SD-WebUI 模型下载器中文版使用教程
1. 项目概述
SD-WebUI 模型下载器中文版是一个专为 Stable Diffusion WebUI 设计的扩展插件,主要功能是帮助用户从 Civitai 平台免梯子高速下载各种模型文件。该插件支持多种模型类型,包括 Checkpoint、LoRA、LyCORIS、VAE、TextualInversion(embedding)、Hypernetwork,并且能够自动识别模型类型并选择正确的下载路径。
2. 项目目录结构及介绍
目录结构
sd-webui-model-downloader-cn/
├── README.md
├── LICENSE
├── output_prompt.md
├── docs/
│ ├── banner.md
│ └── footer.md
└── scripts/
└── model-downloader-cn.py
目录介绍
- README.md: 项目说明文档,包含项目的基本信息、安装指南、使用方法和功能特性
- LICENSE: 项目许可证文件
- output_prompt.md: 输出提示文件
- docs/: 文档目录
- banner.md: 横幅文档,包含使用说明和图片
- footer.md: 页脚文档,包含联系信息和交流群二维码
- scripts/: 脚本目录
- model-downloader-cn.py: 主要的 Python 脚本文件,包含插件的所有功能实现
3. 核心功能脚本介绍
model-downloader-cn.py
model-downloader-cn.py 是项目的核心脚本文件,负责处理模型下载的所有逻辑。以下是该文件的主要功能模块:
模型类型路径映射
MODEL_TYPE_DIR = {
"Checkpoint": ["ckpt_dir", pj(models_path, 'Stable-diffusion')],
"LORA": ["lora_dir", pj(models_path, 'Lora')],
"TextualInversion": ["embeddings_dir", pj(data_path, 'embeddings')],
"Hypernetwork": ["hypernetwork_dir", pj(models_path, 'hypernetworks')],
"LoCon": ["lyco_dir", pj(models_path, 'LyCORIS')],
"VAE": ["vae_dir", pj(models_path, 'VAE')],
}
该字典定义了不同模型类型对应的下载路径,确保模型文件能够自动保存到正确的目录。
Civitai 详情请求函数
def request_civitai_detail(url):
pattern = r'https://civitai\.com/models/(.+)'
m = re.match(pattern, url)
if not m:
return False, "不是一个有效的 civitai 模型页面链接,暂不支持"
req_url = API_URL + "civitai/models/" + m.group(1)
res = requests.get(req_url)
# ... 处理响应逻辑
这个函数负责解析 Civitai 模型页面链接,并通过 API 获取模型的详细信息。
下载功能实现
def download(model_type, filename, url, image_arr):
target_path = get_model_path(model_type)
# ... 下载逻辑
cmd = f'curl -o "{target_file}" "{url}" 2>&1'
if check_aria2c():
cmd = f'aria2c -c -x 16 -s 16 -k 1M -d "{target_path}" -o "{filename}" "{url}" 2>&1'
下载函数支持使用 curl 或 aria2c 进行多线程下载,提供更快的下载速度。
图片处理功能
def process_image(url):
response = requests.get(url, stream=True)
image = Image.open(response.raw)
return image
该函数负责下载和处理模型预览图片,并自动保存到模型同目录下。
4. 安装方式
推荐安装方式:通过 WebUI 安装
这是最简单快捷的安装方式,直接在 Stable Diffusion WebUI 的扩展页面中搜索并安装。
下载安装方式
- 下载项目仓库的所有文件
- 解压后将整个文件夹放入 WebUI 目录下的 extensions 目录
- 重启 WebUI
命令行安装方式
- 通过命令行进入 WebUI 的文件夹
- 执行以下命令:
cd extensions && git clone --depth 1 https://gitcode.com/gh_mirrors/sd/sd-webui-model-downloader-cn.git
- 重启 WebUI
5. 使用方法
模型预览功能
在插件界面输入 Civitai 模型的页面地址,点击"预览"按钮可以查看模型的详细信息,包括:
- 模型名称和类型
- 触发词(Trained Words)
- 作者信息
- 标签分类
- 最近更新时间
- 模型描述
- 预览图片
下载不同版本的模型
插件支持下载模型的不同版本,确保用户能够获取到最适合自己需求的模型文件。
自动路径选择
插件会根据模型类型自动选择正确的下载路径:
- Checkpoint 模型保存到 Stable-diffusion 目录
- LORA 模型保存到 Lora 目录
- TextualInversion 保存到 embeddings 目录
- Hypernetwork 保存到 hypernetworks 目录
- LoCon 保存到 LyCORIS 目录
- VAE 保存到 VAE 目录
6. 功能特性
- 国内免梯子高速下载: 通过优化的下载通道,实现国内用户无需梯子即可高速下载 Civitai 模型
- 自动识别模型类型: 智能识别模型类型并自动选择正确的下载路径
- 多线程下载支持: 支持 aria2c 多线程下载,大幅提升下载速度
- 图片预览功能: 自动下载模型预览图片并保存到模型同目录
- 多种模型支持: 支持 Checkpoint、LoRA、LyCORIS、VAE、TextualInversion、Hypernetwork 等多种模型类型
7. 注意事项
目前该插件暂时无法使用,因为 Civitai 修改了 API 逻辑,现在需要登录验证才能获取下载信息。开发者正在修复此问题,建议关注项目更新或加入交流群获取最新进展。
8. 交流互助
- Email:sd-model-downloader-cn@tzwm.me
- Stable Diffusion WebUI 微信交流讨论群:可通过文档中的二维码加入
9. 版本历史
- v1.1.3 (2023-06-29): 修复输入错误地址的报错问题
- v1.1.0 (2023-06-24): 增加模型图片预览功能
- v1.0.1 (2023-06-21): 修复某些平台 util.py 文件加载问题
- v1.0.0 (2023-06-21): 基本免梯子全自动下载功能实现
通过本教程,您可以全面了解 SD-WebUI 模型下载器中文版的功能特性和使用方法。虽然目前由于 Civitai API 变更导致插件暂时无法使用,但了解其架构和功能设计对于后续使用和类似插件开发都具有重要参考价值。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00