stable-diffusion Docker部署：容器化方案与最佳实践

【免费下载链接】stable-diffusion A latent text-to-image diffusion model 项目地址: https://gitcode.com/gh_mirrors/st/stable-diffusion

你还在为Stable Diffusion的环境配置而烦恼吗？不同系统依赖冲突、CUDA版本不兼容、模型文件管理混乱？本文将带你通过Docker容器化方案，一步到位解决环境部署难题，让AI绘图工具稳定运行在任何支持Docker的设备上。读完本文你将获得：完整的Dockerfile配置模板、模型自动下载方案、GPU加速配置、多场景部署脚本以及容器资源优化技巧。

准备工作

环境要求

部署Stable Diffusion容器需要满足以下基础条件：

• Docker Engine 20.10+
• NVIDIA Container Toolkit（GPU支持）
• 至少10GB可用磁盘空间（模型文件约4GB）

项目核心文件结构：

• 主程序入口：main.py
• 依赖配置：environment.yaml
• 模型下载脚本：scripts/download_models.sh
• 示例配置：configs/stable-diffusion/v1-inference.yaml

项目克隆

git clone https://gitcode.com/gh_mirrors/st/stable-diffusion.git
cd stable-diffusion

Docker镜像构建

基础镜像选择

推荐使用NVIDIA官方PyTorch镜像作为基础，已预装CUDA和PyTorch环境：

FROM nvcr.io/nvidia/pytorch:22.04-py3

Dockerfile完整配置

在项目根目录创建Dockerfile，内容如下：

FROM nvcr.io/nvidia/pytorch:22.04-py3

WORKDIR /app

# 复制项目文件
COPY . .

# 安装系统依赖
RUN apt-get update && apt-get install -y --no-install-recommends \
    wget \
    unzip \
    && rm -rf /var/lib/apt/lists/*

# 创建Python虚拟环境
RUN python -m venv venv
ENV PATH="/app/venv/bin:$PATH"

# 安装Python依赖
RUN pip install --upgrade pip && \
    pip install -r <(grep -v 'git+' environment.yaml | grep -v '^-e ' | sed 's/^- //') && \
    pip install transformers==4.19.2 diffusers invisible-watermark && \
    pip install -e .

# 下载模型文件
RUN chmod +x scripts/download_models.sh && \
    ./scripts/download_models.sh

# 暴露端口（如需Web服务）
EXPOSE 7860

# 默认命令
CMD ["python", "scripts/txt2img.py", "--plms", "--prompt", "a photo of a cat"]

构建命令

docker build -t stable-diffusion:v1 .

容器运行方案

基础运行命令

docker run --gpus all -it --rm \
  -v $(pwd)/outputs:/app/outputs \
  stable-diffusion:v1 \
  python scripts/txt2img.py --prompt "a photograph of an astronaut riding a horse" --plms

持久化存储配置

为避免每次运行重新下载模型和丢失生成结果，建议挂载以下目录：

docker run --gpus all -it --rm \
  -v $(pwd)/models:/app/models \
  -v $(pwd)/outputs:/app/outputs \
  -v $(pwd)/configs:/app/configs \
  stable-diffusion:v1

性能优化参数

• --shm-size=16g：增加共享内存，提升数据加载速度
• --memory=32g：限制内存使用（根据实际情况调整）
• --cpus=4：限制CPU核心数

优化后的运行命令：

docker run --gpus all -it --rm \
  --shm-size=16g \
  --memory=32g \
  --cpus=4 \
  -v $(pwd)/models:/app/models \
  -v $(pwd)/outputs:/app/outputs \
  stable-diffusion:v1

功能验证

文本生成图像测试

运行基础文本生成命令，验证系统功能：

docker run --gpus all -it --rm \
  -v $(pwd)/outputs:/app/outputs \
  stable-diffusion:v1 \
  python scripts/txt2img.py --prompt "a fantasy landscape with castles" --plms --outdir outputs/test

