为什么要自己部署AI修图？

自己部署AI修图环境最直接的好处就是不限量、不花月费、数据不出门。听起来挺美好的对吧？但我得先给你泼盆冷水——不是所有人都适合走这条路。

去年底我在公司内部搞了一套本地修图服务。当时的情况是这样的：团队每天要处理大概300-400张产品图，之前用的在线工具月费大概3500块。领导说能不能省点。我心想，行，那就折腾一下。

折腾了整整一个周末。中间踩了不少坑——CUDA版本不对、显存溢出、模型下载到一半断了。但最后跑起来之后，说实话，挺爽的。

如果你每天修图就十来张，说实话没必要折腾。直接用免费的在线AI修图工具就够了。但如果你的量上去了，比如每天100张以上，或者你对数据隐私有要求（医疗影像、客户证件照之类的），那自建就很有必要了。

根据MarketsandMarkets 2025年的报告，全球AI图像处理市场规模预计2026年将达到52亿美元，其中私有化部署的需求增长最快，年增速超过35%。这个数字说明，越来越多公司开始考虑把AI修图能力搬到自己的服务器上。

硬件准备清单

部署AI修图最核心的硬件就是显卡，8GB显存是入门门槛，12GB以上才算舒服。CPU和内存反倒没那么讲究，主流配置就行。

我整理了一个表格，不同预算对应什么配置：

有个细节很多教程不提——内存别低于32GB。模型加载的时候先吃内存再转显存，16GB内存动不动就爆。我第一次部署的时候用的旧电脑只有16GB，模型加载到一半直接卡死了，排查了半天以为是显卡问题。

硬盘方面，SSD是必须的。模型文件动辄2-8GB一个，机械硬盘加载一个模型可能要等一两分钟，SSD只要十几秒。最好准备500GB以上的SSD空间，因为你后面一定会下各种模型来试。

软件环境搭建（最容易翻车的部分）

软件环境是整个部署AI修图过程中最容易出问题的环节，十个人里至少八个会在这一步卡住。问题通常出在Python版本、CUDA版本和PyTorch版本的三角关系上。

我推荐的环境组合（截至2026年3月实测可用）：

• Python 3.10.x（别用3.12，很多包还没适配好）
• CUDA 12.1 或 12.4
• PyTorch 2.2+ 对应CUDA版本
• Git（用来拉代码）

最关键的一步是装NVIDIA CUDA Toolkit。去官网下载对应你显卡驱动的版本，装的时候选自定义安装，只勾CUDA Runtime和Development就行，别全选，全选容易跟已有驱动冲突。

装完CUDA之后在命令行输入 nvcc --version 确认版本号。能显示版本号就说明装对了。显示不了？八成是环境变量没配好，去系统设置里把CUDA的bin目录加到PATH里。

然后是Python。强烈建议用Miniconda来管理Python环境，不要用系统自带的Python。用Conda的好处是可以给每个项目建独立环境，互不干扰。

关于这部分更详细的步骤，可以看我们之前写的AI修图本地部署详细指南，里面有每一步的截图。

选哪个框架？ComfyUI还是WebUI

目前主流的本地AI修图框架就两个：Stable Diffusion WebUI（A1111）和ComfyUI，各有各的好。我两个都用过一段时间，说说真实感受。

WebUI上手简单。界面就是一堆按钮和滑块，调参数所见即所得，适合不想动脑子的情况。但它的问题是——一旦你要搞复杂的工作流，比如先放大、再换脸、再调色，就得装一堆插件，插件之间还可能打架。

ComfyUI走的是节点式路线，类似虚幻引擎的蓝图编辑器。刚上手的时候看着一堆连线确实头大。但一旦习惯了，自由度高得离谱。你可以把任何操作串成一条流水线，保存下来反复用。我现在给公司搭的生产环境全用的ComfyUI。

我个人的建议：如果你就是修修自己的照片玩一玩，WebUI足够了；如果你要搞批量处理或者给团队用，ComfyUI更合适，虽然学习曲线陡一点但后期效率高很多。

想了解更多本地部署的方案对比，推荐看搭建AI修图平台本地部署方案这篇。

实际部署步骤（ComfyUI为例）

ComfyUI的安装其实就三步：拉代码、装依赖、下模型，总共大概1-2小时搞定。前提是你的CUDA和Python环境已经没问题。

打开命令行，进入你想放项目的目录：

git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI
pip install -r requirements.txt

装依赖这一步可能要等个十来分钟，取决于你的网速。国内的话建议配个pip镜像源，不然下载速度感人。

然后是下载模型。这是最花时间的。一个标准的SDXL base模型大概6.5GB，加上VAE和其他组件，第一次部署至少要下载10-15GB的文件。模型放到 ComfyUI/models/checkpoints/ 目录下就行。

