Guohua Diffusion 环境部署保姆级教程：Ubuntu 20.04系统配置

Guohua Diffusion 环境部署保姆级教程：Ubuntu 20.04系统配置

想试试最近挺火的Guohua Diffusion模型，自己生成点有意思的图片，结果第一步环境部署就给卡住了？别急，这太正常了。网上教程要么太零散，要么默认你已经是Linux老手，对新手一点都不友好。

今天这篇，咱们就从头开始，用最直白的话，把在Ubuntu 20.04上部署Guohua Diffusion的每一步都掰开揉碎了讲。你不用懂复杂的Linux命令，也不用担心哪个依赖没装对，跟着步骤走就行。我们的目标很简单：让你能顺顺利利地把环境搭起来，跑通第一个生成案例。

我会重点讲清楚几个最容易出错的点，比如CUDA版本怎么选、虚拟环境怎么配、模型文件放哪儿。就算中途报错了也别慌，文章后面准备了常见的“坑”和解决办法。好了，咱们这就开始。

1. 动手前的准备工作

在开始敲命令之前，有两件事得先确认好，这能帮你避开一大半的麻烦。

1.1 检查你的系统“底子”

首先，确保你用的是Ubuntu 20.04。打开终端，输入下面这个命令：

lsb_release -a

你会看到类似这样的输出，重点看Description这一行是不是Ubuntu 20.04。

No LSB modules are available. Distributor ID: Ubuntu Description: Ubuntu 20.04.6 LTS Release: 20.04 Codename: focal

其次，检查你的显卡。Guohua Diffusion这类模型主要靠显卡来跑，所以你得有一块NVIDIA的显卡。在终端输入：

nvidia-smi

如果这个命令能运行，并且显示了你的显卡型号（比如GeForce RTX 3060）和CUDA版本，那说明显卡驱动已经装好了。这是最理想的情况。

如果提示“command not found”，那说明还没装NVIDIA驱动。别担心，在Ubuntu 20.04上安装驱动很简单。打开“软件和更新”应用，切换到“附加驱动”标签页，系统会自动检测可用的驱动，选一个推荐版本（通常是带“recommended”字样的）安装并重启就行。

1.2 理清核心工具链：CUDA和cuDNN

你可能听过这两个词，觉得很高深。其实可以这么理解：

• CUDA：是NVIDIA为了让显卡不仅能打游戏、做图形，还能帮我们做科学计算、AI运算的一套工具包。没有它，你的显卡在AI模型面前就是“英雄无用武之地”。
• cuDNN：你可以把它看作是CUDA的一个“加速包”或“优化库”。它针对深度神经网络里那些常用的操作（比如卷积）做了极致优化，能让模型跑得更快。

对于Guohua Diffusion，我们通常需要CUDA 11.3或更高版本。刚才nvidia-smi命令输出的右上角，就显示了当前驱动支持的最高CUDA版本（例如：CUDA Version: 12.4）。只要这个版本号不低于11.3，就基本没问题。我们接下来会安装匹配的CUDA工具包。

2. 搭建核心运行环境

基础打好了，现在来安装最重要的“发动机”和“工作间”。

2.1 安装CUDA工具包

我们不从NVIDIA官网下那个巨大的安装包。对于Ubuntu，用系统包管理器安装更干净、更容易管理。打开终端，依次执行以下命令：

1. 添加NVIDIA的官方软件仓库：

   wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-ubuntu2004.pin sudo mv cuda-ubuntu2004.pin /etc/apt/preferences.d/cuda-repository-pin-600 sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/3bf863cc.pub sudo add-apt-repository "deb https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/ /" sudo apt-get update

2. 安装CUDA 11.8（这是一个比较稳定且兼容性广的版本）：

   sudo apt-get install cuda-11-8

   这个命令会安装包括CUDA工具包、驱动（如果没装）在内的一系列东西，需要一点时间。

3. 安装完成后，需要让系统知道我们把CUDA装哪儿了。编辑你的用户环境配置文件：

   nano ~/.bashrc

   在文件的最后，添加下面两行：

   export PATH=/usr/local/cuda-11.8/bin${PATH:+:${PATH}} export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

   按Ctrl+X，然后按Y，再按回车保存退出。

4. 让刚才的配置立刻生效：

   source ~/.bashrc

5. 验证安装。输入nvcc --version，如果看到输出包含release 11.8的字样，恭喜你，CUDA安装成功。

2.2 安装cuDNN

cuDNN需要去NVIDIA官网下载，但需要注册一个免费账户。这里我们假设你已经下载好了对应CUDA 11.x的cuDNN压缩包（例如cudnn-linux-x86_64-8.x.x.x_cuda11-archive.tar.xz）。

1. 解压下载的文件：

   tar -xvf cudnn-linux-x86_64-8.x.x.x_cuda11-archive.tar.xz

2. 将解压出的文件复制到CUDA的安装目录：

   sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda-11.8/include sudo cp -P cudnn-*-archive/lib/libcudnn* /usr/local/cuda-11.8/lib64 sudo chmod a+r /usr/local/cuda-11.8/include/cudnn*.h /usr/local/cuda-11.8/lib64/libcudnn*

