Radiata
基于 Diffusers 的 Stable Diffusion WebUI，支持 TensorRT GPU 加速与 LoRA/ControlNet 插件扩展
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
基于 Diffusers 的 Stable Diffusion WebUI，支持 TensorRT GPU 加速与 LoRA/ControlNet 插件扩展
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
想象这样一个场景：深夜灵感想画一张赛博朋克风格的城市夜景，在 Midjourney 排队等渲染时，你打开 Radiata，在自己的 RTX 3080 上用 6 秒生成了第一张草图，然后一边调整 prompt 一边迭代——整个过程不到 3 分钟。这就是 Radiata 想要解决的问题：把 Stable Diffusion 的能力交还给本地用户，让 AI 绘图真正成为设计师口袋里的工具。
Radiata 最初由日本独立开发者 ddPn08 创建，彼时 AUTOMATIC1111 的 WebUI 已经在社区广泛流行，但它的底层基于原始 Stable Diffusion 权重库，在扩展性和性能优化上存在天然瓶颈。ddPn08 选择了一条更轻量的路径：基于 Hugging Face Diffusers 库重新构建推理管线，拥抱 Diffusers 的模块化设计，同时引入 TensorRT 加速，将生成速度提升至原生 PyTorch 的 2-3 倍。项目于 2023 年初正式开源，迅速在 GitHub 积累了接近 1000 颗星，成为当时社区中专注于 Diffusers 生态的标杆 WebUI 之一。
Radiata 的架构设计体现了「最小化抽象」的理念。项目采用 FastAPI 作为后端服务框架，Gradio 作为前端交互界面，主推理管线完全构建在 Diffusers 库之上。这种设计带来了显著优势：Radiata 能够第一时间跟进 Hugging Face 发布的最新扩散模型架构，包括 Stable Diffusion XL（SDXL）、各种社区微调的变体模型，甚至是其他基于 Diffusers 接口的图像生成模型（如 Kandinsky、DeepFloyd IF）。
Radiata 最大的技术亮点是 TensorRT 加速。当用户使用 --tensorrt 参数启动应用后，系统会在首次生成时自动将 PyTorch 模型转换为 NVIDIA TensorRT 优化引擎。这个过程（称为 "engine building"）需要用户提供足够的显存空间和数分钟的等待时间，但完成后，同一张图片的生成速度可从原本的 15-20 秒压缩到 5-8 秒，吞吐量提升约 2-3 倍。
实现上，Radiata 在 lib/tensorrt/ 目录下封装了完整的 ONNX 导出和 TensorRT engine 构建流程。UNet 是加速的核心对象，VAE 和 Text Encoder 通常保持原生 PyTorch 执行，因为它们的计算量相对较小。值得注意的是，TensorRT engine 与特定的图片尺寸绑定——如果用户改变生成分辨率，需要重新构建 engine，这也是该功能的主要使用门槛。
Radiata 并不满足于单一模型的推理加速。项目在 modules/diffusion/pipelines/ 下实现了多个专用管线：
| 管线类型 | 说明 |
|---|---|
diffusers.py | 基于 Diffusers 库的原生推理管线，通用性最强 |
tensorrt.py | TensorRT 加速管线，专为高性能场景设计 |
lpw.py | 长 prompt 扩展（Long Prompt Weighting），支持数千词的复杂 prompt |
此外，项目通过插件机制支持 ControlNet 和 LoRA/Lycoris 模型加载。ControlNet 插件（radiata-controlnet-plugin）允许用户使用 Canny、OpenPose、Scribble 等条件图控制生成结果；LoRA 支持则通过 modules/diffusion/networks/ 实现，兼容社区中数以万计的微调权重。用户可以在 WebUI 的 Generate 标签页中直接选择多个 LoRA 并调整各自权重，实现风格的精确融合。
从部署体验来看，Radiata 对不同操作系统的支持程度差异明显。
