- 本篇主要介绍
Stable Diffusion Web UI（SD WebUI）的基础使用以及常用参数解释调整。
1. 默认地址
SD WebUI的默认地址为127.0.0.1:7860
项目日常更新频繁，请定期
git pull更新
2. 汉化
目前有中文界面了，使用下面的方法安装简体中文翻译扩展进行汉化，有三种下载安装方法。
2.1. 通过官方扩展列表安装
在Extension选项卡里面通过加载官方插件列表直接安装。
点击
Extension选项卡，点击Avaliable子选项卡，取消勾选
localization，再把其他勾上，然后点击橙色按钮，如下图
- 页面拉到下方，找到
zh_CN Localization这一项，点击右侧install按钮安装
2.2. 通过网址安装
点击
Extension选项卡，点击Install from URL子选项卡复制以下git仓库网址并粘贴进
URL栏，点击Install
https://github.com/dtlnor/stable-diffusion-webui-localization-zh_CN
2.3. 直接下载然后放在对应路径
下载
git仓库为zip档案。点击右侧下拉Code，点击Download ZIP。
- 解压，并把文件夹放置在根目录
stable-diffusion-webui下的extensions文件夹中，放好之后应该会如下图
2.4. 设置应用
下载完成之后，确保扩展已经正确安装加载
- 在
Extensions选项卡，点击Installed子选项卡，确定已勾选本扩展️；如未勾选，勾选后点击左上角Apply and restart UI橙色按钮启用本扩展。
选择简体中文语言包（zh_CN）
- 在
Settings选项卡中，找到User interface子选项卡
- 下拉到页面最底部，找到
Localization (requires restart)小项，在下拉选单中选中zh_CN（如果没有就按一下右侧刷新按钮），如图
- 最后页面再拉到最上方，点击页面顶部左边的橙色
Apply settings按钮保存设置，再点击右边的 橙色Reload UI按钮重启webUI。
此时页面汉化设置生效。界面如下。
3. 生成第一张AI作图
- 页面左侧选择要使用的模型。
- 在
提示词（Prompt）中填写想要的特征点。将根据你的文字描述生成你想要的图片。比如以下。
masterpiece, best quality, in spring, [moon], {cityscape}, artbook, illustration, {{1girl}}, {{long hair}}, {blue hair}, {curly_hair}, side braid, hair bow, brown eyes, {revealing dress}, cross-laced_footwear, head tilt, arms_crossed, 以上大概意思就是
大师作品，最好画质，春，月亮（减权），城市风景（加权1.1倍），艺术，插画，一个女孩（加权1.1倍），长发（加权1.21倍），蓝色头发（加权1.1倍），卷发（加权1.1倍），侧辫子，蝴蝶结，棕色眼睛，礼服长裙（加权1.1倍），系带靴，歪头，手交叉于胸前
以上提示词是通过 tag在线生成器 生成的。
反向提示词（Negative prompt）里填不想要的特征点
bad anatomy, bad hands, error, missing fingers, extra digit, fewer digits, cropped, worst quality, low quality, normal quality, jpeg artifacts, watermark, blurry, bad feet, missing arms, long neck, humpbacked, missing limb, too many fingers, mutated, poorly drawn, bad hands, unclear eyes, poorly drawn, cloned face, bad face, part of the head, mutated hands and fingers, deformed, disfigured, poorly drawn face, mutation, extra limb, ugly, poorly drawn hands, missing limb, floating limbs, disconnected limbs, malformed hands, blur, out of focus, long body, ugly, fat, obese, chubby, deformed, bad anatomy, disfigured, poorly drawn face, mutation, mutated, extra_limb, ugly, poorly drawn hands, messy drawing,2girls, morbid, mutilated, tranny, trans, out of frame, bad proportions, unreal,反向提示词（Negative prompt）是用文字描述你不希望在图像中出现的东西。大概意思就是排除一些负面标签，比如奇怪的手，奇怪的肢体，减少生成奇怪图片的几率。
