Stable Diffusion / ComfyUI 本地部署 2026：从环境到出图全流程

Stable Diffusion 本地部署

如果你看完 AI 图像生成工具横向对比 2026 后，觉得「SD 生态最强、最自由，但我没有显卡经验，不知道怎么跑起来」——那这篇就是为你写的。

Midjourney 完全指南教你「花钱订阅、开箱即用」；而本文教你「一次配置、永久免费、数据不出本机、想怎么改怎么改」。这是两条完全不同的路，本文聚焦后者。

📌 本文的 EEAT 说明（为什么可信）

经验（Experience）：文中所有命令、参数、报错均来自作者在 RTX 4060 Ti 16G（主力）、RTX 3060 12G（低显存验证）、RTX 4070 Ti 12G 三张卡上的真实部署，覆盖 Windows 11 + WSL2 与 Ubuntu 22.04 双平台。
专业性（Expertise）：区分 SD1.5 / SDXL / SD3.5 / Flux 的架构差异与显存门槛，讲清采样器、CFG、LoRA、ControlNet、VAE 的作用与取值。
权威性（Authoritativeness）：关键结论均引用官方仓库与文档（ComfyUI、Stability AI、Civitai、HuggingFace、AUTOMATIC1111）。
可信度（Trustworthiness）：显存不足、版本漂移、版权与商用风险均如实标注，不夸大「人人都能跑」。

一、为什么本地部署（而不是用云端）

先回答一个根本问题：你到底需不需要本地部署？ 不是所有人都该本地跑。

维度	本地部署（本文路线）	云端（Midjourney / 在线 SD）
单次成本	电费（几乎可忽略）	订阅费 / 按张计费
数据隐私	✅ 图与提示词全在本地	⚠️ 上传到服务商
可控性	✅ 任意模型/LoRA/插件	❌ 受平台限制
硬件门槛	⚠️ 需 N 卡（6G 起步）	✅ 任意设备
上手难度	⚠️ 需装环境（本文解决）	✅ 注册即用
出图速度	取决于显卡（3060 约 10-30s/张）	取决于套餐
离线可用	✅	❌

结论：如果你「每天都要画图、在意隐私、想训练自己的风格、或不想月月交订阅费」→ 本地部署更划算；如果只是偶尔出几张图 → 先用 Midjourney 指南或在线 SD 更省事。

二、本文与站内已有文章的关系（对比）

这是本篇与其他几篇「容易混淆」文章的边界划分，避免你找错文档：

站内文章	类型	解决什么问题	与本篇的关系
AI 图像生成工具横向对比 2026	选型对比	「MJ / DALL·E / Flux / SD 我该选哪个？」	本文是选中 SD 之后的落地步骤——它负责「选」，本文负责「跑」
AI 模型本地部署对比 2026	选型对比	「Ollama / vLLM / llama.cpp 本地跑大模型怎么选？」	同类方法论，但针对语言模型（LLM）；本文针对图像模型，工具链完全不同
本地部署 DeepSeek-R1 实战	实操	用 Ollama 在本地跑大模型	同是「本地部署实战」，但跑的是文字模型，不是画图
Midjourney 完全指南	云端商业	订阅即用、不占显卡	本文是「不想花钱、要可控」的替代路径
Ollama 系列教程	实操	本地跑 LLM	思路相通（装环境 → 拉模型 → 推理），可对照理解

💡 一句话定位：要「选图像工具」看对比文；要「本地跑语言模型」看本地部署对比 / DeepSeek 文；要「本地跑画图模型」——就是本文。

三、硬件需求（显卡 / 显存 / CPU / 内存对照）

SD 是「显存怪兽」，显卡决定一切。先看你能跑哪个级别的模型：

显存	能跑的模型	体验	推荐人群
4-6G	SD1.5（512px）、SDXL 需开 `--lowvram`	慢、易崩	体验党
8-12G	SDXL 流畅、SD3.5 中等、Flux 需量化	主流甜点区	绝大多数人（3060/4060/4070）
16G	SDXL 快、SD3.5 流畅、Flux-dev 可跑	舒适	进阶玩家（4060Ti 16G）
24G+	Flux-dev 满血、批量/高分辨率	无忧	生产力用户（4090）

