AI 绘图是云服务器上最"吃显卡"的应用，但也是最容易做出成果的——搭好服务，插画、头像、商品图、设计草图都能出。这篇讲清楚 SD 的硬件门槛、部署方式、模型管理和对外服务方案。选型全景见云服务器跑 AI 应用完全指南。

一、先选路线：SD WebUI 还是 ComfyUI

Stable Diffusion 生态有两个主流界面，选错路线会走弯路：

建议路径：先用 SD WebUI（或 Forge，它优化了显存占用和速度）把出图跑通，需要批量生产、精细控制工作流时再转 ComfyUI，节点流的深入玩法见ComfyUI 进阶部署。

这篇以 WebUI 为主线，硬件和环境部分两者通用。

二、硬件门槛：显存是硬通货

SD 家族的显存需求，这张表决定你要不要买 GPU 机器：

没有显卡的现实：CPU 跑 SD1.5 是分钟级（3–10 分钟一张），能演示不能生产。所以正经绘图必须 GPU 实例——按小时计费的云 GPU 是非全天候使用的最优解，画完图销毁实例只付用掉的几个小时。

内存和磁盘同样别省：

• 内存：16G 起步。SD 加载模型、ControlNet、VAE 都在内存里周转，显存不够时还要靠内存腾挪
• 磁盘：基础模型 SD1.5（2G）+ SDXL（7G）+ Flux（25G）+ 一堆 LoRA/ControlNet/VAE，轻松破 100G。系统盘 50G + 数据盘 100G 是舒适配置，挂载方案见Linux 磁盘挂载与扩容实战

NAT 型服务器跑 SD：推理吃显卡，和公网 IP 无关——自用场景（你自己连、团队几人连）NAT 型 + 端口映射完全够用，且比同配置独立 IP 机器省一半以上。但要对外提供服务的话，确认端口映射稳定，挂域名要 443 映射支持（见小程序服务器选购里的端口说明）。

三、部署：Docker 是唯一推荐姿势

SD WebUI 的依赖（Python、PyTorch、CUDA、xformers）极其难配，永远不要手动在系统里装。Docker 镜像把一切打包好：

# Forge 版（推荐：比原版快、省显存），映射到本地回环
docker run -d --name sd-webui \
  --restart unless-stopped \
  --gpus all \
  -v /data/sd/models:/app/StableDiffusion/models \
  -v /data/sd/outputs:/app/StableDiffusion/outputs \
  -p 127.0.0.1:7860:7860 \
  -e COMMANDLINE_ARGS="--api --listen" \
  ashleykza/stable-diffusion-webui-forge:latest

几个关键点：

1. --gpus all：需要先装 NVIDIA Container Toolkit，Docker 基础见Docker 安装与基础命令
2. 模型目录挂出来：-v /data/sd/models:...，模型放数据盘，重装不丢
3. -p 127.0.0.1:7860：只绑本地，公网必须走反代（第五节）
4. --api：开放 API，给 n8n/工作流调用用；纯手工出图可以不加

原版 AUTOMATIC1111 的官方镜像也可以（sd-webui 社区镜像众多），但 Forge 在速度和显存上的优化对云服务器用户更实在。

验证：docker logs -f sd-webui 看到 Running on local URL: http://127.0.0.1:7860 后，本地 SSH 端口转发或先走反代再访问：

# 本地电脑临时访问（不想配反极简验证时）
ssh -L 7860:127.0.0.1:7860 root@服务器IP
# 浏览器开 http://127.0.0.1:7860

四、模型管理：SD 的"零件"比想象中多

新手最大的困惑是"模型放哪个目录"。SD 的模型分好几类，各有各的位置：

推荐的基础模型组合

下载渠道

国内访问 HuggingFace 慢，优先 ModelScope（魔搭）、LibLibAI，或 hf-mirror 镜像。模型下载完按上表目录放好，WebUI 界面点刷新就能看到。

管理习惯：模型文件是"下载一次长期用"的冷数据，放普通 SSD 数据盘即可，不用高性能盘；定期清理 outputs 目录的废图，别让出图把磁盘塞满——磁盘打满的排查见磁盘写满故障排查。

