Stable Diffusion WebUI（通常指AUTOMATIC1111维护的stable-diffusion-webui项目）是目前最流行的AI绘画前端之一，但它的安装过程对新手并不友好。仓库体积大、依赖多、网络环境复杂，随便一个环节出问题都会导致整个流程卡死。本文聚焦两个最容易翻车的环节：Git Clone失败和Conda环境配置，把我实际踩过的坑和验证过的解决方案整理出来。
Git Clone失败：先搞清楚你的网络到底卡在哪
克隆失败最常见的报错是Failed to connect to github.com或者RPC failed; curl 56 OpenSSL SSL_read。前者是根本连不上GitHub，后者是连上了但传输中断。stable-diffusion-webui仓库加上子模块有好几百MB，中途断掉非常正常。
第一种解决思路是浅克隆。很多时候我们并不需要完整的提交历史，加上--depth 1参数可以大幅减少下载量：
git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git --depth 1 # 如果需要子模块，同样加 depth 参数 git submodule update --init --depth 1</code>
第二种思路是提高Git对不稳定网络的容忍度，关掉低速率限制并拉长超时时间：
git config --global http.lowSpeedLimit 0 git config --global http.lowSpeedTime 999999 git config --global http.postBuffer 524288000
第三种思路是走镜像加速。国内环境可以尝试把仓库地址替换为镜像站，或者给Git配置代理。如果你本机有代理工具（假设监听在7890端口），可以这样配置：
# 只对 github.com 走代理，不影响其他仓库 git config --global http.https://github.com.proxy http://127.0.0.1:7890 # 取消时执行 git config --global --unset http.https://github.com.proxy
还有一个容易被忽略的坑：仓库里依赖了若干第三方扩展仓库，第一次启动WebUI时它会自动去克隆这些仓库，如果这一步网络不行，照样启动失败。解决办法是提前手动下载这些子仓库放到对应目录，或者临时开启全局代理再启动。
Conda环境配置：Python版本与依赖冲突是重灾区
WebUI对Python版本比较挑剔。经验上，Python 3.10.6是最稳妥的版本，3.11在某些旧版本依赖上会报编译错误，3.8又会缺少部分新特性支持。用Conda创建环境时直接锁定版本：
conda create -n sdwebui python=3.10.6 -y conda activate sdwebui
创建好环境后不要急着启动，先确认当前环境里的pip指向Conda环境内部。新手最常见的失误是激活了Conda环境，但pip install实际调用的是系统Python的pip，依赖全装到了错误的地方。用where pip（Windows）或which pip（Linux）确认路径，正常应该指向envs\sdwebui目录下面。
接下来是CUDA与PyTorch的匹配问题。WebUI的launch.py默认会安装一个适配当时主流CUDA版本的PyTorch，但如果你的显卡驱动较新或较旧，可能出现安装成功却检测不到GPU的情况。此时建议手动安装与驱动匹配的PyTorch，例如CUDA 11.8对应的安装命令：
pip install torch==2.0.1 torchvision==0.15.2 --index-url https://download.pytorch.org/whl/cu118
安装完成后用一小段代码验证GPU是否真的可用，这一步千万别跳过：
import torch print(torch.__version__) print(torch.cuda.is_available()) # 必须输出 True print(torch.cuda.get_device_name(0)) # 打印显卡型号
如果cuda.is_available()返回False，大概率是PyTorch的CUDA版本和驱动不匹配，去NVIDIA官网用nvidia-smi查一下驱动支持的最高CUDA版本，再选择对应的安装源重装即可。
依赖冲突还表现为pip check报出一长串版本冲突警告。WebUI的requirements.txt里个别包的版本约束比较旧，直接pip install -r requirements.txt时可能触发依赖回溯，耗时极长。可以加上--no-warn-conflicts先跑起来，遇到具体报错再单独处理对应的包，比一次性追求零冲突高效得多。
启动报错与显存问题的善后处理
环境和依赖都装好后，启动命令是：
python launch.py --listen --port 7860 # Windows 下也可以直接运行 run.bat
第一次启动会下载Stable Diffusion的大模型权重文件（几个GB），这一步同样可能因为网络失败。如果反复下载失败，可以直接从HuggingFace或国内镜像站手动下载模型文件，放到models\Stable-diffusion目录下，跳过自动下载。
显存不足是另一个高频问题。4GB显存的卡跑默认参数很可能直接爆显存，可以在启动参数里加优化选项：
python launch.py --medvram # 中等显存优化，8GB以下建议开启 python launch.py --lowvram # 4GB以下使用 python launch.py --xformers # 开启xformers加速，同时降低显存占用
除了显存，还有一类报错来自Conda本身。如果激活环境时提示CommandNotFoundError: Your shell has not been properly configured to use 'conda activate'，说明shell初始化没做好，执行conda init后重启终端即可。Windows用户如果用PowerShell，还需要先执行Set-ExecutionPolicy RemoteSigned -Scope CurrentUser允许脚本运行，否则Conda Hook无法加载。
最后建议把整个环境固化下来：用conda env export > environment.yml导出配置，下次重装时用conda env create -f environment.yml一键恢复，配合仓库目录整体备份，即使系统重装也能在半小时内恢复工作环境。安装AI绘画环境本身就是一场和网络、版本号搏斗的持久战，把每一步验证做扎实，比盲目重试靠谱得多。
Stable Diffusion WebUIConda环境配置Git Clone失败修改时间：2026-09-16 05:36:32