企业官网建设流程全解析

kohya_ss Docker部署完整教程：如何快速搭建跨平台Stable Diffusion训练环境

【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ss

配置Stable Diffusion训练环境，通常要折腾Python版本、CUDA依赖和一堆版本冲突。kohya_ss是支持LoRA、DreamBooth、微调的GUI训练工具，本文用Docker把整套环境打包成镜像：在有NVIDIA显卡的机器上，3条命令就能打开可用的训练界面，全程不碰Python环境。

🐳 为什么值得这样部署

传统本地安装要做的事是：装Python 3.11、下载数GB的torch和CUDA依赖、克隆sd-scripts训练核心，再逐个解决版本冲突。Docker把这些全部装进一个镜像里，差别体现在这几点：

• 跨平台一致：Windows、Linux、macOS（经WSL2）上拿到同一套运行环境，不再有"我电脑上是好的"
• 环境隔离：Python、CUDA、依赖全在镜像里，不碰系统包，删容器即可彻底清理
• 更新成本低：docker compose up -d --pull always拉新镜像重启即可
• 数据不落容器：训练数据和模型都在宿主机目录，容器可随时销毁重建
• TensorBoard自带：独立容器在6006端口看训练曲线，不用另装

官方Docker安装细节可在 docs/installation_docker.md 交叉核对。

📋 准备工作清单

Windows

1. 安装Docker Desktop，确认启用WSL2后端——容器运行时的基础
2. 安装最新NVIDIA Windows驱动——宿主机GPU加速的入口
3. 安装CUDA Toolkit——WSL2 + Docker的GPU链路需要它在宿主机一侧

Linux / macOS

1. 安装Docker Engine和docker compose插件——容器运行时
2. 安装NVIDIA GPU驱动（已装可跳过）
3. 安装NVIDIA Container Toolkit——让容器能看见GPU，缺了它 compose 里的--gpus配置不会生效

装完后在宿主机跑一次nvidia-smi，能输出显卡型号和驱动版本即说明宿主机就绪。

🚀 部署执行：3条命令启动

推荐最短路径：使用预构建镜像

# 克隆仓库（必须加 --recursive，否则缺少训练核心sd-scripts子模块，构建会失败） git clone --recursive https://gitcode.com/GitHub_Trending/ko/kohya_ss # 进入项目目录 cd kohya_ss # 后台启动容器（首次会下载预构建镜像ghcr.io/bmaltais/kohya-ss-gui:latest，体积数GB，等待时间取决于带宽） docker compose up -d

docker-compose.yaml 会同时拉起两个服务：kohya-ss-gui（训练界面，7860端口）和tensorboard（训练曲线，6006端口）。

替代方案：本地构建镜像

需要自定义依赖或离线部署时，从本地代码构建：

# 克隆仓库（同样必须 --recursive） git clone --recursive https://gitcode.com/GitHub_Trending/ko/kohya_ss # 进入项目目录 cd kohya_ss # 本地构建镜像并启动（需下载PyTorch等依赖并逐层编译，预期最长约20分钟） docker compose up -d --build

目录结构：数据放哪里

容器被刻意设计成"可丢弃"的，数据全部留在宿主机：

kohya_ss/ ├── dataset/ # 训练数据（容器内挂载为 /dataset，图片和文本标注都放这里） ├── models/ # 预训练模型与训练产出的模型文件 └── .cache/ # 配置与缓存目录（保证设置持久化）

kohya_ss 训练产出的Stable Diffusion图像示例：


注意一个设计点：GUI在容器内以--headless模式运行（见 Dockerfile 的CMD），没有文件选择器，目录路径需要手动输入，所以开始训练前先确认数据放在dataset/下。

✅ 部署后验证

依次做三件事，全部通过就可以开始训练：

# 检查两个容器都是Up状态（应看到 kohya-ss-gui 和 tensorboard） docker compose ps # 确认容器内能看到GPU（输出显卡型号和显存即为正常） docker exec -it kohya-ss-gui nvidia-smi

3. 浏览器打开http://localhost:7860，能看到 kohya_ss 的 Gradio 界面（Train Network 等标签页）即GUI正常；跑一次训练产生日志后，http://localhost:6006能看到TensorBoard曲线。

🔧 关键配置改法

最常想改的是端口、GPU、TensorBoard端口，改动点都在 docker-compose.yaml。

一行命令改GUI端口

7860被占用时，只改宿主机侧端口：

ports: - "7861:7860" # 宿主机7861映射到容器7860，浏览器访问 http://localhost:7861

只用指定GPU

多卡机器想锁定某一张卡时：

- driver: nvidia capabilities: [gpu] device_ids: ["0"] # 默认 "all"，改成卡号即只分配该卡

改TensorBoard端口

在项目目录创建或编辑.env文件：

TENSORBOARD_PORT=6007 # TensorBoard将监听 http://localhost:6007

🛠️ 日常维护：常用命令清单

docker compose ps # 查看容器状态 docker compose logs -f kohya-ss-gui # 实时跟踪训练日志 docker compose stop kohya-ss-gui # 只停GUI，保留TensorBoard docker compose down # 停止并移除容器（宿主机数据保留） docker compose up -d --pull always # 拉取最新预构建镜像并重启（日常更新） docker exec -it kohya-ss-gui bash # 进入容器内部查看文件

🩺 遇到卡点时

• 容器内nvidia-smi报错或找不到GPU：NVIDIA Container Toolkit 没装或装完没重启Docker。装好Toolkit后执行systemctl restart docker，再用docker run --rm --gpus all nvidia/cuda:12.8.0-base-ubuntu nvidia-smi单独验证；能打印GPU信息说明宿主机链路正常，问题出在容器配置。
• 本地构建失败，提示找不到 sd-scripts：训练子模块没拉下来。在项目目录执行git submodule update --init --recursive，然后重新docker compose up -d --build。
• 训练启动不了，日志报路径不存在：headless模式没有文件选择器，路径必须手填，且数据必须放在宿主机dataset/下（容器内对应/dataset）。把图片和标注txt放进dataset/，在GUI中手填/dataset/你的文件夹名。
• 7860端口被占用：把 docker-compose.yaml 里的映射改成7861:7860，然后docker compose down && docker compose up -d重启。
• 容器启动后立即退出或报权限错误：容器以UID 1000运行。宿主机dataset/、models/目录若对该用户无读写权限，容器会直接退出。宿主机执行ls -ld dataset models检查属主，把目录属主调整为对应UID，或用--build-arg UID=<你的UID>重建镜像。

📊 与其他方案对比

🎯 收尾行动清单

1. 克隆仓库：git clone --recursive https://gitcode.com/GitHub_Trending/ko/kohya_ss
2. 启动服务：cd kohya_ss && docker compose up -d
3. 打开http://localhost:7860确认GUI，docker exec -it kohya-ss-gui nvidia-smi确认GPU
4. 把训练图片放进dataset/，在 Train Network 标签页发起第一次LoRA训练

训练参数怎么调，照着 docs/LoRA/top_level.md 和 docs/train_README.md 走。环境搭好后，剩下的就是选模型、调参数——去跑你的第一个LoRA吧。

【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ss