# LongCat-Image-Edit代码实例：Python调用API实现批量图像编辑自动化脚本 ## 1. 项目概述 LongCat-Image-Edit是美团LongCat团队开源的一款强大的文本驱动图像编辑模型，基于同系列的文生图权重继续训练而成。这个模型仅用6B参数就在多项编辑基准测试中达到了开源领域的顶尖水平。 **核心优势**： - 支持中英双语一句话改图：用自然语言描述就能完成图像编辑 - 原图非编辑区域保持原样：只修改需要改变的部分，其他区域纹丝不动 - 精准插入中文文字：在图像中准确添加中文字符 - 批量处理能力：通过API可以自动化处理大量图像 这个教程将教你如何使用Python编写脚本，通过API调用实现批量图像编辑的自动化流程，大幅提升图像处理效率。 ## 2. 环境准备与安装 在开始编写自动化脚本之前，我们需要先准备好开发环境。 ### 2.1 安装必要的Python库 首先确保你已经安装了Python 3.7或更高版本，然后安装以下依赖库： ```bash pip install requests pillow tqdm ``` 这些库的作用分别是： - `requests`：用于发送HTTP请求到API端点 - `pillow`：Python图像处理库，用于图像格式转换和处理 - `tqdm`：显示进度条，让批量处理过程更直观 ### 2.2 获取API访问信息 确保你的LongCat-Image-Edit服务已经部署并正常运行。你需要知道以下信息： - API端点的URL地址（通常是 `http://你的服务器地址:7860`） - 如果需要认证，准备好相应的API密钥或token ## 3. 基础API调用方法 让我们先从最简单的单张图像编辑开始，了解API的基本调用方式。 ### 3.1 单张图像编辑函数 ```python import requests from PIL import Image import io import base64 def edit_single_image(api_url, image_path, prompt, output_path=None): """ 单张图像编辑函数 参数: api_url: API端点URL image_path: 输入图像路径 prompt: 编辑提示词 output_path: 输出图像保存路径（可选） 返回: 编辑后的图像数据 """ # 读取并编码图像 with open(image_path, "rb") as image_file: image_data = base64.b64encode(image_file.read()).decode('utf-8') # 准备请求数据 payload = { "image": f"data:image/jpeg;base64,{image_data}", "prompt": prompt, "num_inference_steps": 20, "guidance_scale": 7.5 } # 发送请求 try: response = requests.post(f"{api_url}/run/predict", json=payload) response.raise_for_status() # 解析响应 result = response.json() if "data" in result and len(result["data"]) > 0: # 解码base64图像数据 output_image_data = result["data"][0].split(",")[1] image_bytes = base64.b64decode(output_image_data) # 保存或返回图像 if output_path: with open(output_path, "wb") as f: f.write(image_bytes) return image_bytes else: print("API响应格式异常") return None except requests.exceptions.RequestException as e: print(f"API请求失败: {e}") return None # 使用示例 if __name__ == "__main__": api_url = "http://localhost:7860" edited_image = edit_single_image( api_url, "input.jpg", "把图片中的猫变成狗", "output.jpg" ) ``` ### 3.2 处理不同图像格式 在实际应用中，我们可能需要处理各种格式的图像。下面的函数提供了更好的格式兼容性： ```python def prepare_image_for_api(image_path, max_size=1024): """ 准备图像数据用于API调用，自动处理格式和大小 参数: image_path: 图像文件路径 max_size: 最大边长限制 返回: base64编码的图像数据，调整后的图像尺寸 """ # 打开图像 image = Image.open(image_path) original_size = image.size # 调整大小（保持宽高比） if max(image.size) > max_size: ratio = max_size / max(image.size) new_size = (int(image.size[0] * ratio), int(image.size[1] * ratio)) image = image.resize(new_size, Image.Resampling.LANCZOS) # 转换为RGB模式（处理RGBA等格式） if image.mode != 'RGB': image = image.convert('RGB') # 转换为base64 buffered = io.BytesIO() image.save(buffered, format="JPEG", quality=95) img_str = base64.b64encode(buffered.getvalue()).decode('utf-8') return f"data:image/jpeg;base64,{img_str}", image.size ``` ## 4. 批量处理自动化脚本 现在我们来编写完整的批量处理脚本，可以自动处理整个文件夹中的图像。 ### 4.1 批量处理核心代码 ```python import os import glob from tqdm import tqdm import time class BatchImageEditor: def __init__(self, api_url, input_folder, output_folder, prompts): """ 批量图像编辑器初始化 参数: api_url: API端点URL input_folder: 输入图像文件夹 output_folder: 输出图像文件夹 prompts: 提示词列表或字典（支持每张图像不同提示词） """ self.api_url = api_url self.input_folder = input_folder self.output_folder = output_folder self.prompts = prompts # 创建输出文件夹 os.makedirs(output_folder, exist_ok=True) def get_image_files(self, extensions=['.jpg', '.jpeg', '.png', '.bmp']): """获取文件夹中所有支持的图像文件""" files = [] for ext in extensions: files.extend(glob.glob(os.path.join(self.input_folder, f"*{ext}"))) files.extend(glob.glob(os.path.join(self.input_folder, f"*{ext.upper()}"))) return sorted(files) def process_batch(self, max_size=1024, delay=1): """处理批量图像""" image_files = self.get_image_files() total_files = len(image_files) if total_files == 0: print("未找到图像文件") return print(f"找到 {total_files} 个图像文件，开始处理...") success_count = 0 failed_files = [] # 使用进度条 for i, image_path in enumerate(tqdm(image_files, desc="处理进度")): try: # 获取文件名（不含扩展名） filename = os.path.splitext(os.path.basename(image_path))[0] output_path = os.path.join(self.output_folder, f"{filename}_edited.jpg") # 获取对应的提示词 if isinstance(self.prompts, dict): prompt = self.prompts.get(filename, self.prompts.get("default", "")) elif isinstance(self.prompts, list): prompt = self.prompts[i % len(self.prompts)] if self.prompts else "" else: prompt = str(self.prompts) if not prompt: print(f"警告: 未找到文件 {filename} 的提示词，跳过") continue # 处理单张图像 result = edit_single_image( self.api_url, image_path, prompt, output_path ) if result: success_count += 1 else: failed_files.append(image_path) # 添加延迟，避免服务器过载 time.sleep(delay) except Exception as e: print(f"处理文件 {image_path} 时出错: {e}") failed_files.append(image_path) # 输出处理结果 print(f"\n处理完成！成功: {success_count}/{total_files}") if failed_files: print("失败的文件:") for file in failed_files: print(f" - {file}") # 使用示例 def main(): # 配置参数 API_URL = "http://localhost:7860" INPUT_FOLDER = "./input_images" OUTPUT_FOLDER = "./output_images" # 提示词配置（支持多种方式） # 方式1: 所有图像使用相同的提示词 # PROMPTS = "把图片中的猫变成狗" # 方式2: 为不同图像使用不同的提示词（列表） # PROMPTS = [ # "把图片中的猫变成狗", # "将背景换成海滩", # "添加阳光效果" # ] # 方式3: 根据文件名使用特定的提示词（字典） PROMPTS = { "default": "美化这张图片", # 默认提示词 "cat01": "把猫变成橘色的", "landscape01": "将天空换成黄昏" } # 创建编辑器实例并处理 editor = BatchImageEditor(API_URL, INPUT_FOLDER, OUTPUT_FOLDER, PROMPTS) editor.process_batch(delay=2) # 2秒延迟，避免服务器压力过大 if __name__ == "__main__": main() ``` ### 4.2 高级批量处理功能 对于更复杂的批量处理需求，我们可以添加更多功能： ```python import json import csv from datetime import datetime class AdvancedBatchEditor(BatchImageEditor): def __init__(self, api_url, input_folder, output_folder, prompts): super().__init__(api_url, input_folder, output_folder, prompts) self.log_file = os.path.join(output_folder, "processing_log.json") self.results = [] def load_prompts_from_csv(self, csv_file): """从CSV文件加载提示词配置""" prompts_dict = {} try: with open(csv_file, 'r', encoding='utf-8') as f: reader = csv.DictReader(f) for row in reader: filename = row['filename'] prompt = row['prompt'] prompts_dict[filename] = prompt self.prompts = prompts_dict print(f"从 {csv_file} 加载了 {len(prompts_dict)} 条提示词") except Exception as e: print(f"读取CSV文件失败: {e}") def process_batch_with_logging(self, max_size=1024, delay=1): """带日志记录的批量处理""" start_time = datetime.now() # 调用父类的处理方法 super().process_batch(max_size, delay) # 记录处理结果 end_time = datetime.now() duration = end_time - start_time log_data = { "start_time": start_time.isoformat(), "end_time": end_time.isoformat(), "duration_seconds": duration.total_seconds(), "total_files": len(self.get_image_files()), "processed_time": datetime.now().isoformat() } # 