安装前先确认设备与系统环境

Stable Diffusion WebUI 是目前使用较多的本地 AI 绘画工具之一。它的优势是界面直观、插件丰富、模型生态成熟。macOS 用户可以在本机完成部署，不必把提示词、图片和工作流交给在线平台处理。适合设计草图、插画灵感、商品概念图、头像风格化、视觉素材预演等场景。

Mac 安装时最需要区分两类设备：Apple Silicon 机型（M1、M2、M3 系列芯片）和 Intel 机型（较早的 MacBook、iMac、Mac mini 等）。

前者通常可借助 macOS 的 MPS 后端运行，体验相对更好。后者多数情况下只能依赖 CPU 或有限的图形后端，生成速度会明显慢一些。

建议系统版本至少为 macOS 12.3。Apple Silicon 用户更建议升级到 macOS 13 或更新版本，以减少 PyTorch 与 MPS 的兼容问题。

准备工具：Homebrew、Git 与 Python

安装前需要准备三个基础组件：

• Homebrew — 用于安装依赖
• Git — 用于获取 WebUI 程序
• Python 3.10 — 用于运行项目

Stable Diffusion WebUI 对 Python 版本比较敏感。过新的 Python 可能导致依赖安装失败，因此不建议直接使用 3.12 或更高版本。

如果 Mac 尚未安装 Homebrew，打开“终端”，访问 Homebrew 官网复制官方安装命令执行。安装完成后，输入 brew --version 检查是否成功。

随后执行 brew install git python@3.10，安装 Git 与 Python 3.10。若之前装过多个 Python 版本，建议用 python3.10 --version 确认版本号，避免启动脚本调用到不合适的解释器。

Apple Silicon 用户注意终端架构

大多数情况下直接使用系统默认终端即可。不建议强行切换 Rosetta 模式安装依赖，否则可能出现 arm64 与 x86_64 包混用的问题。Intel 用户则按默认方式执行即可。

获取 WebUI 程序并放置模型

选择一个空间充足的位置，例如用户目录下的 AI 文件夹。在终端进入该目录后执行：

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

下载完成后进入 stable-diffusion-webui 文件夹。首次启动时脚本会自动创建虚拟环境并安装依赖，这一步可能耗时较久（取决于网络与设备性能）。

WebUI 本身不包含绘图模型，需要用户自行准备模型文件。常见模型扩展名包括 .safetensors 与 .ckpt，推荐优先使用 .safetensors 格式（安全性和管理便利性更好）。

下载模型时应选择来源清晰、说明完整的页面，避免使用来历不明的文件。模型放置路径为 stable-diffusion-webui/models/Stable-diffusion。放好后，启动界面的模型下拉框即可识别。

如果还需要使用 VAE、LoRA、ControlNet 等组件，路径也要对应放置：

• LoRA 通常放入 models/Lora
• VAE 通常放入 models/VAE

新手建议先跑通基础文生图流程，再逐步添加插件和扩展。避免一开始就堆叠过多变量导致排错困难。

Apple Silicon 机型启动方式

进入 WebUI 目录后，在终端执行 ./webui.sh。首次运行会自动安装 PyTorch、Gradio 等依赖，完成后终端会显示本地访问地址，通常是 http://127.0.0.1:7860。用浏览器打开即可进入界面。

如果遇到半精度计算相关报错、黑图、生成中断等情况，可以在启动时追加参数：

• ./webui.sh --skip-torch-cuda-test --no-half

Apple Silicon 没有 CUDA，跳过 CUDA 检查属于正常操作。--no-half 可减少部分模型在 MPS 后端下的精度兼容问题，但可能略微增加显存占用。

若生成时提示某些算子不支持 MPS，可在启动前执行 export PYTORCH_ENABLE_MPS_FALLBACK=1，让部分运算回退到 CPU。稳定性会提升，但速度可能下降。

内存与分辨率建议

Apple Silicon 设备的统一内存会同时供系统和图形任务使用。

• 8GB 内存机型：建议从 512×512、采样步数 20 左右开始测试，不要同时打开大量软件。
• 16GB 或以上机型：可尝试更高分辨率、高清修复或多个插件。

若出现系统卡顿、WebUI 自动退出，通常是内存压力过高。应降低分辨率、关闭高清修复或减少批量数量。

Intel Mac 的配置思路

Intel Mac 也可以安装 Stable Diffusion WebUI，但预期要更谨慎。没有 NVIDIA CUDA 环境时，许多 Intel Mac 只能以 CPU 为主运行，单张图可能需要较长时间。

