Stable Diffusion主要用于从文本生成图像，是人工智能技术在内容创作行业中不断发展的应用。要在本地计算机上运行Stable Diffusion，您需要一个强大的 GPU 来满足其繁重的要求。强大的 GPU 可以让您更快地生成图像，而具有大量 VRAM 的更强大的 GPU 可以让您更快地创建更高分辨率的图像。那么，最适合Stable Diffusion的消费类 GPU 是什么？让我们看看NVIDIA和AMD的部分GPU上的Stable Diffusion性能来寻找答案。

关于Stable Diffusion

什么是Stable Diffusion？

Stable Diffusion是一种机器学习模型。由于它能够根据文本提示生成图像，因此它越来越多地用于内容创建。Stable Diffusion 的独特之处在于它缺乏商业开发的软件，而是依赖于各种开源应用程序。此外，与其他类似的文本到图像模型不同，它通常在本地系统上本地使用，而不是使用在线 Web 服务。

Stable Diffusion 可以在具有至少 8GB VRAM 的中档 GPU 上运行。然而，它极大地受益于具有更多 VRAM 的强大现代 GPU。

Stable Diffusion的组成框架

您可以直接使用Stability AI和Runway开发的Stable Diffusion版本。然而，大多数人使用第三方创建的基于网络的版本。最常用的Stable Diffusion是：

• Automatic 1111：这主要用于 NVIDIA GPU，尽管 AMD 和 Apple Silicon 也有分支。它允许您使用xformers，它可以显着提高 NVIDIA GPU 的性能。
• SHARK：SHARK 是Automatic 1111 的替代方案。它本身支持 NVIDIA 和 AMD GPU。然而，AMD GPU 的性能往往较高，而 NVIDIA GPU 的性能往往较低。
• 自定义：有些人使用他们需要的功能创建自己的应用程序，因为Stable Diffusion是公开的，任何人都可以直接使用。

每个实现在功能和可用性方面都有独特的优点和缺点。从性能和基准测试的角度来看，推荐使用Automatic 1111和SHARK。根据您要测试的GPU，建议同时使用Automatic 1111和SHARK。使用 Automatic 1111 测试 NVIDIA GPU，使用 SHARK 测试 AMD GPU。

注意：Stable Diffusion 会不断更新，因此您使用的不同版本可能会导致性能变化。

什么影响Stable Diffusion的性能？

首先，Stable Diffusion设置和模型

最常调整的设置（例如提示、否定提示、cfg 比例和种子）不会对性能产生显着影响。生成狗或山地景观的图像需要相同的时间。即使选择的模型也往往只会导致生成时间的微小差异。看下面的图像，尽管有不同的提示和 cfg 比例，但它们的生成时间几乎完全相同。

其他设置（例如步长、分辨率和采样方法）将影响Stable Diffusion的性能。

• 步骤：调整步骤会影响生成图像所需的时间，但不会改变每秒迭代的处理速度。尽管许多用户选择 20 到 50 步，但将步数增加到 200 左右往往会在每次运行中产生更一致的结果。
• 分辨率：图像分辨率不仅对性能影响最大，还会影响生成图像所需的 VRAM 量。出于基准测试目的，您可以使用 512×512 分辨率来确保与各种 GPU 型号的兼容性。
• 采样方法（Euler、DPM等）。它会显着影响生成时间，某些选项所需的时间大约是其他选项的两倍。“Euler”和“Euler a”使用最广泛，并且往往提供最佳性能。其他方法（例如 DPM2）往往需要大约两倍的时间。出于 GPU 基准测试的目的，建议坚持使用 Euler 的变体以保持一致性。

其次是硬件

• GPU ：GPU 对速度和图像质量影响最大。更强大的 GPU 具有更高的内存带宽和更多的 VRAM，可以更快地生成稳定的扩散图像，尤其是在更高分辨率的情况下。GPU 上的 VRAM 数量决定了可以生成的最高分辨率图像。建议至少 8GB，更高分辨率需要 12GB 或更多。
• CPU ：虽然 GPU 处理大部分繁重的工作，但快速的 CPU 仍可以在较小程度上提高性能。具有更高时钟速度和更多内核的 CPU 可以提供较小的提升。
• RAM ：系统内存有助于向 GPU 提供数据，因此至少拥有 16GB RAM 可以确保最佳性能。更多 RAM（高达 32GB 或 64GB）可以进一步提高速度。

实现Stable Diffusion的最佳 GPU

要了解最适合Stable Diffusion的消费类 GPU，我们将检查这些 GPU 在其两个最流行的实现（其最新公开版本）上的Stable Diffusion性能。

