最近在尝试各种AI绘画工具时很多开发者都遇到了相似的问题要么需要排队等待生成结果要么被强制要求开通会员甚至有些工具还需要特定的网络环境才能访问。这些问题严重影响了开发效率和创作体验。本文将分享一套完全免费、无需复杂配置的AI绘画解决方案从环境搭建到核心代码实现手把手带你构建一个流畅、智能的本地AI绘画工具。无论你是刚接触AI绘画的新手还是希望将AI能力集成到现有项目的开发者都能从本文获得完整的实操指南。我们将使用主流的开源模型和轻量级框架确保生成质量的同时避免资源浪费。1. AI绘画技术选型与环境准备在选择AI绘画工具时我们需要综合考虑生成质量、运行效率、资源消耗和易用性。目前主流的开源方案包括Stable Diffusion系列模型、Midjourney的替代方案等。本文将基于Stable Diffusion WebUI的简化版本进行演示它平衡了效果和性能适合本地部署。1.1 核心工具与版本说明为了确保环境一致性建议使用以下版本组合操作系统Windows 10/11 或 Ubuntu 20.04 LTS本文以Windows为例Python版本3.8-3.10推荐3.9.16深度学习框架PyTorch 1.13.1cu117核心模型Stable Diffusion 1.5基础版图形库Pillow 9.5.0用于图像处理1.2 环境配置步骤首先创建项目目录并设置Python虚拟环境# 创建项目目录 mkdir ai_painting_tool cd ai_painting_tool # 创建虚拟环境Windows python -m venv venv venv\Scripts\activate # 安装核心依赖 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu117 pip install diffusers transformers accelerate pillow虚拟环境可以隔离项目依赖避免版本冲突。如果遇到CUDA相关错误请确认已安装NVIDIA显卡驱动和CUDA工具包。2. Stable Diffusion核心原理解析理解AI绘画的工作原理有助于更好地调参和优化效果。Stable Diffusion基于扩散模型Diffusion Model其核心过程分为前向加噪和反向去噪两个阶段。2.1 扩散模型基本原理扩散模型通过逐步向图像添加噪声前向过程然后训练神经网络逐步去除噪声反向过程来生成新图像。具体来说前向过程在T个时间步内逐步向原始图像添加高斯噪声最终得到纯噪声反向过程训练UNet网络预测每一步的噪声从纯噪声开始逐步重建图像文本引导通过CLIP文本编码器将提示词转换为向量指导生成过程2.2 关键组件作用VAE变分自编码器负责图像在像素空间和潜在空间之间的转换降低计算复杂度UNet核心去噪网络根据文本条件和时间步预测噪声文本编码器将自然语言提示词转换为模型可理解的向量表示调度器控制去噪过程的步数和噪声强度影响生成质量和速度3. 基础图像生成实现现在我们来实现一个最简单的文本到图像生成功能。首先创建核心生成脚本。3.1 项目结构规划ai_painting_tool/ ├── src/ │ ├── __init__.py │ ├── generator.py # 核心生成类 │ └── utils.py # 工具函数 ├── models/ # 模型缓存目录 ├── outputs/ # 生成结果保存目录 ├── requirements.txt # 依赖列表 └── demo.py # 演示脚本3.2 核心生成类实现创建src/generator.py文件实现基本的图像生成功能import torch from diffusers import StableDiffusionPipeline from PIL import Image import os from typing import List, Optional class AIPaintingGenerator: def __init__(self, model_id: str runwayml/stable-diffusion-v1-5, device: str cuda if torch.cuda.is_available() else cpu): 初始化AI绘画生成器 Args: model_id: 模型标识可以是HuggingFace模型ID或本地路径 device: 运行设备自动检测CUDA可用性 self.device device self.model_id model_id self.pipeline None self._load_model() def _load_model(self): 加载Stable Diffusion模型 print(f正在加载模型: {self.model_id}) # 使用fp16精度减少显存占用提高速度 self.pipeline StableDiffusionPipeline.from_pretrained( self.model_id, torch_dtypetorch.float16 if self.device cuda else torch.float32, cache_dir./models ) self.pipeline self.pipeline.to(self.device) # 启用内存优化可选 if self.device cuda: self.pipeline.enable_attention_slicing() self.pipeline.enable_memory_efficient_attention() print(模型加载完成) def generate_image(self, prompt: str, negative_prompt: str , width: int 512, height: int 512, num_inference_steps: int 20, guidance_scale: float 7.5, seed: Optional[int] None) - Image.Image: 生成单张图像 Args: prompt: 正面提示词描述希望生成的内容 negative_prompt: 