凌晨一点十七分，窗外的雨像细小的电流敲在玻璃上。我把一张旧显卡插回主机，机箱风扇亮起那一刻，像某种沉默机器重新开始呼吸。很多人第一次想做 Stable Diffusion 本地部署，并不是为了炫技，而是想把提示词、草图、人物风格留在自己的电脑里，不必每次都把灵感交给云端。可真正开始时，问题也来了：显存不够怎么办？模型放哪里？LoRA 微调会不会把机器跑崩？这篇笔记，就从我自己反复踩坑的那台 Windows 主机说起。
先判断你的电脑能不能跑：显卡、Python与磁盘空间
如果你搜索过“Stable Diffusion本地部署教程”，大概率会看到一堆安装方式。先别急着下载，先诊断机器。我的测试机是 RTX 3060 12GB、32GB 内存、1TB SSD；另一台 RTX 2060 6GB 也能跑，但只能更节省地出图和训练。一般来说，生成 512×768 图片，6GB 显存勉强够；如果要训练 LoRA，建议 8GB 起步，12GB 更舒服。磁盘至少预留 40GB，因为一个 SD 1.5 模型约 2GB，一个 SDXL 模型常见 6GB 左右，训练数据和输出很快会膨胀。
先打开命令行检查显卡：
nvidia-smi
如果能看到 CUDA Version、显卡型号和显存占用，说明驱动基本正常。若提示命令不存在，先安装 NVIDIA 官方驱动。Python 建议用 3.10.6，不要盲目装最新版；Git 也要提前安装。很多“Stable Diffusion安装失败”的根因，不是模型问题，而是 Python 版本、路径中文名、驱动太旧。
用 AUTOMATIC1111 WebUI 搭起来：模型放对，比参数更重要
免费和官方路线优先：你可以使用 AUTOMATIC1111 Stable Diffusion WebUI，这是目前资料最多、插件最全的本地方案。新建一个英文路径文件夹，例如 D:\sd-webui，然后在命令行执行：
git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git
cd stable-diffusion-webui
webui-user.bat
第一次启动会下载依赖，我这边 300Mbps 宽带下约 12 分钟完成；如果网络不稳，失败后重复运行即可。模型文件，也就是常见的 .safetensors，放到：
stable-diffusion-webui\models\Stable-diffusion
然后重新启动 WebUI，浏览器通常打开 http://127.0.0.1:7860。如果你在找“Stable Diffusion模型下载”，记住优先选择 safetensors 格式，少碰来源不明的 .ckpt；SD 1.5 模型适合低显存和 LoRA 训练，SDXL 画质更好但吃显存。我实际测试：RTX 3060 12GB，SD 1.5、512×768、20 steps、Euler a，单张约 5.8 秒；SDXL 1024×1024 同步数约 18—28 秒，取决于模型和 VAE。
如果你不知道 Stable Diffusion怎么用，先用一组可复现参数开始：Prompt 写 portrait photo of a young woman, soft light, detailed eyes, 85mm lens，Negative Prompt 写 low quality, blurry, extra fingers, bad hands，采样器选 DPM++ 2M Karras，Steps 20，CFG Scale 7，尺寸 512×768，Seed 固定为 12345。固定 Seed 的意义，是让你能比较模型、插件和提示词变化，而不是被随机性带着走。
LoRA微调：小数据也能做风格，但别让脏数据毁掉结果
真正让我觉得本地部署有温度的，是第一次训练 LoRA。那不是“让 AI 变聪明”，更像把一摞照片、一种笔触、一段审美，悄悄教给机器。推荐使用 kohya_ss 做训练，它对 LoRA、DreamBooth 支持成熟。准备 20—50 张同一风格或同一人物图片，分辨率尽量统一，删掉糊图、遮挡严重、重复角度太多的图。数据质量比数量更重要，我用 32 张干净头像训练出的稳定性，明显好过 120 张杂乱截图。
安装 kohya_ss 的基本流程是：克隆项目，运行 setup，选择 Torch/CUDA 配置。训练参数可以先用保守组合：基础模型选 SD 1.5，resolution 512，network_dim 32，network_alpha 16，learning_rate 1e-4，batch_size 1，epoch 10。图片命名和标签可以用 WD14 Tagger 自动打标，再手动删掉明显错误标签。触发词建议独特，比如 ryportrait_style，不要用太普通的词。
训练时看三件事：显存、loss、样图。RTX 3060 12GB 上，32 张图、10 epoch，我测得约 18 分钟完成，LoRA 文件约 36MB。loss 不需要追求越低越好；如果样图开始变得僵硬、同脸、背景混乱，可能是过拟合，降低 epoch 或减少重复次数。训练完成后，把 LoRA 放到：
stable-diffusion-webui\models\Lora
在提示词里调用：
<lora:your_lora_name:0.7> ryportrait_style, portrait photo, soft light
权重从 0.6 到 0.8 慢慢试。0.3 太弱，1.0 以上容易“糊成训练集”。这也是很多“LoRA训练教程”没有讲透的地方：微调不是复制，而是学会在相似与自由之间保持呼吸。
如何验证它真的可用
验证不要只看一张漂亮图。请固定模型、Seed、采样器和尺寸，分别测试不加 LoRA、LoRA 0.5、LoRA 0.8 三组，每组出 4 张。若主题特征稳定出现，手部和背景没有明显崩坏，显存没有爆掉，WebUI 控制台无红色报错，就算初步成功。再换 3 组不同提示词测试泛化能力：近景头像、半身照、不同光线。如果只有训练角度能看，说明数据太窄；如果完全不像，检查触发词、标签和训练轮数。
如果遇到 CUDA out of memory，先把尺寸降到 512，开启 xformers，batch size 改 1；WebUI 启动参数可加：
set COMMANDLINE_ARGS=--xformers --medvram
技术有时像夜里的电台，你调很久的频，忽然听见清晰的人声。Stable Diffusion 本地部署和模型微调也是这样：不是一键奇迹，而是一次次排查、记录、回看。免费方案已经足够完成大多数学习和创作；如果你还需要整理 AI 生产力工具路径，也可以把睿盈工具作为一个参考入口：https://wizzegroup.com。愿你的机器亮起来时，不只是风扇在转，也有某个画面终于抵达你。