python调用 stable diffusion批量生成图片代码解析

liftword1天前技术文章5

文中大多数内容来源github，版权属于原作者，

1. 基础环境

在windows上做示例，

  • 本地要安装了python
  • python的pip模块 安装 webuiapi
  • 编辑器 pyCharm 2024.2(community Edition)

2. 如果上述条件跳过本节安装

2.1 下载并安装 python

https://www.python.org/

2.2 安装webuiapi


D:\Python\Python310\python.exe -m pip install webuiapi

2.3 pycharm

3. 代码参考

参考网站




解释说明

3.1 sdwebuiapi

API client for AUTOMATIC1111/stable-diffusion-webuiAUTOMATIC1111/stable-diffusion-webui 的 API 客户端
支持 txt2img、img2img、extra-single-image、extra-batch-images API 调用。

必须从 webui 启用 API 支持。在运行 webui 时添加 --api。这里解释了。

您可以使用 --api-auth user1：pass1，user2：pass2 选项为 api 访问启用身份验证。（由于是基本的 http 认证，密码以明文形式传输）

截至 2022 年 11 月 21 日，API 调用（几乎）是 http://127.0.0.1:7860/docs 的直接翻译。

我使用了秋叶启动器.

3.2 用法

webuiapi_demo.ipynb 包含带有原始图像的示例代码。在本文档中，图像被压缩为 jpeg。

3.2.1 create API client 创建 API 客户端

# 导入 webuiapi 包
import webuiapi

# 创建 API 客户端
api = webuiapi.WebUIApi()

# 使用自定义主机和端口创建 API 客户端
#api = webuiapi.WebUIApi(host='127.0.0.1', port=7860)

# 使用自定义主机、端口和 https 创建 API 客户端
#api = webuiapi.WebUIApi(host='webui.example.com', port=443, use_https=True)

# 使用默认的采样器和步数创建 API 客户端。
#api = webuiapi.WebUIApi(sampler='Euler a', steps=20)

# 如果 webui 上设置了 --api-auth=username:password，则可以选择设置用户名和密码。
# 注意：用户名和密码不受保护，如果通信通道未加密，则很容易被破解。
# 你也可以将用户名和密码传递给 WebUIApi 构造函数。
api.set_auth('用户名', '密码')
# 从 webuiapi 文件夹中使用 webuiapi.py
import sys
sys.path.append('./webuiapi')

# 或者使用 pip 安装 webuiapi
# pip install webuiapi


import webuiapi
# api = webuiapi.WebUIApi()
api = webuiapi.WebUIApi(host='127.0.0.1',port=7860,sampler='Euler a',steps=20)

3.2.2 文生图

# 文字转图片

result1 = api.txt2img(prompt="可爱的松鼠",
                    negative_prompt="丑陋的，画面之外的",
                    seed=1003,
                    styles=["动漫风格"],
                    cfg_scale=7,
#                      sampler_index='DDIM', # 可选参数，未使用
#                      steps=30,             # 可选参数，未使用
                    )
result1.image  # 图片结果

3.2.3 图片转图片



result2 = api.img2img(images=[result1.image], prompt="可爱的猫", seed=5555, cfg_scale=6.5, denoising_strength=0.6)
result2.image 
# 转换后的图片结果
这段代码表示的是使用某个API（可能是与图像生成或编辑相关的API）将一张图片（result1.image）根据给定的文字提示（prompt="可爱的猫"）和其他参数转换成另一张图片。其中，seed是用于生成图片的随机种子，以确保结果的可重复性；cfg_scale可能是控制生成图片质量或细节的参数；denoising_strength可能是控制去噪强度的参数，以影响生成图片的平滑度或细节保留程度。

3.2.4 使用img2img进行图像修复（补全）

# 使用img2img进行图像修复（补全）

从PIL库导入Image和ImageDraw模块
from PIL import Image, ImageDraw

# 创建一个与result2.image相同尺寸的新图像，颜色为黑色，用作遮罩
mask = Image.new('RGB', result2.image.size, color='black')
# 注意：下面这行代码被注释掉了，因为它会复制result2.image作为遮罩，而不是创建一个新的黑色图像
# mask = result2.image.copy()