保存日志 with open(self.log_file, 'w', encoding='utf-8') as f: json.dump(log_data, f, indent=2, ensure_ascii=False) print(f"处理日志已保存到: {self.log_file}") print(f"总耗时: {duration.total_seconds():.2f} 秒") # 使用高级功能 def advanced_example(): editor = AdvancedBatchEditor( "http://localhost:7860", "./input", "./output", {} # 初始化为空，从CSV加载 ) # 从CSV文件加载提示词 editor.load_prompts_from_csv("prompts.csv") # 执行批量处理 editor.process_batch_with_logging(delay=1.5) ``` ## 5. 错误处理与优化建议 在实际的批量处理过程中，可能会遇到各种问题。下面提供一些错误处理和优化建议。 ### 5.1 健壮的错误处理 ```python def robust_edit_image(api_url, image_path, prompt, output_path, max_retries=3): """带重试机制的图像编辑函数""" for attempt in range(max_retries): try: result = edit_single_image(api_url, image_path, prompt, output_path) if result: return result else: print(f"第 {attempt + 1} 次尝试失败，重试...") time.sleep(2 ** attempt) # 指数退避 except Exception as e: print(f"第 {attempt + 1} 次尝试异常: {e}") time.sleep(2 ** attempt) print(f"处理 {image_path} 失败，已达到最大重试次数") return None # 在批量处理中使用重试机制 editor.process_batch = lambda: robust_edit_image(api_url, image_path, prompt, output_path, 3) ``` ### 5.2 性能优化建议 1. **调整图像大小**：在处理前适当调整图像尺寸，减少传输和处理时间 2. **合理设置延迟**：根据服务器性能调整请求间隔，避免过载 3. **批量请求优化**：如果API支持批量请求，可以一次发送多个图像 4. **并行处理**：对于多GPU服务器，可以考虑使用多线程处理 ```python import concurrent.futures def parallel_process_batch(editor, max_workers=2): """并行处理批量图像（谨慎使用，避免服务器过载）""" image_files = editor.get_image_files() with concurrent.futures.ThreadPoolExecutor(max_workers=max_workers) as executor: futures = [] for image_path in image_files: future = executor.submit( editor.edit_single_image, image_path, editor.get_prompt_for_image(image_path) ) futures.append(future) # 等待所有任务完成 results = [] for future in concurrent.futures.as_completed(futures): try: results.append(future.result()) except Exception as e: print(f"处理失败: {e}") return results ``` ## 6. 实际应用案例 让我们看几个实际的应用场景，展示这个批量处理脚本的强大功能。 ### 6.1 电商产品图像批量处理 ```python # 电商图像批量优化 ecommerce_prompts = { "default": "优化产品图片，纯白背景，专业照明", "product_001": "突出显示产品的金属质感", "product_002": "增强颜色饱和度，让产品更吸引人", "product_003": "添加轻微阴影，让产品更有立体感" } editor = BatchImageEditor( "http://localhost:7860", "./ecommerce/products_raw", "./ecommerce/products_edited", ecommerce_prompts ) editor.process_batch(delay=1.5) ``` ### 6.2 社交媒体内容批量生成 ```python # 社交媒体内容批量生成 social_media_prompts = [ "添加喜庆的节日边框和装饰", "转换成卡通风格，保持原图人物特征", "背景换成巴黎埃菲尔铁塔", "添加阳光灿烂的天气效果", "转换成黑白复古风格" ] editor = BatchImageEditor( "http://localhost:7860", "./social_media/original", "./social_media/edited", social_media_prompts ) editor.process_batch(delay=2) ``` ## 7. 总结 通过本教程，我们学习了如何使用Python编写自动化脚本，通过API调用LongCat-Image-Edit模型实现批量图像编辑。这个方案具有以下优势： **主要优点**： - **高效批量处理**：可以自动处理成百上千张图像，大幅提升工作效率 - **灵活提示词配置**：支持为每张图像设置不同的编辑指令 - **健壮的错误处理**：内置重试机制和异常处理，确保长时间运行的稳定性 - **详细的日志记录**：完整记录处理过程和结果，便于追踪和调试 **使用建议**： 1. 首次使用时先处理少量图像测试效果 2. 根据服务器性能合理设置请求间隔时间 3. 为重要图像处理任务设置重试机制 4. 定期检查处理日志，优化提示词效果 **扩展思路**： - 结合其他图像处理库进行预处理和后处理 - 开发Web界面进行可视化批量操作 - 集成到现有的图像处理流水线中 - 添加自动化的质量检测功能 这个自动化脚本为图像编辑工作提供了强大的批量处理能力，特别适合需要处理大量图像的电商、社交媒体、设计等行业应用场景。 --- > **获取更多AI镜像** > > 想探索更多AI镜像和应用场景？访问 [CSDN星图镜像广场](https://ai.csdn.net/?utm_source=mirror_blog_end)，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。