软萌拆拆屋部署教程：Docker Compose多模型服务编排方案

想不想拥有一个能“看穿”衣服的魔法终端？今天要介绍的“软萌拆拆屋”，就是这样一个神奇的工具。它能把一件复杂的衣服，像拆开棉花糖一样，变成一张张整齐、治愈的零件布局图，专业又可爱。

对于开发者来说，部署和管理这样的AI应用，尤其是涉及多个模型（底座模型和LoRA模型）时，往往会遇到环境配置复杂、依赖冲突、资源管理麻烦等问题。本文将手把手教你，如何利用 Docker Compose 这个强大的工具，一键部署并优雅地编排“软萌拆拆屋”及其所需的多个模型服务，让你轻松拥有这个“服饰解构”魔法。

1. 项目概览：软萌拆拆屋是什么？

在开始部署之前，我们先快速了解一下我们要部署的是什么。

“软萌拆拆屋”是一个基于Web的AI图像生成应用。它的核心魔法是“服饰解构”：

• 输入：一段对衣服的文字描述（例如：“一件带蝴蝶结的洛丽塔裙子”）。
• 处理：应用结合了强大的Stable Diffusion XL（SDXL）基础模型和专门的“Nano-Banana”服饰拆解LoRA模型。
• 输出：生成一张风格独特的“Knolling”式平铺拆解图，所有服装部件整齐排列在白色背景上，清晰又可爱。

它的界面设计也非常有特色，采用了马卡龙粉渐变、圆角卡片等“软萌”元素，让生成图片的过程充满乐趣。

为了实现这个功能，我们需要两个核心的AI模型文件：

1. SDXL 1.0 Base模型：这是图像生成的“底座引擎”，负责理解你的描述并绘制基础图像。
2. Nano-Banana LoRA模型：这是“拆解魔法卷轴”，它教会SDXL如何以特定的“平铺拆解”风格来绘制服装。

传统的部署方式需要你手动下载这两个大模型文件（每个可能好几GB），配置复杂的Python环境，解决版本依赖，过程繁琐且容易出错。而我们将使用Docker Compose，把这一切都打包成标准化的、可重复的部署流程。

2. 环境准备与快速部署

我们的目标是使用Docker Compose，通过一个简单的配置文件，一键启动所有服务。请确保你的系统已经安装了Docker和Docker Compose。

2.1 第一步：创建项目目录结构

首先，在你的电脑上找一个合适的位置，创建一个项目文件夹，并按照“软萌拆拆屋”要求的魔法阁结构来组织。

打开终端（Linux/macOS）或命令提示符/PowerShell（Windows），执行以下命令：

# 1. 创建一个名为 `soft-disassemble-house` 的项目目录
mkdir soft-disassemble-house
cd soft-disassemble-house

# 2. 创建模型存储目录，这对应了应用代码中硬编码的路径
mkdir -p ai-models/SDXL_Base
mkdir -p ai-models/Nano_Banana_LoRA

# 3. 创建应用代码目录（稍后我们会把应用文件放这里）
mkdir app

现在你的文件夹结构应该是这样的：

soft-disassemble-house/
├── ai-models/
│   ├── SDXL_Base/          # 用于存放SDXL基础模型
│   └── Nano_Banana_LoRA/   # 用于存放Nano-Banana LoRA模型
└── app/                    # 用于存放“软萌拆拆屋”的源代码

2.2 第二步：准备模型文件

这是最关键的一步。你需要手动下载两个模型文件，并放到正确的目录下。由于模型文件较大，通常从Hugging Face等平台下载。

1. 下载 SDXL 1.0 Base 模型：

   • 访问 Stability AI 的 SDXL 1.0 页面。
   • 找到名为 sd_xl_base_1.0.safetensors 的文件并下载。
   • 将下载好的文件放入 soft-disassemble-house/ai-models/SDXL_Base/ 目录下。
   • 重要：根据“软萌拆拆屋”的代码，它期望在这个目录下找到一个名为 48.safetensors 的文件。因此，你需要将下载的 sd_xl_base_1.0.safetensors 重命名为 48.safetensors。

   # 假设下载的文件在当前目录，移动并重命名
   mv /path/to/your/download/sd_xl_base_1.0.safetensors ./ai-models/SDXL_Base/48.safetensors
   

2. 下载 Nano-Banana LoRA 模型：

   • 访问 Nano-Banana LoRA 页面。
   • 找到模型文件（通常是一个 .safetensors 文件）并下载。
   • 将下载好的文件放入 soft-disassemble-house/ai-models/Nano_Banana_LoRA/ 目录下。
   • 同样，根据代码要求，将其重命名为 20.safetensors。