五、对外服务：三层防护

把 SD 服务开放给团队或外部用户，按这个顺序加固：

第一层：Gradio 自带鉴权

# 启动参数加账号密码
-e COMMANDLINE_ARGS="--api --listen --gradio-auth 用户名:密码"

第二层：Nginx 反代 + HTTPS

server {
    listen 443 ssl;
    server_name draw.yourdomain.com;

    ssl_certificate     /etc/nginx/ssl/draw.yourdomain.com.pem;
    ssl_certificate_key /etc/nginx/ssl/draw.yourdomain.com.key;

    # 出图是长请求，超时给足
    proxy_read_timeout 600s;
    client_max_body_size 50m;      # 上传参考图

    location / {
        auth_basic "AI Draw";
        auth_basic_user_file /etc/nginx/.htpasswd;
        proxy_pass http://127.0.0.1:7860;

        # WebSocket 支持（WebUI 进度推送依赖）
        proxy_http_version 1.1;
        proxy_set_header Upgrade $http_upgrade;
        proxy_set_header Connection "upgrade";
    }
}

WebSocket 那三行是 WebUI 进度条正常工作的关键，漏配会出现"能出图但看不到进度"。反代进阶见Nginx 反向代理实战，证书自动化见SSL 证书完全指南。

第三层：访问控制

• 公网开放的绘图服务一定会被扫，必须至少有一层认证，别裸奔
• 按 IP 限流防白嫖，见Nginx 限流与 WAF
• 只给固定几人用就加 IP 白名单；防火墙基线见Linux 防火墙配置

NAT 型用户记得确认 443 映射（挂域名）和目标端口映射稳定性，见NAT 端口映射完全指南。

六、常见问题排查

诊断命令：nvidia-smi 看显存占用和 GPU 进程、docker logs -f sd-webui 看服务日志。更系统的排查方法论见服务器故障排查完全手册。

七、成本与使用策略

GPU 实例不便宜，用出性价比的关键是按需开关：

1. 非全天候使用 → 按小时计费实例：需要时开机，用完销毁，模型文件放可迁移的数据盘/对象存储（见对象存储实战）
2. 参数调试在本地/小机器，批量出图开大机器：SD WebUI 的生成参数可以导出分享，换机复现只是换个 checkpoint
3. 出图任务交给工作流：ComfyUI 工作流是 JSON 文本，配合 API 可以全自动批量出图，见ComfyUI 进阶部署和n8n 自动化工作流
4. 长期固定使用 → 包月 GPU：每天都要出图的话包月更划算，选型逻辑见云服务器成本优化手册

结语

SD 上云的三句话：Docker 部署别手动配环境、模型目录必须挂数据盘、对外服务必须套反代加鉴权。硬件上看紧显存这一个指标——8G 是舒适起点，SDXL 和 Flux 是 12G 以上的游戏。

需要跑 AI 绘图的服务器，可以看看财富云计算：NAT 型云服务器配大内存数据盘、支持热升级，配合按需 GPU 实例灵活组合，价格比独立 IP 机型省一半以上——自用绘图、团队内部出图这类"吃显卡不吃公网 IP"的场景，NAT 型刚好对症。

延伸阅读

1. Homepage 个人仪表盘：把散落各处的服务收进一个首页
2. SSL 证书完全指南：免费证书、自动续期与不过期监控
3. 数据备份体系完全手册：从随手拷到 3-2-1，让数据永远丢不了
4. 压测与容量规划：上线前就知道你的服务器能扛多少人
5. AdGuard Home 内网 DNS：全家去广告、防劫持、内网解析一站解决
6. Hugo 静态博客搭建：秒开的博客，部署只要一个目录
7. 安全应急响应完全手册：服务器被入侵后，按这个流程走
8. 游戏服运营完全手册：从开服到停服，把一台服务器运营成百年老店

更多阅读

1. 上一篇：Ollama 本地大模型部署实战：一条命令跑起私有 GPT，含 API 对接与性能调优
2. 下一篇：ComfyUI 进阶部署：节点流工作流、API 自动化与显存优化