AI 分析 · 由大模型根据 README 与仓库数据生成 · 2026年11月18日
用 C++ 和 NCNN 在本地运行 Stable Diffusion,支持文生图和图生图。
这是一个基于 NCNN 推理框架、用 C++ 实现的 Stable Diffusion 项目。它支持文生图(txt2img)和图生图(img2img),可以编译运行在 x86 Windows/Linux/MacOS 以及 Android 设备上。仓库提供了预编译的 exe、APK 和模型文件下载,方便直接体验。
推荐指数
适合想在 C++/NCNN 环境或移动端跑 SD 的开发者参考,但项目已一年多未更新,且依赖外部模型下载。
总 Star 排名
#3379
雷达追踪的 3,931 个 AI 仓库中
创建于
2022
2022年11月11日
核心亮点
1C++ 与 NCNN 实现
不依赖 Python,用 C++ 和 NCNN 完成 Stable Diffusion 推理全流程。
2支持文生图与图生图
同时支持 txt2img 和 img2img 两种生成方式。
3跨平台运行
提供 x86 Windows/Linux/MacOS 和 Android 的编译与运行说明。
4开箱即用资源
提供预编译 exe、APK 和模型文件的网盘/Release 下载链接。
5性能数据公开
README 给出 i7-12700 和骁龙 865 上的每步耗时与内存占用。
适用场景
桌面端本地生成图片
例如:在 Windows 上运行 stable-diffusion.exe,通过 magic.txt 配置提示词和参数生成图片。
Android 设备体验
例如:安装提供的 APK,在骁龙 865 手机上输入提示词生成 256x256 图片。
C++ 项目集成参考
例如:开发者参考其 CLIP、UNet、采样器实现,将 SD 推理嵌入自己的 C++ 应用。
它是怎么工作的
第 1 步
文本编码
用 CLIP 模型将正向和负向提示词转换为文本嵌入。
第 2 步
图像编码(仅图生图)
将初始图片编码为 latent 表示。
第 3 步
迭代采样
使用 Euler ancestral 采样器在 latent 空间逐步去噪。
第 4 步
图像解码
用 VAE 解码器将 latent 还原为最终图片。
快速上手
- 1
下载模型文件
从百度网盘、Google Drive 或 Release 下载 4 个 bin 模型文件并放入 assets 文件夹。
- 2
配置参数
在 magic.txt 中按行设置高度、宽度、速度模式、步数、种子、初始图片、正向和负向提示词。
- 3
运行程序
进入 x86/exe 目录运行 stable-diffusion.exe。
stable-diffusion.exe - 4
Linux/MacOS 编译
安装 NCNN 后,用 CMake 构建并运行。
cd x86/linux && mkdir -p build && cd build && cmake .. && make -j$(nproc) && ./stable-diffusion-ncnn
适合谁
- 想在 C++ 项目中集成 Stable Diffusion 的开发者
- 需要在 Android 或桌面端本地运行 SD 的开发者
- 对 NCNN 推理框架感兴趣的学习者
不太适合
- 希望开箱即用、不想手动下载模型和配置的普通用户
- 需要最新 SD 功能(如 SDXL、ControlNet)的用户
成熟度
- 活跃度最后更新于 2023 年 7 月,已超过一年无新提交。
- 文档README 包含编译、运行和模型说明,但部分依赖外部链接和网盘。
- 社区约 1000 star、100 fork,有 25 个未关闭 issue,社区有一定关注但活跃度下降。
- 上手难度需要手动下载模型、配置文本文件,Android APK 要求 7G 内存且运行慢。
同类项目怎么选
- stable-diffusion.cpp同样用 C++ 实现,但基于 ggml 而非 NCNN,支持更多模型格式和量化。
- diffusers-ncnn同作者项目,更偏向 Python 与 NCNN 结合,本仓库是纯 C++ 实现。
使用前注意
- · 模型文件需从百度网盘或 Google Drive 下载,链接可能失效。
- · Android APK 需要约 7G 内存,运行速度慢且耗电。
- · 项目已一年多未更新,可能不兼容最新 NCNN 或模型。
- · 使用需遵守 Stable Diffusion 模型许可,不得用于非法用途。
