如何从零搭建一套AI修图系统？硬件软件全方案

去年帮一个摄影工作室搭了套内部用的AI修图系统，预算有限，走了开源+组装路线。跑通之后每天处理大约300张精修图，比外包给修图公司省了差不多每年6万的费用。把搭建过程中的关键选择记录下来，如果你的团队也有类似需求，可以跳过很多坑。

硬件选型：显卡是唯一不能省的钱

最低配置NVIDIA RTX 4060 8GB显存，推荐RTX 4070 Ti Super 16GB，内存至少32GB DDR5。AI修图的核心计算全部压在GPU上，显卡直接决定处理速度。8GB显存能跑大部分轻量模型，但遇到Stable Diffusion级别的扩散模型偶尔会爆显存。16GB是一个比较安心的甜点区间。CPU的话i5-13600K就够，不必上i9。SSD强烈建议NVMe 1TB起——模型文件动辄几个G，加载速度影响体验。我在AI修图模型那篇里详细对比了不同模型对硬件的要求。

软件栈搭建：从系统到依赖

Ubuntu 22.04 LTS + CUDA 12.1 + PyTorch 2.2 + Miniconda环境管理，这是目前最稳的组合。别用Windows做AI修图的生产环境，WSL的GPU直通有性能损耗且偶尔抽风。我踩过的最大的坑就是CUDA和PyTorch版本不匹配——PyTorch官网有版本对应表，严格按那个装。另外Miniconda建独立环境是必须的，不要把所有包塞进base环境。装完基础依赖后，从AI修图GitHub上clone需要的开源模型repo，照着README里的requirements.txt装就差不多了。

模型部署与服务化

用Gradio做快速原型验证，FastAPI+Svelte做正式Web服务，Docker统一容器化部署。搭好了硬件软件，接下来是把模型变成可用的服务。我的流程是：先用Gradio把每个模型跑起来看效果，确定效果满足需求后用FastAPI封装成RESTful接口，前端用Svelte写一个干净的操作界面。Docker部署能避免环境依赖问题在服务器上复现。也建议看看AI修图接口的设计思路，里面讲了请求队列和异步处理的方案。NVIDIA官方文档详细讲了TensorRT加速推理的配置方法，能提升20%-40%的吞吐量。

成本与维护的长期考量

硬件一次性投入约7000-12000元，电费每月约80-150元，模型更新每季度一次，整体运维负担很低。很多团队担心自建系统维护成本高，实际跑起来之后发现还好。GPU满载功耗200W左右，按每天工作6小时算电费不高。模型更新可以写个自动脚本去GitHub检查release然后自动pull。FlowPix的AI修图价格方案对不想自己折腾的团队也有SaaS选项，但自建的灵活性是SaaS给不了的。外媒Tom's Hardware有一篇AI工作站组装指南，硬件细节讲得很全。

常见问题

没有技术背景能自己搭建吗？

有一定门槛，至少要会装Ubuntu、用终端和看懂Python报错。也可以找懂技术的朋友帮忙花一个周末搞定。

自建和用SaaS哪个更划算？

月处理量超过2000张图时自建开始有成本优势，处理量少的直接用SaaS更方便。

模型需要自己训练吗？

一般不需要。开源预训练模型对大多数场景已经够用，垂直领域如医疗影像才需要微调训练。