Stable Diffusion Einrichtung: Self-Hosted Bilderzeugung

Stable Diffusion ist ein Open-Source-KI-Modell, das Bilder aus Text generiert. Durch den Betrieb auf Ihrem eigenen Server können Sie unbegrenzt Bilder erzeugen, benutzerdefinierte Modelle trainieren und mit vollständiger Privatsphäre arbeiten. Diese Anleitung behandelt die Installation von AUTOMATIC1111 Web UI und ComfyUI, Modellverwaltung, LoRA und ControlNet-Nutzung im Detail.

Was ist Stable Diffusion?

Stable Diffusion ist ein Latent-Diffusion-Modell, entwickelt von Stability AI. Hauptmerkmale:

Text-zu-Bild (txt2img): Bilderzeugung aus Textbeschreibungen
Bild-zu-Bild (img2img): Neue Bilder mit vorhandenen Bildern als Referenz erzeugen
Inpainting: Bestimmte Bereiche eines Bildes bearbeiten
ControlNet: Kontrollierte Erzeugung mit Pose-, Kanten- und Tiefenkarten
LoRA: Modell-Feinabstimmung mit geringen Ressourcen
Upscaling: Niedrig aufgelöste Bilder vergrößern

Systemanforderungen

Komponente	Minimum	Empfohlen
GPU	NVIDIA 6 GB VRAM	NVIDIA 12 GB+ VRAM
RAM	16 GB	32 GB+
Festplatte	30 GB	100 GB+ (für Modelle)
OS	Ubuntu 22.04 LTS	Ubuntu 22.04/24.04 LTS
CUDA	11.8+	12.1+
Python	3.10+	3.10.x

AUTOMATIC1111 Web UI Installation

AUTOMATIC1111 ist die beliebteste Weboberfläche für Stable Diffusion.

Manuelle Installation

hljs bash

# Abhängigkeiten
sudo apt-get update
sudo apt-get install -y python3-venv python3-pip git wget

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

# Modell herunterladen (Stable Diffusion XL)
wget -O models/Stable-diffusion/sd_xl_base_1.0.safetensors \
  "https://huggingface.co/stabilityai/stable-diffusion-xl-base-1.0/resolve/main/sd_xl_base_1.0.safetensors"

# Starten
./webui.sh --listen --port 7860 --xformers --enable-insecure-extension-access

Docker mit AUTOMATIC1111

hljs yaml

version: '3.8'
services:
  stable-diffusion:
    image: ghcr.io/abetlen/stable-diffusion-webui-docker:latest
    container_name: sd-webui
    ports:
      - "7860:7860"
    volumes:
      - sd_models:/app/models
      - sd_outputs:/app/outputs
      - sd_extensions:/app/extensions
    environment:
      - COMMANDLINE_ARGS=--listen --xformers --enable-insecure-extension-access --no-half-vae
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: 1
              capabilities: [gpu]
    restart: unless-stopped

volumes:
  sd_models:
  sd_outputs:
  sd_extensions:

ComfyUI Installation

ComfyUI ist eine fortgeschrittene knotenbasierte Stable-Diffusion-Oberfläche. Ideal für komplexe Workflows.

Manuelle Installation

hljs bash

# Repository klonen
git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI

# Python virtuelle Umgebung
python3 -m venv venv
source venv/bin/activate

# Abhängigkeiten
pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu121
pip install -r requirements.txt

# Starten
python main.py --listen 0.0.0.0 --port 8188

Modell-Download und Verwaltung

Beliebte Modelle

hljs bash

# Stable Diffusion XL Base
wget -O models/Stable-diffusion/sd_xl_base_1.0.safetensors \
  "https://huggingface.co/stabilityai/stable-diffusion-xl-base-1.0/resolve/main/sd_xl_base_1.0.safetensors"

# Stable Diffusion 1.5 (für niedrigen VRAM)
wget -O models/Stable-diffusion/v1-5-pruned-emaonly.safetensors \
  "https://huggingface.co/runwayml/stable-diffusion-v1-5/resolve/main/v1-5-pruned-emaonly.safetensors"

LoRA-Nutzung

LoRA (Low-Rank Adaptation) ermöglicht die Feinabstimmung großer Modelle mit geringen Ressourcen.

hljs bash

# LoRA-Modelle im Verzeichnis models/Lora ablegen
mkdir -p models/Lora

LoRA-Prompt-Nutzung

Um LoRA in AUTOMATIC1111 zu verwenden, fügen Sie es Ihrem Prompt hinzu:

a beautiful landscape, mountains, sunset <lora:detail-enhancer:0.7>

ControlNet-Einrichtung

ControlNet ermöglicht die Steuerung der Bilderzeugung mit Pose-, Kantenkarten und Tiefeninformationen.

hljs bash

# ControlNet-Erweiterung installieren (AUTOMATIC1111)
cd extensions
git clone https://github.com/Mikubill/sd-webui-controlnet.git

# ControlNet-Modelle
mkdir -p models/ControlNet
wget -O models/ControlNet/control_v11p_sd15_canny.pth \
  "https://huggingface.co/lllyasviel/ControlNet-v1-1/resolve/main/control_v11p_sd15_canny.pth"

API-Bilderzeugung

Programmatische Bilderzeugung über die AUTOMATIC1111-API:

hljs python

import requests
import base64
from pathlib import Path

def generate_image(prompt, negative_prompt="", steps=30, width=1024, height=1024):
    url = "http://localhost:7860/sdapi/v1/txt2img"
    payload = {
        "prompt": prompt,
        "negative_prompt": negative_prompt,
        "steps": steps,
        "width": width,
        "height": height,
        "sampler_name": "DPM++ 2M Karras",
        "cfg_scale": 7,
        "seed": -1
    }
    
    response = requests.post(url, json=payload)
    result = response.json()
    
    image_data = base64.b64decode(result["images"][0])
    Path("output.png").write_bytes(image_data)
    print("Bild gespeichert: output.png")

generate_image(
    prompt="a futuristic data center, neon lights, cyberpunk style, 8k",
    negative_prompt="blurry, low quality, distorted"
)

Leistungsoptimierung

hljs bash

# Speicheroptimierung mit xformers
pip install xformers

# Startparameter
./webui.sh --listen --xformers --opt-sdp-attention --no-half-vae --medvram --port 7860

Speichersparende Parameter

Parameter	Beschreibung	VRAM-Einsparung
--xformers	xformers Attention	Mittel
--medvram	Mittlerer VRAM-Modus	Hoch
--lowvram	Niedriger VRAM-Modus	Sehr hoch
--opt-sdp-attention	SDP Attention	Mittel
--no-half-vae	VAE float32	Qualitätsverbesserung

Erzeugen Sie unbegrenzt Bilder mit Stable Diffusion auf REXE GPU-Servern. SDXL-Modelle laufen mit hoher Geschwindigkeit auf NVIDIA A100 GPUs.

Stable Diffusion Einrichtung: Self-Hosted Bilderzeugung

Inhaltsverzeichnis