1. 项目概述当M4芯片遇上Stable Diffusion最近拿到搭载M4芯片的新款Mac第一反应不是跑分而是立刻想试试它跑Stable Diffusion到底有多快。毕竟从M1到M3苹果的神经网络引擎ANE和统一内存架构在AI推理上的表现一直让人期待。但说实话在Mac上部署sd-webui也就是大家常说的Stable Diffusion WebUI从来都不是一件“开箱即用”的轻松事尤其是每次芯片换代总会伴随着一堆新的依赖冲突和编译问题。这次M4也不例外我花了差不多一个下午的时间把能踩的坑几乎都踩了一遍从Python环境、PyTorch的Metal后端支持到各种扩展插件的兼容性每一步都有“惊喜”。这篇文章就是这次折腾的完整记录目标很明确如果你也拿着M4芯片的Mac想本地部署一个能画图的AI工具按照这个流程走应该能避开我遇到的所有麻烦顺利把环境搭起来。整个过程涉及原生ARM架构的Homebrew、特定版本的Python、为Apple Silicon优化的PyTorch以及一些关键的编译参数调整我会把每个步骤背后的原因和遇到错误时的排查思路都讲清楚。2. 环境准备与核心依赖解析在M4芯片的Mac上安装sd-webui最大的挑战来自于“新”。新的芯片架构意味着很多为Intel Mac或早期M系列芯片预编译的二进制包可能不兼容。我们的核心思路是一切从源码编译或者使用明确标注支持arm64或apple silicon的最新版本。2.1 命令行终端的首要配置Rosetta不是首选很多老教程会建议通过Rosetta 2来运行终端以兼容x86_64的软件包。对于M4我强烈建议不要这样做。原因有三点首先性能损失通过Rosetta转译运行无法充分发挥M4芯片尤其是ANE的硬件加速能力其次路径混乱混合架构安装的库文件会散落在/usr/localIntel和/opt/homebrewARM两个目录下后期依赖管理会成为噩梦最后未来兼容性苹果生态正在快速向纯ARM原生过渡原生运行是长远之计。因此第一步是确认你的终端运行在原生ARM模式。打开“终端”或你喜欢的iTerm2输入arch如果输出的是arm64那么恭喜你可以继续了。如果输出i386说明终端正在Rosetta模式下运行。你需要彻底退出终端应用然后前往“应用程序 实用工具”文件夹找到“终端”右键点击选择“显示简介”在打开的窗口中确保“使用Rosetta打开”的复选框没有被勾选然后重新启动终端。2.2 包管理器的选择与Homebrew安装在ARM原生环境下唯一的包管理器选择就是安装在/opt/homebrew下的Homebrew。如果你的系统是全新的很可能还没装。安装命令很简单/bin/bash -c $(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)安装完成后根据终端提示将Homebrew的可执行文件路径添加到你的shell配置文件中通常是~/.zshrc。添加如下两行echo eval $(/opt/homebrew/bin/brew shellenv) ~/.zshrc source ~/.zshrc执行brew --version确认安装成功并留意前缀是否为/opt/homebrew。注意永远不要混用/usr/local/bin/brew为Intel Mac准备和/opt/homebrew/bin/brew。这会导致无法挽回的依赖冲突。2.3 Python版本的精确定位与安装sd-webui对Python版本有比较严格的要求太新或太旧都会导致依赖安装失败。经过测试在M4平台的macOS Sequoia上Python 3.10.xx是目前兼容性最稳定的版本。Python 3.11或3.12可能会在编译某些底层C扩展如GFPGAN时遇到问题。我们使用Homebrew安装指定版本的Pythonbrew install python3.10安装完成后链接到系统路径并确认版本brew link --overwrite python3.10 python3.10 --version你应该看到类似Python 3.10.14的输出。接下来我们使用这个Python 3.10来创建独立的虚拟环境这是Python项目管理的黄金法则可以避免污染系统级的Python包。3. 项目部署与核心组件安装环境就绪后我们就可以开始拉取sd-webui的代码并安装其核心依赖了。这一步会遇到本过程第一个也是最主要的技术坑点。3.1 获取sd-webui源代码与创建虚拟环境首先找一个合适的目录克隆官方仓库。这里推荐使用--depth1只克隆最新提交以节省时间和空间。cd ~/Desktop # 或任何你喜欢的路径 git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git --depth1 cd stable-diffusion-webui进入项目目录后立即创建虚拟环境。