sdxl-koala

让SDXL在低显存显卡上快速出图，省钱又省时

sdxl-koala 是 NeurIPS 2024 收录的关于文本到图像扩散模型内存效率与速度优化的开源项目。它针对 SDXL 这类大型扩散模型在推理时显存占用高、生成速度慢的问题，提出了一系列经验性的优化策略和工程实践。项目核心能力包括：通过模型量化、算子融合、内存复用等手段降低显存峰值，同时利用并行计算和推理加速技术提升生成速度，使 SDXL 能在消费级显卡上高效运行。它提供了完整的代码实现、配置文件和实验对比，帮助研究者和开发者理解并复现这些优化技巧。项目主要面向需要部署或研究高效文本到图像生成模型的用户，解决了高质量图像生成与计算资源受限之间的矛盾。

开源 unknown 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 147

维护状态低维护

是否开源是

定价模式 unknown

项目数据

分类图像生成

开发团队youngwanLEE

所属国家

官网地址https://youngwanlee.github.io/KOALA

GitHubhttps://github.com/youngwanLEE/sdxl-koala

定价模式unknown

价格说明定价信息待确认

访问状态

是否开源是

开源协议NOASSERTION

主要语言Python

技术栈/模型text-to-image

GitHub 星标★ 147

30天Star增速

HF 下载量

上线时间2023-12-07 00:00:00

最近更新2026-02-26 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数3

使用教程

核心亮点

提出多种内存优化策略（如量化、算子融合），显存占用可降低50%以上，实测在8GB显卡可跑SDXL
推理速度提升显著，通过并行和计算优化，生成一张1024x1024图像时间缩短至2秒内
来自NeurIPS 2024，方法经过学术验证，代码结构清晰，易于复现和二次开发

不足之处

文档/社区待观察
优化策略主要针对SDXL，迁移到其他扩散模型可能需要适配

适用场景

在消费级显卡（如RTX 3080）上本地部署SDXL进行图像生成
批量生成图像时降低单张成本，提升吞吐量
作为学术研究参考，学习扩散模型推理加速和内存优化方法

替代项目

Stable Diffusion WebUI、Diffusers、TensorRT

项目介绍

sdxl-koala 是开源模型领域的开源项目，由 youngwanLEE 开发，2023 年首次发布。

它收录于开源模型分类，该分类目前共有 422 个项目，GitHub 星标数为 147。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-02-26。从国内网络环境看，可直接访问。

它主要面向的使用场景是：在消费级显卡（如RTX3080）上本地部署SDXL进行图像生成。同类可对比的替代方案包括 Stable Diffusion WebUI、Diffusers、TensorRT。

上一篇：Mobile-O

下一篇：unified-generative-zoo