当前位置： 首页 > news >正文

比迪丽LoRA部署实录：从裸机Ubuntu到WebUI可用的30分钟完整过程

news 2026/4/4 0:00:58

比迪丽LoRA部署实录：从裸机Ubuntu到WebUI可用的30分钟完整过程

1. 引言：为什么选择比迪丽LoRA？

如果你喜欢《龙珠》里的比迪丽，想用AI画出她的各种形象，这个LoRA模型就是为你准备的。比迪丽LoRA是一个专门训练的角色模型，能让你在Stable Diffusion、FLUX等AI绘画工具中，稳定生成这位经典角色的动漫、二次元或写实风格图片。

今天我要分享的，是从一台全新的Ubuntu服务器开始，到完整部署比迪丽LoRA WebUI的完整过程。整个过程我实测下来，顺利的话30分钟就能搞定。无论你是刚接触AI绘画的新手，还是想快速部署一个可用环境的开发者，这篇实录都能给你清晰的指引。

2. 环境准备：你需要什么？

在开始之前，我们先看看需要准备什么。其实要求不高，大部分云服务器都能满足。

2.1 硬件要求

项目最低要求推荐配置
GPU8GB显存16GB显存或更高
内存16GB32GB
存储50GB可用空间100GB SSD
系统Ubuntu 20.04/22.04Ubuntu 22.04 LTS

关键点说明：

  • GPU是必须的：没有独立显卡（特别是NVIDIA显卡）基本跑不动
  • 显存8GB起步：生成1024×1024的图片需要至少8GB显存
  • 存储空间要够：模型文件、依赖包加起来需要几十GB空间

2.2 软件环境

  • 操作系统：Ubuntu 22.04 LTS（其他版本也行，但22.04最稳定）
  • Python：3.10版本（这是WebUI的硬性要求）
  • CUDA：11.8或12.1（根据你的显卡驱动选择）
  • Git：用来克隆代码仓库

如果你用的是云服务器，大部分提供商都提供预装好Ubuntu的镜像，直接选择就行。本地机器的话，建议用最新的Ubuntu版本。

3. 完整部署步骤：跟着做就行

下面是我实际操作的完整过程，每个步骤都有详细说明。如果你完全按照这个来，应该能一次成功。

3.1 第一步：系统基础设置（5分钟）

首先登录你的Ubuntu服务器，如果是新系统，建议先更新一下：

# 更新系统包 sudo apt update sudo apt upgrade -y # 安装基础工具 sudo apt install -y git wget curl python3-pip python3-venv

然后设置Python 3.10（如果系统默认不是这个版本）：

# 检查Python版本 python3 --version # 如果不是3.10，可以安装 sudo apt install -y python3.10 python3.10-venv python3.10-dev

3.2 第二步：安装CUDA和显卡驱动（10分钟）

这是最关键的一步，显卡驱动装不好，后面都白搭。

# 先卸载可能存在的旧版NVIDIA驱动 sudo apt purge -y nvidia-* # 添加NVIDIA官方仓库 wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-keyring_1.1-1_all.deb sudo dpkg -i cuda-keyring_1.1-1_all.deb sudo apt update # 安装CUDA 12.1（根据你的需求选择版本） sudo apt install -y cuda-12-1 # 安装完成后，更新环境变量 echo 'export PATH=/usr/local/cuda-12.1/bin:$PATH' >> ~/.bashrc echo 'export LD_LIBRARY_PATH=/usr/local/cuda-12.1/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc source ~/.bashrc # 验证安装 nvidia-smi

如果nvidia-smi命令能正常显示显卡信息，说明驱动安装成功。你会看到类似这样的输出：

+---------------------------------------------------------------------------------------+ | NVIDIA-SMI 535.161.07 Driver Version: 535.161.07 CUDA Version: 12.2 | |-----------------------------------------+----------------------+----------------------+ | GPU Name Persistence-M | Bus-Id Disp.A | Volatile Uncorr. ECC | | Fan Temp Perf Pwr:Usage/Cap | Memory-Usage | GPU-Util Compute M. | | | | M. | |=========================================+======================+======================| | 0 NVIDIA GeForce RTX 4090 Off | 00000000:01:00.0 Off | Off | | 0% 38C P8 18W / 450W | 0MiB / 24564MiB | 0% Default | | | | N/A | +-----------------------------------------+----------------------+----------------------+

