企业官网建设流程全解析

LocalAI图像生成实战：从Stable Diffusion到Flux的本地AI绘图全流程

【免费下载链接】LocalAILocalAI is the open-source AI engine. Run any model - LLMs, vision, voice, image, video - on any hardware. No GPU required.项目地址: https://gitcode.com/GitHub_Trending/lo/LocalAI

LocalAI 是一个开源的本地 AI 引擎，让你在没有显卡的普通电脑上就能运行 Stable Diffusion、Flux 等 AI 绘图模型——不依赖 GPU，不上传数据，图像生成全程在本机完成。本文将带你走通 LocalAI 本地 AI 绘图的完整流程：3 步部署环境、挑选合适的绘图模型、发出第一张图，以及低显存机器上的实用技巧。

为什么用 LocalAI 做本地 AI 绘图？

很多绘图方案依赖云端 API，要么按量收费，要么图片必须上传到别人的服务器。LocalAI 的思路完全不同：任何模型，跑在任何硬件上，无需 GPU🚀

• 开源免费：Stable Diffusion、Flux、SD3 等主流绘图模型都在模型仓库里，一键安装
• 双后端架构：C++ 实现的stablediffusion-ggml后端可纯 CPU 出图；Python 的diffusers后端则能充分利用 CUDA 显卡加速
• 兼容 OpenAI 接口：标准/v1/images/generations端点，现有工具链几乎零成本迁移
• 内存管理贴心：参数卸载到内存、权重从磁盘流式读取、VAE 分块解码，4GB 内存的机器也能跑

一键安装：3步搭好本地AI绘图环境

安装流程非常轻量，整个项目从克隆到出图只需几分钟：

1. 获取代码（如需从源码运行）：

git clone https://gitcode.com/GitHub_Trending/lo/LocalAI

💡 也支持 Docker 镜像、macOS DMG、静态二进制等多种方式，见官方文档。

2. 确认核心服务启动（local-ai命令行会自动拉起运行时）。

3. 选一个绘图模型，直接跑起来——这是全文最关键的一步，后面马上讲。

挑选绘图模型：模型库里的图像生成阵容

启动后打开 Web UI 的 Model Gallery（模型库），可以看到 900+ 个可安装模型，用 "Image generation" 标签一筛就是绘图模型专区 🎨

图像生成模型按后端分为两大阵营（配置见gallery 目录）：

新手怎么选？没有 NVIDIA 显卡就选flux.1-dev-ggml或Z-Image-GGML这类 GGML 量化版（C++ 后端）；有 8GB 以上显卡则flux原版效果最好。

第一张图：一条命令启动 Flux 绘图

选好后直接运行：

local-ai run flux.1-dev-ggml

这条命令会自动下载模型权重、配置后端参数（flux-ggml.yaml 中预设了 25 步推理、euler 采样器、cfg_scale 为 1 等 Flux 推荐参数）、并启动服务。

然后发出生图请求，只需一个prompt和尺寸：

curl http://localhost:8080/v1/images/generations \ -H "Content-Type: application/json" \ -d '{ "prompt": "A cute baby sea otter", "model": "flux.1-dev-ggml", "size": "1024x1024" }'

几个实用小技巧：

• 负向提示词：用竖线|分隔，如一只猫|变形、模糊、低质量
• 常用参数：step（推理步数，默认 25，越高越精细但越慢）、size（如256x256）
• UI 操作：打开浏览器进入 LocalAI 界面，点顶栏 "Generate Images"，选模型、输描述，零命令出图

请求在内部由 ImageGeneration 函数 统一调度：加载模型 → 分配全局后端槽位 → 调用后端执行扩散采样，最终图片写入generated-images目录返回。

Stable Diffusion 还是 Flux？一张表看懂差异

两者都能用同样的 API 调用，但"手感"不同：

如果追求风格化和快速迭代，SD 系列依旧好用；追求文字渲染、复杂构图，优先 Flux。想体验"图生图"编辑（比如把图里的文字改掉），还可以安装flux.1-kontext-dev模型，通过ref_images参数传入原图。

没显卡也能出图：低显存运行的3个关键选项

C++ 后端stablediffusion-ggml（源码见 backend/go/stablediffusion-ggml/）内置了一套完整的内存调度策略，把"模型放不下"变成"换个方式放"：

1. 权重放内存/磁盘：offload_params_to_cpu:true或params_backend:diffusion=disk——权重以内存映射方式从磁盘流式读取，几乎不占显存
2. 设定显存预算：max_vram:8（单位 GiB），超出部分自动切分卸载；-1表示自动选择
3. VAE 分块解码：1024×1024 解码时显存峰值可能超 8GB，开启vae_tiling:true+vae_tile_size:512，按小块解码，代价仅是轻微变慢

一个典型"4GB 内存也能出图"的配置长这样：

options: - "diffusion_model" - "sampler:euler" - "params_backend:diffusion=disk" - "keep_clip_on_cpu:true"

总结：本地AI绘图的完整路线图

回顾一下今天的实战路线：

1. ✅ 克隆仓库并启动 LocalAI 核心（3 分钟）
2. ✅ 在模型库中选中flux.1-dev-ggml（CPU 友好）或flux（显卡版）
3. ✅ 调用/v1/images/generations或 Web UI 生成第一张图
4. ✅ 按硬件情况调整step、显存卸载、VAE 分块等选项

从克隆仓库到出图，整个过程数据不出本机——这正是 LocalAI 作为开源 AI 引擎的核心价值：AI 绘图不再是一笔 API 账单，而是你电脑里的一条命令。更多模型参数与进阶玩法（图生图、深度图、放大），可继续查阅 docs/content/features/image-generation.md 📖

【免费下载链接】LocalAILocalAI is the open-source AI engine. Run any model - LLMs, vision, voice, image, video - on any hardware. No GPU required.项目地址: https://gitcode.com/GitHub_Trending/lo/LocalAI