负面提示词描述不希望出现的内容 width: 图像宽度像素 height: 图像高度像素 num_inference_steps: 推理步数影响质量与速度 guidance_scale: 引导尺度控制提示词影响力 seed: 随机种子用于可重复结果 Returns: PIL Image对象 if seed is not None: torch.manual_seed(seed) with torch.autocast(self.device): result self.pipeline( promptprompt, negative_promptnegative_prompt, widthwidth, heightheight, num_inference_stepsnum_inference_steps, guidance_scaleguidance_scale, generatortorch.Generator(deviceself.device).manual_seed(seed) if seed else None ) return result.images[0] # 工具函数 def save_image(image: Image.Image, filename: str, output_dir: str ./outputs): 保存图像到指定目录 os.makedirs(output_dir, exist_okTrue) filepath os.path.join(output_dir, filename) image.save(filepath) print(f图像已保存: {filepath}) return filepath3.3 演示脚本实现创建demo.py文件进行功能测试from src.generator import AIPaintingGenerator, save_image import time def main(): # 初始化生成器 generator AIPaintingGenerator() # 测试提示词 test_prompts [ { prompt: a beautiful sunset over mountains, digital art, highly detailed, negative_prompt: blurry, low quality, distorted, filename: sunset_mountains.png }, { prompt: a cute cartoon cat wearing a wizard hat, fantasy style, negative_prompt: realistic, photograph, human, filename: wizard_cat.png } ] # 批量生成图像 for i, config in enumerate(test_prompts, 1): print(f\n正在生成第 {i} 张图像...) start_time time.time() try: image generator.generate_image( promptconfig[prompt], negative_promptconfig[negative_prompt], seed42 # 固定种子确保可重复性 ) save_image(image, config[filename]) elapsed_time time.time() - start_time print(f生成完成耗时: {elapsed_time:.2f}秒) except Exception as e: print(f生成失败: {e}) if __name__ __main__: main()4. 高级功能与优化技巧基础功能实现后我们来添加一些实用功能和性能优化。4.1 批量生成与进度显示在src/generator.py中添加批量生成功能def generate_batch(self, prompts: List[str], output_dir: str ./outputs, **kwargs) - List[str]: 批量生成多张图像 Args: prompts: 提示词列表 output_dir: 输出目录 **kwargs: 生成参数 Returns: 保存的文件路径列表 saved_paths [] os.makedirs(output_dir, exist_okTrue) for i, prompt in enumerate(prompts): print(f进度: {i1}/{len(prompts)} - {prompt[:50]}...) try: image self.generate_image(prompt, **kwargs) filename fbatch_{i1:03d}.png filepath save_image(image, filename, output_dir) saved_paths.append(filepath) except Exception as e: print(f第 {i1} 张图像生成失败: {e}) continue return saved_paths4.2 图像质量优化技巧通过调整参数可以显著改善生成质量# 高质量生成配置示例 high_quality_config { num_inference_steps: 50, # 更多步数更精细 guidance_scale: 7.5, # 适中的引导强度 width: 768, # 更高分辨率 height: 768, negative_prompt: blurry, low quality, distorted, bad anatomy } # 快速生成配置适合测试 fast_config { num_inference_steps: 15, # 较少步数更快速度 guidance_scale: 7.0, width: 512, height: 512 }4.3 内存优化策略对于显存有限的设备可以启用更多优化def optimize_for_low_memory(self): 低显存优化配置 if self.device cuda: # 启用注意力切片减少峰值显存 self.pipeline.enable_attention_slicing(slice_sizemax) # 启用VAE切片进一步优化显存 self.pipeline.enable_vae_slicing() # 使用CPU卸载需要额外依赖 try: self.pipeline.enable_model_cpu_offload() except: print(CPU卸载不可用使用常规优化)5. 