FastSD CPU完整上手指南不装独显也能3步完成CPU运行AI绘图【免费下载链接】fastsdcpuFast stable diffusion on CPU and AI PC项目地址: https://gitcode.com/gh_mirrors/fa/fastsdcpu如果你的电脑没有独立显卡大概率听说过一个劝退说法想玩AI绘画先花几千块买GPU。但过去一年多随着模型压缩和推理加速技术成熟CPU运行AI绘图已经从实验室玩笑变成日常可用的方案。本文要介绍的 FastSD CPU 就是其中的代表一台几年前的老电脑也能跑实测生成一张512×512的图最快只要0.82秒。接下来我把自己踩过的坑和总结出的步骤完整写出来从零开始带你把它跑起来。一、先回答一个问题没有好显卡就与AI绘画无缘了吗先看一组真实数据。在常见的 Intel Core i7-12700 处理器上没有独显FastSD CPU 生成一张 512×512 的图片纯 PyTorch 推理约 4.8 秒换成 OpenVINO 加速约 3.8 秒再加 Tiny AutoEncoder微型解码器0.82 秒这个成绩来自项目文档中公开的基准测试相关数据在仓库根目录的Readme.md里可以逐条核对。对大多数人来说0.8秒和1秒在体验上几乎没有差别——按下生成按钮眨个眼图就出来了。也就是说制约AI绘图的不再是有没有显卡而是你愿不愿意动手试一试。二、0.82秒背后三种工作模式分别适合谁FastSD CPU 能这么快靠的不是单一技术而是三套可以随时切换的推理通道。界面上的模式选择下拉框里你会看到这三个选项模式原理简述适合场景内存要求LCM潜在一致性模型大幅压缩采样步数低配机器快速出图约 2 GBLCM-LoRA给微调过的SD 1.5/SDXL模型加装一致性适配器追求画质与风格约 4 GBLCM-OpenVINO经Intel OpenVINO工具链转换并量化压缩的模型追求极限速度约 11 GB三个模式互不冲突你可以在同一台电脑上按需切换平时随手涂鸦用 OpenVINO 模式求快想要特定画风时切到 LCM-LoRA 接自己的模型。内存门槛最低的模式只要 2GB 就能跑这也解释了为什么它连手机、树莓派这种设备都能带动。如果你希望进一步压内存可以打开 Tiny AutoEncoder 选项OpenVINO 模式的内存占用大约能从 11GB 降到 9GB。三、动手前的硬件自查清单开始安装之前对照下面这份清单检查一下环境操作系统Windows / Linux / macOS 三选一即可Python3.10 或更高版本包管理器uv官方推荐的快速包管理器脚本会自动调用内存按上表选择建议至少 4GBOpenVINO 模式建议 8GB 以上硬盘预留 5~10GB 空间存放模型文件顺带提醒一句引导值guidance scale调得越高内存占用和耗时都会上升新手阶段保持默认值就好。模型清单、LoRA清单都通过纯文本配置文件管理例如configs/lcm-models.txt、configs/lcm-lora-models.txt改起来非常直观相关逻辑可以在 src/backend/ 源码目录里找到。四、跟着做就能装好三平台安装步骤整个安装过程不需要手写一行命令之外的额外操作脚本会自动处理依赖和模型下载。第一步获取项目代码git clone https://gitcode.com/gh_mirrors/fa/fastsdcpu cd fastsdcpu第二步按系统选择安装脚本Windows双击install.bat首次安装耗时取决于网速Linux终端执行chmod x install.sh ./install.shMac执行chmod x install-mac.sh ./install-mac.sh第三步启动对应界面桌面GUI版start.bat/./start.sh适合轻量快速出图Web界面版start-webui.bat/./start-webui.sh功能最全纯命令行src/app.py -h进阶用户专用装完这就算大功告成剩下的事都在界面里完成。五、第一张图Web界面从提示词到成图Web界面是功能最完整的入口LoRA、ControlNet、放大等高级玩法都集中在这里。启动后浏览器会自动打开本地地址你会看到类似下面的界面第一次出图只需四步在 Text to Image 标签页输入你的描述词例如 a cat holding a sign saying hello步数保持默认通常 4 步左右图像尺寸选 512×512点击 Generate 按钮等待不到一秒查看右侧生成结果参数面板还支持调整图像尺寸256/512/768/1024 四档、一次生成多张、设置随机种子保证可复现这些参数会随图片一起保存方便你日后复盘。界面上方标注CPU运行环境说明这一整套流程确实跑在纯CPU上六、提速设置把出图时间压进1秒的两种思路如果你追求极致速度下面两条路线任选其一。