我们指定使用刚才安装的Python 3.10解释器。python3.10 -m venv venv激活这个虚拟环境。激活后你的命令行提示符前通常会出现(venv)字样。source venv/bin/activate重要此后所有pip install命令都必须在虚拟环境激活的状态下执行以确保包被安装到./venv目录下而非全局。3.2 PyTorch与Torchvision的安装Metal后端的核心这是整个安装过程中最关键、最容易出错的一步。sd-webui的深度学习运算依赖于PyTorch。对于Apple Silicon Mac我们必须安装支持Metal Performance ShadersMPS后端的PyTorch版本这样才能利用GPU进行加速。绝对不要直接运行项目自带的webui.sh或使用pip install torch这默认会安装CPU版本或错误的版本。正确的做法是访问PyTorch官网根据指引获取安装命令。对于macOS ARM命令通常如下pip3 install --pre torch torchvision torchaudio --index-url https://download.pytorch.org/whl/nightly/cpu注意即使我们使用MetalGPU后端PyTorch为macOS提供的预编译包仍标记为“cpu”因为MPS后端是包含在这个包内的。--pre和--index-url指定从nightly构建频道安装这是为了获得对最新芯片如M4最好的兼容性支持。安装完成后强烈建议进行一个简单的验证。在激活的虚拟环境中运行Python交互界面python然后输入以下代码import torch print(torch.__version__) print(torch.backends.mps.is_available()) print(torch.backends.mps.is_built())理想的输出应该是首先打印出版本号如2.4.0.dev2024xxxx然后两个print都返回True。这证明PyTorch已成功安装并且MPS后端可用。如果is_available()返回False请检查你的macOS版本是否在12.3以上并确认没有安装冲突的PyTorch版本。3.3 安装WebUI的其余依赖PyTorch安装成功后其他依赖的安装就相对直接了。使用项目提供的requirements文件但这里有一个小技巧直接安装可能会遇到某些包版本冲突。一个更稳健的方法是先安装几个核心的、版本要求不那么严格的包。pip install numpy opencv-python-headless pillow然后再安装requirements文件中的主要部分。我们可以使用--no-deps选项来避免某些依赖的版本被强制覆盖特别是我们刚精心安装好的PyTorch。pip install -r requirements_versions.txt --no-deps最后再手动安装一些可能遗漏的、或者requirements文件中版本声明可能导致问题的通用包。pip install transformers scipy ftfy这个过程可能会花费一些时间因为需要编译一些组件。如果遇到某个包编译失败通常是提示error: command /usr/bin/clang failed with exit code 1大概率是缺少某些系统级的开发库。一个常见的“救星”命令是安装cmake和pkg-configbrew install cmake pkg-config安装后重新运行失败的pip install命令即可。4. 模型文件准备与基础配置调整依赖安装完毕相当于引擎已经装好接下来需要燃料——也就是模型文件。同时我们需要对WebUI进行一些基础配置让它能更好地在M4上运行。4.1 下载基础模型与放置sd-webui本身只是一个界面和调度框架没有画图能力。你需要至少下载一个基础模型checkpoint。最经典的是Stable Diffusion 1.5或SDXL 1.0。寻找模型可以到CivitAI、Hugging Face等社区寻找。对于初次尝试推荐下载sd_xl_base_1.0.safetensors这个官方SDXL基础模型它的出图质量比1.5好很多。放置路径在stable-diffusion-webui目录下你会看到一个models文件夹里面有一个Stable-diffusion子目录。将下载好的.safetensors或.ckpt文件放入这个Stable-diffusion文件夹内。命名建议文件名尽量使用英文避免空格和特殊字符。