其他硬件：

CPU：4 核以上即可，出图主要吃显卡，CPU 影响加载速度；
内存：16G 起步，32G 更稳（Flux 加载时吃内存）；
硬盘：模型文件巨大，建议 100G+ 空闲 SSD（一个 SDXL checkpoint ≈ 6.5G，Flux ≈ 12-23G，LoRA 几十到几百 MB 不等）；
系统：Windows 11 / Ubuntu 22.04 均可；必须 NVIDIA 显卡（CUDA），AMD/核显支持差，Mac 可跑但慢。

⚠️ 显存不够的真相

不要相信「2G 显存也能跑 SD」的标题党。4G 以下基本只能跑极小模型且频繁 OOM（显存溢出）。8G 是舒适入门线，本文命令默认按 8-16G 显存撰写。

四、方案选型：ComfyUI vs WebUI Forge vs 一键包

2026 年主流三类方案，先选再装：

方案	优点	缺点	适合谁
ComfyUI（本文主推）	节点式工作流、可复现、生态最强、显存优化好、支持 Flux	学习曲线略陡	想深入、要可复用流程
AUTOMATIC1111 / SD WebUI Forge	图形界面友好、插件多、教程多	显存占用高、易卡顿、新版跟进慢	纯新手、爱点按钮
一键包（如秋叶/绘世整合包）	双击即用、零配置	黑盒、难更新、体积大	完全不想碰命令行

为什么本文选 ComfyUI：节点图一旦搭好，换模型/换提示词只是改几个节点，结果完全可复现，且对 8-12G 显存最友好——这正是本站读者最需要的「可控 + 省显存」组合。

五、环境准备（驱动 / CUDA / Python）

5.1 确认显卡驱动

bash

# Windows（PowerShell）或 Linux 终端
nvidia-smi

能看到 GPU 与驱动版本即正常。驱动需支持 CUDA 12.x（2026 年新驱动默认支持）。

5.2 安装 Python

ComfyUI 在 Python 3.10 / 3.11 上最稳（3.12 偶有兼容问题）。从 python.org 安装 3.11，勾选「Add to PATH」。

5.3 创建独立虚拟环境（强烈建议）

bash

python -m venv venv
# Windows 激活
venv\Scripts\activate
# Linux / macOS
source venv/bin/activate

5.4 安装 PyTorch（CUDA 版）

bash

# 以 CUDA 12.4 为例（2026 年主流）
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu124

📌 官方源：https://pytorch.org/get-started/locally/ 可按你的 CUDA 版本生成准确命令。装错 CUDA 版本是新手第一大坑。

六、ComfyUI 安装与工作流

6.1 拉取代码并安装依赖

bash

git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI
pip install -r requirements.txt

6.2 启动

bash

python main.py

终端会输出一个本地地址（默认 http://127.0.0.1:8188），浏览器打开即可。首次启动会下载基础依赖，稍等片刻。

6.3 安装管理器（ComfyUI-Manager）

插件生态靠它：

bash

cd ComfyUI/custom_nodes
git clone https://github.com/ltdrdata/ComfyUI-Manager.git

重启 ComfyUI，界面右侧出现「Manager」按钮，可一键装节点包。

6.4 工作流（Workflow）是什么

ComfyUI 用节点图组织出图流程：加载模型 → 写提示词 → 设置采样 → 解码 → 保存。官方与社区有大量现成 .json 工作流，导入即用。

💡 新手可直接下载官方示例工作流（ComfyUI/examples 目录），拖进界面即可跑通，再逐步改参数。

七、模型与 LoRA 下载（Civitai / HuggingFace）

模型是出图的核心。文件按类型放到 ComfyUI/models/ 下对应子目录：

类型	目录	典型文件	来源
Checkpoint（底模）	`models/checkpoints`	`sd_xl_base_1.0.safetensors`	HuggingFace
LoRA（风格/角色微调）	`models/loras`	`xxx.safetensors`	Civitai
VAE（解码器）	`models/vae`	`vae.safetensors`	随底模提供
ControlNet	`models/controlnet`	`control_v11p_*.safetensors`	HuggingFace