Windows 用户 是最幸福的群体：克隆仓库后双击 launch-user.bat 脚本，所有依赖（Python 环境、CUDA 驱动、TensorRT）均由启动器自动检测并安装，新手几乎不需要任何配置。脚本还支持 --share 参数快速生成 Gradio 公开链接，方便分享给朋友或在没有公网 IP 的情况下远程访问。
Linux/macOS 用户 需要手动处理更多细节。启动脚本 launch.sh 依赖 user-env.sh 中的环境变量配置，Python 版本要求精确为 3.10，其他版本可能遇到兼容性问题。macOS 用户还需要额外配置 MPS（Metal Performance Shaders）支持，因为原生 CUDA 在 Apple Silicon 上不可用。
Docker 部署 是最优雅的服务器端方案。项目提供了 docker-compose.yml，基于 nvidia/cuda:11.8.0-runtime-ubuntu20.04 基础镜像，内置 Miniconda 环境、Node.js 和 TensorRT 运行时。只需一行 docker-compose up 即可启动带 GPU 加速的推理服务，适合有 Linux 服务器的开发者或研究者。
不过，Docker 方案存在一个现实问题：TensorRT engine 构建需要在容器内完成，首次冷启动可能需要 10-20 分钟的构建时间，而且需要足够大的 GPU 显存分配。
Radiata 已在 2025 年 7 月被作者正式归档（archived），转为只读状态。这意味着项目不再接受新功能开发，只维护 critical bug 修复。对于依赖持续更新的用户而言，这是一个需要认真考虑的风险点。
从技术层面，Radiata 存在几个长期未能解决的结构性问题：
TensorRT 动态分辨率支持的长期缺陷。Issue #84 显示，Radiata 的 TensorRT 管线长期无法支持动态分辨率生成——用户必须预先指定固定分辨率来构建 engine。当使用高分辨率修复（Highres Fix）功能时，系统需要在不同分辨率间切换，此时 TensorRT 引擎会失效，用户被迫回退到原生 PyTorch 管线，性能优势荡然无存。社区多次尝试解决这一问题，但始终未能突破 NVIDIA TensorRT 对动态 shape 的严格限制。
cuDNN 初始化不稳定的偶发故障。Issue #76 报告了在特定 CUDA/TensorRT 版本组合下，构建 engine 时会抛出 CUDNN_STATUS_NOT_INITIALIZED 错误。问题的根本原因与 Docker 容器中的 GPU 驱动版本不匹配有关，但项目缺乏自动化的依赖兼容性检测机制，用户只能靠经验排查。
PyTorch 和 Diffusers 版本锁死。Radiata 的 requirements/base.txt 指定了 diffusers==0.18.0 和 pytorch-lightning==2.0.2 等精确版本，这在 2023 年是合理的依赖声明，但随着 Diffusers 库在后续版本中持续引入新功能（如 SGM 调度器改进、新的注意力机制变体），锁定旧版本意味着 Radiata 用户无法享受这些上游改进。相比之下，AUTOMATIC1111 WebUI 通过持续更新和版本检测机制更好地解决了这一问题。
Radiata 的价值不在于取代 AUTOMATIC1111，而在于它证明了 Diffusers 生态可以诞生成熟的 WebUI 产品。在此之前，社区普遍认为 Diffusers 是面向研究者的底层库，不适合做用户级产品。Radiata 用实际项目打破了这一刻板印象，它的插件架构、模块化管线设计为后来的许多项目提供了参考。
从更宏观的角度看，Radiata 代表了 2023 年 AI 绘图工具发展的一个重要方向：推理加速与易用性的结合。TensorRT 加速虽然有使用门槛，但它让拥有高性能 GPU 的用户能够在本地获得接近商业 API 的响应速度，这是纯云端方案无法替代的体验。
尽管项目已归档，Radiata 的技术遗产仍在发挥作用：它的 ControlNet 插件架构被多个后续项目借鉴，其基于 Diffusers 的管线设计也影响了部分专注于 SDXL 优化的开源工具。ddPn08 本人也开发了 kohya-sd-scripts-webui 等相关项目，持续为 LoRA 训练生态贡献力量。
Radiata 适合以下用户：
如果你追求的是最丰富的社区插件生态和最活跃的版本更新，AUTOMATIC1111 WebUI 仍然是更好的选择。但如果你拥有一块强力 GPU，追求的是极致的本地推理速度，并且对 Diffusers 生态有天然好感，Radiata 值得一试——它用更轻量的代码库，换来了同样完整的 WebUI 体验和独家的 TensorRT 加速能力。