InvokeAI：27.2K+ Star — 2026 完整搭建指南

简介 #

每一个尝试在本地运行 Stable Diffusion 的开发者都体会过那种折磨：依赖冲突、CUDA 版本不匹配、缺失的模型配置文件，以及看起来像是 2003 年设计出来的 WebUI。开源 AI 图像生成领域自 2022 年以来已经显著成熟，但"在我的机器上能跑"和"生产就绪部署"之间的鸿沟依然很大。InvokeAI 拥有 27.2K+ 的 GitHub star，截至 2026 年 3 月已发布 v6.12.0 版本，正在填补这一鸿沟。它把一个专业级的 WebUI、一个基于节点的工作流引擎、多用户支持和 Docker 部署整合在一起——全部采用 Apache-2.0 许可证。本指南将带你完成通过 Docker 和裸机方式安装 InvokeAI、将其与 Stable Diffusion 和 ControlNet 集成，以及在生产环境中运行它的全过程。

InvokeAI 是什么？ #

InvokeAI 是一款免费、开源的创意引擎，用于基于 Stable Diffusion 模型进行 AI 图像生成。它提供一个基于 Web 的界面，包含专业级画布编辑器、基于节点的工作流构建器和模型管理系统——既服务于个人艺术家，也服务于需要自托管、生产级 AI 图像生成流水线的团队。

InvokeAI 的工作原理 #

InvokeAI 遵循模块化的客户端-服务器架构。后端是一个基于 Python 的 API 服务器（invokeai.app.api_app），负责处理模型加载、图像生成和队列管理。前端是一个基于 React 的单页应用，提供画布、图库和工作流编辑器。

核心组件：

• Web 服务器与 React UI —— 默认运行在 9090 端口，提供完整的生成界面
• 统一画布（Unified Canvas） —— 基于图层的画布，支持局部重绘（inpainting）、扩图（outpainting）、画笔工具和图生图编辑
• 基于节点的工作流 —— 可视化流水线构建器，用于打造可复现、可分享的生成流水线
• 模型管理器（Model Manager） —— 内置的模型下载与管理功能，支持 SD 1.5、SDXL、FLUX、Z-Image 以及自定义 checkpoint
• 图库与看板（Gallery & Boards） —— 有组织的图像存储，保留元数据，支持拖放操作
• 队列系统 —— 用于批量生成和工作流执行的后台任务处理

安装与配置 #

方法一：Docker（推荐用于生产环境） #

Docker 是搭建生产级 InvokeAI 环境最快的途径。官方镜像支持 NVIDIA（CUDA）、AMD（ROCm）以及纯 CPU 模式。

前提条件：

• Docker Engine 24.0+，并启用 BuildKit
• Docker Compose 插件（V2）
• NVIDIA Container Toolkit（用于 GPU）或 ROCm Docker 运行时（用于 AMD）
• 16GB+ 内存，20GB+ 可用磁盘空间

第一步 —— 克隆仓库：

git clone https://github.com/invoke-ai/InvokeAI.git
cd InvokeAI/docker

第二步 —— 配置环境：

cp .env.sample .env

编辑 .env，填入你的配置：

# Core configuration
INVOKEAI_ROOT=/opt/invokeai-data
INVOKEAI_PORT=9090
GPU_DRIVER=cuda
CONTAINER_UID=1000
HUGGINGFACE_TOKEN=hf_your_token_here

第三步 —— 启动容器：

./run.sh

或者直接使用 docker compose：

docker compose up -d

在 http://localhost:9090 访问 UI。

快速 Docker 运行（不使用 Compose） #

如果只是想快速测试、不需要持久化数据：

# NVIDIA GPU
docker run --runtime=nvidia --gpus=all \
  --publish 9090:9090 \
  ghcr.io/invoke-ai/invokeai:latest

# AMD GPU
docker run --device /dev/kfd --device /dev/dri \
  --publish 9090:9090 \
  ghcr.io/invoke-ai/invokeai:main-rocm