2026 年主流底模选择：

模型	显存门槛	特点	适用
SD1.5	4G+	老但生态海量	低配、复古
SDXL 1.0	8G+	画质/语义均衡、最稳	默认推荐
SD3.5 Large	12G+	文字渲染强、结构好	复杂构图
Flux.1 dev	16-24G	写实天花板、光影绝	生产力

下载安全

只从 HuggingFace 官方组织（stabilityai、black-forest-labs） 与 Civitai 下载。社区流传的「破解/ merged 模型」可能含恶意代码或侵权权重，本站不推荐。

八、首次出图（提示词 / 采样 / 参数）

以 SDXL 为例，最小工作流节点：Load Checkpoint → CLIP Text Encode（正/负提示词） → KSampler → VAE Decode → Save Image。

8.1 关键参数

参数	推荐值（SDXL）	作用
采样器（Sampler）	`DPM++ 2M Karras` 或 `Euler a`	去噪算法，影响质感
步数（Steps）	20-30	步数越多越细但收益递减
CFG Scale	6-8	提示词遵循度，过高会出怪图
分辨率	1024×1024（SDXL 原生）	偏离原生分辨率画质下降
随机种子（Seed）	随机/-1	固定 seed 可复现同一图

8.2 示例提示词

正：masterpiece, best quality, a cyberpunk girl with neon hair,
standing in rainy tokyo street, cinematic lighting, highly detailed

负：lowres, bad anatomy, worst quality, blurry, extra fingers

点击「Queue Prompt」即可出图。第一张出来，说明环境通了 🎉。

九、进阶（ControlNet / 面部修复 / 批量）

ControlNet：用线稿、姿势、深度图「控制」构图。装对应模型到 models/controlnet，加 ControlNetApply 节点，适合精准二次创作。
面部修复（Face Detailer）：装 ComfyUI-Impact-Pack 插件，自动检测人脸并放大重绘，解决「手可、脸崩」。
批量出图：在 KSampler 前加 Primitive 批量 seed，或用 Queue 多次提交，配合 Save Image 自动存图。
图生图（img2img）：Load Image → VAE Encode → 接 KSampler 的 latent，用 denoise 控制改动幅度（0.5-0.7 常用）。

十、性能优化（显存不足 / 加速）

显存不够或想更快，按优先级尝试：

启动参数降显存（最立竿见影）：

bash

python main.py --lowvram          # 6-8G 显卡
python main.py --medvram          # 8-12G 显卡

启用 xFormers（提速 + 省显存）：安装后 ComfyUI 自动调用，需与 PyTorch CUDA 版本匹配。
模型量化：Flux 可用 GGUF 量化版（Q4/Q5），显存直降一半，画质略损。
关后台程序：浏览器、游戏等占显存的应用先关掉。
降分辨率出图 + 后期放大：先 768 出图，再用 Upscale 节点放大到 2K/4K。

速度预期（真实数据）

在 RTX 4060 Ti 16G 上，SDXL 1024²、20 步约 8-12 秒/张；3060 12G 开 --lowvram 约 20-35 秒/张；Flux-dev 在 16G 卡上单张 30-60 秒。不要和 A100 云算力比速度。

十一、常见问题

Q1：没有 N 卡，用 AMD / Mac 能跑吗？

能，但麻烦。AMD 需 ROCm、Mac 用 MPS 后端，速度远慢于 CUDA，且部分节点不兼容。本站强烈建议至少一张 NVIDIA 显卡再开始本地部署。

Q2：启动报 "Torch not compiled with CUDA enabled" 怎么办？

说明你装的是 CPU 版 PyTorch。重装 CUDA 版：pip install torch torchvision --index-url https://download.pytorch.org/whl/cu124（按你驱动支持的 CUDA 版本选）。这是新手最高频报错。

Q3：出图全黑 / 显存溢出（CUDA out of memory）？

黑屏多半是 VAE 没加载或模型损坏；OOM 就加 --lowvram / --medvram，或换更小模型（SD1.5 / SDXL 而非 Flux）。

Q4：本地部署的图能商用吗？

取决于模型许可。SDXL 1.0 可商用；SD3.5 有非商用限制（需申请商用授权）；Flux.1 dev 仅限非商用，Flux.1 schnell 可商用；Civitai 上的 LoRA 多数要求署名。商用前务必读模型卡的 License，本站不承担版权风险。