例如sd_xl_base_1.0.safetensors。4.2 关键启动参数配置我们不直接双击webui.sh而是通过修改其背后的Python启动命令来传递参数以获得更好的控制和兼容性。在项目根目录下我们可以创建一个简单的启动脚本或者直接记住参数。最关键的启动命令如下python launch.py --listen --no-half --skip-torch-cuda-test --use-cpu all --disable-nan-check这些参数在M4平台上有特殊意义--listen: 允许从局域网内其他设备访问WebUI界面默认只能本机127.0.0.1访问。--no-half:至关重要。禁用半精度fp16计算。因为目前PyTorch的MPS后端对fp16支持尚不完善强制使用fp32单精度可以避免大量黑图、绿图或崩溃问题。--skip-torch-cuda-test: 跳过CUDA检测我们用的是MPS不是NVIDIA CUDA。--use-cpu all: 这个参数需要谨慎理解。它并不是让所有计算都在CPU上进行。在MPS环境下它通常被用来将某些不稳定的算子如VAE解码回退到CPU执行以增加稳定性。你可以先不加这个参数如果出图过程崩溃再尝试加上。--disable-nan-check: 禁用NaN非数字检查。有时MPS后端会产生一些NaN值导致进程中断这个参数可以忽略它们让生成过程继续。一个更简洁、更通用的启动方式是编辑项目根目录下的webui-user.sh文件如果没有就创建一个。在其中写入export COMMANDLINE_ARGS--listen --no-half --skip-torch-cuda-test保存后以后只需要运行./webui.sh它就会自动带上这些参数。5. 首次运行、问题排查与性能调优执行了上述所有步骤后激动人心的第一次运行就要开始了。5.1 启动过程观察与常见错误在项目根目录下激活虚拟环境并启动source venv/bin/activate python launch.py --listen --no-half --skip-torch-cuda-test终端会开始输出大量日志。请耐心等待并仔细观察。一个健康的启动流程大致是加载本地化文件。检查并安装一些必需的包如gradio。导入torch并显示MPS可用。加载你放在models/Stable-diffusion下的模型文件这里会显示模型名称和哈希值。最后输出类似Running on local URL: http://127.0.0.1:7860和Running on public URL: https://xxxx.gradio.live的信息。首次启动时几乎一定会遇到的两个“坑”“Launching Web UI”卡住很久这通常是在后台下载某些必需的CLIP模型或VAE文件。由于网络连接Hugging Face可能较慢会卡在这里。观察日志如果显示Fetching...或Downloading...请耐心等待或考虑配置网络环境。你可以在models目录下提前手动放置clip-vit-large-patch14等文件夹来避免下载。“ERROR: Could not install packages due to an OSError...”这通常是权限问题或者虚拟环境路径有问题。请务必确认你已激活虚拟环境命令行有(venv)前缀并且所有pip install操作都是在虚拟环境中进行的。不要使用sudo。5.2 基础功能测试与出图验证成功启动后在浏览器中打开http://127.0.0.1:7860如果你加了--listen参数也可以用本机的IP地址加端口从局域网设备访问。选择模型在左上角的下拉框中选择你刚才放入的模型文件例如sd_xl_base_1.0.safetensors。输入提示词在“Prompt”框中输入简单的英文描述例如a cute cat, masterpiece, best quality。调整参数采样步数Steps可以先设为20-30采样方法Sampler用Euler a或DPM 2M Karras都不错。图片尺寸先使用模型推荐的默认尺寸如SDXL是1024x1024。点击生成观察终端日志和WebUI进度条。成功标志终端日志中会出现一行行以“MPS”开头的设备信息表示计算正在GPU上进行。大约几十秒到一两分钟后取决于图片尺寸和步数图片会显示在右侧。失败情况与排查生成纯黑/纯绿图片这是--no-half参数未生效的典型表现。请确保启动命令中包含了--no-half并检查终端启动日志中是否有相关提示。生成过程中进程崩溃/退出查看崩溃前的最后几行错误信息。如果与“VAE”或“NaN”有关尝试在启动参数中增加--use-cpu all和--disable-nan-check。