# With data persistence
docker run --runtime=nvidia --gpus=all \
  --publish 9090:9090 \
  --volume /mnt/invokeai-data:/invokeai \
  ghcr.io/invoke-ai/invokeai:latest

方法二：裸机安装（Linux/macOS） #

第一步 —— 安装启动器：

pip install invokeai

第二步 —— 运行配置向导：

invokeai-configure

这个交互式向导会安装正确版本的 PyTorch、下载默认模型，并配置运行时目录。

第三步 —— 启动 WebUI：

invokeai-web

方法三：云端 VPS（DigitalOcean） #

对于没有本地 GPU 硬件的团队，云端 GPU 实例可以提供完整的 InvokeAI 访问能力。搭载 NVIDIA A10G 或 H100 显卡的 DigitalOcean GPU Droplet 表现良好。

# On a fresh Ubuntu 24.04 GPU droplet
sudo apt update && sudo apt install -y docker.io docker-compose-plugin
sudo systemctl enable --now docker

# Install NVIDIA Container Toolkit
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 nvidia-ctk runtime configure --runtime=docker
sudo systemctl restart docker

# Deploy InvokeAI
git clone https://github.com/invoke-ai/InvokeAI.git
cd InvokeAI/docker
cp .env.sample .env
# Edit .env: set INVOKEAI_ROOT and HUGGINGFACE_TOKEN
sudo docker compose up -d

本指南包含指向 DigitalOcean 的联盟链接。通过这些链接注册可以支持本站，而你不需要多付一分钱。

生产环境 docker-compose.yml 参考 #

# Copyright (c) 2023 Eugene Brodsky https://github.com/ebr

x-invokeai: &invokeai
    image: "ghcr.io/invoke-ai/invokeai:latest"
    build:
      context: ..
      dockerfile: docker/Dockerfile
    env_file:
      - .env
    environment:
      - INVOKEAI_ROOT=${CONTAINER_INVOKEAI_ROOT:-/invokeai}
      - HF_HOME
    ports:
      - "${INVOKEAI_PORT:-9090}:${INVOKEAI_PORT:-9090}"
    volumes:
      - type: bind
        source: ${HOST_INVOKEAI_ROOT:-${INVOKEAI_ROOT:-~/invokeai}}
        target: ${CONTAINER_INVOKEAI_ROOT:-/invokeai}
        bind:
          create_host_path: true
      - ${HF_HOME:-~/.cache/huggingface}:${HF_HOME:-/invokeai/.cache/huggingface}
    tty: true
    stdin_open: true

services:
  invokeai-cuda:
    <<: *invokeai
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: 1
              capabilities: [gpu]

  invokeai-cpu:
    <<: *invokeai
    profiles:
      - cpu

  invokeai-rocm:
    <<: *invokeai
    environment:
      - AMD_VISIBLE_DEVICES=all
      - RENDER_GROUP_ID=${RENDER_GROUP_ID}
    runtime: amd
    profiles:
      - rocm

与 Stable Diffusion、ComfyUI 和 ControlNet 的集成 #

使用 Stable Diffusion 模型 #

InvokeAI 开箱即用地支持多个模型系列：

• SD 1.5 —— 经典模型，拥有庞大的 LoRA 生态
• SDXL —— 更高分辨率，更好的提示词遵循度
• FLUX / FLUX.2 —— 当前最先进的画质（2025-2026）
• Z-Image —— 便于微调的未蒸馏模型

通过模型管理器添加模型：

1. 打开 WebUI → 模型管理器（Model Manager）标签页
2. 点击"安装模型（Install Model）" → 粘贴一个 Hugging Face 链接或本地路径
3. 模型会自动下载并转换

手动添加模型：

# Place .safetensors or .ckpt files in the models directory
cp your-model.safetensors /opt/invokeai-data/models/sd-1/main/

