fastsdcpu

没显卡也能在 CPU 上快速本地出图

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署图像生成 🍴 复刻 218 🐛 待处理 65 👀 关注 29

GitHub ↗

GitHub 星标 ★ 2190

维护状态活跃

是否开源开源

定价模式 🏷️完全免费开源免费，需自行部署

项目预览

项目数据

分类图像生成

开发团队rupeshs

GitHubhttps://github.com/rupeshs/fastsdcpu

定价模式🏷️完全免费

价格说明开源免费，需自行部署

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议MIT

主要语言Python

技术栈/模型aipc,api,cli,cpu,desktopgui,diffusers,diffusion,fastsdcpu,flux,gradio,latentconsistencymodels,lcmdiffusion,openvino,python,qt,sdupcale,sdxlturbo,sdxs,stablediffusion,torch

GitHub 星标★ 2190

上线时间2023-10-19 00:00:00

代码更新2026-10-18

仓库体积20.3 MB

本站数据更新2026-10-25

维护状态活跃

收录时间2026-10-25

浏览次数0

项目介绍

FastSD CPU 是一个面向普通 CPU 与 AI PC 的 Stable Diffusion 推理加速项目，用 Python 编写，核心目标是让没有独立显卡的电脑也能较快地生成图像。它基于 diffusers 生态，集成 LCM（Latent Consistency Models）等少步采样方案，并借助 OpenVINO 在 Intel 平台上进一步提速，从而把原本需要数十步的扩散生成压缩到几步完成。项目提供命令行、API 与 Gradio 桌面/网页界面三种使用形态，支持文生图、图生图等常见流程，也兼容 Flux 等较新模型。适合想在笔记本、办公机或边缘设备上本地跑图像生成、又不想依赖 GPU 的开发者和创作者，可作为轻量级本地出图工具或二次开发底座。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-10-25 · 当前星标 ★ 2190

技术标签

api cli diffusers diffusion flux

使用教程

ℹ 本教程由 AI 依据该项目 README 整理，个别步骤可能需要按你的环境微调。

难度：进阶约 20 分钟部署方式：Docker 7 步

环境要求

Docker 与 Docker Compose 环境
Git 与 Git LFS（下载模型用）
足够的磁盘空间存放 LCM-LoRA 与 GGUF 模型文件
可正常读写项目目录的本地用户权限

安装与启动步骤

1获取项目代码

克隆仓库并进入项目根目录，后续 Docker 启动和模型目录都以该目录为基准。
```
git clone https://github.com/rupeshs/fastsdcpu.git
cd fastsdcpu
```
2启动容器服务

README 给出的唯一容器启动方式，在项目根目录执行；首次运行会拉取镜像，需等待较长时间。
```
docker compose up
```
3安装 Git LFS 并下载模型

README 要求先用 Git LFS 初始化，再克隆 LCM-LoRA 模型仓库到本地目录。
```
git lfs install
git clone https://huggingface.co/latent-consistency/lcm-lora-sdv1-5
```
4登记本地模型路径

把克隆得到的模型目录路径写入 configs/lcm-lora-models.txt，每行一个路径，可同时保留其他模型标识。
5放入 LoRA 模型文件

把下载的 .safetensors 格式 LoRA 模型放进项目的 lora_models 目录，并在界面中选择 LCM 或 LCM-LoRA 模式使用。
6准备 GGUF 模型文件

使用 Flux 2 klein GGUF 时，先下载 stablediffusion.cpp 共享库放到项目根目录，再把扩散、LLM、VAE 模型分别放入 models/gguf 下对应子目录。
7在界面中选择模型生成

打开 WebUI 或桌面界面，切换到 GGUF 模式并在模型设置里选中已放入的扩散、LLM、VAE 模型，输入提示词即可生成。

关键配置

配置项	必填	说明	示例
`configs/lcm-lora-models.txt`	否	列出本地 LCM-LoRA 模型目录路径，供离线加载时在下拉框选择	`D:demolcm-lora-sdv1-5`
`Use locally cached model`	否	设置项，勾选后从本地已缓存或已下载的模型加载，不回退到在线获取	`勾选`
`models/gguf/diffusion`	否	存放 GGUF 扩散模型文件的目录	`flux-2-klein-4b-Q4_K_M.gguf`
`models/gguf/llm`	否	存放 GGUF 文本编码器（LLM）模型文件的目录	`Qwen3-4B-Q4_K_M.gguf`
`models/gguf/vae`	否	存放 VAE 模型文件的目录	`ae.safetensors`

如何确认成功

容器或界面启动后，选择一个已放置的模型，输入简单提示词成功生成一张图片即表示可用。

常见问题

Q：README 的 Installation 章节是空的，怎么安装？

A：该章节在节选中没有给出内容，可确认的启动方式是项目根目录执行 docker compose up；其他安装方式请以仓库最新文档为准。

Q：生成图像速度不够快怎么办？

A：确认使用的是 LCM 或 LCM-LoRA 少步采样模式；在 Intel 平台上可选用 OpenVINO 相关模型以获得更快速度。

Q：离线加载模型时下拉框里没有本地目录？

A：先在设置中勾选 Use locally cached model，再确认 configs/lcm-lora-models.txt 中写入的是有效的绝对路径，然后重启应用。

Q：LoRA 模型放进去了却选不到？

A：确认文件为 .safetensors 格式并放在 lora_models 目录下，同时界面模式需切换为 LCM 或 LCM-LoRA。

注意事项

模型文件体积较大，建议提前预留充足磁盘空间
README 未给出端口号和 Python 版本，具体以容器或程序启动时的实际输出为准
使用 GGUF 模型前必须先放置对应平台的共享库文件，否则无法加载
项目同时提供桌面 GUI、WebUI 和 CLI 三种形态，功能完整度以 WebUI 最高

核心亮点

针对 CPU 场景优化，结合 LCM 少步采样与 OpenVINO 加速，在无独显机器上明显缩短出图时间
同时提供 CLI、API 和 Gradio 图形界面，既能命令行批处理，也方便非技术用户直接上手
基于 diffusers 生态，模型与采样器兼容性较好，并跟进 Flux 等较新模型

不足之处

CPU 推理的绝对速度与画质仍明显弱于 GPU 方案，高分辨率或复杂提示词下等待时间较长
OpenVINO 加速路径对 Intel 硬件依赖较强，其他平台难以获得同等收益
模型下载与配置步骤较多，首次使用门槛对新手不够友好

适用场景

没有独立显卡的笔记本用户本地生成配图或概念草图
企业内网或离线环境中部署轻量级图像生成 API 服务
开发者在 AI PC 或边缘设备上做扩散模型推理加速的原型验证

替代项目

stable-diffusion-webui、ComfyUI、diffusers

上一篇：qiaomu-codex-imagegen

下一篇：Stable-Diffusion-Unity-Integration