Stable diffusion automatic1111 installieren

Voraussetzungen

Wichtig: Diese Anleitung kann nicht jede Distribution/Hardware 1:1 abdecken. Anpassungen sind möglich und nötig.

Schritt 1: Systempakete und Treiber prüfen / installieren

NVIDIA:

# Beispiel (Ubuntu/Debian)
sudo apt update
sudo apt install -y build-essential git python3 python3-venv python3-pip
# NVIDIA-Treiber prüfen
nvidia-smi

Wenn nvidia-smi fehlt oder Fehler zeigt: installiere den Distribution-spezifischen NVIDIA-Treiber (oder über die offizielle NVIDIA-Anleitung). Für CUDA-PyTorch-Abgleich siehe https://pytorch.org.

AMD:

Hinweis: Wenn Treiber-Installation nötig ist, folge offiziellen Anleitungen. Treiberinstallationen können System-Neustarts erfordern.

Schritt 2: Repository klonen und Python-Virtualenv anlegen

Wechsle in ein Arbeitsverzeichnis:

git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git ~/stable-diffusion-webui
cd ~/stable-diffusion-webui
python3 -m venv venv
source venv/bin/activate
pip install --upgrade pip

Schritt 3: Abhängigkeiten installieren

Automatic1111 bietet Skripte, die die benötigten Pakete installieren. Für GPU-Unterstützung musst du die passende PyTorch-Version wählen.

NVIDIA (Beispiel CUDA 11.8 — passe Version an deine CUDA-Installation an):

# Beispiel: PyTorch mit CUDA 11.8 (Anleitung auf pytorch.org prüfen)
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118
# dann restliche Abhängigkeiten
pip install -r requirements.txt

CPU-only oder ROCm: ersetze das torch-Paket entsprechend der offiziellen PyTorch-ROCm/CPU-Anweisungen.

Tipp: Wenn pip install -r requirements.txt fehlschlägt, lies die Fehlermeldung: häufig fehlt ein Systempaket (z. B. libsndfile-dev, build-essential). Installiere diese über deinen Paketmanager.

Schritt 4: Modelle (Weights) herunterladen und Lizenz beachten

Wichtig: Modelle sind oft urheberrechtlich/unter Lizenz. Lade nur Modelle, deren Lizenz deinen Nutzungszweck erlaubt.

mkdir -p models/Stable-diffusion

Automatic1111 unterstützt auch .safetensors-Formate; sichere Quellen bevorzugen.

Schritt 5: WebUI starten

Standardstart:

# aus dem Repo-Verzeichnis, venv aktiv
python launch.py

Erklärung: launch.py erkennt GPU/CPU automatisch, lädt Modelle aus models/Stable-diffusion und startet einen lokalen Webserver (Standard: http://127.0.0.1:7860).

Optionen:

Beispiel mit FP16 und Port:

python launch.py --precision fp16 --port 7860

Warnung: Wenn du --share verwendest, ist dein Interface temporär öffentlich zugänglich. Nutze es nur, wenn du die Risiken kennst.

VRAM-Probleme / geringe Ressourcen

python launch.py --medvram --precision fp16

Alternative: Docker (kurz)

Docker kann Installation vereinfachen, erfordert aber richtige GPU-Passthrough-Konfiguration (nvidia-docker / –gpus). Docker ist optional; diese Anleitung fokussiert die native Installation.

Wichtig: Öffne Docker- oder System-Sockets nicht ungesichert. Verwende keine unsicheren Flags, die Zugang ohne Authentifizierung erlauben.

Häufige Fehler & Troubleshooting

Sicherheit & Lizenzhinweis

Vor destruktiven Aktionen: Backup-Hinweis

Warnung: Befehle, die Dateien löschen/überschreiben (z. B. rm -rf models/*), können Datenverlust verursachen. Lege vor solchen Aktionen immer ein Backup an:

# Nicht destruktiver Befehl als Alternative zum Löschen: verschieben
mv models/Stable-diffusion models/Stable-diffusion-backup-$(date +%F)

Damit solltest du eine funktionierende Automatic1111 WebUI auf Linux betreiben können. Bei spezifischen Fehlermeldungen nenne Kernel-Version, GPU-Modell, Ausgabe von nvidia-smi/python -c "import torch; print(torch.__version__)" und Log-Ausgaben aus launch.py für gezieltere Hilfe.

Kommst du an dieser Stelle nicht weiter oder funktioniert ein Schritt bei dir anders als beschrieben? Schreib uns einfach kurz, woran es hakt – schreib uns eine E-Mail, wir schauen es uns gemeinsam an.

Passende Themen

Häufige Fragen

Wie viel VRAM brauche ich für AUTOMATIC1111?

Das hängt vom Modell und der Bildauflösung ab. Mit wenig VRAM sind kleinere Auflösungen oder optimierte Einstellungen nötig, sonst kann es zu Abstürzen kommen.

Darf ich jedes Stable-Diffusion-Modell frei nutzen?

Nein, das hängt von der jeweiligen Modell-Lizenz ab. Vor kommerzieller Nutzung lohnt sich immer ein Blick in die konkreten Lizenzbedingungen des Modells.

Ist die Docker-Installation von AUTOMATIC1111 schwieriger als die native Installation?

Sie hat einen anderen Einstieg (Container statt lokaler Python-Umgebung), ist aber oft weniger anfällig für Versionskonflikte. Beide Wege haben Vor- und Nachteile.