首页 >> 帮助中心 >> 阿里云国际 > 使用SD-WebUI容器镜像加速文生图

使用SD-WebUI容器镜像加速文生图

2025-06-26   访问量：1002


对于需要文生图的业务场景，通过使用Stable Diffusion模型可以实现文生图功能。相比未使用DeepGPU加速的情况，借助DeepGPU可以加速Stable Diffusion模型的计算和推理性能。例如，文本生成分辨率为512x512图像的情况下，使用DeepGPU功能其加速性能可能提升约88%。本文为您介绍如何在GPU实例上部署SD-WebUI容器镜像以加速文生图。

加速效果示例

阿里云提供的SD-WebUI镜像中默认启用了DeepGPU加速功能，在GPU实例上部署SD-WebUI镜像可以加速文生图。

本示例仅展示一个简单的文生图加速效果，相比未使用DeepGPU加速场景（作为对比基线），使用DeepGPU加速功能，其加速性能提升88%左右。更多信息，请参见DeepGPU加速验证。






文本Prompt

图像（分辨率）

耗时（禁用DeepGPU功能）

耗时（启用DeepGPU功能）

加速性能提升率

apples

多个苹果（512x512）

image

1.45 sec

0.77 sec

88%

操作步骤

步骤一：获取SD-WebUI容器镜像信息

阿里云提供的SD-WebUI容器镜像通过DeepGPU工具进行加速，获取SD-WebUI容器镜像详细信息，以便您在GPU实例上部署该容器镜像时使用。例如，创建GPU实例时需要提前了解容器镜像适用的GPU实例类型，拉取容器镜像时需要提前获取镜像地址等信息。

  1. 登录容器镜像服务控制台。

  2. 在左侧导航栏，单击制品中心。

  3. 在仓库名称搜索框，搜索sd-webui，并选择目标镜像egs/sd-webui。

    镜像详情如下所示：




    镜像名称

    组件信息

    镜像地址

    SD-WebUI


    egs-registry.cn-hangzhou.cr.aliyuncs.com/egs/sd-webui:4.3.9-full-pytorch2.1.2-ubuntu22.04

    SD-WebUI


    egs-registry.cn-hangzhou.cr.aliyuncs.com/egs/sd-webui:4.3.5-full-pytorch2.1.2-ubuntu22.04

    • Deepgpu-sd：4.3.5-full

    • Python：3.10

    • PyTorch：2.1.2

    • CUDA：12.1.1

    • cuDNN：8.9.0.131

    • 基础镜像：Ubuntu 22.04

    • Deepgpu-sd：4.3.9-full

    • Python：3.10

    • PyTorch：2.1.2

    • CUDA：12.1.1

    • cuDNN：8.9.0.131

    • 基础镜像：Ubuntu 22.04

步骤二：创建GPU实例

具体操作，请参见创建GPU实例。关键参数说明如下：

  • 实例规格：建议选择内存30 GiB以上、GPU显存24 GB以上、vCPU无限制的实例规格（例如ecs.gn7i-4x.8xlarge）。

    Stable Diffusion模型的推理过程需要耗费大量的计算资源，运行时占用大量内存，为了保证模型运行的稳定，建议您选择内存大的单卡GPU实例。SD-WebUI镜像仅支持在以下GPU实例规格族中配置：

    说明

    更多信息，请参见GPU计算型（gn/ebm/scc系列）。

    • gn7i、ebmgn7i、ebmgn7ix

    • gn7e、ebmgn7e、ebmgn7ex

    • gn8is、ebmgn8is

  • 镜像：选择公共镜像，建议选择Ubuntu 20.04及以上版本的镜像。

    在GPU实例上部署SD-WebUI容器镜像，需要提前在该实例上安装Tesla驱动且驱动版本应为535或更高，建议您通过ECS控制台购买GPU实例时，同步选中安装GPU驱动。实例创建完成后，会自动安装Tesla驱动、CUDA、cuDNN库等，相比手动安装方式更快捷。