# Restart the container
docker compose restart

ControlNet 集成 #

InvokeAI 通过其节点工作区原生支持 ControlNet。可用的处理器包括深度图、Canny 边缘检测、OpenPose、语义分割等等。

在工作流中使用 ControlNet：

1. 在 UI 中打开工作流（Workflow）标签页
2. 从节点库中添加一个 ControlNet 节点
3. 连接你的基础模型和参考图像
4. 选择预处理器（Canny、Depth、OpenPose 等）
5. 设置控制强度（推荐 0.5–1.0）
6. 将生成任务加入队列

ComfyUI 工作流导入 #

虽然 InvokeAI 和 ComfyUI 使用不同的工作流格式，但你可以在 InvokeAI 的节点编辑器中重新搭建 ComfyUI 的流水线。节点库覆盖了：

• KSampler / Sampler 节点
• CLIP Text Encode
• VAELoader / VAEDecode
• 图像缩放节点
• ControlNet 处理器

# Example: Programmatically setting generation parameters
# via InvokeAI's REST API (v6.12.0+)
import requests

response = requests.post(
    "http://localhost:9090/api/v1/sessions",
    json={
        "model": "stable-diffusion-xl-base-1.0",
        "width": 1024,
        "height": 1024,
        "steps": 30,
        "cfg_scale": 7.5,
        "scheduler": "euler_a",
        "positive_prompt": "A cyberpunk cityscape at night, neon lights, highly detailed",
        "negative_prompt": "blurry, low quality, distorted"
    }
)
print(response.json()["session_id"])

基准测试与真实使用场景 #

SDXL 生成速度（RTX 3060 Ti，8GB 显存） #

来源：独立基准测试，Ryzen 5800X + RTX 3060 Ti，30 步，Euler ancestral 采样器，CFG 7，MBB XL 模型。

显存占用对比（FLUX Dev，1024×1024） #

真实生产使用案例 #

案例一：设计工作室（20 个席位）

• 在单台配备 RTX 4090 的工作站上部署了 InvokeAI v6.12.0
• 多用户模式，每位设计师拥有独立图库
• 每天通过 SDXL 和 FLUX 工作流生成 150+ 张图像
• 队列系统避免了生成任务冲突

案例二：电商产品摄影

• 通过画布局部重绘实现自动化背景移除
• 每周批量处理 500+ 张产品图像
• 自定义工作流保证光照和角度的一致性
• 模型管理器简化了不同产品类别间的切换

案例三：游戏素材流水线

• 基于节点的工作流用于纹理生成
• ControlNet 深度图用于具有 3D 感知能力的贴图
• FLUX 模型用于高细节角色肖像
• 通过 REST API 与现有素材管理系统集成

高级用法 / 生产环境加固 #

多用户模式（v6.12.0+） #

InvokeAI 现在支持在单个后端上运行多个相互隔离的账户：

# Enable multi-user mode in your .env
INVOKEAI_ENABLE_MULTIUSER=true

每个用户都会拥有：

• 独立的图像看板和图库
• 独立的画布状态
• 独立的 UI 偏好设置
• 基于角色的访问控制（管理员 vs. 普通用户）

管理员负责管理模型和会话队列；普通用户不能添加或删除系统模型。

使用 SSL 的反向代理 #

# Nginx configuration for production
server {
    listen 443 ssl http2;
    server_name invokeai.yourdomain.com;

    ssl_certificate /etc/letsencrypt/live/yourdomain.com/fullchain.pem;
    ssl_certificate_key /etc/letsencrypt/live/yourdomain.com/privkey.pem;

    location / {
        proxy_pass http://localhost:9090;
        proxy_http_version 1.1;
        proxy_set_header Upgrade $http_upgrade;
        proxy_set_header Connection "upgrade";
        proxy_set_header Host $host;
        proxy_set_header X-Real-IP $remote_addr;
        proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
        proxy_set_header X-Forwarded-Proto $scheme;
        proxy_read_timeout 86400;
    }
}

systemd 服务 #

# /etc/systemd/system/invokeai.service
[Unit]
Description=InvokeAI Creative Engine
After=docker.service
Requires=docker.service