常见问题与解决方案在实际使用中可能会遇到各种问题。这里整理了一些典型情况及解决方法。5.1 性能与资源问题问题现象可能原因解决方案生成速度极慢使用CPU模式或显存不足检查CUDA是否可用启用内存优化显存不足报错分辨率过高或模型太大降低分辨率启用显存优化使用低精度生成质量差提示词不明确或步数太少优化提示词增加推理步数5.2 生成质量优化提示词工程技巧使用具体、详细的描述而非抽象概念组合使用质量词汇如highly detailed, 4k负面提示词排除常见问题如blurry, bad anatomy尝试不同的艺术家风格描述参数调优指南guidance_scale7-9适合大多数场景过高会导致过度饱和num_inference_steps20-50平衡质量与速度超过50收益递减分辨率512x512为基础768x768有明显质量提升但需要更多资源5.3 模型管理与切换实现模型热切换功能def switch_model(self, new_model_id: str): 切换模型 # 清理当前模型 if hasattr(self, pipeline): del self.pipeline torch.cuda.empty_cache() if self.device cuda else None # 加载新模型 self.model_id new_model_id self._load_model()6. 工程化部署建议将AI绘画工具集成到实际项目中时需要考虑更多工程化因素。6.1 配置管理创建配置文件config.yamlmodel: default: runwayml/stable-diffusion-v1-5 cache_dir: ./models generation: default_steps: 25 default_guidance: 7.5 default_size: [512, 512] output: directory: ./outputs format: png quality: 95 optimization: use_fp16: true enable_slicing: true enable_memory_efficient: true6.2 错误处理与日志增强错误处理机制import logging from datetime import datetime def setup_logging(): 配置日志系统 logging.basicConfig( levellogging.INFO, format%(asctime)s - %(levelname)s - %(message)s, handlers[ logging.FileHandler(flogs/ai_painting_{datetime.now().strftime(%Y%m%d)}.log), logging.StreamHandler() ] ) def safe_generate(generator, prompt, max_retries3): 带重试的生成函数 for attempt in range(max_retries): try: return generator.generate_image(prompt) except torch.cuda.OutOfMemoryError: if attempt max_retries - 1: torch.cuda.empty_cache() logging.warning(f显存不足第{attempt1}次重试...) continue else: logging.error(多次重试后仍显存不足) raise6.3 Web界面集成可选使用Gradio快速创建Web界面import gradio as gr def create_web_interface(generator): 创建Web界面 def generate_interface(prompt, negative_prompt, steps, guidance, seed): try: image generator.generate_image( promptprompt, negative_promptnegative_prompt, num_inference_stepssteps, guidance_scaleguidance, seedint(seed) if seed else None ) return image except Exception as e: raise gr.Error(f生成失败: {str(e)}) interface gr.Interface( fngenerate_interface, inputs[ gr.Textbox(label提示词, lines3), gr.Textbox(label负面提示词, lines2, valueblurry, low quality), gr.Slider(10, 100, value25, label推理步数), gr.Slider(1, 20, value7.5, label引导强度), gr.Number(label随机种子可选) ], outputsgr.Image(label生成结果), titleAI绘画工具 ) return interface # 启动Web服务 if __name__ __main__: generator AIPaintingGenerator() interface create_web_interface(generator) interface.launch(server_name0.0.0.0, server_port7860)7. 