# 使用ImageDraw在遮罩上绘制
draw = ImageDraw.Draw(mask)
# 绘制一个椭圆，位置在(210,150)到(310,250)，填充为白色
draw.ellipse((210,150,310,250), fill='white')
# 绘制另一个椭圆，位置在(80,120)到(160,200)，填充为白色
draw.ellipse((80,120,160,120+80), fill='white')

# 遮罩图像已准备好

# 使用img2img函数进行图像修复（补全）
inpainting_result = api.img2img(images=[result2.image],
                                mask_image=mask,  # 传入遮罩图像
                                inpainting_fill=1,  # 可能表示启用图像补全功能
                                prompt="可爱的猫",  # 文字提示，用于指导图像补全的内容
                                seed=104,  # 随机种子，用于确保结果的可重复性
                                cfg_scale=5.0,  # 控制生成图片质量或细节的参数
                                denoising_strength=0.7)  # 控制去噪强度的参数

# 获取图像修复（补全）后的结果
inpainting_result.image

这段代码展示了如何使用一个API（api）的img2img函数来进行图像修复（或称为图像补全）。首先，它创建了一个与原始图像（result2.image）相同尺寸的黑色图像作为遮罩，然后在遮罩上绘制了两个白色的椭圆区域。这些白色区域表示需要被修复（或补全）的部分。接着，img2img函数被调用，传入原始图像、遮罩图像、一些配置参数（如inpainting_fill、prompt、seed、cfg_scale和denoising_strength）来生成修复后的图像。最后，代码通过inpainting_result.image获取并可能显示或保存修复后的图像。

3.2.5 对单张图片进行额外处理（如超分辨率放大）

# 对单张图片进行额外处理（如超分辨率放大）

result3 = api.extra_single_image(image=result2.image,  # 输入图片为result2.image
                                 upscaler_1="ESRGAN_4x",  # 使用的第一个超分辨率放大模型为ESRGAN，放大倍数为4倍
                                 upscaling_resize=1.5)  # 在超分辨率放大后，对图片进行额外的缩放，缩放比例为1.5倍

# 打印处理后的图片尺寸
print(result3.image.size)

# 显示或进一步处理处理后的图片
result3.image

在这段代码中，api.extra_single_image函数被用于对单张图片进行额外处理，这里的处理主要是超分辨率放大。image参数指定了要处理的图片，upscaler_1参数指定了使用的超分辨率放大模型（这里是ESRGAN，放大倍数为4倍），而upscaling_resize参数则指定了在超分辨率放大后，对图片进行额外的缩放的比例（这里是1.5倍）。

处理完成后，函数返回了一个包含处理结果的对象（这里假设为result3），通过result3.image可以访问处理后的图片。此外，还通过print(result3.image.size)打印了处理后的图片尺寸，以便了解图片在经过超分辨率放大和额外缩放后的具体大小。

3.2.6 显示或进一步处理处理后的图片

result4 = api.extra_batch_images(images=[result1.image, 
                                         result2.image],upscaler_1="ESRGAN_4x",upscaling_resize=1.5)len(result4.images)

2

result4.images[0]

result4.images[1]

3.2.7 txt2img with scripts

XYPlotAvailableScripts = ["Nothing","Seed","Var. seed","Var. strength","Steps","CFG Scale","Prompt S/R","Prompt order","Sampler","Checkpoint Name","Hypernetwork","Hypernet str.","Sigma Churn","Sigma min","Sigma max","Sigma noise","Eta","Clip skip","Denoising","Hires upscaler","Cond. Image Mask Weight","VAE","Styles"]
# 示例调用

# 设置X轴类型为“Steps”
XAxisType = "Steps"
# 设置X轴的值，这里表示32和64两个步数点
XAxisValues = "32,64"
# 设置Y轴类型为“Sampler”
YAxisType = "Sampler"
# 设置Y轴的值，这里表示三种不同的采样器：k_euler_a, ddim, k_dpm_2_a
YAxisValues = "k_euler_a, ddim, k_dpm_2_a"
# 设置是否绘制图例，这里为True表示绘制
drawLegend = "True"
# 设置是否包含单独的图像，这里为False表示不包含
includeSeparateImages = "False"
# 设置是否保持随机种子不变，这里为False表示不保持
keepRandomSeed = "False"