[Service]
Type=oneshot
RemainAfterExit=yes
WorkingDirectory=/opt/InvokeAI/docker
ExecStart=/usr/bin/docker compose up -d
ExecStop=/usr/bin/docker compose down
TimeoutStartSec=0

[Install]
WantedBy=multi-user.target

启用并启动：

sudo systemctl daemon-reload
sudo systemctl enable --now invokeai

使用 Prometheus 监控 #

导出容器指标并监控 GPU 使用率：

# docker-compose.monitoring.yml
services:
  prometheus:
    image: prom/prometheus:latest
    volumes:
      - ./prometheus.yml:/etc/prometheus/prometheus.yml
    ports:
      - "9091:9090"

  dcgm-exporter:
    image: nvcr.io/nvidia/k8s/dcgm-exporter:latest
    runtime: nvidia
    ports:
      - "9400:9400"

自动化备份 #

#!/bin/bash
# /opt/invokeai-backup/backup.sh
BACKUP_DIR="/backups/invokeai"
DATE=$(date +%Y%m%d-%H%M%S)

# Backup generated images and models
tar czf "$BACKUP_DIR/images-$DATE.tar.gz" /opt/invokeai-data/images
tar czf "$BACKUP_DIR/models-$DATE.tar.gz" /opt/invokeai-data/models

# Keep only last 7 days
find "$BACKUP_DIR" -name "*.tar.gz" -mtime +7 -delete

添加到 crontab：

0 2 * * * /opt/invokeai-backup/backup.sh

与其他方案的比较 #

局限性 / 客观评价 #

InvokeAI 不适合以下场景：

1. 一键式随手生成 —— 如果你只是想输入一个提示词然后拿到一张图，Fooocus 的搭建和使用都更快。InvokeAI 的强大功能是有学习曲线的。

2. 高度实验性的流水线 —— ComfyUI 的节点生态更庞大、更前沿。新的研究成果实现（例如视频生成、3D）通常会先落地在 ComfyUI 上。

3. 显存低于 8GB 的情况 —— InvokeAI 的专业 UI 功能会消耗更多内存。在 6-8GB 显存的显卡上，ComfyUI 或 Forge 性能更好。InvokeAI 建议使用 12GB+ 显存以流畅运行 FLUX 工作流。

4. macOS 上的 GPU 加速 —— macOS 上的 Docker 不支持 GPU 直通。原生安装可以运行，但生成过程只能使用 CPU，速度明显更慢。Apple Silicon 用户可能更适合 DiffusionBee 或原生 ComfyUI。

5. 实时协同编辑 —— 多用户模式让用户之间相互隔离，但不支持在同一画布上同时协作。每个用户都是独立工作的。

常见问题 #

运行 InvokeAI 需要什么样的硬件？ #

最低配置：8GB 显存（NVIDIA RTX 3060 或更高）、16GB 内存、50GB 可用磁盘空间。推荐配置：12GB+ 显存（RTX 3060 Ti / 4060 Ti）、32GB 内存、SSD 存储。对于 FLUX 模型：16GB+ 显存（RTX 4080 / 4090）。InvokeAI 支持 NVIDIA CUDA、AMD ROCm 以及纯 CPU 回退模式。

没有 GPU 可以运行 InvokeAI 吗？ #

可以，InvokeAI 可以在纯 CPU 系统上运行，但生成速度会慢 10–20 倍。使用 CPU Docker 配置文件：docker compose --profile cpu up -d。在现代 8 核 CPU 上，生成一张 1024×1024 图像大约需要 2–5 分钟。这适合测试，但不适合生产使用。

InvokeAI 如何处理模型许可证问题？ #

InvokeAI 本身采用 Apache-2.0 许可证。你下载的模型（SD 1.5、SDXL、FLUX）各自拥有独立的许可证。InvokeAI 的模型管理器会在下载前显示许可证信息。商业使用取决于具体模型的许可证——在生产部署前请务必核实清楚。

