<xmp id="63nn9"><video id="63nn9"></video></xmp>

<xmp id="63nn9"></xmp>

<wbr id="63nn9"><ins id="63nn9"></ins></wbr>

<wbr id="63nn9"></wbr><video id="63nn9"><ins id="63nn9"><table id="63nn9"></table></ins></video>

Loading

快來玩AI畫圖!StableDiffusion模型搭建與使用入門~

前言

最近AI很火??,先是AI畫圖,然后就ChatGPT,后者我已經用了一段時間了,用來寫作文挺不錯的,但OpenAI屏蔽了中國IP,加上用戶太多啥的,用起來沒那么爽,但沒辦法全球只此一家,只能捏著鼻子用。而AI畫圖就不一樣了,全是開源的,自己部署一下可以玩個爽~

正好我們這有臺2080Ti的工作站,之前用來訓練模型的,現在部署個畫圖應該輕輕松松,于是就開始了折騰之路~

效果

先看看我生成出來的一些圖片

漢服 COSER
image image
大海 2B小姐姐
image image

Stable Diffusion

AI畫圖有 Novel AI 、Disco Diffusion、Stable Diffusion 等模型,為了快速上手,我選擇了最簡單的 Stable Diffusion ~

Stable Diffusion 是一個「文本到圖像」的人工智能模型(AI 繪圖工具),開源且能部署在家用電腦(對硬件要求不高)上。使用 Stable Diffusion,你可以在擁有 6GB 顯存顯卡,16GB 內存或只依賴 CPU 的電腦上生成圖像,并且僅需幾秒鐘的時間,無需進行預處理或后處理。

GitHub上有個項目可以快速將 Stable Diffusion 用 docker 跑起來,還附帶了 UI 界面,方便得很,本文用的就是這個項目。

項目地址: https://github.com/AbdBarho/stable-diffusion-webui-docker

前置條件

  • Linux系統(煉丹繞不開的,推薦Ubuntu系;Windows可以借助WSL,但折騰)
  • NVIDIA顯卡,6G以上顯存(當然AMD顯卡或者沒顯卡用CPU跑也行,但不在本文討論范圍)
  • CUDA版本 11.6 以上
  • 通暢的網絡(能夠正常訪問GitHub、下載模型)

配置docker網絡

安裝這個 Stable Diffusion 模型,需要下載很多模型,單純基礎模型和數據就得十幾個GB,這些都是要從國外的服務器下載,所以為了安裝順利,先來配置一下docker的代理。

Dockerd 代理

在執行docker pull時,是由守護進程dockerd來執行。因此,代理需要配在dockerd的環境中。而這個環境,則是受systemd所管控,因此實際是systemd的配置。

sudo mkdir -p /etc/systemd/system/docker.service.d
sudo touch /etc/systemd/system/docker.service.d/proxy.conf

在這個 proxy.conf 文件(可以是任意 *.conf 的形式)中,添加以下內容:

[Service]
Environment="HTTP_PROXY=http://proxy.example.com:8080/"
Environment="HTTPS_PROXY=http://proxy.example.com:8080/"
Environment="NO_PROXY=localhost,127.0.0.1,.example.com"

其中,proxy.example.com:8080 要換成可用的免密代理。

Container 代理

在容器運行階段,如果需要代理上網,則需要配置 ~/.docker/config.json。以下配置,只在Docker 17.07及以上版本生效。

{
  "proxies": {
    "default": {
      "httpProxy": "http://proxy.example.com:8080",
      "httpsProxy": "http://proxy.example.com:8080",
      "noProxy": "localhost,127.0.0.1,.example.com"
    }
  }
}

這個是用戶級的配置,除了 proxies,docker login 等相關信息也會在其中。

Docker Build 代理

雖然 docker build 的本質,也是啟動一個容器,但是環境會略有不同,用戶級配置無效。在構建時,需要注入 http_proxy 等參數。

如果是通過 docker 命令啟動的容器,可以使用以下命令

docker build . \
    --build-arg "HTTP_PROXY=http://proxy.example.com:8080/" \
    --build-arg "HTTPS_PROXY=http://proxy.example.com:8080/" \
    --build-arg "NO_PROXY=localhost,127.0.0.1,.example.com" \
    -t your/image:tag