# 使用txt2img函数根据提供的参数生成图片
result5 = api.txt2img(
    prompt="可爱的松鼠",  # 文字提示，用于指导图片生成的内容
    negative_prompt="丑陋的，画面之外的",  # 负面提示，用于排除不希望出现在图片中的内容
    seed=1003,  # 随机种子，用于确保结果的可重复性
    cfg_scale=7,  # 控制生成图片质量或细节的参数
    script_name="X/Y Plot",  # 指定使用的脚本名称，这里表示要生成X/Y折线图
    script_args=[  # 脚本所需的参数列表
        XYPlotAvailableScripts.index(XAxisType),  # X轴类型在可用脚本中的索引
        XAxisValues,  # X轴的值
        XYPlotAvailableScripts.index(YAxisType),  # Y轴类型在可用脚本中的索引
        YAxisValues,  # Y轴的值
        drawLegend,  # 是否绘制图例
        includeSeparateImages,  # 是否包含单独的图像
        keepRandomSeed  # 是否保持随机种子不变
    ]
)

# 获取生成的图片
result5.image

3.2.8 webuiapi的常用函数

# return map of current options
options = api.get_options()

# change sd model
options = {}
options['sd_model_checkpoint'] = 'model.ckpt [7460a6fa]'
api.set_options(options)

# when calling set_options, do not pass all options returned by get_options().
# it makes webui unusable (2022/11/21).

# get available sd models
api.get_sd_models()

# misc get apis
api.get_samplers()
api.get_cmd_flags()      
api.get_hypernetworks()
api.get_face_restorers()
api.get_realesrgan_models()
api.get_prompt_styles()
api.get_artist_categories() # deprecated ?
api.get_artists() # deprecated ?
api.get_progress()
api.get_embeddings()
api.get_cmd_flags()
api.get_scripts()
api.get_schedulers()
api.get_memory()

# misc apis
api.interrupt()
api.skip()

3.2.9 Utility methods 实用程序方法

# 保存当前模型名称
old_model = api.util_get_current_model()

# 获取可用模型列表
models = api.util_get_model_names()

# 获取可用采样器列表
# api.util_get_sampler_names()  （此行为一个函数调用，无输出注释）

# 获取可用调度器列表
# api.util_get_scheduler_names()  （此行为一个函数调用，无输出注释）

# 刷新模型列表
api.refresh_checkpoints()

# 设置模型（使用确切名称）
api.util_set_model(models[0])

# 设置模型（查找最接近的匹配项）
api.util_set_model('robodiffusion')

# 等待作业完成
api.util_wait_for_ready()

# 获取当前模型（函数名，非代码行）
# util_get_current_model  （注意：这是一个函数名，若要调用需加上api.前缀及括号，如api.util_get_current_model()）

3.2.10 LORA 和 alwayson_scripts 示例

# 调用 api.txt2img 函数生成图片
r = api.txt2img(
    prompt='photo of a cute girl with green hair <lora:Moxin_10:0.6> shuimobysim __juice__',  # 文字提示，包含LORA模型和shuimobysim的提示词
    seed=1000,  # 随机种子，确保结果的可重复性
    save_images=True,  # 保存生成的图片
    alwayson_scripts={"Simple wildcards":[]}  # 始终开启的脚本，但此处wildcards扩展不接受额外参数
)

# 通过 r.image 访问生成的图片
r.image

# 注意：以下是一个函数名，并非直接执行的代码
# 若要获取当前模型，应调用 api.util_get_current_model() 函数
util_get_current_model  # 这是一个函数，用于获取当前使用的模型名称

3.2.11 扩展支持 - Model-Keyword

Bash
# https://github.com/mix1009/model-keyword
mki = webuiapi.ModelKeywordInterface(api)
mki.get_keywords()

ModelKeywordResult(keywords=['nousr robot'], model='robo-diffusion-v1.ckpt', oldhash='41fef4bd', match_source='model-keyword.txt')

ModelKeywordResult（keywords=['nousr robot']， model='robo-diffusion-v1.ckpt'， oldhash='41fef4bd'， match_source='model-keyword.txt'）

