[原创] MacOS从零部署Stable Diffusion之三：选择哪个UI

折腾了几天，完善WebUI的同步，也尝试了几个其它软件，回顾一下大致过程吧。
1.几天的折腾之一：N次部署Stable Diffusion WebUI
安装了一些必要的插件，例如汉化、提示词、线稿姿态（controlnet）等。折腾了几天，各种报错，各种解决，经历几次删除重头部署，终于折腾出一版没有报错的。
最终经验，按Github.com上readme安装部署最正确。
1.1插件清单如下图：

1.2插件功能说明如下：
1.2.1. a1111-sd-webui-tagcomplete功能：在提示词（Prompt）输入框中提供自动补全功能，支持从预设标签库中快速选择标签（如艺术家风格、常用关键词等），提升输入效率。
典型用途：避免手动输入错误，快速调用复杂标签。
1.2.2. adetailer功能：自动修复生成图像中的人脸或手部细节，通过二次检测和重绘优化局部质量（类似“高清修复”但针对特定区域）。
典型用途：修复低分辨率下的人脸扭曲或手部畸形。
1.2.3. multidiffusion-upscaler-for-automatic1111功能：基于多分辨率扩散算法的超分辨率插件，可分块处理大图并保持细节，避免显存不足。典型用途：高清放大生成图像（尤其适合风景、建筑等复杂场景）。
1.2.4. sd-dynamic-thresholding功能：动态调整生成过程中的去噪阈值，平衡图像多样性和稳定性，避免过拟合或模糊。典型用途：解决高 CFG Scale 值下的过度锐化或色彩失真问题。
1.2.5. sd-extension-system-info功能：在 WebUI 中显示系统信息（如显存占用、GPU 温度、Python 版本等），方便监控运行状态。典型用途：调试性能问题或优化资源分配。
1.2.6. sd-webui-animatediff功能：生成动态动画（GIF/视频），通过逐帧扩散实现连贯运动效果。
典型用途：制作 AI 动画短片或动态表情包。
1.2.7. sd-webui-controlnet功能：通过额外输入（如线稿、深度图、人体姿态）精确控制生成内容的结构和构图。典型用途：保留原图骨架的二次创作、姿势复刻等。
1.2.8. sd-webui-infinite-image-browsing功能：增强 WebUI 的图库管理功能，支持无限滚动预览、标签筛选、批量操作等。典型用途：整理大量生成结果，快速定位历史作品。
1.2.9. sd-webui-lora-block-weight功能：精细化调整 LoRA 模型对不同网络层的影响权重，优化风格融合效果。典型用途：解决 LoRA 模型过强或过弱导致的风格失衡问题。
1.2.10. sd-webui-model-prompter功能：根据选定的模型自动推荐相关提示词（如触发词、风格标签），简化提示工程。典型用途：快速适配新下载的模型，避免无效提示。

2.几天的折腾之二：尝试可以Mac上运行的其它方案
除了原生部署SDWebUI，还安装了Stability Matrix、Mochi Diffusion 和ComfyUI 三款 Stable Diffusion 软件，从功能定位、用户体验、适用场景等角度对比了一下：
2.1. Stability Matrix
定位：一站式 Stable Diffusion 管理工具（非生成工具本身）。
核心功能：统一管理多个 Stable Diffusion 发行版（如 Automatic1111、ComfyUI、SD.Next 等），支持一键安装/切换。
内置模型下载工具（类似 CivitAI 助手），支持自动更新依赖和扩展。
提供简洁的 WebUI 入口，适合多版本切换需求的用户。
优点：
✅ 降低多版本 SD 的配置复杂度，适合同时使用多个工具的用户。
✅ 集成模型库，避免手动下载的麻烦。
✅ 跨平台支持（Windows/Linux/macOS）。
缺点：
❌ 本身不提供图像生成功能，依赖其他后端（如 Automatic1111）。
❌ 对新手而言，仍需理解不同发行版的区别。
适用场景：
需要同时使用多个 Stable Diffusion 发行版的进阶用户。
希望简化模型管理和版本切换的玩家。
总结：实际没有这么好用，各种运行错误，修正困难，个人PASS掉。

2.2. Mochi Diffusion
定位：轻量级原生 macOS 应用（专为 Apple 生态优化）。
核心功能：完全本地运行的 Stable Diffusion 生成工具，支持 Core ML 加速（Apple Silicon 优化）。简洁的原生 UI，类似 MidJourney 的交互体验，适合快速生成。
优点：
✅ 针对 macOS 深度优化，性能高效（尤其 M1/M2 芯片）。
✅ 开箱即用，无需命令行或复杂配置。
✅ 支持私有化部署，数据完全本地。
缺点：
❌ 仅限 macOS，平台封闭。
❌ 功能较基础，缺少高级控制（如 LoRA 插件、复杂工作流）。
适用场景：macOS 用户追求简单、高效的本地生成工具。
不需要复杂自定义，偏好“傻瓜式”操作的用户。
总结：功能超简单，玩具哈，个人PASS掉。

2.3. ComfyUI
定位：模块化、可编程的 Stable Diffusion 工作流工具。
核心功能：基于节点（Node）的图形化界面，可自由构建生成流程（如分步控制、条件分支）。支持复杂操作：多模型串联、自定义脚本、LoRA 动态加载等。轻量高效，适合批量生成和研究用途。
优点：
✅ 高度灵活，适合定制化需求（如动画生成、实验性研究）。
✅ 资源占用低，生成速度较快（无冗余 UI 渲染）。
✅ 社区活跃，有大量自定义节点扩展（如 WAS 节点包）。
缺点：
❌ 学习曲线陡峭，需理解节点逻辑。
❌ 缺乏直观的预设，新手可能难以入手。
适用场景：开发者、技术爱好者或需要精细控制生成流程的用户。追求极限性能或特殊工作流（如视频生成、AI 绘画自动化）。
总结：未来的趋势，前期学习困难，工作流逻辑清晰，容易分享，方便获取他人的工作流，可以照猫画虎的快速学习。个人选择，未来就用它啦。


选择建议
​新手入门：先用Fooocus（没装，不确定）培养兴趣，再过渡到 ​WebUI。
​精准控制：​WebUI   ControlNet 是当前最佳组合。
​极客/开发者：直接学 ComfyUI，未来趋势更强。
​Mac/低配用户：选择优化工具（如 ​Mochi Diffusion 或云端方案）。

未来计划深入学习ComfyUI，慢慢分享一下个人学习经历吧。