Stable Diffusion WebUI macOS安装步骤 Apple Silicon与Intel配置

安装前先确认设备与系统环境

Stable Diffusion WebUI 是目前本地部署最常用的 AI 绘画工具之一，凭借直观的界面、丰富的插件生态与成熟的模型支持，受到广泛欢迎。macOS 用户可完全在本机完成部署，无需将提示词、图片或工作流提交至在线平台，适合设计草图、插画灵感构思、商品概念图制作、头像风格化处理及视觉素材预演等多种场景。

在 Mac 上安装时，最关键的是区分两类设备：Apple Silicon 机型（搭载 M1、M2、M3 系列芯片）与 Intel 机型（较早期的 MacBook、iMac、Mac mini 等）。前者通常可借助 macOS 的 MPS 后端运行，获得更流畅的体验；后者多数情况下只能依赖 CPU 或有限的图形后端，图像生成速度会明显偏慢。建议系统版本至少为 macOS 12.3，Apple Silicon 用户更推荐升级到 macOS 13 或更新版本，以减少 PyTorch 与 MPS 之间的兼容性问题。

准备工具：Homebrew、Git 与 Python

安装前需备齐三个基础组件：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 版本较为敏感，过新的 Python 版本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，可打开“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 用户还需注意终端架构。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 包混用的情况。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，这一过程可能耗时较长，具体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佳。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。放置好后，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。例如 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。首次运行时会自动安装 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 WebUI 界面。

如果遇到半精度计算相关报错、黑图、生成中断等问题，可以在启动时追加参数，例如 ./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，但速度可能有所下降。

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。若出现系统卡顿或 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 同样可以安装 Stable Diffusion WebUI，但需要更谨慎地设定预期。没有 NVIDIA CUDA 环境时，许多 Intel Mac 只能以 CPU 为主运行，单张图像生成可能需要较长时间。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，而是硬件路径限制所致。

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 的设置确认基本流程。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 并非理想选择，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。处理方式是安装 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 不会影响模型，但重新安装依赖需要一定时间。

问题二：启动卡在安装依赖。可能是依赖下载较慢或某个包构建失败。可以先确认 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，通常能发现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。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。注意不要关闭终端窗口，关闭后 WebUI 服务也会停止。

问题四：生成速度慢或界面无响应。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 设备则需接受较慢的运行表现。

问题五：模型不显示。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，以及 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。