性能监控与优化在生产环境中需要监控资源使用情况并持续优化。7.1 资源监控import psutil import GPUtil def monitor_resources(): 监控系统资源 # CPU使用率 cpu_percent psutil.cpu_percent(interval1) # 内存使用 memory psutil.virtual_memory() # GPU信息如果可用 gpus GPUtil.getGPUs() if GPUtil.getGPUs() else [] gpu_info [] for gpu in gpus: gpu_info.append({ name: gpu.name, load: gpu.load * 100, memory_used: gpu.memoryUsed, memory_total: gpu.memoryTotal }) return { cpu_percent: cpu_percent, memory_percent: memory.percent, gpus: gpu_info }7.2 生成统计与分析记录每次生成的元数据便于分析和优化import json from datetime import datetime class GenerationTracker: def __init__(self, log_filegeneration_stats.json): self.log_file log_file self.stats self._load_existing_stats() def record_generation(self, prompt, config, generation_time, image_size): 记录生成统计 entry { timestamp: datetime.now().isoformat(), prompt_length: len(prompt), generation_time: generation_time, image_size: image_size, config: config } self.stats.append(entry) self._save_stats() def get_average_generation_time(self): 计算平均生成时间 if not self.stats: return 0 times [entry[generation_time] for entry in self.stats] return sum(times) / len(times)通过本文的完整实现你已经拥有了一个功能齐全的本地AI绘画工具。这个方案避免了在线服务的限制提供了完全可控的生成环境。在实际使用中可以根据具体需求进一步扩展功能如图像修复、风格转换、批量处理等。关键是要理解每个参数的作用根据硬件条件合理配置并通过实践不断优化提示词技巧。这种本地化方案不仅保证了使用的自由度也为后续的定制化开发奠定了良好基础。
最近在尝试各种AI绘画工具时很多开发者都遇到了相似的问题要么需要排队等待生成结果要么被强制要求开通会员甚至有些工具还需要特定的网络环境才能访问。这些问题严重影响了开发效率和创作体验。本文将分享一套完全免费、无需复杂配置的AI绘画解决方案从环境搭建到核心代码实现手把手带你构建一个流畅、智能的本地AI绘画工具。无论你是刚接触AI绘画的新手还是希望将AI能力集成到现有项目的开发者都能从本文获得完整的实操指南。我们将使用主流的开源模型和轻量级框架确保生成质量的同时避免资源浪费。1. AI绘画技术选型与环境准备在选择AI绘画工具时我们需要综合考虑生成质量、运行效率、资源消耗和易用性。目前主流的开源方案包括Stable Diffusion系列模型、Midjourney的替代方案等。本文将基于Stable Diffusion WebUI的简化版本进行演示它平衡了效果和性能适合本地部署。1.1 核心工具与版本说明为了确保环境一致性建议使用以下版本组合操作系统Windows 10/11 或 Ubuntu 20.04 LTS本文以Windows为例Python版本3.8-3.10推荐3.9.16深度学习框架PyTorch 1.13.1cu117核心模型Stable Diffusion 1.5基础版图形库Pillow 9.5.0用于图像处理1.2 环境配置步骤首先创建项目目录并设置Python虚拟环境# 创建项目目录 mkdir ai_painting_tool cd ai_painting_tool # 创建虚拟环境Windows python -m venv venv venv\Scripts\activate # 安装核心依赖 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu117 pip install diffusers transformers accelerate pillow虚拟环境可以隔离项目依赖避免版本冲突。如果遇到CUDA相关错误请确认已安装NVIDIA显卡驱动和CUDA工具包。2. Stable Diffusion核心原理解析理解AI绘画的工作原理有助于更好地调参和优化效果。Stable Diffusion基于扩散模型Diffusion Model其核心过程分为前向加噪和反向去噪两个阶段。2.1 扩散模型基本原理扩散模型通过逐步向图像添加噪声前向过程然后训练神经网络逐步去除噪声反向过程来生成新图像。具体来说前向过程在T个时间步内逐步向原始图像添加高斯噪声最终得到纯噪声反向过程训练UNet网络预测每一步的噪声从纯噪声开始逐步重建图像文本引导通过CLIP文本编码器将提示词转换为向量指导生成过程2.2 关键组件作用VAE变分自编码器负责图像在像素空间和潜在空间之间的转换降低计算复杂度UNet核心去噪网络根据文本条件和时间步预测噪声文本编码器将自然语言提示词转换为模型可理解的向量表示调度器控制去噪过程的步数和噪声强度影响生成质量和速度3. 基础图像生成实现现在我们来实现一个最简单的文本到图像生成功能。首先创建核心生成脚本。