不過我們一般使用 docker compose 工具,所以接著看看 compose 的配置方式

version: '3.9'
services:
  app:
    build: ./services/AUTOMATIC1111
    image: sd-auto:49
    environment:
      - CLI_ARGS=--allow-code --medvram --xformers --enable-insecure-extension-access --api

改成

version: '3.9'
services:
  app:
    build:
      context: ./services/AUTOMATIC1111
      args:
        - HTTP_PROXY=http://proxy.example.com:8080/
        - HTTPS_PROXY=http://proxy.example.com:8080/
    image: sd-auto:49
    environment:
      - CLI_ARGS=--allow-code --medvram --xformers --enable-insecure-extension-access --api

這樣就搞定了~

Tips

配置完記得重啟 docker daemon

sudo systemctl daemon-reload
sudo systemctl restart docker

注意:無論是 docker run 還是 docker build,默認是網絡隔絕的。如果代理使用的是 localhost:1234 這類,則會無效。

CUDA

推薦使用 LinuxMint/Ubuntu 系統自帶的驅動管理器安裝最新的顯卡驅動。

系統方面之前用的是 LinuxMint18(基于Ubuntu16.04) ,看了下 NVIDIA 的官方網站,這系統太老了,已經沒辦法用上新版驅動和CUDA了,所以我又花了一下午時間把系統升級到 LinuxMint21(基于Ubuntu22.04),然后裝上驅動,Ubuntu系裝驅動真是方便,一鍵搞定,沒有任何波折??,而且驅動附帶的 CUDA 也裝上了,不用額外折騰,舒服了。

nvidia-smi 看看驅動信息

Thu Mar 30 21:39:45 2023
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 525.89.02    Driver Version: 525.89.02    CUDA Version: 12.0     |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|                               |                      |               MIG M. |
|===============================+======================+======================|
|   0  NVIDIA GeForce ...  Off  | 00000000:C1:00.0 Off |                  N/A |
|  0%   30C    P8    26W / 300W |   1350MiB / 11264MiB |      0%      Default |
|                               |                      |                  N/A |
+-------------------------------+----------------------+----------------------+

+-----------------------------------------------------------------------------+
| Processes:                                                                  |
|  GPU   GI   CI        PID   Type   Process name                  GPU Memory |
|        ID   ID                                                   Usage      |
|=============================================================================|
|    0   N/A  N/A      1394      G   /usr/lib/xorg/Xorg                114MiB |
|    0   N/A  N/A      3198      G   cinnamon                           38MiB |
|    0   N/A  N/A    508973      C   python                           1192MiB |
+-----------------------------------------------------------------------------+

CUDA版本是12,完美~??

搭建步驟

終于要開始搞了

先把代碼 clone 下來

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

build step 1: 下載模型,需要十幾個G的模型

(只要網絡通暢,一次搞定沒問題的)

cd stable-diffusion-webui-docker
docker compose --profile download up --build

build step 2: 運行本體

這里是選擇一套 UI 來啟動,這個 auto 就是 UI 的名稱,除了這個,還有 auto-cpu (沒顯卡用的)、 invoke 、sygil 這幾個,我試了之后還是 auto 最好,功能最多。

invoke 的界面比較簡潔,似乎速度也比較快,但很多模型和LORA之類的都沒法用了~??

直接 auto 吧,不要糾結

docker compose --profile auto up --build

驅動、網絡沒問題的話,等它構建完可以看到類似的信息

stable-diffusion-webui-docker-auto-1  | Creating model from config: /stable-diffusion-webui/configs/v1-inference.yaml
stable-diffusion-webui-docker-auto-1  | LatentDiffusion: Running in eps-prediction mode
stable-diffusion-webui-docker-auto-1  | DiffusionWrapper has 859.52 M params.
stable-diffusion-webui-docker-auto-1  | Applying xformers cross attention optimization.
stable-diffusion-webui-docker-auto-1  | Textual inversion embeddings loaded(1): pureerosface_v1
stable-diffusion-webui-docker-auto-1  | Model loaded in 41.4s (calculate hash: 38.2s, load weights from disk: 1.6s, create model: 0.3s, apply weights to model: 0.3s, apply half(): 0.2s, load VAE: 0.8s).
stable-diffusion-webui-docker-auto-1  | Running on local URL:  http://0.0.0.0:7860

然后瀏覽器打開 http://ip:7860 就可以看到這個界面

輸入 prompt 就可以畫圖了,這里我用了一個風光圖的模型,畫一幅風景畫

如果跑不起來也沒事,可以看看后面的「疑難解答」部分。

如何使用

剛開始肯定一臉懵逼,咋畫不出高大上的效果???

