本 7秒生成一张图，是完全不同的体验。
- 插件和模型数据未必都下载到 models 目录下，所以我后来做了 docker commit，以保存现场。
2.4 调试命令
- 查看 torch 可否支持当前 GPU
python -c "import torch; print(torch.cuda.is_available())"
- 查看当前 GPU 硬件
lspci |grep VGA
- venv
venv是Python的虚拟环境工具，以支持多个Python环境并存。它是Python 3.3版本后标准库中的一个模块。stable diffusion 使用了venv 将环境搭建在 /app/stable-diffusion-webui/venv/下，自行调试需设置 venv：
python -m venv venv # 设置环境
source venv/bin/activate # 激活环境
3 源码
源码并不多，去掉 .git 目录，只有4M左右。当前版本共 160 个 python 文件，主要包含：内置函数extensions-builtin，支持工具scripts，以及主功能模块modules。整体 python 代码量在 3W-4W 行左右。界面基于 gradio 框架开发。
4 相关资源
Stable Diffusion 源码
相关 Docker 镜像
最详细的WEBUI启动参数