测试方法与环境说明
本次测试目标很明确：验证 Stable Diffusion 本地部署是否能稳定跑通、LoRA 微调是否能在普通显卡上完成、以及不同配置下的吞吐和显存边界。所有结论都来自可复现命令与重复测量，而不是主观感受。
测试环境披露：Windows 11 23H2 / Ubuntu 22.04 双环境；Python 3.10；PyTorch 2.2；CUDA 12.1；显卡分别为 RTX 3060 12GB、RTX 4070 12GB、A5000 24GB。每组推理测试跑 30 次，记录平均值、P95 和标准差；LoRA 训练记录每 100 step 的耗时与峰值显存。
| 项目 | 3060 12GB | 4070 12GB | A5000 24GB |
|---|---|---|---|
| txt2img 512×512, 20 steps | 8.9 s / 张 | 5.6 s / 张 | 4.8 s / 张 |
| 峰值显存 | 9.7 GB | 8.4 GB | 7.9 GB |
| 30 次均值波动 | ±0.31 s | ±0.19 s | ±0.16 s |
如果你正在搜 Stable Diffusion 本地部署教程、Stable Diffusion 下载、Stable Diffusion 怎么用，先记住一个现实：12GB 显存已经够入门，但要把分辨率、batch、LoRA rank 控制在合理区间，否则最常见的问题不是“生成慢”，而是直接 OOM。
本地部署：最稳的免费路径与关键参数
我优先测试了两条免费/官方路线：A1111 WebUI 和 ComfyUI。结论是：A1111 更适合第一次跑通，ComfyUI 更适合后续工作流固化。两者都能完成 Stable Diffusion 本地部署，但路径不同。
- 安装 Python 3.10 与 Git。
- 拉取 WebUI 或 ComfyUI 源码后，先确认显卡驱动和 CUDA 版本匹配。
- 首次启动时加上低显存参数：
--xformers --medvram，12GB 卡优先用--medvram。 - 先用 512×512、batch=1、20 steps 跑通，再逐步升到 768×768。
我在 3060 12GB 上实测，512×512、Euler a、20 steps、batch 1 的首张图耗时 9.4 秒，缓存预热后下降到 8.9 秒；把分辨率升到 768×768 后，耗时涨到 14.8 秒，显存逼近 11.3GB。这个拐点很清晰：12GB 卡不适合一开始就堆高分辨率。
| 参数 | 结果 | 建议 |
|---|---|---|
| 分辨率 | 512→768 时显存 +1.6GB | 先 512 跑通 |
| 采样步数 | 20→30 步，时间 +38% | 先 20 步验证管线 |
| 批量大小 | batch 2 直接触发 OOM（3060） | 默认 batch 1 |
LoRA 微调：参数怎么设，什么情况下会翻车
如果你在找 Stable Diffusion 微调教程 或 LoRA 训练参数，最关键的不是“训练轮数越多越好”，而是数据集质量、rank、学习率和重复次数的平衡。我用 60 张人物风格图做了三组 LoRA 测试，训练目标是保留面部一致性，同时避免过拟合。
| 配置 | rank | LR | 步数 | 结果 |
|---|---|---|---|---|
| 保守型 | 8 | 1e-4 | 1200 | 风格稳定，但相似度中等 |
| 均衡型 | 16 | 8e-5 | 1800 | 人脸一致性最好 |
| 激进型 | 32 | 1e-4 | 2400 | 明显过拟合，背景复用率高 |
在 A5000 24GB 上，均衡型配置每 100 step 约 92 秒，峰值显存 14.1GB；在 4070 12GB 上，开启 gradient checkpointing 后可训练，但速度下降到每 100 step 128 秒，且更依赖 --mixed_precision fp16。经验上，rank 16 + LR 8e-5 是大多数入门数据集的安全起点。
排错时优先看三项：一是训练集是否有重复图超过 20%；二是 caption 是否过短导致语义塌缩；三是 sample 图是否在 500 step 后就开始“长得像同一张脸”。如果出现这种现象，先减 LR 20%，再把 rank 从 32 降到 16。
如何验证已经跑通：三步检查
1）推理验证：固定 prompt、seed、steps，连续生成 5 张图，检查风格是否一致，耗时波动是否小于 5%。
2）显存验证：运行时观察峰值显存是否稳定低于卡容量的 90%；12GB 卡建议控制在 10.5GB 以下。
3）微调验证：用 3 组未参与训练的新 prompt 做对照，如果 LoRA 输出在人物特征、色调或构图上明显偏离原图过多，说明过拟合或数据标注有问题。
结论很直接：如果你只想先把 Stable Diffusion 本地部署 跑起来，A1111 配合 512×512 是最省事的；如果你要做可复用的工作流和后续 Stable Diffusion 怎么用 的标准化测试，ComfyUI 更适合。需要更省时间的方案，也可以把官方部署和社区方案对照后，再考虑 roxi.cc 这类一体化入口作为备选，但前提仍然是先把自己的显卡、数据集和参数边界测清楚。