    镜像选择.png

  • 系统盘：Stable Diffusion的运行需要下载多个模型文件，会占用大量存储空间，为了保证模型顺利运行，建议系统盘设置为100 GiB。

  • 公网IP：选中分配公网IPv4地址，带宽计费方式选择按使用流量，建议带宽峰值选择100Mbps，以加快模型下载速度。

步骤三：在GPU上配置SD-WebUI镜像

  1. 远程连接GPU实例。

    具体操作，请参见使用Workbench工具以SSH协议登录Linux实例。

  2. 执行以下命令，安装Docker环境。

     

    sudo apt-get update
sudo apt-get -y install ca-certificates curl

sudo install -m 0755 -d /etc/apt/keyrings
sudo curl -fsSL http://mirrors.cloud.aliyuncs.com/docker-ce/linux/ubuntu/gpg -o /etc/apt/keyrings/docker.asc
sudo chmod a+r /etc/apt/keyrings/docker.asc


echo \
  "deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/keyrings/docker.asc] http://mirrors.cloud.aliyuncs.com/docker-ce/linux/ubuntu \  $(. /etc/os-release && echo "$VERSION_CODENAME") stable" | \
  sudo tee /etc/apt/sources.list.d/docker.list > /dev/nullsudo apt-get update
sudo apt-get install -y docker-ce docker-ce-cli containerd.io

  3. 执行以下命令，检查Docker是否安装成功。

     

    docker -v

    如下图回显信息所示，表示Docker已安装成功。

    docker版本.png

  4. 执行以下命令，安装nvidia-container-toolkit。

     

    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
sudo apt-get update
sudo apt-get install -y nvidia-container-toolkit

  5. 设置Docker开机自启动并重启Docker服务。

     

    sudo systemctl enable docker 
sudo systemctl restart docker

  6. 执行以下命令，查看Docker是否已启动。

     

    sudo systemctl status docker

    如下图回显所示，表示Docker已启动。

    docker restart.jpg

  7. 执行以下命令，拉取SD-WebUI镜像。

     

    sudo docker pull <SD-WebUI镜像地址>

    请将代码中的<SD-WebUI镜像地址>替换为您在操作步骤中获取的SD-WebUI镜像地址，示例如下：

     

    sudo docker pull egs-registry.cn-hangzhou.cr.aliyuncs.com/egs/sd-webui:4.3.9-full-pytorch2.1.2-ubuntu22.04

    重要

    • 拉取镜像可能需要较长时间（20分钟甚至更久），请您耐心等待。

    • 如果下载SD-WebUI镜像过程中，出现no space left on device错误提示，说明您的磁盘空间不足，需要扩容云盘，然后再重新进行镜像下载。扩容云盘的更多信息，请参见云盘扩容指引。

  8. 执行以下命令，运行SD-WebUI容器。

     

    h_mdir=/host/models/ # host models dir
c_mdir=/workspace/stable-diffusion-webui/models # container dir
sudo mkdir -p ${h_mdir}/Stable-diffusion
cd ${h_mdir}/Stable-diffusion# 下载标准SD-1.5模型sudo wget https://aiacc-inference-public-v2.oss-accelerate.aliyuncs.com/aiacc-inference-webui/models/v1-5-pruned-emaonly.safetensors# 启动容器sudo docker run -c 32 --gpus all -it \
-v ${h_mdir}/Stable-diffusion/:${c_mdir}/Stable-diffusion/ \
-v ${h_mdir}/ControlNet/:${c_mdir}/ControlNet/ \
-v ${h_mdir}/Lora/:${c_mdir}/Lora/ \
-p 5001:5001 egs-registry.cn-hangzhou.cr.aliyuncs.com/egs/sd-webui:4.3.9-full-pytorch2.1.2-ubuntu22.04

    SD-WebUI容器启动后，SD-WebUI服务自动启动。如果您需要修改服务启动命令或默认端口，请参照以下命令进行修改。例如，如需更改服务器监听端口为5002时，即将--port 5001修改为--port 5002；如需更改模型检查点的目录为/example/path/ckpts时，即将--ckpt-dir ./ckpts改为/example/path/ckpts。

     

    cd /workspace/stable-diffusion-webui
python -u ./launch.py --ckpt-dir ./ckpts --listen --port 5001 --enable-insecure-extension-access --disable-safe-unpickle --api --xformers --skip-install