   # 移动并重命名LoRA文件
   mv /path/to/your/download/nano_banana_lora.safetensors ./ai-models/Nano_Banana_LoRA/20.safetensors
   

注意：模型文件很大（SDXL约7GB，LoRA约100MB），请确保你的磁盘空间充足，并耐心等待下载完成。

2.3 第三步：编写 Docker Compose 配置文件

在项目根目录 (soft-disassemble-house/) 下，创建一个名为 docker-compose.yml 的文件。这个文件定义了我们的整个服务栈。

将以下内容复制到 docker-compose.yml 中：

version: '3.8'

services:
  # 服务一：软萌拆拆屋 Web 应用
  soft-disassemble-app:
    # 使用包含PyTorch和CUDA的基础镜像，确保能运行Stable Diffusion
    image: pytorch/pytorch:2.1.0-cuda11.8-cudnn8-runtime
    container_name: soft-disassemble-house
    restart: unless-stopped
    ports:
      - “8501:8501” # 将容器的8501端口映射到主机的8501端口，Streamlit默认端口
    volumes:
      # 挂载两个模型目录到容器内，这样容器就能访问我们下载的模型了
      - ./ai-models:/root/ai-models
      # 挂载应用代码目录，便于开发和管理
      - ./app:/app
    working_dir: /app # 设置容器启动后的工作目录
    environment:
      - PYTHONUNBUFFERED=1
    # 容器启动后执行的命令：安装依赖并启动Streamlit应用
    command: >
      sh -c “pip install streamlit torchvision --index-url https://download.pytorch.org/whl/cu118 &&
             streamlit run app.py --server.port=8501 --server.address=0.0.0.0”
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: all
              capabilities: [gpu] # 声明需要GPU资源，如果只有CPU，请移除整个`deploy`部分

配置文件解读：

• services：定义了两个服务（这里只有一个主应用服务，模型通过卷挂载共享）。
• volumes：这是关键！它将我们主机上的 ./ai-models 和 ./app 目录，分别映射到容器内的 /root/ai-models 和 /app 目录。这样，容器里的应用就能直接读取我们下载好的模型文件了。
• ports：将容器内的8501端口暴露给主机，我们通过访问 http://localhost:8501 来使用应用。
• command：容器启动后，会自动安装必要的Python包，然后启动Streamlit应用。
• deploy：这部分配置告诉Docker这个容器需要GPU。如果你在没有NVIDIA GPU的机器上运行，需要删除整个 deploy 部分，并且基础镜像可能需要换成CPU版本（如 pytorch/pytorch:2.1.0-cpu）。

2.4 第四步：获取应用代码

现在我们需要“软萌拆拆屋”的应用本体代码。根据输入描述，主文件是 app.py。

1. 将提供的 app.py 文件（包含所有软萌UI和SD逻辑的代码）复制到 soft-disassemble-house/app/ 目录下。
2. 通常还需要一个 requirements.txt 来明确依赖，但我们在 docker-compose.yml 的 command 里已经直接安装了。为了更规范，你可以在 app 目录下也创建一个 requirements.txt，内容包含 streamlit, torch 等。

至此，所有文件准备完毕。最终的项目结构如下：

soft-disassemble-house/
├── docker-compose.yml       # 服务编排核心文件
├── ai-models/               # 模型仓库（已放入重命名后的模型文件）
│   ├── SDXL_Base/48.safetensors
│   └── Nano_Banana_LoRA/20.safetensors
└── app/                     # 应用代码
    ├── app.py              # 软萌拆拆屋主程序
    └── requirements.txt    # Python依赖列表（可选）

2.5 第五步：一键启动魔法屋

万事俱备，只差一个命令。在项目根目录 (soft-disassemble-house/) 下，运行：

docker-compose up -d

这个命令会：

1. 拉取 pytorch 基础镜像（如果本地没有）。
2. 根据 docker-compose.yml 的配置创建一个容器。
3. 在容器内安装依赖。
4. 启动 app.py 这个Streamlit应用。
5. -d 参数表示在后台运行。

启动过程可能需要几分钟，特别是第一次运行需要下载基础镜像和安装包。你可以使用以下命令查看日志：

docker-compose logs -f

当看到日志中出现类似 “You can now view your Streamlit app in your browser.” 的提示时，说明应用已经成功启动。

