GPU-搭建AIGC能力（Linux）

AIGC简介 #

AIGC（AI generated content）是一种利用AI技术自动生成内容的生产方式，代表着AI从理解语言、理解文字、理解图片和视频，走向了生成内容，是一种‘人机共创’新模式。

操作场景 #

本文为您介绍如何部署Stable Diffusion WebUI工具前端和Stable Diffusion训练模型，实现高质量AI图片生成，掌握整个AI作画推理流程及关键参数对图片输出的影响。

软件版本 #

• NVIDIA驱动：本例使用Tesla 470.57.02，Cuda 11.4.1。
• Python：编程语言，并提供机器学习库Numpy等。本例使用Python 3.11.3版本。
• PIP：通用的Python包管理工具。本例使用PIP 20.0.2版本。
• Git：分布式版本控制系统。本例使用Git 2.25.1版本

使用说明 #

• 为使Stable Diffusion WebUI与模型顺利运行，推荐实例配置为 12GB 显存，且内存大于 16GiB ，使支持的图片更大、预处理效率更高。
  本例选用ecs.ini2.7xlarge计算规格，搭载NVIDIA A30 GPU卡，显存24GB，内存为234GiB。
• 下载本例所需软件可能需要访问国外网站，建议您增加网络代理（例如FlexGW）以提高访问速度。您也可以将所需软件下载到本地，参考 本地数据上传 到GPU实例中。

步骤一：创建GPU计算型实例 #

请参考 通过向导购买实例 创建一台符合以下条件的实例：

• 计算规格：ecs.ini2.7xlarge
• 镜像：Ubuntu 20.04，选择后台自动安装以下GPU驱动。
  
• 弹性公网IP：勾选“分配弹性公网IP”按钮。

步骤二：安装Python和PIP #

1. 登录 Python网站 。
2. 找到并单击Python 3.11.3，进入3.11.3版本下载页面。
   
3. 滑动页面至最下方，右键单击“Gzipped source tarball”，选择“复制链接地址”复制Python安装包下载地址，本例为 https://www.python.org/ftp/python/3.11.3/Python-3.11.3.tgz 。
   
4. 远程连接云服务器并登录，具体操作请参考 通过控制台登录Linux实例
5. 执行以下命令，拉取并安装Python安装包。

   apt update
   apt -y upgrade
   wget https://www.python.org/ftp/python/3.11.3/Python-3.11.3.tgz
   tar -zxvf Python-3.11.3.tgz
   cd Python-3.11.3/
   ./configure --prefix=/usr/local/python3.11.3
   make && make install
   
   
   
   
   
       
   

6. 执行以下命令，安装PIP。

   cd
   apt install python3-pip
   

7. 执行 pip --version 命令，回显如下，表示安装成功。
   

步骤三：安装Git #

1. 执行以下命令，安装Git。
   apt -y install git
2. 执行 git --version 命令，回显如下，表示安装成功。
   

步骤四：确认NVIDIA驱动 #

1. 执行 nvidia-smi 命令，可以看到GPU驱动的版本，说明GPU驱动已安装成功。
   
2. 执行 /usr/local/cuda/bin/nvcc -V 命令可以看到CUDA版本，说明CUDA已安装成功。
   =50%x)

步骤五：安装Stable Diffusion UI #

执行以下命令，安装Stable Diffusion UI。

cd 
git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git

回显如下，表示下载成功。

步骤六：下载训练模型Stable Diffusion #

1. 登录 Stable Diffusion代码库 ，单击“Files and versions”页签。

2. 右键单击“sd-v1-4.ckpt”训练模型，复制下载链接地址，本例为 https://huggingface.co/CompVis/stable-diffusion-v-1-4-original/blob/main/sd-v1-4.ckpt 。
   

3. 依次执行以下命令，进入训练模型存放目录并下载。

   cd stable-diffusion-webui/models/Stable-diffusion/
   wget https://huggingface.co/CompVis/stable-diffusion-v-1-4-original/blob/main/sd-v1-4.ckpt
   

4. 执行以下命令，进入训练模型webui目录。
   cd & cd stable-diffusion-webui/

5. 执行以下命令，修改webui运行脚本允许root权限运行。

   1. 执行 vi webui.sh 命令，进入webui运行脚本。
   2. 修改如下位置的 can_run_as_root=0 为 can_run_as_root=1 。
      
   3. 注释掉如下内容。
      

6. 执行以下命令，添加清华源。

   1. 执行 vi launch.py 命令。
   2. 搜索代码 run(f'"{python}" -m {torch_command} ，并添加清华源 -i https://pypi.tuna.tsinghua.edu.cn/simple 。
      
   3. 搜索代码 return run(f'"{python}" -m pip {command} ，并添加清华源 -i https://pypi.tuna.tsinghua.edu.cn/simple 。
      

7. 依次执行以下命令，进入并启动python-venv虚拟环境。

   apt -y install python3.8-venv
   python3 -m venv venv_name
   source venv_name/bin/activate
   

   回显如下，表示成功进入虚拟环境。
   

8. 执行以下命令，安装gfpgan。
   git clone https://github.com/TencentARC/GFPGAN.git pip install gfpgan

9. 依次执行以下命令，运行 webui.sh 文件。
   ./webui.sh --share
   根据网速不同，大约需要20分钟 - 2个小时不等，请耐心等待， 一定不要关闭远程连接窗口 。如果过程中出现运行失败的情况，请稍后重试或按需解决。

10. 回显如下，表示下载完成。
    

11. 使用浏览器打开http://127.0.0.1:7860，注意不要关闭远程连接窗口。

步骤七：生成图片 #

1. 在http://127.0.0.1:7860中配置相关参数。

   参数	说明	取值示例
   Sampling Steps	AI推理的步数，步数越多画面中的细节就越多，需要的时间也就越久，一般设置20~30。	20
   Sampling method	AI推演的算法，一般可以选择Euler a、Euler 、DDIM。	Euler a
   图片分辨率	取决于显卡，低于512 X 512画面不会有太多细节。	512*512
   扩展选项	Restore faces：可以生成更真实的脸，第一次勾选使用时，需要先下载几个G的运行库。 Tiling：可以平铺图片，类似瓷砖，生成的图案左右上下都可以无缝衔接。 Highres. fix：让AI用更高的分辨率填充内容。	不配置
   Batch count	运行次数。	1
   Batch size	同时生成图片的张数。	1
   CFG Scale	设置的越高，AI越严格按照设定生成图片，但也会有越少的创意；设置的越低，AI就会有更多的创意。一般设置为7左右。	7
   Seed	生成每张图片时的随机种子，作为确定扩散初始状态的基础，一般保持默认。	-1

2. 单击“生成”按钮后，即会获得一张本地AI生成的图片，以及图片产生用时和GPU利用率，如下图所示。