手机上也能运行Stable Diffusion?Github上开源且完全免费的AI生图软件!斩获1.4K Stars

手机上也能运行Stable Diffusion?Github上开源且完全免费的AI生图软件!斩获1.4K Stars

Hello,大家好!

今天给大家分享一款GitHub上1.4k星标的开源神器——手机端AI绘画工具,

软件已经整理在文末,有需要的朋友记得获取保存哦~

 链接:https://pan.quark.cn/s/fa5abdb93460

一、软件打开方式

这款工具为安卓APK安装包,共提供两个版本:带过滤器版本和不带过滤器版本,大家可以根据自己的需求选择。下载后直接安装到手机上即可运行,无需复杂配置。

二、软件的功能介绍

这是一款让安卓手机直接运行Stable Diffusion的AI绘画工具,主要特色包括:

全功能AI绘画

支持文生图:输入提示词一键生成图像

支持图生图:导入参考图片二次创作

支持图像修复:模糊图片一键变清晰

多模式加速

支持CPU/GPU/NPU三种运行模式

高通骁龙处理器可启用NPU加速,生成速度极快

非骁龙处理器也可用CPU/GPU流畅运行

开源免费

GitHub开源项目,完全免费无限制

模型可自由下载切换

三、使用指南

第一步:安装与首次设置

下载APK文件并安装至安卓手机

打开软件,首次使用会弹出处理器识别提示

高通骁龙处理器可开启NPU加速,非骁龙选择CPU/GPU模式

重要设置:点击「设置」→ 将下载源从默认地址切换为hf开头的镜像源,否则模型无法下载

第二步:下载模型

根据处理器类型选择对应模型

骁龙用户选择NPU模型(推荐1.1GB版本)

点击确定,软件自动下载并解压

等待解压完成即可使用

第三步:文生图操作

选择已下载的模型

输入提示词(支持中文)

点击「生成图像」

NPU加速下,生成一张图仅需3秒以内

生成完成后点击右上角保存按钮,图片保存至手机相册

点击「历史」可查看过往生成记录

第四步:图像修复

点击软件右上角魔法棒图标

选择需要变清晰的图片

选择动漫或真实模型

一键优化,模糊图秒变高清

第五步:图生图操作

选择模型

导入参考图片

软件自动基于参考图生成新图像

支持高级设置:分辨率、调度器等参数可手动调整

四、使用体验

以前想在手机上跑Stable Diffusion,要么得租云端服务器,要么得折腾PC远程连接。现在好了,一个APK装完,手机直接变身AI画室。

骁龙用户开NPU,三秒一张图,丝滑得不像是在跑AI;非骁龙用户用CPU模式,虽然慢一点,但也能完整跑通。文生图、图生图、老照片修复,桌面端能做的事手机一样不少。整套工具已打包整理,方便大家一次性获取使用,有需要的朋友快去下载试试吧!

五、下载链接

链接:https://pan.quark.cn/s/fa5abdb93460

Read more

原创大规模无人机检测数据集:11998张高质量图像,支持YOLOv8、COCO、TensorFlow多格式训练,涵盖飞机、无人机、直升机三大目标类别

原创大规模无人机检测数据集:11998张高质量图像,支持YOLOv8、COCO、TensorFlow多格式训练,涵盖飞机、无人机、直升机三大目标类别

大规模无人机检测数据集:11998张高质量图像,支持YOLOv8、COCO、TensorFlow多格式训练,涵盖飞机、无人机、直升机三大目标类别 引言与背景 随着无人机技术的快速发展和广泛应用,无人机检测已成为计算机视觉领域的重要研究方向。无论是民用领域的无人机监管、安全防护,还是军用领域的威胁识别、防空系统,都需要高精度的无人机检测算法作为技术支撑。然而,构建一个高质量、大规模、多场景的无人机检测数据集面临着数据收集困难、标注成本高昂、场景多样性不足等挑战。 本数据集正是在这一背景下应运而生,为无人机检测研究提供了宝贵的数据资源。该数据集不仅包含了丰富的无人机图像样本,还涵盖了飞机和直升机等相似目标,为算法训练提供了更具挑战性和实用性的数据环境。通过多格式标注支持,研究人员可以直接使用该数据集进行YOLOv8、TensorFlow Object Detection等主流框架的模型训练,大大降低了研究门槛,加速了无人机检测技术的发展。 数据基本信息 项目详细信息图像总数11,998张图像分辨率640×640像素目标类别3类(飞机、无人机、直升机)标注格式COCO JSON

YOLOv8【第十章:多任务扩展深度篇·第11节】旋转框角度回归优化:CSL(Circular Smooth Label)与 DCL 编码实战!

