InvokeAI 部署避坑指南本地安装与 Docker 三个问题选对方案【免费下载链接】InvokeAIInvoke is a leading creative engine for Stable Diffusion models, empowering professionals, artists, and enthusiasts to generate and create visual media using the latest AI-driven technologies. The solution offers an industry leading WebUI, and serves as the foundation for multiple commercial products.项目地址: https://gitcode.com/GitHub_Trending/in/InvokeAIInvokeAI 是带 WebUI 的 Stable Diffusion 生成引擎支持 SDXL、FLUX.1、Z-Image 等模型族。做 InvokeAI 部署时最常见的纠结是本地装还是跑 Docker先给结论Linux 配 Nvidia 显卡选 DockerMac 选本地 Launcher其余全是坑的细节。 30 秒定位你的路线先问自己三个问题问题一你的操作系统是什么Mac选本地 Launcher。Mac 上的 Docker 用不了 GPU官方文档原话是能跑但非常慢生成基本等于纯 CPU 硬算。Windows两条路都通。Docker 想用 GPU 必须走 WSL2嫌折腾就直接本地 Launcher。LinuxDocker 最干净。官方镜像自带 CUDA 环境你不用自己管 Python、torch 和驱动版本搭配。问题二你是体验一下还是长期用只是先看效果 →docker run一条命令加一个挂载卷5 分钟能删能重建。长期跑、频繁升级 → Linux 用 compose 加.envWindows/Mac 用 Launcher所有变更都落在配置文件里不用重装。问题三你的显卡是老卡吗GTX 9xx/10xx 这类老卡或者你想指定 torch 后端比如--torch-backendcu126→ 直接走手动安装。Docker 镜像只有官方最新构建照顾不了老卡。如果你三个问题的答案是Linux 新卡 想先看效果直接进下一章5 分钟收尾。 两个场景两条路从命令到界面快速体验Docker 5 分钟跑通 Web 页面唯一前提终端里nvidia-smi能正常打印显卡和驱动版本Nvidia 驱动需 R580 及以上。打不出来就先修驱动否则 Invoke 会回退到 CPU 启动并在日志里报错。这一步在做什么验证显卡和驱动对系统可见。nvidia-smi为什么这么做Docker 不会替你配置 GPU 直通宿主机不认识卡容器里更不可能认识。确认无误后直接起容器镜像里已内置 CUDA 13 和全部依赖这一步在做什么拉取官方镜像并后台启动开放 9090 端口把本机~/invokeai映射为容器内的运行数据目录。docker run -d --name invokeai --runtimenvidia --gpusall \ --volume ~/invokeai:/invokeai -p 9090:9090 \ ghcr.io/invoke-ai/invokeai为什么这么做少了--volume挂载生成的图片和下载的模型会随容器销毁而清空这是全流程最容易漏的一步。首次拉镜像需要几分钟之后打开http://localhost:9090在 Model Manager 里装一个 SDXL 基础模型就能开始生成。Windows/Mac 的朋友别抄这条命令直接看下一节那才是你的正路。长期使用compose 或 Launcher 锁定环境这个场景的关键词是数据比进程活得久模型目录、端口、GPU 驱动都要落在配置里升级迁移才是一句话的事。Linux / Windows (WSL2)用源码构建 compose 管理这一步在做什么克隆仓库把示例配置复制成.env再用官方脚本构建并启动容器。git clone https://gitcode.com/GitHub_Trending/in/InvokeAI cd InvokeAI/docker cp .env.sample .env ./run.sh为什么这么做.env是唯一需要改配置的地方INVOKEAI_ROOT控制数据目录默认~/invokeai端口、GPU 驱动GPU_DRIVER都在这里后续升级只需拉新镜像重启数据和模型原封不动。Windows / Mac不用碰命令行直接用官方 Invoke Launcher它一个 GUI 搞定环境安装、模型下载和一键升级且是 Mac 上的唯一推荐路径。无论哪条路只要数据目录固定Docker 转本地或反向迁移都不用重下模型——官方文档明确 4.0 之后的运行时目录通常可跨安装复用。 两种方案真正影响体验的三个差异一、GPU 直通是 Docker 唯一的硬门槛。镜像不带驱动依赖宿主机配好 nvidia-container-toolkit没配好的容器只能用 CPU 跑速度差一个数量级但界面一切正常——这是最容易被忽略的差异。Mac 上的 Docker 干脆完全没有 GPU 可用直接出局。二、模型数据放哪不同但互相兼容。本地安装的数据都在你看得见摸得着的目录里Docker 默认在挂载卷~/invokeai下HuggingFace 模型缓存在独立的HF_HOME目录。两者可以共享同一个数据目录从 Docker 换到本地或反过来不需要重新下载几十 GB 的模型。三、Docker 只有最新构建手动安装能挑 torch 后端。官方镜像 最新 PyTorch CUDA 13老卡GTX 9xx/10xx或需要指定 ROCm 版本的 AMD 用户只能uv建虚拟环境后手动pip install invokeai挑后端代价是你得自己管 Python 3.12 环境。结论很实际新卡用户的差异只是多不多配一个 toolkit老卡用户的差异是少一条路可走。⚠️ 三个高频坑一次讲清坑一容器起不来或生成慢得像 CPU现象docker run报 nvidia runtime 不可用或者能启动但一张图要等几分钟。原因没装 nvidia-container-toolkit 或没设成默认 runtime或者宿主机驱动低于 R580。解法按官方文档装好 toolkit进容器验证能看到 GPU驱动问题先升驱动。启动日志里如果出现回退 CPU 的提示就是驱动或显卡不支持。坑二生成时 Out of Memory现象首图或放大尺寸时直接崩溃。原因模型大于显存。SDXL 最低 8GB 显存FLUX.1 最低 10GB显存越紧张越容易触发。解法按 Low VRAM 模式 调整配置或显式设置max_cache_vram_gb上限。Windows 用户还可以把 NVIDIA 控制面板里的 CUDA - System Fallback Policy 改为 Prefer No System Fallback避免显存不足时悄悄回退到 CPU 内存越跑越慢。坑三容器重启后图片全没了现象docker compose down再启动昨天的图和模型都不见了。原因没挂卷数据写在了容器层里。解法补上--volume ~/invokeai:/invokeai或在.env里设INVOKEAI_ROOT指回旧目录还能继承老数据。三个坑里两个是没配、一个是没挂对着检查一遍就能过。 我的选择和三步最小路径我的选择Linux Nvidia 选 DockerMac 选 Launcher老卡和开发者选手动安装。不和稀泥——Docker 一次性解决最常见环境Launcher 在 Mac 上体验最顺手动安装是特殊硬件唯一的路。如果你现在就想动手三步最小路径跑一遍nvidia-smi确认显卡和驱动就绪R580 以上执行docker run -d --gpusall --volume ~/invokeai:/invokeai -p 9090:9090 ghcr.io/invoke-ai/invokeai打开http://localhost:9090在 Model Manager 装一个模型生成第一张图。更完整的流程见仓库内的安装文档和硬件要求。【免费下载链接】InvokeAIInvoke is a leading creative engine for Stable Diffusion models, empowering professionals, artists, and enthusiasts to generate and create visual media using the latest AI-driven technologies. The solution offers an industry leading WebUI, and serves as the foundation for multiple commercial products.项目地址: https://gitcode.com/GitHub_Trending/in/InvokeAI创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考