我可以从 AUTOMATIC1111 迁移到 InvokeAI 吗？ #

可以。InvokeAI 能够使用你 A1111 安装中已有的 .safetensors 和 .ckpt 模型。把 INVOKEAI_ROOT 指向你现有的模型目录，或者把模型复制到 InvokeAI 的模型文件夹中即可。请注意，A1111 的扩展和脚本无法迁移——InvokeAI 使用的是自己的节点式工作流系统。

如何将 InvokeAI 更新到新版本？ #

对于 Docker 安装，拉取最新镜像并重启即可：

cd InvokeAI/docker
docker compose pull
docker compose up -d

对于裸机安装，使用启动器：

invokeai-update

在进行重大版本更新前，务必先备份你的 INVOKEAI_ROOT 目录。

InvokeAI 有托管/云端版本吗？ #

InvokeAI 主要是自托管的。开发团队提供 Invoke for Teams（一款商业产品），增加了云托管、团队协作和企业支持。对于个人用户来说，在本地 GPU 或云端 VPS（DigitalOcean、RunPod）上自托管是标准做法。

v6.12.0 中的多用户模式是如何工作的？ #

多用户模式会创建各自独立的账户，每个账户拥有独立的图库、画布状态和偏好设置。管理员账户负责管理模型和系统设置。通过设置 INVOKEAI_ENABLE_MULTIUSER=true 启用它。每个用户使用用户名和密码登录。在 v6.12.0 中这个功能被标记为实验性——未来版本中会有所改进。

结语 #

InvokeAI 在 AI 图像生成生态中填补了一个特定的空白：一款专业级、可自托管的创意工具，将 Stable Diffusion 的强大能力与打磨精良的用户体验结合在一起。v6.12.0 版本带来了多用户支持、更广泛的 FLUX 兼容性以及更精细的图库管理——使其成为小型工作室和设计团队的可行选择。基于 Docker 的部署方式简单直接，节点式工作流系统功能强大，而 Apache-2.0 许可证允许不受限制的商业使用。

接下来的步骤：

1. 克隆仓库，在本地运行 Docker 搭建流程
2. 通过模型管理器安装你的第一个 SDXL 或 FLUX 模型
3. 针对你的具体使用场景搭建一个基于节点的工作流
4. 加入社区：InvokeAI Discord

关注我们的 Telegram 频道，获取每周开源 AI 工具更新：dibi8 公告频道

推荐的主机与基础设施 #

在将上述任何一款工具部署到生产环境之前，你都需要可靠的基础设施。以下是 dibi8 实际使用并推荐的两个选择：

• DigitalOcean —— 覆盖全球 14+ 个地区，提供 60 天 $200 免费额度。这是独立开发者运行开源 AI 工具的默认选择。
• HTStack —— 香港 VPS，从中国大陆访问延迟低。这正是承载 dibi8.com 的同一家 IDC —— 在生产环境中久经考验。

联盟链接 —— 不会让你多花一分钱，却能帮助 dibi8.com 持续运营。

来源与延伸阅读 #

• InvokeAI GitHub Repository
• InvokeAI Official Documentation
• InvokeAI v6.12.0 Release Notes
• InvokeAI Docker Setup Guide
• NVIDIA Container Toolkit Installation
• AMD ROCm Docker Documentation
• SDXL Speed Test: InvokeAI vs ComfyUI vs A1111
• ComfyUI vs InvokeAI vs Fooocus Comparison
• InvokeAI PyPI Package

信息披露：本文包含指向 DigitalOcean 的联盟链接。如果你通过这些链接注册，我们会获得一定佣金，你无需为此多付一分钱。这有助于支持本站及我们的开源内容。所有观点和基准测试均为独立完成。

参考与来源 #

• InvokeAI
• InvokeAI Documentation
• InvokeAI (PyPI)
• NVIDIA Container Toolkit
• AMD ROCm Docker