生成效果示例：

图像到图像转换

使用现有图像作为输入，进行风格转换：

docker run --gpus all -it --rm \
  -v $(pwd)/assets:/app/inputs \
  -v $(pwd)/outputs:/app/outputs \
  stable-diffusion:v1 \
  python scripts/img2img.py --prompt "A watercolor painting" --init-img inputs/fire.png --strength 0.7 --outdir outputs/img2img

输入图像：

输出效果：

高级配置

自定义配置文件

通过挂载自定义配置文件，调整模型参数：

docker run --gpus all -it --rm \
  -v $(pwd)/my_config.yaml:/app/configs/stable-diffusion/custom-inference.yaml \
  stable-diffusion:v1 \
  python scripts/txt2img.py --config configs/stable-diffusion/custom-inference.yaml

配置文件参考：v1-inference.yaml

多阶段构建优化

使用多阶段构建减小镜像体积：

# 构建阶段
FROM nvcr.io/nvidia/pytorch:22.04-py3 AS builder
WORKDIR /app
COPY . .
RUN apt-get update && apt-get install -y wget unzip && \
    python -m venv venv && \
    /app/venv/bin/pip install --upgrade pip && \
    /app/venv/bin/pip install -r <(grep -v 'git+' environment.yaml) && \
    /app/venv/bin/pip install -e . && \
    chmod +x scripts/download_models.sh && \
    ./scripts/download_models.sh

# 运行阶段
FROM nvcr.io/nvidia/pytorch:22.04-py3
WORKDIR /app
COPY --from=builder /app/venv /app/venv
COPY --from=builder /app/models /app/models
COPY --from=builder /app/scripts /app/scripts
COPY --from=builder /app/ldm /app/ldm
COPY --from=builder /app/configs /app/configs
ENV PATH="/app/venv/bin:$PATH"
CMD ["python", "scripts/txt2img.py", "--plms"]

常见问题解决

模型下载失败

国内网络环境下可替换download_models.sh中的下载链接为国内镜像：

# 修改scripts/download_models.sh中的wget链接
# 例如替换为:
wget -O models/ldm/text2img256/model.zip https://mirror.ghproxy.com/https://ommer-lab.com/files/latent-diffusion/text2img.zip

GPU内存不足

降低生成图像分辨率或调整采样参数：

python scripts/txt2img.py --prompt "test" --H 448 --W 448 --plms

中文乱码问题

挂载中文字体文件到容器：

docker run --gpus all -it --rm \
  -v /usr/share/fonts/truetype/wqy:/app/fonts \
  -e FONTCONFIG_PATH=/app/fonts \
  stable-diffusion:v1

部署最佳实践

资源监控

使用nvidia-smi监控GPU使用情况：

docker exec -it <container_id> nvidia-smi

容器编排

对于生产环境，建议使用Docker Compose管理服务：

version: '3'
services:
  stable-diffusion:
    build: .
    runtime: nvidia
    volumes:
      - ./models:/app/models
      - ./outputs:/app/outputs
    ports:
      - "7860:7860"
    command: python scripts/webui.py --listen

安全注意事项

• 限制容器权限，使用非root用户运行
• 定期更新基础镜像，修复安全漏洞
• 敏感信息通过环境变量注入，避免硬编码

总结与展望

通过Docker容器化方案，我们成功解决了Stable Diffusion的环境依赖问题，实现了跨平台一致部署。本文提供的方案包含：

• 完整的Dockerfile构建流程
• 模型自动下载与持久化存储
• 多场景运行命令与优化参数
• 常见问题解决方案与最佳实践

未来可以进一步探索：

• Kubernetes集群部署
• 容器镜像的CI/CD自动化构建
• WebUI服务的容器化部署

如果你觉得本文对你有帮助，请点赞收藏关注三连，下期我们将带来"Stable Diffusion WebUI的容器化部署与反向代理配置"。

【免费下载链接】stable-diffusion A latent text-to-image diffusion model 项目地址: https://gitcode.com/gh_mirrors/st/stable-diffusion