影墨·今颜一键部署教程：Ubuntu 20.04环境下的GPU加速配置-Seo优化-合肥市网站建设公司

影墨·今颜一键部署教程：Ubuntu 20.04环境下的GPU加速配置

想在自己的服务器上快速搭建一个强大的AI绘画工具吗？影墨·今颜是一个功能丰富的开源大模型镜像，能帮你轻松生成各种风格的图像。不过，对于很多刚接触Linux和GPU环境的开发者来说，从零开始配置环境、安装驱动、部署镜像，每一步都可能遇到各种“坑”。

今天这篇教程，就是为你准备的。我会带你一步步在Ubuntu 20.04系统上，利用GPU的强大算力，完成影墨·今颜镜像的一键部署。整个过程就像搭积木，我们先把地基（系统环境）打好，然后装上“发动机”（GPU驱动和CUDA），最后把“房子”（镜像）搭建起来并通电运行。即使你之前没怎么接触过Docker或者NVIDIA驱动，跟着做也能搞定。

我们的目标很简单：让你在半小时内，拥有一个可以随时调用、性能强劲的AI绘画生成环境。

1. 动手前的准备工作

在开始安装之前，我们需要确保你的Ubuntu 20.04系统已经准备好了。这就像装修房子前要检查水电一样，基础打好了，后面才顺利。

首先，打开你的终端。在Ubuntu里，你可以按Ctrl + Alt + T快捷键快速打开。

1.1 检查系统基本信息

我们先看看系统的“身份证”。在终端里输入下面的命令，它会告诉你当前系统的版本和内核信息。

lsb_release -a uname -r

第一行命令lsb_release -a会显示类似Ubuntu 20.04.6 LTS这样的信息，确认我们确实是20.04版本。第二行命令uname -r显示的是内核版本，比如5.15.0-91-generic。记下这些信息，万一后面遇到问题，排查起来有用。

1.2 更新系统软件包

一个全新的开始，最好从更新系统开始。这能确保我们安装的软件都是最新的，减少兼容性问题。

sudo apt update && sudo apt upgrade -y

这条命令做了两件事：sudo apt update是刷新软件源列表，获取最新的软件包信息；sudo apt upgrade -y则是升级所有可以升级的软件包。-y参数表示自动回答“是”，不用我们一直按回车确认。这个过程可能会花几分钟，取决于你的网速和更新包的数量。

1.3 确认GPU硬件

既然是GPU加速，我们得先确认机器里确实有NVIDIA的显卡。输入下面的命令：

lspci | grep -i nvidia

如果输出结果里出现了类似NVIDIA Corporation GA102 [GeForce RTX 3090]这样的信息，恭喜你，显卡识别到了。如果什么都没显示，那可能你的机器没有N卡，或者需要检查一下硬件连接。本教程主要针对NVIDIA显卡。

准备工作做完，我们的“地基”就算勘察完毕了。接下来，我们要安装最重要的部分——让系统能“指挥”GPU干活的驱动程序。

2. 安装NVIDIA驱动与CUDA工具链

这是整个部署过程中最关键，也可能最让人头疼的一步。驱动是系统和显卡沟通的“翻译官”，CUDA则是让显卡能运行AI计算的“工具箱”。装好了它们，GPU才算真正上岗。

2.1 安装NVIDIA显卡驱动

Ubuntu系统自带的“软件和更新”工具里有一个“附加驱动”选项卡，可以图形化安装驱动，但这里我推荐用命令行，更可控。

首先，添加NVIDIA的官方PPA（个人软件包归档）源，这样我们能获取到最新的驱动。

sudo add-apt-repository ppa:graphics-drivers/ppa -y sudo apt update

添加完源，更新列表，然后查看推荐安装的驱动版本。

ubuntu-drivers devices

这个命令会列出所有可用的驱动版本，并推荐一个（后面会标有recommended）。通常，选择那个推荐的最新版本就行。假设推荐的是nvidia-driver-535，我们就安装它。

sudo apt install nvidia-driver-535 -y

安装过程会比较长，需要下载几百兆的文件。完成后，必须重启系统，新驱动才会生效。

sudo reboot

重启后，再次打开终端，输入nvidia-smi。如果看到一张漂亮的表格，显示了GPU型号、驱动版本、CUDA版本以及GPU的使用情况，那就说明驱动安装成功了！这个命令以后会经常用到，它是查看GPU状态的“仪表盘”。

