SDXL 1.0云端部署：Docker Compose编排实战

SDXL 1.0云端部署：Docker Compose编排实战

1. 开篇：为什么需要Docker Compose部署SDXL？

如果你尝试过手动部署SDXL 1.0，肯定经历过依赖冲突、环境配置繁琐的烦恼。一个模型需要Python环境、PyTorch库、各种依赖包，还要考虑GPU驱动兼容性——这简直是一场噩梦。

Docker Compose解决了这个问题。它让你用一份配置文件就能定义整个SDXL服务栈：Web界面、模型推理、缓存系统、负载均衡。不需要手动安装任何东西，一条命令就能启动所有服务。

我上次给团队部署SDXL环境，从零开始手动配置花了半天，还遇到各种版本问题。改用Docker Compose后，同样的环境5分钟就搞定了，而且保证每个人机器上的环境完全一致。

2. 环境准备：你需要什么

在开始之前，确保你的云端服务器满足以下要求：

• 操作系统：Ubuntu 20.04/22.04 LTS（其他Linux发行版也可，但命令可能略有不同）
• GPU：NVIDIA GPU（至少8GB显存，推荐RTX 3090或A10G以上）
• 驱动：NVIDIA驱动≥525.60.11，CUDA≥11.8
• Docker：版本20.10.0以上
• Docker Compose：版本2.12.0以上

检查你的环境是否就绪：

# 检查NVIDIA驱动 nvidia-smi # 检查Docker版本 docker --version # 检查Docker Compose版本 docker compose version

如果还没有安装Docker和NVIDIA容器工具包，可以用以下命令安装：

# 安装Docker curl -fsSL https://get.docker.com -o get-docker.sh sudo sh get-docker.sh # 安装NVIDIA容器工具包 distribution=$(. /etc/os-release;echo $ID$VERSION_ID) curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add - curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list sudo apt-get update && sudo apt-get install -y nvidia-container-toolkit sudo systemctl restart docker

3. 项目结构：了解我们要部署什么

我们的Docker Compose方案包含多个服务组件，每个都有特定职责：

sdxl-deployment/ ├── docker-compose.yml # 主编排文件 ├── nginx/ │ └── nginx.conf # Nginx配置 ├── redis/ │ └── redis.conf # Redis配置 ├── monitor/ │ └── prometheus.yml # 监控配置 └── .env # 环境变量

核心服务说明：

• sdxl-web：Streamlit Web界面，用户操作入口
• sdxl-worker：模型推理工作节点，支持横向扩展
• redis：任务队列和缓存，提高响应速度
• nginx：负载均衡，分配请求到多个worker
• monitor：监控系统，收集性能指标

这种架构的好处是每个部分都可以独立扩展。如果用户多了，可以增加worker节点；如果流量大了，可以调整nginx配置。

4. Docker Compose编排实战

现在来看核心的docker-compose.yml文件：

version: '3.8' services: # Redis缓存和队列服务 redis: image: redis:7-alpine container_name: sdxl-redis ports: - "6379:6379" volumes: - ./redis/redis.conf:/usr/local/etc/redis/redis.conf - redis_data:/data command: redis-server /usr/local/etc/redis/redis.conf restart: unless-stopped # SDXL Web界面 sdxl-web: build: context: . dockerfile: Dockerfile.web container_name: sdxl-web ports: - "8501:8501" environment: - REDIS_URL=redis://redis:6379 - WORKER_URL=http://sdxl-worker:8000 depends_on: - redis - sdxl-worker restart: unless-stopped # SDXL工作节点 sdxl-worker: build: context: . dockerfile: Dockerfile.worker container_name: sdxl-worker deploy: replicas: 2 environment: - REDIS_URL=redis://redis:6379 - MODEL_PATH=/app/models/sdxl volumes: - model_cache:/app/models runtime: nvidia restart: unless-stopped # Nginx负载均衡 nginx: image: nginx:1.25 container_name: sdxl-nginx ports: - "80:80" - "443:443" volumes: - ./nginx/nginx.conf:/etc/nginx/nginx.conf depends_on: - sdxl-web restart: unless-stopped # 监控系统 monitor: image: prom/prometheus:latest container_name: sdxl-monitor ports: - "9090:9090" volumes: - ./monitor/prometheus.yml:/etc/prometheus/prometheus.yml restart: unless-stopped volumes: redis_data: model_cache:

这个配置做了几件重要的事情：

1. 使用GPU运行时：sdxl-worker服务配置了runtime: nvidia，让容器能访问GPU
2. 多副本部署：worker节点可以启动多个副本处理并发请求
3. 持久化存储：模型数据和Redis数据都保存在volume中，重启不会丢失
4. 服务依赖：通过depends_on确保服务启动顺序正确

