方法与环境
本文以“能不能稳定跑起来、训练后是否真的更像目标风格”为唯一标准，测试 Stable Diffusion本地部署 和 模型微调教程 的可复现路径。核心指标是首图耗时、显存峰值、单步训练耗时、LoRA文件大小和风格收敛速度，所有结论都来自同一套环境下的重复测试。
测试环境：Windows 11、RTX 3060 12GB、32GB RAM、i7-12700、NVIDIA Driver 551.xx、Python 3.10、CUDA 12.x、PyTorch 2.3、AUTOMATIC1111 WebUI 1.9、kohya_ss。每组数据取 5次样本，表中给出均值，波动以±表示。
python -m venv sd
sd\Scripts\activate
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121
git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui
git clone https://github.com/bmaltais/kohya_ss
| 配置项 | 数值 |
|---|---|
| 推理分辨率 | 512x512 |
| 采样步数 | 20 |
| 批量大小 | 1 |
| 训练方式 | LoRA |
| 训练步数 | 1,200 / 2,400 |
本地部署结果
如果你在找 Stable Diffusion下载 或 Stable Diffusion怎么用，先看部署成本。A1111 对新手最稳，ComfyUI 的流程更灵活，但上手成本更高。12GB 显存下，512分辨率基本没有压力，1024分辨率需要开启 xformers 或 tiled VAE 才能避免峰值飙升。
| 方案 | 首启时间 | 首图时间 | 峰值显存 | 备注 |
|---|---|---|---|---|
| AUTOMATIC1111 | 2分18秒 | 8.4秒 ±0.3 | 7.8GB | 最适合 Stable Diffusion本地部署教程 |
| ComfyUI | 1分52秒 | 7.9秒 ±0.2 | 7.5GB | 节点化，复现实验更强 |
| InvokeAI | 2分05秒 | 8.1秒 ±0.3 | 7.6GB | 界面更整洁 |
实操上，A1111 的最小可用流程是：下载模型权重，放入 `models/Stable-diffusion`，启动 WebUI，先用固定种子跑 10 张图，记录均值和标准差，再改动任何参数。不要一开始就混合换模型、改采样器和改提示词，否则你无法知道是哪一步带来了变化。
微调结果与阈值
我用 28 张目标风格图做 LoRA 微调，分别训练 1,200 步和 2,400 步。1,200 步时，风格已经可见但细节不稳定；2,400 步时，主体特征更稳，代价是过拟合风险增加，背景纹理开始重复。对于多数 模型微调教程 场景，LoRA 比全量微调更现实：文件仅 28MB，训练时长约 46分钟，显存峰值 9.1GB，适合 12GB 卡。
| 步数 | 训练时长 | LoRA大小 | 风格命中率 | 过拟合风险 |
|---|---|---|---|---|
| 1,200 | 23分钟 | 28MB | 72% | 低 |
| 2,400 | 46分钟 | 28MB | 89% | 中 |
建议参数起点：`network_dim=16`、`lr=1e-4`、`batch_size=1`、`max_train_steps=2400`。如果你的样本少于 20 张，先把步数压到 1,000-1,500，避免模型把单张图的噪点也学进去。若训练后出图人物脸部偏移、手部崩坏，优先检查数据集质量，而不是立刻加步数。
如何验证它真的生效
验证不要看“感觉像”，只看三项：固定种子下同一提示词的 5 张图是否收敛、LoRA 权重从 0.6 提到 1.0 时风格是否单调增强、训练集外的新提示词是否仍保留主体特征。若 5 次生成的风格相似度明显提升，且显存与耗时没有异常增长，说明本地部署和微调链路都正常。
结论很直接：12GB 显存用户优先选 A1111 + LoRA，这是最稳的 Stable Diffusion本地部署 方案；如果你的目标是流程编排和批量实验，ComfyUI 更适合。预算为零也能跑通官方开源链路，付费方案只在你需要更少维护时才有意义。若你想把部署和管理做得更省事，roxi.cc 可以作为最后再看的一个选项，但它不改变上面的部署和微调结论。