从零开始：黑丝空姐-造相Z-Turbo在Ubuntu 20.04上的保姆级部署

从零开始：在Ubuntu 20.04上部署造相Z-Turbo模型

最近有不少朋友在问，怎么在Linux服务器上快速部署一个能生成高质量图片的AI模型。特别是对于那些习惯在命令行下工作的开发者来说，一个清晰、无坑的部署指南太重要了。今天，我就以Ubuntu 20.04这个经典的长期支持版本为例，手把手带你走一遍“造相Z-Turbo”这个模型的完整部署流程。

整个过程，我们会从一台刚装好的纯净Ubuntu系统开始，一步步完成系统配置、环境准备，直到最后成功运行模型并生成第一张图片。我会尽量把每个步骤都讲清楚，把可能遇到的“坑”提前指出来。如果你之前对Docker或者GPU环境不太熟悉，跟着这篇教程走，应该也能顺利搞定。

1. 部署前的准备工作

在开始敲命令之前，我们得先明确两件事：一是我们的“战场”环境，二是需要提前准备好的“弹药”。

1.1 明确系统与环境要求

首先，你得有一台安装了Ubuntu 20.04 LTS的机器。为什么是20.04？因为它足够稳定，社区支持完善，遇到问题也容易找到解决方案。服务器或者本地电脑都可以，但关键是要有NVIDIA的GPU。没有GPU虽然也能跑，但速度会慢很多，体验大打折扣。

你可以打开终端，用下面的命令确认一下系统版本和GPU信息：

# 查看系统版本 lsb_release -a # 查看是否有NVIDIA GPU（如果没装驱动，可能看不到详细信息，但至少能看到设备） lspci | grep -i nvidia

我的建议是，给系统至少分配50GB的可用磁盘空间。因为我们要拉取的Docker镜像和模型文件都不小，留足空间能避免中途出问题。内存方面，16GB或以上会比较从容。

1.2 获取必要的访问凭证

接下来，我们需要一个“钥匙”来拉取模型镜像。这个钥匙就是镜像的访问地址。通常，这个地址会包含仓库的主机名、项目路径和具体的镜像标签。

为了教程的清晰，我们假设这个镜像地址看起来像这样：registry.example.com/ai-models/zaoxiang-z-turbo:latest。在实际操作时，你需要将它替换成你从模型提供方那里获得的真实地址。

你可以提前把这个地址记在一个文本文件里，或者设置成一个环境变量，这样后面用起来就方便了：

# 将你的实际镜像地址赋值给环境变量 export IMAGE_URL="你的实际镜像地址" echo $IMAGE_URL

好了，准备工作就这些。接下来，我们正式进入部署环节。

2. 基础系统配置与驱动安装

一台刚装好的Ubuntu，就像一张白纸。我们要先给它装上“画笔”和“颜料”，也就是GPU驱动和必要的工具。

2.1 更新系统与安装基础工具

第一步，总是更新系统的软件包列表并升级已有的软件。这能确保我们从一个稳定的基础开始。

# 更新软件包列表 sudo apt update # 升级所有可升级的软件包 sudo apt upgrade -y # 安装一些后续步骤可能需要的工具，比如用于添加仓库的software-properties-common sudo apt install -y software-properties-common curl wget git build-essential

完成之后，可以重启一下系统，确保所有更新生效。

2.2 安装NVIDIA显卡驱动

这是最关键的一步。没有正确的驱动，GPU就无法在Docker容器中被识别和使用。Ubuntu 20.04自带的ubuntu-drivers工具可以帮我们自动检测和安装合适的驱动。