报错“No module named ‘xformers’”这是正常的。xformers是用于NVIDIA显卡的注意力优化插件Apple Silicon不需要也不会安装。可以完全忽略这个警告。5.3 M4平台性能调优浅析成功运行后你可以感受一下M4的出图速度。与之前型号相比M4的ANE和更强的GPU核心会带来显著提升。但仍有几个调优点可以关注图片尺寸与批处理大幅增加图片尺寸如从512x512到1024x1024对显存统一内存的占用是平方级增长的。M4虽然内存带宽惊人但也要避免一次性生成过多或过大的图片导致内存交换Swap这会急剧降低速度。监控“活动监视器”中的内存压力是不错的习惯。采样器选择有些采样器如DDIM步数少但效果一般有些如DPM 2S a Karras质量高但较慢。在M4上Euler a是一个速度和质量比较平衡的选择。UniPC通常速度也很快。扩展插件安装通过WebUI的“Extensions”标签页安装插件是后续丰富功能的关键。但请注意许多插件包含原生代码C需要编译。在安装时如果失败通常需要确保你的命令行工具Xcode Command Line Tools是最新的可以通过xcode-select --install来安装或更新。6. 进阶问题与长期维护指南当基础功能稳定后你可能会探索更多这时也会遇到一些更深层次的问题。6.1 扩展插件编译失败深度解决这是Mac用户最常见的问题之一。例如安装sd-webui-controlnet时其依赖openpose需要编译。错误信息常包含clang: error: unsupported option -fopenmp。根本原因是macOS自带的Clang编译器不支持OpenMP。解决方案是使用Homebrew安装支持OpenMP的LLVM套件并临时修改编译环境。brew install llvm libomp安装后在编译需要OpenMP的Python包之前需要设置环境变量告诉编译器使用Homebrew的LLVMexport CC/opt/homebrew/opt/llvm/bin/clang export CXX/opt/homebrew/opt/llvm/bin/clang export LDFLAGS-L/opt/homebrew/opt/llvm/lib export CPPFLAGS-I/opt/homebrew/opt/llvm/include设置好这些变量后再运行插件的安装命令通常在WebUI界面内点击“Install”编译就能成功了。为了永久解决你可以将这些export行添加到你的~/.zshrc文件中。6.2 模型管理与缓存清理随着使用你会下载很多模型Checkpoint、LoRA、VAE等和缓存文件。它们非常占用空间。模型路径所有模型都存放在stable-diffusion-webui/models/下的各个子文件夹内。定期清理不用的模型是最直接的瘦身方法。缓存清理PyTorch和Hugging Face的Transformers库会下载缓存文件默认在~/.cache/目录下。可以安全删除~/.cache/torch/和~/.cache/huggingface/中很久未使用的文件。但注意删除后再次用到时需要重新下载。虚拟环境重建如果某天你的WebUI环境彻底混乱无法修复最彻底的办法就是删除整个venv文件夹然后从本文的第3.1节开始重新创建虚拟环境并安装依赖。你的模型文件和设置在stable-diffusion-webui根目录的.txt配置文件中会得到保留。6.3 保持更新与回滚策略sd-webui和PyTorch都在快速迭代。更新可能带来新功能也可能引入新问题。更新WebUI在项目根目录下执行git pull即可。更新后首次启动它会自动检查并安装新的依赖。更新PyTorch务必谨慎。除非你确定新版本修复了你的问题或提供了必需的功能否则不建议主动升级PyTorch。升级命令依然是去PyTorch官网获取最新的针对macOS的命令。升级后需要重新测试MPS可用性。回滚如果更新后出现问题WebUI可以通过git checkout命令回退到某个提交。PyTorch则可以指定版本号降级安装例如pip install torch2.3.0。虚拟环境隔离的特性使得这些操作相对安全。整个流程走下来你会发现虽然在M4上部署sd-webui开头麻烦一些需要手动处理不少依赖和编译问题但一旦配置完成其稳定性和速度体验是非常出色的。最关键的是理解每个步骤的目的原生ARM环境、正确的PyTorch MPS后端、针对稳定性的启动参数。这套配置思路不仅适用于M4对于M1、M2、M3系列的Mac也同样具有很高的参考价值只是在个别依赖的版本上可能需要微调。剩下的就是享受本地自由创作AI图像的乐趣了。