3.3 第三步：克隆和设置WebUI（5分钟）

现在我们来获取比迪丽LoRA的WebUI代码：

# 创建项目目录 mkdir -p ~/bituam-webui cd ~/bituam-webui # 克隆仓库（这里假设你有仓库地址） git clone https://github.com/your-repo/bituam-webui.git . # 如果没有公开仓库，你可能需要从其他来源获取 # 创建Python虚拟环境 python3.10 -m venv venv source venv/bin/activate # 升级pip pip install --upgrade pip

3.4 第四步：安装依赖和模型（8分钟）

这是耗时最长的步骤，因为要下载很多依赖包和模型文件。

# 安装PyTorch（根据你的CUDA版本选择） pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 # 安装WebUI依赖 pip install -r requirements.txt # 下载基础模型（SDXL） # 这里需要下载SDXL 1.0模型，大约7GB # 你可以手动下载后放到指定目录，或者用脚本下载 mkdir -p ~/bituam-webui/models/Stable-diffusion cd ~/bituam-webui/models/Stable-diffusion # 下载SDXL模型（示例命令，实际链接可能需要调整） wget https://huggingface.co/stabilityai/stable-diffusion-xl-base-1.0/resolve/main/sd_xl_base_1.0.safetensors # 下载比迪丽LoRA模型 mkdir -p ~/bituam-webui/models/Lora cd ~/bituam-webui/models/Lora # 这里放入你的比迪丽LoRA文件，通常以.safetensors结尾

重要提示：模型文件比较大，下载可能需要一些时间。如果网络不好，可以考虑先下载到本地再上传到服务器。

3.5 第五步：配置和启动（2分钟）

所有文件都准备好后，进行最后的配置：

# 回到项目目录 cd ~/bituam-webui # 创建配置文件（如果不存在） cp config.json.example config.json # 编辑配置文件，设置模型路径等 # 这里主要确保模型路径正确

然后启动WebUI：

# 启动WebUI服务 python launch.py --listen --port 7860

如果一切正常，你会看到类似这样的输出：

Running on local URL: http://0.0.0.0:7860 To create a public link, set `share=True` in `launch()`.

3.6 第六步：验证和访问

打开浏览器，输入你的服务器IP和端口：

http://你的服务器IP:7860

如果能看到WebUI界面，恭喜你，部署成功了！

4. 可能遇到的问题和解决方法

在实际部署中，可能会遇到各种问题。这里我整理了几个常见问题和解决方法。

4.1 显卡驱动问题

问题：nvidia-smi命令报错或没有输出

解决：

# 重新安装驱动 sudo apt purge -y nvidia-* sudo apt autoremove -y sudo apt install -y nvidia-driver-535 # 版本根据你的显卡调整 # 重启系统 sudo reboot

4.2 CUDA版本不匹配

问题：PyTorch安装时提示CUDA版本不兼容

解决：

# 查看CUDA版本 nvcc --version # 根据CUDA版本安装对应的PyTorch # CUDA 11.8 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 # CUDA 12.1 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

4.3 内存/显存不足

问题：运行时报错CUDA out of memory

解决：

  1. 减小生成图片的尺寸（从1024×1024降到768×768）
  2. 使用--medvram或--lowvram参数启动：
    python launch.py --listen --port 7860 --medvram
  3. 关闭其他占用显存的程序

4.4 端口被占用

问题：7860端口已经被其他程序使用

解决：

# 查看哪个进程占用了7860端口 sudo lsof -i :7860 # 停止那个进程，或者换一个端口 python launch.py --listen --port 7861

4.5 模型文件找不到

问题：启动时提示模型文件不存在

解决：

  1. 检查模型文件路径是否正确
  2. 确保文件权限可读：
    chmod 644 ~/bituam-webui/models/Stable-diffusion/*.safetensors chmod 644 ~/bituam-webui/models/Lora/*.safetensors
  3. 检查文件是否完整下载（文件大小是否正确）