许多Stable Diffusion实现通过计算“每秒迭代次数”或“ it/s ”来显示它们的工作速度。因此，为了检查Stable Diffusion性能，该指标是常用且很好的衡量标准。每秒迭代次数是通过将迭代次数除以生成图像所需的秒数来计算的。例如，如果生成具有 200 次迭代的图像需要 15 秒，则每秒的迭代次数约为13.3（即 200 次迭代除以 15 秒）。

首先，让我们看一下 Puget Systems 在 4000 系列 GPU 以及最近三代 NVIDIA 和 AMD RX 7900 XTX 和 RX 6900 XT的顶级 GPU 上测试的基准测试结果。

Automatic 1111性能

Automatic 1111是Stable Diffusion最常用的表现形式，通常可以在 NVIDIA GPU 上提供最佳性能。

NVIDIA 在这方面的表现明显优于 AMD。在 NVIDIA 的 GPU 列表中，RTX 4090 是获胜者，在Automatic 1111上提供了最高的性能结果。 甚至 RTX 3060 Ti 的速度也是 Radeon GPU 的两倍。只有 GTX 1080 Ti 比 RX 7900 XTX 差。

较新的 4000 系列 GPU 在图像生成速度方面具有明显的优势，同时性能与价格呈线性增长。RTX 4070 Ti 比之前的 RTX 3090 Ti 快约 5%，RTX 4060 Ti 比 3060 Ti 快近 43%，这表明了这一点。如果您仍然拥有 2000 或 1000 系列 GPU，即使是中档 4000 系列 GPU 也能提供显着的性能提升。

Shark性能测试

尽管 SHARK 不如Automatic 1111 常用，但许多 AMD 用户更喜欢它。看看上面的基准测试结果，原因就很清楚了。

RX 7900 XTX 的性能在 SHARK 的帮助下翻了四倍，每秒的迭代次数与运行 1111 的 RTX 4090 类似。同样，RX 6900 XT 的性能提升幅度甚至更大，达到了 1100%，但这仅使其与低端产品具有竞争力。已测试 NVIDIA GPU。

使用 SHARK 时，NVIDIA GPU 的性能比自动1111差约 30% ，尽管相对性能保持相同。

重要提示：正确使用Stable Diffusion非常重要，因为它会极大地影响性能。它可以从减少 30% 到大幅增加 1100%！上述GTX 1080 Ti的结果证明了这一点。在 Puget Systems 的本次测试中，它无法运行 SHARK。

总结

最突出的是各种Stable Diffusion实现之间性能的巨大差异。NVIDIA GPU 在Automatic 1111上提供最高性能，而 AMD GPU 在 SHARK 上工作效果最佳。顶级 GPU 各自的实现具有相似的性能。

如果您尚未决定使用特定的实现，NVIDIA 和 AMD 的高端 GPU 都提供了出色的性能。GeForce RTX 4090 和Radeon RX 7900 XTX 在Stable Diffusion的首选实现中均提供约 21 it/s 的速度。

值得注意的是，Stable Diffusion是一个不断发展的模型，具有一组工具。今天的运作方式与几个月前或未来的运作方式截然不同。 它的性能将在未来几个月和几年内发生变化。因此，本文中的性能结果可能会随着时间的推移而发生变化。作为明智的读者，我们希望您理解这些基准测试结果仅供参考。

如果您有兴趣在 RTX 4090 等顶级 GPU 上测试当前使用的Stable Diffusion实现的性能，请查看我们下面的服务。

赞奇云工作站- Stable Diffusion的云服务平台

Stable Diffusion 主要是为单 GPU 使用而设计的；然而，通过一些额外的软件和配置，它可以利用多个 GPU。通过将工作分散到多个 GPU 上，可以提高整体迭代速度。虽然大多数Stable Diffusion实现默认设计为在单个 GPU 上运行，但一种常用的实现（Automatic1111）可以选择以最少的附加配置启用多 GPU 支持。

运行Stable Diffusion算力越强，出图越快。显存越大，所设置图片的分辨率越高，所以一般的配置电脑还是带不动stable diffusion的，所以还是推荐选择赞奇云工作站，相比传统电脑无需一次性投入大量金钱，还可以随开随用，按需使用，高效助力设计。

上赞奇云工作站不需要复杂的安装和部署，就能随时随地享受到行业领先配置的机器，高画质稳定输出作品，减少本地配置时间和成本投入，完全不同担心电脑卡顿、运行不动等问题。