AUTOMATIC1111 installieren

Voraussetzungen

• Linux- oder Windows-System; diese Anleitung zeigt primär Linux (Debian/Ubuntu) und eine Docker-Variante. Windows-Abschnitt am Ende.
• GPU: NVIDIA (am häufigsten genutzt) oder CPU-only möglich (langsamer). Prüfe Verfügbarkeit und VRAM (empfohlen ≥6–8 GB für viele Modelle).
• Mindestens 20–40 GB freier Festplattenspeicher für Modelle/Artefakte.
• Internetzugang zum Herunterladen von Git, Python-Paketen und Modellen.
• Hinweis: Aufgrund unterschiedlicher Distributionen, Kernel- oder Treiberversionen kann diese Anleitung nicht auf jedem System 1:1 funktionieren.

Voraussetzungen: Treiber & Python

• NVIDIA: installiere proprietäre Treiber + CUDA (falls lokal GPU-Acceleration genutzt werden soll). Prüfe:

nvidia-smi

• Wenn nvidia-smi fehlt oder Fehler zeigt: erst GPU-Treiber/CUDA installieren (Distribution-spezifisch).
• Python: AUTOMATIC1111 benötigt Python 3.10/3.11 (je nach Commit kann sich das ändern). Prüfe:

python3 --version

Schritt 1: Repository klonen (native Installation)

1. Installiere Basis-Pakete (Ubuntu/Debian):

sudo apt update && sudo apt install -y git python3 python3-venv python3-pip build-essential

2. Klone das WebUI-Repo:

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

Schritt 2: Python-Umgebung und Abhängigkeiten

1. Erstelle und aktiviere ein virtuelles Environment:

python3 -m venv venv
source venv/bin/activate

2. Installiere Abhängigkeiten (das Repo enthält Installationsskripte; nutze die mitgelieferten Skripte):

./webui.sh       # Skript führt nötige Installationen aus (Linux)

• Alternativ manuell:

pip install -r requirements.txt

• Hinweis: Auf Systemen ohne GPU oder mit inkompatibler CUDA-Version können Fehler auftreten. Lies die Fehlerausgaben und prüfe CUDA/cuDNN-Versionen.

Schritt 3: Modelle herunterladen

• AUTOMATIC1111 lädt keine Modelle automatisch (rechtliche/licenzielle Gründe). Du musst ein Stable-Diffusion-Modell selbst herunterladen (z. B. SDv1.4, SDv2) und die Datei (.ckpt oder .safetensors) in den models/Stable-diffusion/-Ordner legen:

mkdir -p models/Stable-diffusion
# Datei per Browser verschieben oder per scp/curl kopieren

• Lizenzhinweis: Prüfe die Lizenz des Modells vor Nutzung. Nicht alle Modelle sind für kommerzielle Nutzung oder Weiterverbreitung freigegeben.

Schritt 4: WebUI starten (native)

# im Projektverzeichnis mit aktivierter venv
python launch.py

• Nach dem Start öffnet das WebUI standardmäßig http://127.0.0.1:7860.
• Wenn CUDA/GPU verfügbar, zeigt launch.py GPU-Nutzung an; bei Problemen werden Fehlermeldungen in der Konsole ausgegeben.

Docker-Variante (empfohlen bei Installationproblemen)

• Vorteil: geringere Systemabhängigkeit; Nachteil: zusätzlicher Layer, evtl. VRAM-Zugriffs-Konfiguration nötig.
• NVIDIA-Container-Toolkit erforderlich, sonst keine GPU in Containern. Siehe offizielle Anleitung: https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/install-guide.html
• Beispiel Docker-Start:

docker run --gpus all -it --rm -p 7860:7860 \
  -v /pfad/zu/models:/stable-diffusion-webui/models/Stable-diffusion \
  ghcr.io/automatic-dev/stable-diffusion-webui:latest

• Warnung: Öffne keinen Docker-Socket ungesichert. Risiko: Angreifbarkeit des Hosts. Verwende keinen -v /var/run/docker.sock:/var/run/docker.sock ohne Verstehen der Folgen.

Windows (kurz)

• Windows-Installation: lade das Repository und nutze die webui-user.bat. Stelle sicher, dass du eine kompatible Python-Version und NVIDIA-Treiber samt CUDA installiert hast.
• Für Windows gibt es fertige Pakete und Community-Anleitungen im Repo-Readme.

Häufige Fehler & Troubleshooting

• Fehler: “CUDA not available” → Prüfe nvidia-smi, CUDA-Toolkit-Version und dass Python-Pakete mit GPU-Unterstützung installiert sind.
• Fehler: Speicherprobleme / Out of Memory (OOM) → Nutze Modelle mit kleinerem VRAM-Anspruch, reduziere Batch-Size, aktiviere “xformers” / “VAE tiling” oder setze --medvram-Flag beim Start.
• Python-Abhängigkeitsfehler → Lösche ggf. virtuelle Umgebung und installiere neu. WARNUNG: Vor Löschen von Verzeichnissen sicher Backup machen!
• Docker: Kein GPU-Zugriff → installiere NVIDIA-Container-Toolkit und starte Container mit --gpus all.

WARNUNG vor destruktiven Befehlen:

• Bevor du Verzeichnisse löschst oder rm -rf verwendest, erstelle ein Backup. Beispielbefehl, der Daten löscht:

# WARNUNG: Löscht rekursiv! Backup anlegen, bevor du das ausführst.
rm -rf ~/stable-diffusion-webui

Lizenz- und Rechts-Hinweis

• Modelle unterliegen eigenen Lizenzen; prüfe Nutzungsbedingungen (kommerziell vs. nicht-kommerziell). Die Redaktion empfiehlt, Modelle nur gemäß deren Lizenz zu nutzen.

Abschlusshinweis

• Diese Anleitung deckt die typischen Installationswege ab, aber nicht alle Distributionen oder Hardware-Kombinationen. Bei spezifischen Fehlern: Error-Log kopieren, GPU/OS-Version angeben und gezielt nach dieser Fehlermeldung suchen oder hier nachfragen.