部分带独立图形芯片的机型在不同系统版本下表现不一，兼容性不如 Apple Silicon 稳定。

对 Intel 用户来说，安装流程仍是：Homebrew → Git → Python 3.10 → 下载 WebUI → 放置模型 → 执行 ./webui.sh。但启动后如果速度很慢，并非安装失败，而是硬件路径限制。

Intel 设备建议使用轻量模型、低分辨率、小批量参数进行测试。可先用 512×512、batch size 1、steps 15 到 20 的设置确认流程。

若只是偶尔生成灵感图，可以接受等待。若要大量出图或训练 LoRA，本地 Intel Mac 并不是理想选择，应考虑更适合 AI 计算的设备或合规的远程算力服务。

首次进入 WebUI 后如何测试

浏览器打开本地地址后，先进入 txt2img 页面。Prompt 输入简单描述，例如：

a cozy wooden cabin in snowy forest, soft light, detailed illustration

Negative prompt 可填写：low quality, blurry, bad anatomy

采样器可先选 Euler a 或 DPM++ 2M Karras，步数 20，尺寸 512×512，批次数 1。点击 Generate 后等待生成。如果能正常出图，说明基础安装已经成功。

出图后再逐步测试 img2img、高清修复、LoRA、扩展插件。每增加一个组件都建议单独测试，这样出错时能快速定位问题。不要一次性安装大量扩展，因为扩展之间可能修改依赖版本，造成界面无法启动或功能异常。

常见问题与处理办法

• 问题一：提示 Python 版本不兼容
  处理：安装 Python 3.10，并删除 WebUI 目录下的 venv 文件夹后重新启动，让脚本重新创建虚拟环境。删除 venv 不会删除模型，但重新安装依赖需要时间。
• 问题二：启动卡在安装依赖
  处理：先确认 Homebrew、Git、Python 是否可用，再重新运行 ./webui.sh。若反复失败，查看终端最后二十行报错，通常能看到具体包名或版本冲突信息。
• 问题三：浏览器打不开 127.0.0.1:7860
  处理：先确认终端是否仍在运行 WebUI，且出现了 Running on local URL 字样。如果端口被占用，可使用 ./webui.sh --port 7861 更换端口。不要关闭终端窗口，关闭后 WebUI 服务也会停止。
• 问题四：生成速度慢或界面无响应
  处理：降低分辨率、关闭高清修复、减少采样步数和批量数量。Apple Silicon 设备尽量保持电源连接，Intel 设备则要接受较慢的运行表现。
• 问题五：模型不显示
  处理：检查模型是否放在 models/Stable-diffusion 文件夹内，文件扩展名是否正确。放置后可点击模型下拉框旁的刷新按钮，或重启 WebUI。

更新、回滚与备份建议

WebUI 可以在项目目录执行 git pull 更新。更新前建议备份几个关键位置：

• models 文件夹
• outputs 文件夹
• extensions 文件夹
• webui-user.sh 中自定义的启动参数

若更新后出现异常，可查看 GitHub 项目近期说明，或临时禁用扩展进行排查。

如果某次更新导致无法启动，可以进入 extensions 文件夹，先把最近安装的扩展移出，确认主程序能否启动。更稳妥的做法是保留一份可正常运行的 WebUI 目录作为备用环境。尤其是已经配置好模型、插件和工作流的生产设备，不建议频繁追新。

安全边界与使用提醒

本地运行并不意味着可以忽视合规。模型来源、训练数据授权、生成图片的商用范围都要仔细阅读说明。涉及品牌、人物肖像、受版权保护角色时，应确认使用边界。特别是面向商业发布的素材，更要保留模型来源和授权记录。

不要随意运行陌生脚本，不要把未知扩展直接放进生产环境。扩展拥有读取本地项目文件和执行 Python 代码的能力，安装前应查看项目维护状态、更新记录和用户反馈。

模型文件也应尽量选择可信来源，优先使用安全格式。对于包含个人信息的图片，建议在本地谨慎处理，不上传到不熟悉的平台。

总体来看，Apple Silicon Mac 更适合体验 Stable Diffusion WebUI 的本地创作流程，Intel Mac 则更适合学习界面和参数逻辑。安装成功后，先从低分辨率、少插件、稳定模型开始，再逐步扩展工作流，能显著减少报错和性能压力。