5. 优化和进阶设置

部署完成后，你还可以进行一些优化，让系统运行更稳定、更高效。

5.1 设置开机自启动

如果你希望服务器重启后WebUI能自动启动，可以设置systemd服务：

# 创建服务文件 sudo nano /etc/systemd/system/bituam-webui.service

添加以下内容：

[Unit] Description=Bituam WebUI Service After=network.target [Service] Type=simple User=你的用户名 WorkingDirectory=/home/你的用户名/bituam-webui Environment="PATH=/home/你的用户名/bituam-webui/venv/bin" ExecStart=/home/你的用户名/bituam-webui/venv/bin/python launch.py --listen --port 7860 Restart=always RestartSec=10 [Install] WantedBy=multi-user.target

然后启用服务：

sudo systemctl daemon-reload sudo systemctl enable bituam-webui sudo systemctl start bituam-webui

5.2 使用Nginx反向代理（可选）

如果你希望通过域名访问，或者需要HTTPS，可以设置Nginx：

# 安装Nginx sudo apt install -y nginx # 创建站点配置 sudo nano /etc/nginx/sites-available/bituam-webui

添加配置：

server { listen 80; server_name 你的域名; location / { proxy_pass http://127.0.0.1:7860; proxy_set_header Host $host; proxy_set_header X-Real-IP $remote_addr; } }

启用配置：

sudo ln -s /etc/nginx/sites-available/bituam-webui /etc/nginx/sites-enabled/ sudo nginx -t sudo systemctl reload nginx

5.3 性能优化建议

  1. 使用xformers加速：

    pip install xformers # 启动时添加--xformers参数

  2. 启用TensorRT（NVIDIA显卡）：

    • 安装TensorRT
    • 转换模型为TensorRT格式
    • 可以显著提升推理速度

  3. 调整WebUI参数：

    • 减少--max-batch-count值降低内存占用
    • 使用--opt-sdp-attention优化注意力机制

6. 使用比迪丽LoRA生成图片

部署完成后，怎么用这个LoRA生成比迪丽的图片呢？其实很简单。

6.1 基本使用方法

  1. 打开WebUI：访问http://你的IP:7860
  2. 选择模型：在左上角选择SDXL基础模型
  3. 加载LoRA：点击LoRA标签，选择比迪丽LoRA
  4. 输入提示词：在正向提示词中加入bidili或videl
  5. 调整参数：设置图片尺寸、步数等
  6. 点击生成

6.2 提示词示例

这里有几个生成比迪丽的提示词示例：

# 动漫风格 bidili, anime style, 1girl, martial arts uniform, smiling, masterpiece, best quality # 写实风格 videl, realistic, photograph, 1girl, fighting pose, detailed eyes, professional lighting # 特定场景 bidili, in city, night, neon lights, cyberpunk style, detailed background

6.3 参数设置建议

参数建议值说明
采样方法DPM++ 2M Karras适合动漫风格
步数25-35平衡质量和速度
引导系数7-9控制创意程度
尺寸1024×1024SDXL最佳尺寸
LoRA权重0.7-0.9控制角色特征强度

7. 总结与建议

7.1 部署过程回顾

整个部署过程可以总结为六个关键步骤：

  1. 系统准备：安装Ubuntu和基础工具
  2. 驱动安装：安装NVIDIA驱动和CUDA
  3. 环境搭建：创建Python虚拟环境
  4. 依赖安装：安装PyTorch和WebUI依赖
  5. 模型下载：获取SDXL和LoRA模型
  6. 启动测试：运行WebUI并验证

每个步骤都有明确的操作命令，跟着做基本不会出错。

7.2 给新手的建议

如果你是第一次部署AI绘画环境，我有几个建议：

  1. 按顺序操作：不要跳步，一步步来
  2. 注意版本匹配：Python、CUDA、PyTorch版本要匹配
  3. 预留足够空间：模型文件很大，确保磁盘空间充足
  4. 耐心等待：下载和安装可能需要较长时间
  5. 善用日志：遇到问题先看错误日志