# 首先，检查系统推荐的NVIDIA驱动版本 ubuntu-drivers devices # 通常，安装recommended版本即可 sudo ubuntu-drivers autoinstall

安装完成后，必须重启系统。

sudo reboot

重启后，再次登录，用nvidia-smi命令验证驱动是否安装成功。这个命令就像是GPU的“健康检查仪”。

nvidia-smi

如果看到类似下面的输出，显示了GPU的型号、驱动版本以及运行进程（目前应该是空的），那就说明驱动安装成功了。

+-----------------------------------------------------------------------------+ | NVIDIA-SMI 470.182.03 Driver Version: 470.182.03 CUDA Version: 11.4 | |-------------------------------+----------------------+----------------------+ | GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC | | Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. | | | | MIG M. | |===============================+======================+======================| | 0 NVIDIA GeForce ... On | 00000000:01:00.0 On | N/A | | N/A 45C P8 10W / N/A | 100MiB / 8192MiB | 0% Default | | | | N/A | +-------------------------------+----------------------+----------------------+

3. Docker环境搭建与配置

现在我们的系统已经“认识”GPU了。接下来，我们要安装Docker，它能让我们的模型在一个独立、干净的环境中运行，避免污染主机系统。

3.1 安装Docker引擎

我们使用Docker官方提供的安装脚本，这样能保证安装的是最新稳定版。

# 下载并运行Docker安装脚本 curl -fsSL https://get.docker.com -o get-docker.sh sudo sh get-docker.sh # 将当前用户加入docker组，这样以后就不用每次都加sudo了 sudo usermod -aG docker $USER

重要：执行完usermod命令后，你需要完全退出当前终端会话，并重新登录，或者新开一个终端窗口，用户组的变更才会生效。

重新登录后，运行一个简单的测试命令，验证Docker安装成功：

# 运行hello-world镜像 docker run hello-world

如果看到“Hello from Docker!”的欢迎信息，说明Docker已经安装并运行正常。

3.2 安装NVIDIA Container Toolkit

光有Docker还不够，我们需要一个“翻译官”，让Docker容器能够访问宿主机的GPU。这个翻译官就是NVIDIA Container Toolkit。

# 添加NVIDIA容器仓库的GPG密钥和仓库地址 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 # 更新软件包列表并安装工具包 sudo apt update sudo apt install -y nvidia-container-toolkit # 重启Docker服务，使配置生效 sudo systemctl restart docker

安装完成后，我们可以用官方提供的一个小测试镜像来验证GPU在容器内是否可用。

# 运行一个测试容器，运行nvidia-smi命令 docker run --rm --gpus all nvidia/cuda:11.8.0-base-ubuntu20.04 nvidia-smi

如果这个命令在容器内成功输出了和宿主机上类似的GPU信息表格，那么恭喜你，Docker的GPU支持就配置好了。我们的基础环境至此全部准备完毕。

4. 拉取与运行模型镜像

前面的步骤都是铺垫，现在终于到了核心环节：把模型镜像拉下来，并让它跑起来。

4.1 拉取模型镜像

使用docker pull命令，配合我们之前准备好的镜像地址，将模型镜像下载到本地。

# 请将下面的地址替换为你的真实镜像地址 docker pull registry.example.com/ai-models/zaoxiang-z-turbo:latest

这个过程可能需要一些时间，具体取决于你的网络速度和镜像大小。你可以看到下载的进度条。完成后，可以用docker images命令查看本地已有的镜像，确认它已经存在。

4.2 运行模型容器

镜像拉取到本地后，它还是一个静态的文件。我们需要用docker run命令将它实例化成一个正在运行的“容器”。

这里有一个比较通用的运行命令示例。你需要重点关注几个参数：

• -p 7860:7860：这是端口映射。将容器内部的7860端口映射到宿主机的7860端口。7860是很多AI Web应用常用的端口。你可以根据情况修改宿主机的端口号（比如-p 8080:7860）。
• --gpus all：这个参数至关重要，它告诉Docker把宿主机的所有GPU都分配给这个容器使用。
• -v /path/to/your/data:/app/data：这是数据卷挂载。冒号左边是宿主机上的一个目录路径，右边是容器内的路径。这样你可以在宿主机上管理生成的文件，即使容器删除，文件也不会丢失。请将/path/to/your/data替换为你自己创建的真实目录。