  • prompt
  • 模型

首先,得學會使用 prompt,也就是生成圖片的描述,Stable Diffusion 通過英文文字內容來描述場景或物體,以此來決定生成的圖像中會出現什么。文字描述是決定圖像生成質量的關鍵因素。具體如何寫 prompt 不在本文討論范圍,請自行搜索相關文章,網上很多。

模型是個統稱,其中包含了Checkpoints、LORA、Texture之類的,不細說了,按照模型網站上的教程安裝使用就行。

這幾個網站可以按提示組合生成 prompt:

這幾個網站有很多人分享的成品圖和描述文案:

然后模型的話,可以去這幾個網站下載:

疑難解答

failed to solve: rpc error:

報錯信息

failed to solve: rpc error: code = Unknown desc = failed to solve with frontend dockerfile.v0: failed to solve with frontend gateway.v0: rpc error: code = Unknown desc = dockerfile parse error on line 8: unknown instruction: cat (did you mean cmd?)

解決方案

https://github.com/AbdBarho/stable-diffusion-webui-docker/issues/190

修改 stable-diffusion-webui-docker/services/AUTOMATIC1111/Dockerfile

將第一行

# syntax=docker/dockerfile:1

改為

# syntax=docker/dockerfile:1.3-labs

然后加上 DOCKER_BUILDKIT=1 參數進行 build

DOCKER_BUILDKIT=1 docker compose --profile auto up --build

pip依賴安裝失敗

網絡問題,雖然前面已經配置好了 docker 的代理,但 build 過程中不會走配置好的代理,需要添加 build args 再配置一次。

在 docker compose 配置中添加 build args 配置代理服務器。

參考文檔: https://docs.docker.com/compose/compose-file/compose-file-v3/

修改 docker-compose.yml 文件

auto: &automatic
  <<: *base_service
  profiles: ["auto"]
  build: ./services/AUTOMATIC1111
  image: sd-auto:49
  environment:
    - CLI_ARGS=--allow-code --medvram --xformers --enable-insecure-extension-access --api

改為

auto: &automatic
  <<: *base_service
  profiles: ["auto"]
  build:
    context: ./services/AUTOMATIC1111
    args:
      - HTTP_PROXY=http://host:port/
      - HTTPS_PROXY=http://host:port/
  image: sd-auto:49
  environment:
    - CLI_ARGS=--allow-code --medvram --xformers --enable-insecure-extension-access --api

顯卡驅動問題

報錯信息

Error response from daemon: could not select device driver "nvidia" with capabilities: [[gpu]]

需要安裝 NVIDIA Container Toolkit

參考文檔: https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/install-guide.html#setting-up-nvidia-container-toolkit

注意這個東西要求 cuda 版本 11.6 以上,如果沒有請先更新 cuda 版本。

添加軟件源

distribution=$(. /etc/os-release;echo $ID$VERSION_ID) \
      && 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/$distribution/libnvidia-container.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

注意如果是使用 LinuxMint 之類的 Ubuntu 衍生版,請手動指定 distribution 環境變量為對應的 Ubuntu 發行版,比如我現在用的 Mint 21 相當于 Ubuntu 22.04,所以需要設置 distribution=ubuntu22.04

安裝

sudo apt install -y nvidia-container-toolkit

配置

sudo nvidia-ctk runtime configure --runtime=docker

重啟 docker daemon

sudo systemctl restart docker

參考資料

posted @ 2023-03-31 11:02  程序設計實驗室  閱讀(1614)  評論(6編輯  收藏  舉報
人碰人摸人爱免费视频播放

<xmp id="63nn9"><video id="63nn9"></video></xmp>

<xmp id="63nn9"></xmp>

<wbr id="63nn9"><ins id="63nn9"></ins></wbr>

<wbr id="63nn9"></wbr><video id="63nn9"><ins id="63nn9"><table id="63nn9"></table></ins></video>