3. 使用与验证：施展你的第一次拆解魔法

打开你的浏览器，访问 http://localhost:8501。你应该能看到那个充满马卡龙粉色调的“软萌拆拆屋”界面了。

现在，让我们来施展第一次魔法：

1. 准备咒语：在“🌸 描述你想拆解的衣服”输入框中，输入一段描述。例如：一件带蝴蝶结的洛丽塔裙子，上面有草莓图案。
2. 调节口味（可选）：你可以调整下方的“变身强度”、“甜度系数”等参数，感受不同设置对出图效果的影响。初次尝试可以先用默认值。
3. 启动魔法：点击那个Q弹的 “✨ 变出拆解图！✨” 按钮。
4. 等待与收获：系统会开始生成图片。第一次生成可能需要较长时间（1-3分钟），因为需要从硬盘加载模型到显存。请耐心等待。完成后，一幅精美的服饰拆解图就会呈现在你面前！

提示词技巧：你可以直接使用作者推荐的提示词，效果通常不错：

disassemble clothes, knolling, flat lay, a cute lolita dress with ribbons, strawberry patterns, clothing parts neatly arranged, exploded view, white background, masterpiece, best quality

4. 管理、维护与进阶配置

服务运行起来后，你还需要知道如何管理它。

4.1 常用管理命令

• 停止服务：docker-compose down
  • 这会停止并移除容器，但不会删除你的模型文件和应用代码（因为它们保存在主机上）。
• 重启服务：docker-compose restart
• 查看服务状态：docker-compose ps
• 查看实时日志：docker-compose logs -f
• 进入容器内部（调试用）：docker-compose exec soft-disassemble-app bash

4.2 如何更新应用或模型？

• 更新应用代码：直接替换 app 目录下的文件（如 app.py），然后重启服务即可：docker-compose restart。
• 更新模型：替换 ai-models 目录下对应的模型文件，然后重启服务。Docker卷挂载保证了容器内能立即访问到新的文件。

4.3 针对无GPU环境的调整

如果你只有CPU，需要修改 docker-compose.yml：

1. 将 image 换成CPU版本的PyTorch镜像，例如：pytorch/pytorch:2.1.0-cpu。
2. 删除整个 deploy: 资源配置块。
3. 注意：在CPU上运行SDXL模型会非常慢，生成一张图可能需要10分钟甚至更久，主要用于测试或学习。

4.4 模型路径与多项目管理

本例中，模型路径 (/root/ai-models) 是硬编码在 app.py 中的。Docker Compose方案的美妙之处在于，你可以通过修改 volumes 映射，轻松地将模型放在宿主机的任何位置，甚至是一个所有AI项目共享的中央模型仓库。

例如，如果你所有AI项目的模型都放在 /data/ai-models/，你可以这样修改：

volumes:
  - /data/ai-models/SDXL_Base:/root/ai-models/SDXL_Base
  - /data/ai-models/Nano_Banana_LoRA:/root/ai-models/Nano_Banana_LoRA
  - ./app:/app

这样，多个不同的AI应用容器可以共享同一份模型文件，节省大量磁盘空间。

5. 总结

通过本教程，我们完成了一个从零开始，使用Docker Compose部署“软萌拆拆屋”的完整流程。我们来回顾一下关键步骤和优势：

核心步骤回顾：

1. 规划结构：创建清晰的项目目录，分离模型、代码和配置。
2. 准备资源：手动下载并正确放置、重命名模型文件。
3. 编写编排：用 docker-compose.yml 定义服务、挂载卷、配置端口和启动命令。
4. 一键启动：通过 docker-compose up -d 实现自动化部署。

Docker Compose方案的优势：

• 环境隔离：所有依赖被封装在容器内，不会污染主机环境，也避免了“在我的机器上能跑”的问题。
• 一键部署：复杂的安装、配置流程简化为一条命令，极大提升了部署效率和可重复性。
• 易于管理：启动、停止、重启、查看日志都有统一命令，管理起来像管理一个系统服务一样简单。
• 资源优化：通过卷挂载，可以实现模型文件的共享，避免重复存储。
• 便于迁移：整个项目就是几个目录和一个YAML文件，可以轻松地在任何安装了Docker的机器上复现。

现在，你的“软萌拆拆屋”已经稳定运行。无论是用于有趣的创意生成，还是作为学习Docker和AI应用部署的案例，它都是一个很好的起点。你可以尝试修改提示词、调整参数，生成更多可爱又专业的服饰拆解图，享受AI带来的创作乐趣。

---

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。