FastSD CPU完整上手指南：不装独显也能3步完成CPU运行AI绘图
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 GB |
| LCM-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 GB |
| LCM-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
- Python：3.10 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 4GB，OpenVINO 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.sh - Mac：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 1（SDXS-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 API
FastSD 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 4：4GB 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DEVICE=NPU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