此时点击右侧生成按钮开始生成图片。如下。
会发现手有点变形，或者脸部不匀称等问题。这需要使用其他的模型，或者使用插件等。
4. 常用参数介绍
4.1. Samplers 采样器
AI推演的算法。
目前好用的有Euler，Euler a（更细腻），和 DDIM。
推荐 Euler a 和 DDIM，新手推荐使用 Euler a
Euler a 富有创造力，不同步数可以生产出不同的图片。调太高步数 (>30)效果不会更好。
DDIM 收敛快，但效率相对较低，因为需要很多step才能获得好的结果，适合在重绘时候使用
LMS 和 PLMS 是 Euler的衍生，它们使用一种相关但稍有不同的方法（平均过去的几个步骤以提高准确性）。大概 30 step 可以得到稳定结果
PLMS 是一种有效的 LMS（经典方法），可以更好地处理神经网络结构中的奇异性
DPM2 是一种神奇的方法，它旨在改进 DDIM，减少步骤以获得良好的结果。它需要每一步运行两次去噪，它的速度大约是 DDIM 的两倍。但是如果你在进行调试提示词的实验，这个采样器效果不怎么样
Euler 是最简单的，因此也是最快的之一
4.2. Sampling steps 迭代步数
AI绘画的原理就是，先随机出一个噪声图片，然后一步步的调整图片，向你的提示词Prompt靠拢，Sampling Steps就是告诉AI，这样的步骤应该进行多少次。
默认是20，步骤越多，每一步移动也就越小越精确,可能会有更好的生成效果，更多细节和锐化，同时也成比例增加生成图像所需要的时间。而在实际应用中，30 步和 50 步之间的差异几乎无法区分。
太多的迭代步数也可能适得其反，几乎不会有提高。
进行图生图的时候，正常情况下更弱的降噪强度需要更少的迭代步数(这是工作原理决定的)。你可以在设置里更改设置，让程序确切执行滑块指定的迭代步数。
下图是同一个图从1step到20step，不同step时图像的变化。
不同 Step 和 采样器 的不同效果示例：
4.3. 注意尺寸
出图尺寸太宽时，图中可能会出现多个主体。
要匹配好姿势，镜头和人物才不畸形，有时候需要限定量词，多人物时要处理空间关系和 prompt 遮挡优先级。人数->人物样貌->环境样式->人物状态
1024 之上的尺寸可能会出现不理想的结果！推荐使用 小尺寸分辨率 + 高清修复
4.4. 扩展选项
4.4.1. Highres. fix 高清修复选项
通过勾选 txt2img（文生图）页面上的 Highres. fix 复选框来启用。
默认情况下，txt2img（文生图）在高分辨率下会生成非常混沌的图像。该选项会使得模型首先生成一张小图片，然后通过 img2img 将图片分辨率扩大，以实现高清大图效果。
其他两个扩展选项，一般不需要勾选。
4.4.2. Restore faces 面部修复
勾选后可以生成更真实的脸，第一次勾选使用时，需要先下载几个G的运行库。
4.4.3. Tiling 可平铺
让图片可以平铺（类似瓷砖，生成的图案左右上下都可以无缝衔接上自己）
4.5. CFG Scale 提示词相关性
cfg scale是图像与提示词的契合度，该值越高，提示词对最终生成结果的影响越大，契合度越高，但也会有越少的创意。越低，AI就越放飞自我，随心所欲的画。
一般默认的7就可以。
4.6. Batch Count 与 Batch Size 生成批次和每批数量
Batch Count（生成批次） 指定共生成几个批次。Batch Size（每批数量）指定每个批次并行生产多少张图片。
比如：Batch count设置为4,用时N分钟*4，生成4张图；Batch count设置为4,用时N分钟，生成4张图，但是同时需要的显存也是4倍。512X512大概需要3.75GB显存，4倍就是15GB显存了。
大的 Batch Size 需要消耗巨量显存。若您的显卡没有超过 12G 的显存，请不要调节 Batch Size。
而对于显存极大的显卡而言，一次生成一张图片无法充分利用显卡计算容量，此时可将 Batch Size 提高以充分压榨算力。
4.7. 随机种子 seed
AI作画从原理上其实就是用一个随机的噪声图，反推回图像。但因为计算机里也没有真随机嘛，所以实际上，AI作画的起始噪声，是可以量化为一个种子数的。
4.8. Denoising strength 降噪强度
Denoising strength 仅在 img2img（图生图）或 高清修复时被应用，其表征最后生成图片对原始输入图像内容的变化程度。通过调整该值，可以降低对画风的影响，但也会弱化 img2img 能力。值越高 AI 对原图的参考程度就越低 (同时增加迭代次数)。
对于图生图来说，低 denoising 意味着修正原图，高 denoising 就和原图就没有大的相关性了。一般来讲阈值是 0.7 左右，超过 0.7 和原图基本上无关，0.3 以下就是稍微改一些。
实际执行中，具体的执行步骤为 Denoising strength * Sampling Steps。