   这样cuDNN就配置好了。

2.3 创建独立的Python“工作间”

强烈建议为这个项目创建一个独立的Python虚拟环境。这就像给你的项目一个单独的“房间”，里面装的Python库不会和系统里其他项目的库打架，管理起来特别清爽。

1. 先确保安装了创建虚拟环境的工具：

   sudo apt-get install python3-venv python3-pip

2. 找一个你喜欢的地方（比如在家目录下），创建并激活虚拟环境：

   cd ~ python3 -m venv guohua_env source ~/guohua_env/bin/activate

   激活后，你的命令行前面会出现(guohua_env)的提示，表示你已经在这个“房间”里了。之后所有pip install操作，都只会影响这个房间。

3. 获取并启动Guohua Diffusion模型

环境齐备，现在请“主角”登场。

3.1 下载模型权重文件

Guohua Diffusion的模型文件（通常是一个或多个很大的.safetensors或.ckpt文件）需要从模型发布页（例如Hugging Face）下载。由于文件很大，建议使用wget命令配合直链下载，或者用git lfs。

假设你已经找到了模型文件的下载链接，可以这样下载到当前目录：

wget -c https://example.com/path/to/guohua-diffusion-model.safetensors

-c参数支持断点续传，万一网络中断也不用重头开始。

3.2 通过ComfyUI快速测试（推荐）

对于新手，我强烈推荐用ComfyUI来加载和测试模型。它是一个节点式的Web界面，直观且功能强大。

1. 在虚拟环境下，克隆ComfyUI的仓库：

   git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI

2. 安装依赖：

   pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 pip install -r requirements.txt

3. 将你下载的Guohua Diffusion模型文件（.safetensors）放到ComfyUI/models/checkpoints/目录下。

4. 启动ComfyUI：

   python main.py

5. 看到终端输出包含Running on local URL: http://127.0.0.1:8188的信息后，打开浏览器访问这个地址。你就能看到ComfyUI的界面了。在网上搜索“Guohua Diffusion ComfyUI workflow”，导入别人分享的工作流JSON文件，或者自己拖拽节点连接，加载你刚放进去的模型，就可以开始生成图片了。

3.3 备选方案：使用WebUI

如果你更习惯AUTOMATIC1111的Stable Diffusion WebUI，也可以。

1. 克隆WebUI仓库并进入目录：

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

2. 将模型文件放入stable-diffusion-webui/models/Stable-diffusion/目录。

3. 启动WebUI：

   ./webui.sh

   首次运行会下载很多依赖，时间比较长。启动后，在浏览器访问http://127.0.0.1:7860，在左上角选择“Guohua Diffusion”模型，就可以在文生图页面使用了。

4. 常见问题与排错指南

部署过程很少一帆风顺，这里有几个你大概率会遇到的“坑”。

问题一：运行时报错，提示CUDA error: out of memory

• 原因：显存不够了。Guohua Diffusion模型和生成高分辨率图片都需要大量显存。
• 解决：
  1. 在WebUI或ComfyUI的设置里，降低生成图片的分辨率（比如从1024x1024降到512x512）。
  2. 启用“显存优化”选项（如果使用WebUI，在启动命令或设置里可以找到）。
  3. 如果显卡显存小于8GB，尝试使用--medvram或--lowvram参数启动WebUI。

问题二：pip install时速度极慢或总是失败

• 原因：默认的Python包源在国外。
• 解决：临时使用国内镜像源加速。在pip install命令后加上-i https://pypi.tuna.tsinghua.edu.cn/simple，例如：

  pip install torch -i https://pypi.tuna.tsinghua.edu.cn/simple

问题三：启动ComfyUI/WebUI时，提示缺少某个Python库

• 原因：依赖没有安装完整。
• 解决：仔细阅读错误信息，它会告诉你缺哪个包（比如xxx）。重新激活虚拟环境，手动安装它：pip install xxx。如果是WebUI，可以尝试再次运行./webui.sh，它通常会尝试自动安装缺失的依赖。

问题四：生成的图片全黑或全是噪点

• 原因：模型没有正确加载，或者VAE（变分自编码器）文件缺失/不匹配。
• 解决：
  1. 确认模型文件确实放对了目录，并且文件名在界面中能被正确选中。
  2. 检查模型是否需要特定的VAE文件。如果需要，去同一个模型发布页下载对应的.vae.pt或.safetensors文件，并放到WebUI的models/VAE/或ComfyUI对应的VAE模型目录下，然后在生成时选择它。

5. 总结

走完这一遍，你应该已经成功在Ubuntu 20.04上把Guohua Diffusion的环境跑起来了。回顾一下，最关键的就是三步：把CUDA和cuDNN这对“黄金搭档”装对版本；用好Python虚拟环境这个“隔离神器”；最后把模型文件放到正确的路径下。

用ComfyUI还是WebUI，看个人喜好，前者更灵活，后者对新手更友好。遇到报错别头疼，大部分都是显存不够、依赖缺失、路径不对这些常见问题，对照着第四部分基本都能解决。

环境搭好只是第一步，接下来你可以多试试不同的提示词，调整采样步数、CFG Scale这些参数，看看能生成什么有趣的作品。玩得开心！

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。