【免费下载链接】stable-diffusion-1.5-amdnpu项目地址https://ai.gitcode.com/hf_mirrors/amd/stable-diffusion-1.5-amdnpu点击查看免费下载想在笔记本上本地跑 AI 绘图stable-diffusion-1.5-amdnpu 是 AMD 官方为AMD Ryzen AINPU优化的 Stable Diffusion 1.5 文生图模型仓库它将生成图像的核心组件 UNet 和 VAE Decoder 转换成了 NPU 专用的量化 ONNX 模型让 AI 绘图在 NPU 上低耗电、高效率运行。本文提供硬件检测、环境配置、模型获取的完整清单新手照做即可完成部署。一、30秒看懂这个仓库能为你做什么Stable Diffusion 1.5 通过文本 → 潜空间去噪 → 图像的流程生成图片整个流水线由 5 大组件构成。stable-diffusion-1.5-amdnpu 的目录结构正是按流水线组件组织的详见 README.md组件路径作用运行位置调度器scheduler/控制扩散采样的时间步与噪声强度CPU与 GPU 管线共享文本编码器text_encoder/把提示词转为条件嵌入CLIP ViT-L/14CPU/GPU与 GPU 管线共享分词器tokenizer/提示词预处理最长 77 个 tokenCPU与 GPU 管线共享UNet 去噪网络unet/逐步去噪生成潜空间图像NPU✅VAE 解码器vae_decoder/把潜空间图像还原为像素图像NPU✅ 关键点UNet 和 VAE 解码器是整条流水线中计算量最大的部分本仓库将它们专门优化为 NHWC 布局 量化权重的 ONNX 模型见 unet/dd/replaced.onnx 与 unet/dd/onnx_report.txt由 NPU 加速执行其余组件与 GPU 管线通用仅为完整性一并提供。从 NPU 卸载率报告可以看到优化效果UNet 卸载率97.94%unet/dd/onnx_report.txtVAE 解码器卸载率95.7%vae_decoder/dd/onnx_report.txt也就是说超过 95% 的推理算子都跑在 NPU 上CPU/GPU 几乎躺平。二、硬件检测清单部署前逐项打勾stable-diffusion-1.5-amdnpu 依赖 AMD NPU以下 6 项请逐一确认CPU 型号Ryzen AI 300 系列处理器如 AI 9 HX 375 / AI 9 HX 370 / AI 9 H 365 等内置第二代 XDNA 架构 NPUNPU 已被系统识别打开任务管理器 → 性能选项卡能看到独立的NPU一项若只有 CPU/GPU说明驱动未装好NPU 驱动已安装安装最新 AMD Adrenalin 驱动其中包含 NPU 驱动组件设备管理器中应无黄色感叹号系统版本Windows 11建议 24H2 及以上过旧的 22H2 无法正常使用 NPUNPU 无独占冲突Copilot PC 上 Windows 会为系统功能如实时翻译、Copilot预留 NPU 资源部署前确认无长时间占用NPU 空闲基线空闲时任务管理器中 NPU 利用率应为 0%这是后续验证推理真的跑在 NPU 上的对照基准三、环境配置最快上手路径环境配置遵循运行时 → 推理框架 → 运行脚本三层结构按顺序执行即可步骤组件说明1️⃣Python 3.10建议新建独立虚拟环境避免依赖污染2️⃣AMD Ryzen AI RuntimeAMD 官方 NPU 运行时为 ONNX 推理提供 NPU 执行能力3️⃣onnxruntime含 NPU 执行提供程序加载 unet/dd/replaced.onnx 等优化模型4️⃣推理项目AMD 官方示例项目sd-sandbox封装了完整的 SD 1.5 推理流程⚠️ 常见坑如果你pip install的是通用版 onnxruntime加载 NPU 优化模型会静默回退到 CPU 执行——性能大降且难以察觉。务必确认安装的是支持 Ryzen AI NPU 的版本并通过第五节的验证步骤确认 NPU 实际参与运算。