3.2.12 扩展支持 - Instruct-Pix2Pix

# Instruct-Pix2Pix 扩展现已弃用，并已成为 webui 的一部分。
# 当加载 instruct-pix2pix 模型时，您可以使用带有 image_cfg_scale 参数的普通 img2img 功能。
r = api.img2img(prompt='sunset', images=[pil_img], cfg_scale=7.5, image_cfg_scale=1.5)
# 上述代码行调用了 img2img 函数，并生成了名为 r 的结果对象，其中包含了生成的图像。
r.image  # 通过 r.image 可以访问生成的图像。

# 获取当前模型的工具函数（注意：这是一个函数名，用于说明，不是直接执行的代码）
# 若要调用此函数以获取当前加载的模型名称，应使用 api.util_get_current_model()
util_get_current_model  # 此处仅作为函数名展示，实际使用时需通过 api 调用

3.2.13 扩展支持 - ControlNet

# https://github.com/Mikubill/sd-webui-controlnet

api.controlnet_model_list()

['control_v11e_sd15_ip2p [c4bb465c]',
 'control_v11e_sd15_shuffle [526bfdae]',
 'control_v11f1p_sd15_depth [cfd03158]',
 'control_v11p_sd15_canny [d14c016b]',
 'control_v11p_sd15_inpaint [ebff9138]',
 'control_v11p_sd15_lineart [43d4be0d]',
 'control_v11p_sd15_mlsd [aca30ff0]',
 'control_v11p_sd15_normalbae [316696f1]',
 'control_v11p_sd15_openpose [cab727d4]',
 'control_v11p_sd15_scribble [d4ba51ff]',
 'control_v11p_sd15_seg [e1f51eb9]',
 'control_v11p_sd15_softedge [a8575a2a]',
 'control_v11p_sd15s2_lineart_anime [3825e83e]',
 'control_v11u_sd15_tile [1f041471]']
 ['control_v11e_sd15_ip2p [c4bb465c]'，'control_v11e_sd15_shuffle [526bfdae]'，'control_v11f1p_sd15_depth [cfd03158]'，'control_v11p_sd15_canny [d14c016b]'，'control_v11p_sd15_inpaint [ebff9138]'，'control_v11p_sd15_lineart [43d4be0d]'，'control_v11p_sd15_mlsd [aca30ff0]'，'control_v11p_sd15_normalbae [316696f1]'，'control_v11p_sd15_openpose [cab727d4]'，'control_v11p_sd15_scribble [d4ba51ff]'，'control_v11p_sd15_seg [e1f51eb9]'，'control_v11p_sd15_softedge [a8575a2a]'，'control_v11p_sd15s2_lineart_anime [3825e83e]'，'control_v11u_sd15_tile [1f041471]']
 
 
 
 api.controlnet_version()
api.controlnet_module_list()


普通txt2img

r = api.txt2img(prompt="photo of a beautiful girl with blonde hair", height=512, seed=100)

img = r.image

img



# 创建一个ControlNetUnit实例，用于指定控制网络的类型和模型
# 注意：这里的'image'参数是新的API要求，用于接收要处理的图像
# 'module'指定了控制网络的类型（例如，边缘检测'canny'）
# 'model'指定了具体的控制网络模型
unit1 = webuiapi.ControlNetUnit(image=img, module='canny', model='control_v11p_sd15_canny [d14c016b]')

# 使用txt2img函数生成图像，该函数接收文本提示和控制网络单元列表
# 'prompt'参数是指导图像生成的文本描述
# 'controlnet_units'参数包含了用于图像生成的控制网络单元
r = api.txt2img(prompt="photo of a beautiful girl", controlnet_units=[unit1])

# 显示或处理生成的图像
r.image





# img2img with multiple ControlNets
unit1 = webuiapi.ControlNetUnit(image=img, module='canny', model='control_v11p_sd15_canny [d14c016b]')
unit2 = webuiapi.ControlNetUnit(image=img, module='depth', model='control_v11f1p_sd15_depth [cfd03158]', weight=0.5)

r2 = api.img2img(prompt="girl",
            images=[img], 
            width=512,
            height=512,
            controlnet_units=[unit1, unit2],
            sampler_name="Euler a",
            cfg_scale=7,
           )
r2.image