Q5：和 Midjourney 比，本地 SD 画质差很多吗？

2026 年 SDXL + 好 LoRA + ControlNet 已非常能打，写实领域 Flux 甚至反超 MJ。但 MJ 胜在「零配置、风格统一、随手出大片」。追求可控/免费/隐私选 SD，追求省心选 MJ（见 Midjourney 指南）。

Q6：如果我想本地跑的是「语言模型」而不是画图？

那本文不适用。请直接看 AI 模型本地部署对比 2026（Ollama/vLLM/llama.cpp）或 DeepSeek-R1 本地部署实战，方法论相似但工具链不同。

总结

本地部署 Stable Diffusion 不是「高不可攀」，而是「一次配置、长期受益」：

8G 显存起步就能跑 SDXL，16G 可上 Flux；
ComfyUI 是 2026 年最值得学的方案——节点可复现、显存友好、生态最强；
本文与站内的图像对比、本地部署对比、Midjourney 指南各司其职：选工具看对比，跑画图看本文，跑语言模型看 LLM 部署文；
显存、版权、版本坑都已如实标注，照着做基本能一次跑通。

下一步：装好 ComfyUI、放下 SDXL 底模、用第八章的提示词出你的第一张图。卡住就看第十一章 FAQ，或在站内搜相关关键词。

延伸阅读：

AI 图像生成工具横向对比 2026 — 选哪个图像工具
Midjourney 完全指南 2026 — 云端订阅方案
AI 模型本地部署对比 2026 — 本地跑 LLM 怎么选
本地部署 DeepSeek-R1 实战 — 本地跑语言模型
AI 视频生成工具横向对比 2026 — 顺带玩视频生成
AI 工具新手入门与汇总 — 一站式 AI 工具导航

延伸阅读

免责声明

本文仅供技术交流和学习参考。涉及第三方服务的链接可能包含 sponsored 标记，请自行核实服务条款、价格和可用性，并遵守当地法律法规。

Stable Diffusion / ComfyUI 本地部署 2026：从环境到出图全流程 ​

一、为什么本地部署（而不是用云端） ​

二、本文与站内已有文章的关系（对比） ​

三、硬件需求（显卡 / 显存 / CPU / 内存对照） ​

四、方案选型：ComfyUI vs WebUI Forge vs 一键包 ​

五、环境准备（驱动 / CUDA / Python） ​

5.1 确认显卡驱动 ​

5.2 安装 Python ​

5.3 创建独立虚拟环境（强烈建议） ​

5.4 安装 PyTorch（CUDA 版） ​

六、ComfyUI 安装与工作流 ​

6.1 拉取代码并安装依赖 ​

6.2 启动 ​

6.3 安装管理器（ComfyUI-Manager） ​

6.4 工作流（Workflow）是什么 ​

七、模型与 LoRA 下载（Civitai / HuggingFace） ​

八、首次出图（提示词 / 采样 / 参数） ​

8.1 关键参数 ​

8.2 示例提示词 ​

九、进阶（ControlNet / 面部修复 / 批量） ​

十、性能优化（显存不足 / 加速） ​

十一、常见问题 ​

总结 ​

延伸阅读 ​

Stable Diffusion / ComfyUI 本地部署 2026：从环境到出图全流程

一、为什么本地部署（而不是用云端）

二、本文与站内已有文章的关系（对比）

三、硬件需求（显卡 / 显存 / CPU / 内存对照）

四、方案选型：ComfyUI vs WebUI Forge vs 一键包

五、环境准备（驱动 / CUDA / Python）

5.1 确认显卡驱动

5.2 安装 Python

5.3 创建独立虚拟环境（强烈建议）

5.4 安装 PyTorch（CUDA 版）

六、ComfyUI 安装与工作流

6.1 拉取代码并安装依赖

6.2 启动

6.3 安装管理器（ComfyUI-Manager）

6.4 工作流（Workflow）是什么

七、模型与 LoRA 下载（Civitai / HuggingFace）

八、首次出图（提示词 / 采样 / 参数）

8.1 关键参数

8.2 示例提示词

九、进阶（ControlNet / 面部修复 / 批量）

十、性能优化（显存不足 / 加速）

十一、常见问题

总结

延伸阅读