5. 编写Dockerfile

我们需要两个Dockerfile：一个用于Web界面，一个用于工作节点。

Dockerfile.web（Web界面）：

FROM python:3.10-slim WORKDIR /app # 安装系统依赖 RUN apt-get update && apt-get install -y \ libglib2.0-0 \ libsm6 \ libxext6 \ libxrender-dev \ && rm -rf /var/lib/apt/lists/* # 复制依赖文件并安装 COPY requirements-web.txt . RUN pip install --no-cache-dir -r requirements-web.txt # 复制应用代码 COPY web/ . # 启动命令 EXPOSE 8501 CMD ["streamlit", "run", "app.py", "--server.port=8501", "--server.address=0.0.0.0"]

Dockerfile.worker（工作节点）：

FROM pytorch/pytorch:2.0.1-cuda11.7-cudnn8-runtime WORKDIR /app # 安装系统依赖 RUN apt-get update && apt-get install -y \ libglib2.0-0 \ libsm6 \ libxext6 \ libxrender-dev \ && rm -rf /var/lib/apt/lists/* # 复制依赖文件并安装 COPY requirements-worker.txt . RUN pip install --no-cache-dir -r requirements-worker.txt # 复制工作节点代码 COPY worker/ . # 创建模型目录 RUN mkdir -p /app/models EXPOSE 8000 CMD ["python", "main.py"]

requirements-web.txt和requirements-worker.txt需要包含必要的Python包，比如transformers、diffusers、accelerate等。

6. 配置Nginx负载均衡

为了让系统能处理高并发，我们配置Nginx做负载均衡：

events { worker_connections 1024; } http { upstream sdxl_web { server sdxl-web:8501; } upstream sdxl_worker { server sdxl-worker:8000; } server { listen 80; server_name localhost; # Web界面负载均衡 location / { proxy_pass http://sdxl_web; proxy_set_header Host $host; proxy_set_header X-Real-IP $remote_addr; proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for; } # API接口负载均衡 location /api/ { proxy_pass http://sdxl_worker; proxy_set_header Host $host; proxy_set_header X-Real-IP $remote_addr; proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for; } } }

这个配置将Web请求转发到sdxl-web服务，API请求转发到sdxl-worker服务。

7. 部署和启动

现在一切准备就绪，启动整个服务栈：

# 克隆部署仓库（如果有） git clone <your-repo-url> cd sdxl-deployment # 启动所有服务 docker compose up -d # 查看服务状态 docker compose ps # 查看日志 docker compose logs -f sdxl-worker

启动过程可能需要一些时间，特别是第一次运行时会下载基础镜像和模型文件。你可以用docker compose logs命令查看进度。

完成后，访问以下地址：

• Web界面：http://你的服务器IP:8501
• 监控界面：http://你的服务器IP:9090

8. 实际使用效果

部署完成后，我测试了一下生成速度。在RTX 4090上，512x512分辨率的图片生成大约需要3-5秒，1024x1024需要8-12秒。同时处理多个请求时，系统会自动分配任务到不同的worker节点。

内存使用方面，每个worker容器大约占用8-10GB GPU显存，所以要根据你的GPU内存决定启动多少个worker副本。如果是24GB显存的GPU，可以启动2个worker；如果是40GB或80GB，可以启动更多。

9. 常见问题解决

在实际部署中可能会遇到这些问题：

问题1：GPU无法访问

# 检查NVIDIA容器工具包是否安装正确 docker run --rm --gpus all nvidia/cuda:11.8.0-base-ubuntu20.04 nvidia-smi

问题2：端口冲突如果端口被占用，修改docker-compose.yml中的端口映射：

ports: - "8502:8501" # 主机端口:容器端口

问题3：模型下载慢可以在Dockerfile中预先下载模型：

RUN python -c "from diffusers import StableDiffusionXLPipeline; \ StableDiffusionXLPipeline.from_pretrained('stabilityai/stable-diffusion-xl-base-1.0', cache_dir='/app/models')"

问题4：内存不足调整worker副本数量：

deploy: replicas: 1 # 减少副本数量

10. 总结

用Docker Compose部署SDXL确实省心很多。之前每次部署都要折腾环境配置，现在只需要准备好docker-compose.yml文件，一条命令就能完成全套部署。

这种方案还有个好处是容易扩展。如果以后需要升级SDXL版本，只需要更新Dockerfile中的基础镜像和模型版本，不需要重新配置整个环境。如果想要增加计算能力，简单调整worker副本数量就行。

实际使用中，这套架构能够稳定支持多个用户同时使用，生成速度也令人满意。如果你也需要在团队中部署SDXL，强烈推荐试试Docker Compose方案，真的能节省大量时间和精力。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。