Bash
r = api.controlnet_detect(images=[img], module='canny')
r.image

3.2.14 扩展支持 - AnimateDiff

# https://github.com/continue-revolution/sd-webui-animatediff

# 创建一个AnimateDiff对象，用于生成动画差异图像
adiff = webuiapi.AnimateDiff(
    model='mm_sd15_v3.safetensors',  # 指定使用的模型
    video_length=24,  # 设置动画的视频长度（帧数）
    closed_loop='R+P',  # 设置循环方式，'R+P'可能表示某种特定的循环逻辑
    format=['GIF']  # 指定输出格式为GIF
)

# 使用txt2img函数生成动画图像，传入AnimateDiff对象作为参数
r = api.txt2img(prompt='可爱的小狗', animatediff=adiff)

# 保存GIF文件。注意，为了保存动画GIF，需要设置save_all=True
r.image.save('小狗.gif', save_all=True)

# 在Jupyter笔记本中显示动画GIF
# 从IPython.display导入HTML类
from IPython.display import HTML
# 使用HTML类显示动画GIF，通过base64编码将图像数据嵌入到HTML中
HTML('<img src="data:image/gif;base64,{0}"/>'.format(r.json['images'][0]))

# util_get_current_model（此行代码为注释或说明，并非实际代码）
# 这是一个工具函数或方法的名称，用于获取当前正在使用的模型（此处未给出具体实现）
  1. 在上面的代码中，webuiapi.AnimateDiff 和 api.txt2img 是假设存在的函数或方法，它们可能是某个特定库（如sd-webui-animatediff）的一部分。在实际使用中，你需要确保已经正确安装了该库，并且了解这些函数或方法的具体用法和参数。
  2. r.json['images'][0] 这部分代码假设r对象有一个json属性，该属性是一个字典，其中包含一个images键，该键对应的值是一个列表，列表中的第一个元素是动画GIF的base64编码字符串。这取决于api.txt2img函数的返回值结构。在实际使用中，你需要根据该函数的返回值结构来访问动画GIF的数据。
  3. 在Jupyter笔记本中显示动画GIF时，使用HTML类并嵌入base64编码的图像数据是一种常见的方法。但是，如果动画GIF较大或帧数较多，这种方法可能会导致Jupyter笔记本的性能下降或加载时间变长。在这种情况下，你可能需要考虑其他方法来显示动画GIF，比如将动画GIF保存到文件系统中，并在Jupyter笔记本中使用<img>标签直接引用该文件。
  4. util_get_current_model 这部分更像是一个说明或注释，而不是实际可执行的代码。如果你需要获取当前正在使用的模型信息，你需要查找该库提供的相应函数或方法。

3.2.15 扩展支持 - RemBG （由 webcoderz 提供）

Bash
# https://github.com/AUTOMATIC1111/stable-diffusion-webui-rembg
rembg = webuiapi.RemBGInterface(api)
r = rembg.rembg(input_image=img, model='u2net', return_mask=False)
r.image

3.2.16 扩展支持 - SegmentAnything（由 TimNekk 提供）

3.2.17 扩展支持 - ADetailer（由 tomj2ee 和 davidmartinrius 提供）

# https://github.com/continue-revolution/sd-webui-segment-anything

# 初始化 SegmentAnything 接口
segment = webuiapi.SegmentAnythingInterface(api)

# 使用SAM模型及点信息进行分割预测
sam_result = segment.sam_predict(
    image=img,  # 输入图像
    sam_positive_points=[(0.5, 0.25), (0.75, 0.75)],  # SAM模型的正向点
    # 根据需要添加其他参数
)

# 使用GroundingDINO和SAM模型进行分割预测
sam_result2 = segment.sam_predict(
    image=img,  # 输入图像
    dino_enabled=True,  # 启用GroundingDINO
    dino_text_prompt="GroundingDINO的文本提示",  # GroundingDINO的文本提示
    # 根据需要添加其他参数
)

# 示例：对掩码进行膨胀处理
dilation_result = segment.dilate_mask(
    image=img,  # 输入图像
    mask=sam_result.masks[0],  # 使用SAM预测中的第一个掩码
    dilate_amount=30  # 膨胀量
)