# 创建一个目录用于存放模型生成的数据 mkdir -p ~/z-turbo-data # 运行容器 docker run -d \ --name zaoxiang-z-turbo \ --gpus all \ -p 7860:7860 \ -v ~/z-trobo-data:/app/data \ registry.example.com/ai-models/zaoxiang-z-turbo:latest

命令解释：

• -d：让容器在后台运行。
• --name zaoxiang-z-turbo：给容器起个名字，方便后续管理。
• 最后一行是镜像的名字。

运行后，可以用docker ps命令查看容器是否在运行列表中。

docker ps

4.3 管理容器常用命令

在容器运行期间，你可能会用到这些命令：

# 查看容器运行日志（用于排查问题） docker logs zaoxiang-z-turbo # 进入容器内部的命令行（就像登录到一台小电脑） docker exec -it zaoxiang-z-turbo /bin/bash # 停止容器 docker stop zaoxiang-z-turbo # 启动已停止的容器 docker start zaoxiang-z-turbo # 删除容器（必须先停止） docker rm zaoxiang-z-turbo

5. 访问与基础功能测试

容器跑起来之后，我们怎么知道它工作正常呢？最好的办法就是实际用一下。

5.1 访问Web用户界面

大多数这类AI模型镜像都会提供一个Web界面。根据我们运行容器时的端口映射（-p 7860:7860），我们可以在浏览器中访问它。

打开你的浏览器，在地址栏输入：

• 如果就在运行容器的本机：http://localhost:7860
• 如果是远程服务器：http://你的服务器IP地址:7860

如果一切顺利，你应该能看到模型的Web操作界面。第一次加载时，模型可能需要一点时间来初始化，请耐心等待几十秒。

5.2 进行第一次图片生成

来到Web界面，我们就可以进行测试了。不同的模型界面布局可能不同，但核心功能区域通常都很明显。

1. 找到输入框：界面上会有一个明显的文本输入框（可能叫“Prompt”或“描述”）。
2. 输入描述：用简单的语言描述你想生成的图片。为了测试，我们可以输入一个简单直接的描述，比如“a beautiful sunset over the mountains”（山上的美丽日落）。
3. 调整参数（可选）：旁边可能会有图片尺寸、生成数量等选项。第一次测试，可以先保持默认设置。
4. 点击生成：找到“Generate”、“Create”或类似的按钮，点击它。

然后，就是等待。界面上通常会有一个进度条或状态提示。生成完成后，图片就会显示在界面上。

如果成功看到了一张符合你描述的图片，那么恭喜你，整个“造相Z-Turbo”模型就已经在你的Ubuntu 20.04系统上成功部署并运行起来了！

5.3 排查常见问题

如果访问不了页面或者生成失败，别着急，可以按以下思路排查：

1. 检查容器状态：docker ps确认容器是Up状态。
2. 检查端口占用：sudo netstat -tulpn | grep 7860看看7860端口是不是被其他程序占用了。
3. 查看容器日志：docker logs zaoxiang-z-turbo这是最直接的错误信息获取方式，仔细看日志末尾的报错信息。
4. 检查GPU：在容器内执行nvidia-smi（docker exec zaoxiang-z-turbo nvidia-smi），确认容器内能看到GPU。
5. 防火墙：如果是云服务器，请确保安全组或防火墙规则允许了7860端口的入站流量。

6. 总结与后续建议

走完这一整套流程，从裸机Ubuntu到成功生成图片，其实并没有想象中那么复杂，关键是把步骤理清楚。整个过程的核心就是三个环节：给系统装上正确的GPU驱动、配置好Docker的GPU支持、最后把模型镜像拉下来跑通。

用下来感觉，这种基于Docker的部署方式确实省心，环境隔离得干干净净，以后想升级或者换模型，直接操作容器就行，不会把系统搞乱。数据卷挂载也是个好习惯，生成的作品都存在宿主机的目录里，管理起来方便多了。

如果你部署成功了，接下来可以多花点时间熟悉一下Web界面的各种参数，比如不同的采样方法、步数、尺寸对出图效果的影响，找到最适合你需求的配置。也可以尝试更复杂、更有创意的描述词，看看模型的潜力到底有多大。

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。