2.2 安装CUDA Toolkit

CUDA Toolkit不是必须的，因为Docker镜像里通常会自带所需的CUDA环境。但把它装在宿主机上是个好习惯，方便以后进行其他开发或调试。我们安装一个比较通用的版本，比如CUDA 11.8。

去NVIDIA官网找安装命令有点麻烦，我们可以直接用APT安装。

sudo apt install nvidia-cuda-toolkit -y

安装后，可以检查一下版本：

nvcc --version

如果这个命令报错“未找到”，可能需要手动配置一下环境变量，或者直接跳过这步也不影响后续的Docker部署。因为我们的影墨·今颜镜像会在容器内部使用它自己封装好的CUDA环境。

驱动和CUDA就位，我们的“发动机”已经轰鸣起来了。接下来，我们要请出今天的“主角”——Docker。

3. 安装与配置Docker环境

你可以把Docker想象成一个超级轻量级的虚拟机。它能把应用程序和它需要的所有环境（比如特定的系统库、软件版本）打包成一个“集装箱”（也就是镜像）。我们拉取影墨·今颜的镜像，就等于得到了一个已经配置好所有AI依赖的、开箱即用的集装箱。

3.1 安装Docker引擎

首先，卸载掉任何可能存在的旧版本Docker。

sudo apt remove docker docker-engine docker.io containerd runc -y

然后，安装一些让APT可以通过HTTPS使用软件仓库的工具。

sudo apt install apt-transport-https ca-certificates curl software-properties-common -y

接着，添加Docker的官方GPG密钥和软件源。

curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /usr/share/keyrings/docker-archive-keyring.gpg echo "deb [arch=$(dpkg --print-architecture) signed-by=/usr/share/keyrings/docker-archive-keyring.gpg] https://download.docker.com/linux/ubuntu $(lsb_release -cs) stable" | sudo tee /etc/apt/sources.list.d/docker.list > /dev/null

更新软件包列表，并安装Docker。

sudo apt update sudo apt install docker-ce docker-ce-cli containerd.io -y

安装完成后，启动Docker服务，并设置开机自启。

sudo systemctl start docker sudo systemctl enable docker

为了不用每次都加sudo来运行Docker命令（很麻烦），我们把当前用户加入到docker用户组。

sudo usermod -aG docker $USER

注意：执行完这条命令后，你需要完全退出当前终端，并重新登录，或者重启系统，这个分组变更才会生效。你可以通过运行docker ps来测试是否成功，如果不加sudo也能正常显示容器列表，那就对了。

3.2 安装NVIDIA Container Toolkit

为了让Docker容器能访问和使用宿主机的GPU，我们需要安装这个“桥梁”工具。

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 update && sudo apt install -y nvidia-container-toolkit sudo systemctl restart docker

安装完成后，可以运行一个测试命令，验证Docker能否调用GPU。

docker run --rm --gpus all nvidia/cuda:11.8.0-base-ubuntu20.04 nvidia-smi

这个命令会下载一个很小的CUDA测试镜像并运行，然后执行容器内的nvidia-smi。如果它成功输出了和你在宿主机上运行nvidia-smi时一样的GPU信息表格，那么恭喜，Docker和GPU的通道已经打通了！