# 示例：生成带类别ID的语义分割
semantic_seg_result = segment.sam_and_semantic_seg_with_cat_id(
    image=img,  # 输入图像
    category="1+2+3",  # 用'+'分隔的类别ID
    # 根据需要添加其他参数
)

# 获取当前模型（这是一个函数或方法，不是直接执行的代码）
# 注意：在实际代码中，应使用如 api.util_get_current_model() 的形式来调用
# 此处仅作为示例说明，并未直接执行
util_get_current_model

txt2img with ADetailer txt2img 与 ADetailer

# https://github.com/Bing-su/adetailer

import webuiapi

api = webuiapi.WebUIApi()

ads = webuiapi.ADetailer(ad_model="face_yolov8n.pt")

result1 = api.txt2img(prompt="cute squirrel",
                    negative_prompt="ugly, out of frame",
                    seed=-1,
                    styles=["anime"],
                    cfg_scale=7,
                    adetailer=[ads],
                    steps=30,
                    enable_hr=True,
                    denoising_strength=0.5
            )
                    
                    
   
img = result1.image
img

# OR

file_path = "output_image.png"
result1.image.save(file_path)

img2img with ADetailer img2img 与 ADetailer

import webuiapi
from PIL import Image

img = Image.open("/path/to/your/image.jpg")

ads = webuiapi.ADetailer(ad_model="face_yolov8n.pt")

api = webuiapi.WebUIApi()

result1 = api.img2img(
    images=[img], 
    prompt="a cute squirrel", 
    steps=25, 
    seed=-1, 
    cfg_scale=7, 
    denoising_strength=0.5, 
    resize_mode=2,
    width=512,
    height=512,
    adetailer=[ads],
)

file_path = "img2img_output_image.png"
result1.image.save(file_path)

3.2.18 支持使用 “deepdanbooru / deepbooru” 进行询问（由 davidmartinrius 提供）

Bash
import webuiapi
from PIL import Image
api = webuiapi.WebUIApi()
img = Image.open("/path/to/your/image.jpg")
interrogate_result = api.interrogate(image=img, model="deepdanbooru")
# also you can use clip. clip is set by default
#interrogate_result = api.interrogate(image=img, model="clip")
#interrogate_result = api.interrogate(image=img)
prompt = interrogate_result.info
prompt
# OR
print(prompt)

3.2.19 支持 ReActor，用于换脸（由 davidmartinrius 提供）

import webuiapi
from PIL import Image

img = Image.open("/path/to/your/image.jpg")

api = webuiapi.WebUIApi()

your_desired_face = Image.open("/path/to/your/desired/face.jpeg")

reactor = webuiapi.ReActor(
    img=your_desired_face,
    enable=True
)

result1 = api.img2img(
    images=[img], 
    prompt="a cute squirrel", 
    steps=25, 
    seed=-1, 
    cfg_scale=7, 
    denoising_strength=0.5, 
    resize_mode=2,
    width=512,
    height=512,
    reactor=reactor
)

file_path = "face_swapped_image.png"
result1.image.save(file_path)

3.2.20 支持自我注意指导（由 yano 提供）

import webuiapi
from PIL import Image

img = Image.open("/path/to/your/image.jpg")

api = webuiapi.WebUIApi()

your_desired_face = Image.open("/path/to/your/desired/face.jpeg")

sag = webuiapi.Sag(
    enable=True,
    scale=0.75,
    mask_threshold=1.00
)

result1 = api.img2img(
    images=[img], 
    prompt="a cute squirrel", 
    steps=25, 
    seed=-1, 
    cfg_scale=7, 
    denoising_strength=0.5, 
    resize_mode=2,
    width=512,
    height=512,
    sag=sag
)

file_path = "face_swapped_image.png"
result1.image.save(file_path)

3.2.21 David Martin Rius 的提示生成器 API：

Bash
This is an unofficial implementation to use the api of promptgen. Before installing the extension you have to check if you already have an extension called Promptgen. If so, you need to uninstall it. Once uninstalled you can install it in two ways:
这是使用 promptgen 的 api 的非官方实现。在安装扩展程序之前，您必须检查您是否已经有一个名为 Promptgen 的扩展程序。如果是这样，您需要卸载它。卸载后，您可以通过两种方式进行安装：