路线一2步推理LCM-LoRA模式模式切换为 LCM-LoRA选择 Dreamshaper v8 这类微调模型推理步数拉到 2引导值保持在 1.0 以上出图时间通常在 1 秒上下效果对比如下图左边是2步推理的初稿右边是后续优化版本差距并没有想象中那么大路线二OpenVINO 微型解码器模式切换为 LCM-OpenVINO打开 Tiny AutoEncoder 开关步数设为 1SDXS-512-0.9 模型支持一步出图这条路线就是 0.82 秒成绩的来源也是实时绘画功能的底座。项目还内置了实验性的实时模式start-realtime.sh/start-realtime.bat你输入文字的同时图像会不断刷新颇有几分边打字边出图的感觉。七、不只文生图放大、换风格、控构图都能干跑通基础出图之后下面这几个进阶功能值得逐个试一遍全部在Web界面里操作无需写代码图生图Image to Image上传一张照片描述你想要的改动程序会按提示词改写画面图像变体Image Variations以现有图片为种子生成若干相似但不重复的版本适合找灵感超分放大内置 EDSR 2倍放大和 Aura SR 4倍放大低分辨率小图也能救回来LoRA 风格模型把下载好的 .safetensors 文件丢进lora_models/目录即可叠加特定画风支持多LoRA同时挂载ControlNet 构图控制提供 Canny、Depth、Pose、LineArt、MLSD、NormalBAE、SoftEdge、Shuffle 等八种控制方式想精确控制人物姿势或画面结构时非常有用模型放到controlnet_models/目录即可老照片修复通过内置的修复提示词预设一键完成旧照去裂痕、去褪色甚至黑白照片上色举个直观的例子下面这张图左侧是年代久远的老照片右侧是经过修复后的效果八、多端部署手机、树莓派、Docker 与 APIFastSD CPU 对硬件的宽容度还体现在运行环境的多样性上Android 手机通过 Termux 加 PRoot 环境运行实测在 Pixel 7 上可以正常出图树莓派 44GB 内存版本配合 8GB Swap 即可流畅运行社区有实测反馈Docker仓库自带docker-compose.yml执行docker compose up一条命令拉起服务REST API以src/app.py --api启动后提供/api/info、/api/models、/api/generate等接口方便嵌入自己的应用接口文档可访问本地/api/docs查看MCP 服务器以src/app.py --mcp启动后Claude 等支持 MCP 协议的AI客户端可以直接调用本机绘图能力实现让AI替你画图手机端界面长这样左半是 Termux 命令行右半是网页版绘图界面另外如果你的笔记本是带 NPU 的 Intel Core Ultra 处理器还可以通过设置环境变量DEVICENPU把推理交给 NPU实现低功耗出图这属于加分项普通用户无需关注。九、新手可能想问的几个问题问生成图能不能商用项目本身基于 MIT 开源协议发布可以自由使用修改但具体模型各有各的授权条款商用前建议确认所用模型的许可。问出图太慢怎么办优先检查是否处于 OpenVINO 模式、有没有开微型解码器、引导值是否过高这三项对速度影响最大。问想换模型怎么操作编辑configs/stable-diffusion-models.txt加入模型ID或本地路径再在configs/lcm-lora-models.txt里配上对应的LoRA适配器即可支持 Civitai 下载的单文件模型。问内存不够能硬跑吗LCM 模式只需 2GB是所有模式里最省资源的老机器优先选它。收尾从一张图开始回到开头的问题没有好显卡到底能不能玩AI绘画答案是能而且体验相当顺滑。FastSD CPU 把安装门槛压到了克隆仓库、跑个脚本的级别把推理速度压到了一秒以内剩下的就是把想法敲进输入框。无论你是设计师想快速出概念稿还是普通用户纯粹想体验一把AI创作的乐趣都值得花一个下午装上试试——毕竟最贵的设备你已经有了差的只是动手这一下。项目代码git clone https://gitcode.com/gh_mirrors/fa/fastsdcpu配置示例configs/lcm-lora-models.txt、configs/stable-diffusion-models.txt核心源码src/backend/pipelines/ 与 src/backend/openvino/【免费下载链接】fastsdcpuFast stable diffusion on CPU and AI PC项目地址: https://gitcode.com/gh_mirrors/fa/fastsdcpu创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考