透过prompt提示词来生成图片，一直是生成式AI中最受欢迎的应用，而Stable Diffusion算法应该这方面开源项目中的翘楚。事实上这个SDW项目也是我们前一篇文字TGW的基石，目前在Github上已经获得将近14万个星以及超过2.6万个folks，受欢迎程度远远超过TGW项目。
本文主题的SDW则是Stable-Diffusion-Webui的缩写，这个开源项目为SD算法整合一个web界面，在https://github.com/AUTOMATIC1111/stable-diffusion-webui中发布，让我们可以在本地部署Stable Diffusion这项非常有趣的文生图应用，只需要再搭配合适的模型即可。
在技术方面，SDW项目是集成多项先进算法于一身，主要包括（不限于）以下几种：
CompVis的stable-diffusion项目；
CompVis的taming-transformers项目；
sczhou的CodeFormer项目；
salesforce的BLIP项目；
crowsonkb的k-diffusion项目；
TencentARC的GFPGAN项目；
其他
安装过程需要从Github上复刻上述几个项目到本地存储上，以备后续启动时进行调用。但是这些项目原本就处在高变动频率阶段，任何一个项目的修改都会影响SDW的安装舒畅度，难度是相当高的。
其次，这个项目是基于PyTorch框架进行计算与调用，对于Python版本以及依赖库的版本都相当敏感，而在不同版本操作系统上，都需要有些细微处的调试，如果还混着使用venv或conda这类的虚拟环境的话，对计算机技能就有更大的挑战。
原始的SDW项目并没有提供Docker版本，只是对不同操作系统提供针对性的安装脚本，在脚本中为我们去检测不同环境所需要的不同配置，作者是煞费苦心地为我们提供贴心的设计，但是技术处于高速迭代的当下，这些脚本往往不能一路到底顺利地安装好Stable Diffusion Webui环境。
如今，在Jetson-containers开发环境中，我们已经有预处理好的Docker镜像文件，只要简单执行以下指令，就能轻松启动SDW操作环境：
$ jetson-containers run $(autotag stable-diffusion-webui)
然后在浏览器中输入“0.0.0.0:7860”后，就能看到以下操作画面：
这样是不是非常简单？我们所需要耗费的时间，就是单纯的下载镜像文件的时间，如果带宽好一些大概也就10分钟就差不多了。
不过目前的状态还不能真正执行，因为我们还没有可以执行文生图功能的模型，不过执行的代码中已经嵌入了下载 。现在我们只要在Web界面左上角点击“刷新”按钮，就可以在命令终端里看到开始下载指定的模型到指定路径的工作，如下图：
存放路径为荣器内的/data/models/stable-diffusion/models/Stable-diffusion/，对应外部jetson-containers/data/models/stable-diffusion/models/stable-diffusion，请自行到目录下去看看，是否有个大小为4.3GB的v1-5-pruned-emaonly.safetensors模型文件？如果有的话，我们就可以在Jetson Orin Nano上开始进行有趣的”AI文生图”应用了。
现在就可以在Jetson上开始使用Stable-Diffusion-Webui为我们生成想要的图片，下图是我们输入提示词“color follower rowing out of ground, mud, dirt, grass, high quality, photorealistic sharp focus,depth of field”的执行结果，让它一次为我们生成6张图片让我们挑选，这是根据参数Batch Count*Batch Size计算出来的。
剩下的工作，就需要读者自行根据SDW项目所提供的使用手册去进行体验与测试，地址在https://github.com/AUTOMATIC1111/stable-diffusion-webui/wiki，里面的Usage与Developers两部分，与大家的操作有比计较直接的关系，从这里开始进入应用会比较适合。
至于操作界面部分，可以根据Usage -> User-Interface-Customizations里面的内容，调整Web操作界面的元素部署、颜色、预设值等等。