3.2.21.1 从用户界面

3.2.21.2 从命令行

Bash
git clone -b api-implementation https://github.com/davidmartinrius/stable-diffusion-webui-promptgen.git
Once installed: 安装后：

Bash
api = webuiapi.WebUIApi()
result = api.list_prompt_gen_models()
print("list of models")
print(result)
# you will get something like this:
#['AUTOMATIC/promptgen-lexart', 'AUTOMATIC/promptgen-majinai-safe', 'AUTOMATIC/promptgen-majinai-unsafe']
text = "a box"
To create a prompt from a text:
# by default model_name is "AUTOMATIC/promptgen-lexart"
result = api.prompt_gen(text=text)
# Using a different model
result = api.prompt_gen(text=text, model_name="AUTOMATIC/promptgen-majinai-unsafe")
#Complete usage
result = api.prompt_gen(
text=text,
model_name="AUTOMATIC/promptgen-majinai-unsafe",
batch_count= 1,
batch_size=10,
min_length=20,
max_length=150,
num_beams=1,
temperature=1,
repetition_penalty=1,
length_preference=1,
sampling_mode="Top K",
top_k=12,
top_p=0.15
)
# result is a list of prompts. You can iterate the list or just get the first result like this: result[0]

3.2.22 使用 Flux David Martin Rius 的提示：

在这两种情况下，都需要 cfg_scale = 1，sampler_name = “Euler”，scheduler = “Simple” 并且在 txt2img 中 enable_hr=False

对于 txt2img

import webuiapi

result1 = api.txt2img(prompt="cute squirrel",
                    negative_prompt="ugly, out of frame",
                    seed=-1,
                    styles=["anime"],
                    cfg_scale=1,
                    steps=20,
                    enable_hr=False,
                    denoising_strength=0.5,
                    sampler_name= "Euler",
                    scheduler= "Simple"
            )
                    
                    
   
img = result1.image
img

# OR

file_path = "output_image.png"
result1.image.save(file_path)

对于 img2img

import webuiapi
from PIL import Image

img = Image.open("/path/to/your/image.jpg")

api = webuiapi.WebUIApi()

result1 = api.img2img(
    images=[img], 
    prompt="a cute squirrel", 
    steps=20, 
    seed=-1, 
    cfg_scale=1, 
    denoising_strength=0.5, 
    resize_mode=2,
    width=512,
    height=512,
    sampler_name= "Euler",
    scheduler= "Simple"
)

file_path = "face_swapped_image.png"
result1.image.save(file_path)

4. 基础技术储备

4.1 Pillow


#人工智能# #ai生成图片#

相关文章

Python自动生成手绘、证件照、九宫格...太炫酷了

Python像是叮当猫的口袋，几乎什么都能做，适合外行小白们去摸索学习，能极大的增加对编程的兴趣。有些工具用python来实现不一定是技术上的最优选择，但可能是最简洁、最面向大众的。介绍几个不错的处理...

教你使用python编程绘制函数图像

函数公式很抽象，图像更直观，但聪明的我们总不会手画图像吧？来学习一下用Python怎么画函数图像吧。首先打开Visual Studio Code（后面简称VSCode），点击New File（中文版是...

新手必看!如何用Python绘制复杂函数图像

在数据可视化的奇妙世界里，Python 就像是一把万能钥匙，能够帮我们打开一扇扇通往复杂函数图像绘制的大门。今天，就跟着我一起来探索如何用 Python 绘制那些令人惊叹的复杂函数图像吧！对于数学爱好...

怎么做到的?用python制作九宫格图片，太棒了

1. ? 应用场景 ?当初的想法是：想把一张图切割成九等份，发布到微信朋友圈，切割出来的图片，上传到朋友圈，发现微信不按照我排列的序号来排版。这样的结果是很耗时间的。让我深思，能不能有一种，直接拼接成...

python图像处理入门-提取轮廓

提取图像中物体的轮廓，通常用在图像识别中，比如图像像素级分割，应用面比较广。import cv2 import numpy as np from skimage.measure import fi...

蜀ICP备2024111239号-1