YOLOv8【第十章:多任务扩展深度篇·第11节】旋转框角度回归优化:CSL(Circular Smooth Label)与 DCL 编码实战!

🏆 本文收录于 《YOLOv8实战:从入门到深度优化》 专栏。该专栏系统复现并梳理全网各类 YOLOv8 改进与实战案例(当前已覆盖分类 / 检测 / 分割 / 追踪 / 关键点 / OBB 检测等方向),坚持持续更新 + 深度解析,质量分长期稳定在 97 分以上,可视为当前市面上 覆盖较全、更新较快、实战导向极强 的 YOLO 改进系列内容之一。 部分章节也会结合国内外前沿论文与 AIGC 等大模型技术,对主流改进方案进行重构与再设计,内容更偏实战与可落地,适合有工程需求的同学深入学习与对标优化。 ✨特惠福利:当前限时活动一折秒杀,一次订阅,终身有效,后续所有更新章节全部免费解锁,👉 点此查看详情 🎯 本文定位:计算机视觉 × 多任务扩展深度系列 📅 更新时间:2026年 🏷️ 难度等级:⭐⭐⭐⭐(高级进阶) 🔧 技术栈:Python 3.9+ · PyTorch

前沿技术融合:AR/VR与边缘计算测试的扩展策略

前沿技术融合:AR/VR与边缘计算测试的扩展策略

随着增强现实(AR)、虚拟现实(VR)和边缘计算的快速发展,软件测试从业者面临前所未有的挑战与机遇。AR/VR应用依赖高沉浸感和低延迟体验,而边缘计算通过分布式架构优化实时数据处理,两者融合可显著提升性能与可靠性。然而,这种融合引入了设备碎片化、网络波动和多感官交互等复杂问题,要求测试策略超越传统边界。本文将从功能、性能、用户体验和安全四个维度,系统阐述扩展测试框架的方法,并结合2026年行业趋势提出可落地的实施路径。 一、AR/VR测试的核心挑战与边缘计算赋能 AR/VR应用对测试提出独特要求: * 功能测试挑战:设备兼容性需覆盖多样硬件,如头显设备(Meta Quest、HoloLens)和移动端传感器,测试对象识别、手势追踪的准确性时,环境因素(如光照变化)易导致交互失效。边缘计算通过本地节点处理实时数据(如图像识别),减少云端依赖,将端到端延迟压缩至10ms以内,提升测试稳定性。 * 性能瓶颈:高帧率(90+ FPS)和低延迟是沉浸式体验的基础,但GPU/CPU负载、电池消耗和网络抖动(如5G边缘计算中的波动)

基于学习的机器人变阻抗控制实现peg-in-hole(轴孔装配)任务

Peg-in-Hole任务 的核心是在存在位置不确定性(如孔的位置、方向偏差)和接触约束的情况下,引导机器人(或机械臂)末端的“轴”顺利插入“孔”中。 传统变阻抗控制 已能很好解决部分问题: * 原理:通过动态调整阻抗模型(惯性、阻尼、刚度参数),使机器人在自由空间呈现高刚度以快速运动,在接触空间呈现低刚度以顺应接触力,避免卡死或产生过大接触力。 * 局限: 1. 参数调优困难:阻抗参数(尤其是刚度、阻尼)高度依赖于任务几何、材料特性、环境动力学,需要专家经验手动调整。 2. 缺乏适应性:固定的或简单规则切换的阻抗参数,难以应对复杂多变的环境(如不同公差、不同摩擦系数、未知的接触面几何)。 3. 状态依赖复杂:最优的阻抗参数往往是机器人位姿、接触力、任务阶段等多维状态的复杂函数,难以用解析式表达。 基于学习的方法 的核心优势在于:从数据或与环境的交互中自动学习出复杂的、状态相关的阻抗控制策略,从而克服上述局限。