3.1 项目结构规划ai_painting_tool/ ├── src/ │ ├── __init__.py │ ├── generator.py # 核心生成类 │ └── utils.py # 工具函数 ├── models/ # 模型缓存目录 ├── outputs/ # 生成结果保存目录 ├── requirements.txt # 依赖列表 └── demo.py # 演示脚本3.2 核心生成类实现创建src/generator.py文件实现基本的图像生成功能import torch from diffusers import StableDiffusionPipeline from PIL import Image import os from typing import List, Optional class AIPaintingGenerator: def __init__(self, model_id: str runwayml/stable-diffusion-v1-5, device: str cuda if torch.cuda.is_available() else cpu): 初始化AI绘画生成器 Args: model_id: 模型标识可以是HuggingFace模型ID或本地路径 device: 运行设备自动检测CUDA可用性 self.device device self.model_id model_id self.pipeline None self._load_model() def _load_model(self): 加载Stable Diffusion模型 print(f正在加载模型: {self.model_id}) # 使用fp16精度减少显存占用提高速度 self.pipeline StableDiffusionPipeline.from_pretrained( self.model_id, torch_dtypetorch.float16 if self.device cuda else torch.float32, cache_dir./models ) self.pipeline self.pipeline.to(self.device) # 启用内存优化可选 if self.device cuda: self.pipeline.enable_attention_slicing() self.pipeline.enable_memory_efficient_attention() print(模型加载完成) def generate_image(self, prompt: str, negative_prompt: str , width: int 512, height: int 512, num_inference_steps: int 20, guidance_scale: float 7.5, seed: Optional[int] None) - Image.Image: 生成单张图像 Args: prompt: 正面提示词描述希望生成的内容 negative_prompt: 负面提示词描述不希望出现的内容 width: 图像宽度像素 height: 图像高度像素 num_inference_steps: 推理步数影响质量与速度 guidance_scale: 引导尺度控制提示词影响力 seed: 随机种子用于可重复结果 Returns: PIL Image对象 if seed is not None: torch.manual_seed(seed) with torch.autocast(self.device): result self.pipeline( promptprompt, negative_promptnegative_prompt, widthwidth, heightheight, num_inference_stepsnum_inference_steps, guidance_scaleguidance_scale, generatortorch.Generator(deviceself.device).manual_seed(seed) if seed else None ) return result.images[0] # 工具函数 def save_image(image: Image.Image, filename: str, output_dir: str ./outputs): 保存图像到指定目录 os.makedirs(output_dir, exist_okTrue) filepath os.path.join(output_dir, filename) image.save(filepath) print(f图像已保存: {filepath}) return filepath3.3 演示脚本实现创建demo.py文件进行功能测试from src.generator import AIPaintingGenerator, save_image import time def main(): # 初始化生成器 generator AIPaintingGenerator() # 测试提示词 test_prompts [ { prompt: a beautiful sunset over mountains, digital art, highly detailed, negative_prompt: blurry, low quality, distorted, filename: sunset_mountains.png }, { prompt: a cute cartoon cat wearing a wizard hat, fantasy style, negative_prompt: realistic, photograph, human, filename: wizard_cat.png } ] # 批量生成图像 for i, config in enumerate(test_prompts, 1): print(f\n正在生成第 {i} 张图像...) start_time time.time() try: image generator.generate_image( promptconfig[prompt], negative_promptconfig[negative_prompt], seed42 # 固定种子确保可重复性 ) save_image(image, config[filename]) elapsed_time time.time() - start_time print(f生成完成耗时: {elapsed_time:.2f}秒) except Exception as e: print(f生成失败: {e}) if __name__ __main__: main()4. 