我推荐先下这几个模型试试：

• SDXL Base 1.0 — 基础模型，什么都能干
• RealVisXL V4.0 — 写实风格特别好，修照片首选
• Juggernaut XL — 综合素质很高，FlowPix编辑部内部测试里排前三

模型下好之后，运行 python main.py，浏览器打开 http://127.0.0.1:8188，看到节点编辑器界面就算成功了。

第一次加载模型可能要等30秒到1分钟，显存占用会飙到6-8GB。别慌，这是正常的。如果报显存不够的错，加个 --lowvram 参数试试。

配置API供其他程序调用

如果你想让修图能力被其他程序调用（比如自己的网站后台、小程序），ComfyUI自带API模式，启动时加个参数就行。

启动命令改成：

python main.py --listen 0.0.0.0 --port 8188

--listen 0.0.0.0 让局域网内其他设备也能访问。如果只是本机用，可以不加。

API调用的逻辑是：你把一个工作流的JSON发给ComfyUI的API端点，它就会按流程执行然后返回结果图片。具体的API文档在ComfyUI的GitHub wiki上写得很清楚。

这里有个坑要注意——ComfyUI的API是异步的。你发请求之后不会立刻返回图片，而是返回一个任务ID，你得轮询或者用WebSocket监听任务完成。初学者经常在这里卡住，以为API没响应，其实是没做异步处理。

如果你需要更完整的服务器部署方案，包括负载均衡、队列管理这些，可以参考自建AI修图服务器教程。

常见翻车场景和解决办法

部署AI修图环境踩坑率极高，这里列几个我和同事们遇到最多的问题。

问题1：CUDA out of memory

这是出现频率最高的错误。生成分辨率调太高或者批量太大都会触发。解决办法：降低分辨率、减小batch size、或者加 --lowvram 参数让模型分块加载。

问题2：模型加载后出图全黑或全灰

通常是VAE没配对。检查一下你的checkpoint对应的VAE是不是也下了，有些模型自带VAE有些不带。

问题3：生成速度特别慢

确认PyTorch是不是调用了GPU。在Python里跑 torch.cuda.is_available()，返回True才对。返回False说明你的PyTorch装的是CPU版本，得重装GPU版。

话说回来，慢也是相对的。我之前在RTX 3060上跑SDXL，512x512的图大概要8秒一张。换到4090之后，同样的图不到2秒。硬件确实是最直接的提速手段。

问题4：装插件之后启动报错

ComfyUI的自定义节点（插件）质量参差不齐。报错的话先去 custom_nodes 目录把最近装的插件文件夹删掉或改名，看能不能正常启动。能的话就是那个插件的问题，去GitHub看看有没有人报相同issue。

部署完之后的优化建议

环境跑起来只是第一步，真正用到生产环境里还需要做一些优化。

第一个值得做的事情是预热模型。每次重启服务后第一次生成都特别慢，因为模型要从硬盘加载到显存。你可以写个脚本在启动后自动跑一张图，把模型"热"起来。

第二个是配置自动重启。ComfyUI偶尔会因为显存泄漏挂掉，用supervisor或者systemd配个自动重启策略，半夜挂了白天还能自动恢复。

批量处理方面，如果你要一次性修几百张图，别一张张发请求。ComfyUI支持batch processing，把多张图打包成一个任务效率高很多。或者你可以用Python写个简单的队列系统，按顺序处理。

我们FlowPix团队在测试各种部署方案的过程中发现，合理的队列管理能把整体效率提升40%以上。不是说单张图变快了，而是减少了模型切换和空闲等待的时间。

安全方面也别忘了。如果你的服务器对外暴露了端口，记得加个反向代理和认证。ComfyUI默认没有任何权限控制，谁知道IP谁都能用。Nginx加个basic auth就行，不用搞太复杂。

更多关于AI修图的入门知识，可以看2026年AI修图完整指南。

到底值不值得折腾？

说了这么多，回到最初的问题——自己部署AI修图到底值不值得？

我的答案是：看你的量。每天修图50张以下的，真心不建议折腾。时间成本、维护成本、学习成本加起来，远不如直接用在线工具划算。你可以看看AI修图软件指南里推荐的方案。

但如果你每天的量超过100张，或者有数据隐私的硬需求，那自建是目前性价比最高的方案。一次投入，长期受益。我帮搭过的几个客户，基本都在2-4个月内回本。

最后一个建议：别一上来就追求完美配置。先用最低配置跑起来，确认流程通了，再根据实际需求升级。我见过太多人还没开始修图就花了两万买设备，结果发现自己并不需要那么强的算力。

觉得这篇教程对你有帮助的话，转发给也想搞本地部署的朋友吧。有什么部署中遇到的坑也欢迎一起交流。