DeepGPU加速验证

  1. 在安全组中，为您本地主机的IP（公网IP）开放入方向的访问SD-WebUI的端口。

    本示例以开放入方向5001端口为例，具体操作，请参见添加安全组规则。

    5001端口.jpg

  2. 在浏览器中，输入http://<GPU实例的公网IP>:5001访问SD-WebUI网站。

  3. 在Web页面的文生图页签下，输入文本提示词，单击生成/Generate，等待生成图像。

    2024-09-23_18-31-03.jpg

  4. 查看不同场景下的文生图时间，对比加速效果。

    通过以下两种场景对比，相比禁用DeepGPU加速的场景（作为对比基线），在Stable Diffusion模型上启用DeepGPU加速功能，其加速性能提升约88%。



    场景1：禁用DeepGPU加速功能

    场景2：启用DeepGPU加速功能

    操作说明：

    按照本文操作后，再禁用DeepGPU加速功能。

    2024-12-24_18-06-52.png

    操作说明：

    按照本文操作即可在模型上启用DeepGPU加速功能。

    效果展示：禁用DeepGPU加速功能后，文生图所用时间为1.43 sec。

    screenshot_2024-12-24_18-13-46.png

    效果展示：启用DeepGPU加速功能后，文生图所用时间为0.76 sec。

    训练时间.png

    1. 在SD-WebUI网站页面，单击设置/Settings。

    2. 在搜索框中输入apply，并单击回车键。

    3. 取消Apply Aiacctorch in Unet to speedup the whole network inference when loading models.(Restart required)选项。

    4. 单击应用设置/Apply settings。

    5. 单击重新加载WebUI/Reload UI。

      重要

      应用设置后，请您重启WebUI服务器，因为仅通过重新加载WebUI并不能彻底清除原来的设置状态，后续可能会出现其他问题。

    6. 在Web页面的文生图页签下，进行文生图测试。

生产环境使用

如果想在实际生产环境中，借助DeepGPU加速文生图效率，建议您按照以下流程操作。

  1. 准备好自己的模型。

    可以归档在本地，也可以归档在某个路径下方便下载。

  2. 按照本文操作步骤，部署SD-WebUI容器环境。

  3. 执行以下命令，在主机上设置用户模型的目录路径。

     

    h_mdir=/host/models/ # 在主机上设置您自己模型的存放路径
sudo mkdir -p ${h_mdir}/Stable-diffusion # 在主机上创建一个名为Stable-diffusion的目录
sudo mkdir -p ${h_mdir}/ControlNet # 在主机上创建一个名为ControlNet的目录
sudo mkdir -p ${h_mdir}/Lora # 在主机上创建一个名为Lora的目录
cd ${h_mdir}/Stable-diffusion # 进入主机上的Stable-diffusion目录中

  4. 下载您自己的模型至ECS主机。

    • 模型存档在本地：将用户模型及模型组件上传到ECS主机的模型目录下（/host/models/）。更多信息，请参见在本地Windows使用WinSCP向Linux实例传输文件。

      说明

      其中，用户自己的模型存在/host/models/Stable-diffusion路径下，ControlNet组件存放在/host/models/ControlNet路径下，Lora组件存放在/host/models/Lora路径下。

    • 模型存档在某个路径：执行sudo wget <用户模型下载路径>，下载您自己的模型。

  5. 执行以下命令，启动SD-WebUI容器，并将主机上的目录映射到SD-WebUI容器中的目录。

     

    c_mdir=/workspace/stable-diffusion-webui/models # 设置SD-WebUI容器中的模型目录路径

sudo docker run -c 32 --gpus all -it \
-v ${h_mdir}/Stable-diffusion/:${c_mdir}/Stable-diffusion/ \
-v ${h_mdir}/ControlNet/:${c_mdir}/ControlNet/ \
-v ${h_mdir}/Lora/:${c_mdir}/Lora/ \
-p 5001:5001 egs-registry.cn-hangzhou.cr.aliyuncs.com/egs/sd-webui:4.3.9-full-pytorch2.1.2-ubuntu22.04

    映射成功后，用户的模型就会自动在SD-WebUI容器中运行，访问SD-WebUI网站，您可以在Web页面看到文生图效果，您也可以根据实际需要在SD-WebUI页面配置不同的参数以满足实际场景需求。


全部类型
更多>
阿里云国际 腾讯云国际 亚马逊云 教程中心 安全中心
热门文章
更多>