高级功能与优化技巧基础功能实现后我们来添加一些实用功能和性能优化。4.1 批量生成与进度显示在src/generator.py中添加批量生成功能def generate_batch(self, prompts: List[str], output_dir: str ./outputs, **kwargs) - List[str]: 批量生成多张图像 Args: prompts: 提示词列表 output_dir: 输出目录 **kwargs: 生成参数 Returns: 保存的文件路径列表 saved_paths [] os.makedirs(output_dir, exist_okTrue) for i, prompt in enumerate(prompts): print(f进度: {i1}/{len(prompts)} - {prompt[:50]}...) try: image self.generate_image(prompt, **kwargs) filename fbatch_{i1:03d}.png filepath save_image(image, filename, output_dir) saved_paths.append(filepath) except Exception as e: print(f第 {i1} 张图像生成失败: {e}) continue return saved_paths4.2 图像质量优化技巧通过调整参数可以显著改善生成质量# 高质量生成配置示例 high_quality_config { num_inference_steps: 50, # 更多步数更精细 guidance_scale: 7.5, # 适中的引导强度 width: 768, # 更高分辨率 height: 768, negative_prompt: blurry, low quality, distorted, bad anatomy } # 快速生成配置适合测试 fast_config { num_inference_steps: 15, # 较少步数更快速度 guidance_scale: 7.0, width: 512, height: 512 }4.3 内存优化策略对于显存有限的设备可以启用更多优化def optimize_for_low_memory(self): 低显存优化配置 if self.device cuda: # 启用注意力切片减少峰值显存 self.pipeline.enable_attention_slicing(slice_sizemax) # 启用VAE切片进一步优化显存 self.pipeline.enable_vae_slicing() # 使用CPU卸载需要额外依赖 try: self.pipeline.enable_model_cpu_offload() except: print(CPU卸载不可用使用常规优化)5. 常见问题与解决方案在实际使用中可能会遇到各种问题。这里整理了一些典型情况及解决方法。5.1 性能与资源问题问题现象可能原因解决方案生成速度极慢使用CPU模式或显存不足检查CUDA是否可用启用内存优化显存不足报错分辨率过高或模型太大降低分辨率启用显存优化使用低精度生成质量差提示词不明确或步数太少优化提示词增加推理步数5.2 生成质量优化提示词工程技巧使用具体、详细的描述而非抽象概念组合使用质量词汇如highly detailed, 4k负面提示词排除常见问题如blurry, bad anatomy尝试不同的艺术家风格描述参数调优指南guidance_scale7-9适合大多数场景过高会导致过度饱和num_inference_steps20-50平衡质量与速度超过50收益递减分辨率512x512为基础768x768有明显质量提升但需要更多资源5.3 模型管理与切换实现模型热切换功能def switch_model(self, new_model_id: str): 切换模型 # 清理当前模型 if hasattr(self, pipeline): del self.pipeline torch.cuda.empty_cache() if self.device cuda else None # 加载新模型 self.model_id new_model_id self._load_model()6. 工程化部署建议将AI绘画工具集成到实际项目中时需要考虑更多工程化因素。6.1 配置管理创建配置文件config.yamlmodel: default: runwayml/stable-diffusion-v1-5 cache_dir: ./models generation: default_steps: 25 default_guidance: 7.5 default_size: [512, 512] output: directory: ./outputs format: png quality: 95 optimization: use_fp16: true enable_slicing: true enable_memory_efficient: true6.2 错误处理与日志增强错误处理机制import logging from datetime import datetime def setup_logging(): 配置日志系统 logging.basicConfig( levellogging.INFO, format%(asctime)s - %(levelname)s - %(message)s, handlers[ logging.FileHandler(flogs/ai_painting_{datetime.now().strftime(%Y%m%d)}.log), logging.StreamHandler() ] ) def safe_generate(generator, prompt, max_retries3): 带重试的生成函数 for attempt in range(max_retries): try: return generator.generate_image(prompt) except torch.cuda.OutOfMemoryError: if attempt max_retries - 1: torch.cuda.empty_cache() logging.warning(f显存不足第{attempt1}次重试...) continue else: logging.error(多次重试后仍显存不足) raise6.3 Web界面集成可选使用Gradio快速创建Web界面import gradio as gr def create_web_interface(generator): 创建Web界面 def generate_interface(prompt, negative_prompt, steps, guidance, seed): try: image generator.generate_image( promptprompt, negative_promptnegative_prompt, num_inference_stepssteps, guidance_scaleguidance, seedint(seed) if seed else None ) return image except Exception as e: raise gr.Error(f生成失败: {str(e)}) interface gr.Interface( fngenerate_interface, inputs[ gr.Textbox(label提示词, lines3), gr.Textbox(label负面提示词, lines2, valueblurry, low quality), gr.Slider(10, 100, value25, label推理步数), gr.Slider(1, 20, value7.5, label引导强度), gr.Number(label随机种子可选) ], outputsgr.Image(label生成结果), titleAI绘画工具 ) return interface # 启动Web服务 if __name__ __main__: generator AIPaintingGenerator() interface create_web_interface(generator) interface.launch(server_name0.0.0.0, server_port7860)7. 性能监控与优化在生产环境中需要监控资源使用情况并持续优化。7.1 资源监控import psutil import GPUtil def monitor_resources(): 监控系统资源 # CPU使用率 cpu_percent psutil.cpu_percent(interval1) # 内存使用 memory psutil.virtual_memory() # GPU信息如果可用 gpus GPUtil.getGPUs() if GPUtil.getGPUs() else [] gpu_info [] for gpu in gpus: gpu_info.append({ name: gpu.name, load: gpu.load * 100, memory_used: gpu.memoryUsed, memory_total: gpu.memoryTotal }) return { cpu_percent: cpu_percent, memory_percent: memory.percent, gpus: gpu_info }7.2 生成统计与分析记录每次生成的元数据便于分析和优化import json from datetime import datetime class GenerationTracker: def __init__(self, log_filegeneration_stats.json): self.log_file log_file self.stats self._load_existing_stats() def record_generation(self, prompt, config, generation_time, image_size): 记录生成统计 entry { timestamp: datetime.now().isoformat(), prompt_length: len(prompt), generation_time: generation_time, image_size: image_size, config: config } self.stats.append(entry) self._save_stats() def get_average_generation_time(self): 计算平均生成时间 if not self.stats: return 0 times [entry[generation_time] for entry in self.stats] return sum(times) / len(times)通过本文的完整实现你已经拥有了一个功能齐全的本地AI绘画工具。这个方案避免了在线服务的限制提供了完全可控的生成环境。在实际使用中可以根据具体需求进一步扩展功能如图像修复、风格转换、批量处理等。关键是要理解每个参数的作用根据硬件条件合理配置并通过实践不断优化提示词技巧。这种本地化方案不仅保证了使用的自由度也为后续的定制化开发奠定了良好基础。
![[C++]内存管理：串顺序存储的内存回收](http://pic.xiahunao.cn/yaotu/[C++]内存管理：串顺序存储的内存回收)