7.3 后续学习方向

部署只是第一步，真正好玩的是如何使用：

  1. 学习提示词工程：如何写出更好的提示词
  2. 探索LoRA组合：尝试多个LoRA的组合效果
  3. 参数调优：找到最适合你需求的参数设置
  4. 批量生成：学习使用脚本批量生成图片
  5. 模型训练：尝试训练自己的LoRA模型

7.4 资源推荐

  • 模型下载：Hugging Face、Civitai
  • 学习社区：相关技术论坛、Discord群组
  • 工具推荐：Prompt生成工具、图片管理软件
  • 进阶教程：LoRA训练指南、WebUI插件开发

部署比迪丽LoRA WebUI的过程，虽然涉及多个步骤，但每个步骤都不复杂。关键是要有耐心，遇到问题不要慌，按照错误提示一步步排查。一旦部署成功，你就能随时生成喜欢的比迪丽图片了。

这个环境不仅可以用于比迪丽，还可以加载其他LoRA模型，生成各种风格的图片。你可以把它当作一个基础的AI绘画平台，在此基础上探索更多可能性。

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。

http://www.jsqmd.com/news/449705/

相关文章：

  • 向光生长优化算法(PGA)-2025年SCI一区新算法-公式原理详解与性能测评 Matlab代码免费获取
  • pytest测试框架3-web自动化
  • 基于Django的Python音乐智能推荐系统（含完整源码+12000字毕业论文+实操演示视频）
  • 基于深度学习的绝缘子缺陷识别检测系统|全新web界面|多模态|AI大模型智能分析|YOLOv8、YOLOv10、YOLOv11、YOLOv12
  • YOLOv5+Qwen3-ASR-0.6B构建智能监控告警系统
  • BAT资深工程师主讲｜Python自动化运维高阶实战课（含Python零基础入门+全套源码课件）｜从0搭建企业级运维自动化平台
  • 文件自动同步软件：PanguFlow
  • 多层电路板哪家强？2026年猎板性能与性价比评测
  • 林俊旸：阿里千问的“吹哨人”
  • 使用Typora撰写FRCRN技术文档：Markdown与图表完美结合
  • 小程序制作平台对比：码云数智、有赞、微盟深度解析
  • 基于MATLAB的D2D Cluster建模与资源分配实现
  • 遗传-粒子群自适应优化算法--MATLAB 两个算法融合且加入自适应变化的权重和学习因子
  • 【MongoDB】深入研究副本集与高可用性——Replica Set 架构、故障转移、读写分离 - 教程
  • 万象熔炉 | Anything XL从零开始：safetensors单文件加载与Euler A调度器调优
  • 那层看不见的防线
  • 低成本玩转AI绘画：Stable Diffusion v1.5 低显存需求与高效部署方案
  • Pi0机器人模型效果实测：生成(50,14)维度数组对接ROS/Mujoco
  • 数组元素去重（综合应用）：
  • 计算机毕业设计之springboot微信小程序的垃圾分类回收
  • OFA-Image-Caption实战：为Unity游戏引擎中的场景截图自动生成旁白
  • CineBot TMS软件安装设置项目
  • 基于深度学习的超市商品识别检测系统|全新web界面|多模态|AI大模型智能分析|YOLOv8、YOLOv10、YOLOv11、YOLOv12
  • DMXAPI 开发者指南：如何用 1 个 Key 调用 300+ 大模型？
  • 四天工作制在软件测试领域的技术性困境与体系化破局
  • MedGemma-X在Linux系统的部署与性能调优
  • 计算机毕业设计之基于Spring Boot框架的文学名著分享系统的设计与实现
  • 人工智能+AI的基于web的NBA球星勒布朗詹姆斯球员生涯网站laravel
  • 项目设计流程之关于模块流程到前端交互落地
  • JMM详解