四、获取模型仓库与目录结构通过 git 拉取模型仓库约几分钟即可完成git clone https://gitcode.com/hf_mirrors/amd/stable-diffusion-1.5-amdnpu拉取完成后目录结构如下与 README.md 中描述一致stable-diffusion-1.5-amdnpu/ ├─ scheduler/ # PNDM 调度器配置1000 训练时间步 ├─ text_encoder/ # CLIP 文本编码器配置与权重 ├─ tokenizer/ # CLIP 分词器词表 合并规则 ├─ unet/ # UNet NPU 优化模型含 ONNX 与 NPU 算子内核 ├─ vae_decoder/ # VAE 解码器 NPU 优化模型 ├─ feature_extractor/ └─ safety_checker/几个值得留意的配置文件unet/config.jsonUNet2DConditionModelsample_size: 64对应 512×512 图像、4 倍下采样cross_attention_dim: 768与 CLIP 对齐vae_decoder/config.jsonAutoencoderKLsample_size: 512即最终输出分辨率scheduler/scheduler_config.jsonPNDM 采样器num_train_timesteps: 1000tokenizer/tokenizer_config.jsonCLIPTokenizermodel_max_length: 77——提示词超过 77 个 token 会被截断写 prompt 时请注意长度仓库采用 CreativeML OpenRAIL-M 许可LICENSE商用前请自行阅读许可条款。五、验证部署成功确认 NPU 真的在工作部署完成后跑一张测试图用两个指标确认 NPU 生效观察任务管理器生成图像时 NPU 利用率应出现明显波峰而非 CPU 满载对照卸载率报告参考 unet/dd/onnx_report.txtUNet 的 618 个算子中 97.94% 被卸载到 NPU执行类型包括SDConv、SDGemm、SDMHA_bfp等 NPU 专用算子bfp 表示 BF16 量化即半精度推理速度更快。如果 NPU 利用率始终为 0回到第三节检查 onnxruntime 版本是否包含 NPU 执行提供程序。六、常见问题速查现象可能原因处理任务管理器没有 NPU 选项NPU 驱动缺失或系统版本过低重装 Adrenalin 驱动升级到 Windows 11 24H2推理回退到 CPU速度慢安装了通用版 onnxruntime改用支持 Ryzen AI NPU 的版本生成图像模糊使用了未经优化的模型路径确认加载的是unet/dd/下的 NPU 优化 ONNX提示词效果不对prompt 超过 77 token精简提示词见model_max_length配置小结按硬件检测 → 环境配置 → 拉取模型 → NPU 验证四步走配合本文的完整清单你可以在 Ryzen AI 笔记本上稳定运行 Stable Diffusion 1.5让 NPU 承担 95% 以上的绘图算力实现安静、低耗的本地 AI 创作。赞分享【免费下载链接】stable-diffusion-1.5-amdnpu项目地址https://ai.gitcode.com/hf_mirrors/amd/stable-diffusion-1.5-amdnpu点击查看免费下载相关推荐tarojs/helperTaro 编译时工具库的模块体系与实战解析tarojs/helperTaro 编译时工具库的模块体系与实战解析 本文以 packages/taro helper/README.md https://哪些笔记本能跑dreamshaper-xl-lightning-amdnpu的Ryzen AI NPU硬件要求清单与兼容指南哪些笔记本能跑dreamshaper xl lightning amdnpu的Ryzen AI NPU硬件要求清单与兼容指南 dreamshaper xl l3步掌握AMD Ryzen AI从环境配置到模型部署的完整指南3步掌握AMD Ryzen AI从环境配置到模型部署的完整指南 你是否曾经想要在本地设备上运行大型AI模型却因为硬件限制而束手无策 AMD Ryzen示例工程上一篇eksctl 配置 EKS Hybrid NodesremoteNetworkConfig 网络与凭证实战指南下一篇3步搞定文件同步Windows用户必备的智能同步工具SyncTrayzor创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考