万事俱备，只欠东风。现在，让我们把影墨·今颜这个“集装箱”拉取到本地并运行起来。

4. 拉取并运行影墨·今颜镜像

到了最激动人心的环节。我们将从镜像仓库拉取已经打包好的影墨·今颜应用，并通过简单的命令让它运行起来。

4.1 拉取镜像

假设影墨·今颜的镜像名在星图镜像广场上是csdn-mirror/yingmo-jinyan:latest。我们使用docker pull命令来获取它。

docker pull csdn-mirror/yingmo-jinyan:latest

这个过程需要下载镜像文件，大小可能在几个GB到几十个GB不等，取决于镜像的完整度。请确保你的网络通畅，并耐心等待。你可以通过docker images命令查看已经拉取到本地的镜像列表。

4.2 启动容器

镜像拉取成功后，我们用一个命令来启动它。这个命令有点长，但每个参数都很重要。

docker run -d \ --name yingmo-jinyan \ --gpus all \ -p 7860:7860 \ -v /path/to/your/data:/app/data \ csdn-mirror/yingmo-jinyan:latest

我来解释一下这个命令：

-d：让容器在后台运行（detached mode）。
--name yingmo-jinyan：给容器起个名字，方便管理。
--gpus all：将宿主机的所有GPU资源分配给这个容器。
-p 7860:7860：端口映射。把容器内部的7860端口映射到宿主机的7860端口。这样我们就能通过http://你的服务器IP:7860来访问Web界面了。
-v /path/to/your/data:/app/data：数据卷挂载。把宿主机的/path/to/your/data目录挂载到容器内的/app/data。请务必将/path/to/your/data替换成你本地一个真实的、有写入权限的目录路径。这个目录可以用来保存模型文件、生成的图片等，避免容器删除后数据丢失。
csdn-mirror/yingmo-jinyan:latest：指定要运行的镜像名和标签。

运行命令后，可以用docker ps查看容器是否在运行。如果状态是Up，就说明启动成功了。

4.3 访问Web界面与基础测试

现在，打开你的浏览器，输入http://localhost:7860（如果是在本机操作）或者http://你的服务器IP地址:7860。

你应该能看到影墨·今颜的Web用户界面了。通常，这类界面会有一个文本输入框让你输入提示词（Prompt），还有一些参数滑块（如采样步数、图片尺寸等），以及一个“生成”按钮。

我们先做个简单测试。在提示词框里输入一段简单的描述，比如a beautiful sunset over the mountains, digital art（山间美丽的日落，数字艺术），然后点击生成。稍等片刻，如果一切正常，你就能看到一张AI生成的图片了！

如果无法访问，可能是防火墙问题。在Ubuntu上，你可以暂时开放7860端口：

sudo ufw allow 7860

5. 常见问题与故障排除

部署过程很少一帆风顺，这里我总结几个可能会遇到的“坑”和解决办法。

问题一：运行nvidia-smi提示“命令未找到”或“NVIDIA-SMI has failed”

可能原因：NVIDIA驱动没有安装成功，或者安装后没有重启。
解决：重新按照2.1节的步骤安装驱动，并确保执行了sudo reboot重启。重启后再次尝试。

问题二：Docker命令需要sudo，执行usermod后依然需要

可能原因：用户组变更未生效。
解决：最彻底的方法是注销当前用户并重新登录，或者直接重启电脑。仅仅新开一个终端标签页可能不够。

问题三：访问http://IP:7860连接被拒绝或无法访问

可能原因1：容器没有成功启动。用docker ps检查容器状态，用docker logs yingmo-jinyan查看容器日志，里面通常会有错误信息。
可能原因2：服务器防火墙或云服务商的安全组规则阻止了7860端口。
解决：针对原因1，根据日志错误搜索解决方案。针对原因2，检查UFW防火墙规则（sudo ufw status）和云服务器控制台的安全组设置，确保7860端口对外开放（仅测试时可开放，生产环境请注意安全）。

问题四：生成图片时速度很慢，或者报CUDA相关错误

可能原因：容器没有正确识别到GPU。
解决：首先在宿主机运行nvidia-smi确认GPU正常。然后在容器内检查：docker exec yingmo-jinyan nvidia-smi。如果容器内无法执行此命令或看不到GPU，说明NVIDIA Container Toolkit安装可能有问题，请重新检查3.2节的步骤。

问题五：磁盘空间不足