# FLUX.1-dev WebUI进阶：API模式调用+Python脚本批量生成自动化 > **提示**：本文需要基本的Python编程经验，适合已经熟悉FLUX.1-dev WebUI基础操作的用户 ## 1. 为什么需要API模式？ 当你已经熟悉了FLUX.1-dev的Web界面操作，能够生成单张精美图片后，可能会遇到这样的需求： - 需要一次性生成数百张不同主题的图片 - 希望将图片生成集成到自己的应用程序中 - 想要定时自动生成特定类型的图片内容 - 需要批量处理大量文本描述并生成对应图像 这时候，如果还停留在手动点击"生成"按钮的阶段，效率就太低了。FLUX.1-dev提供的API接口正是为了解决这些问题而设计的。 **API模式的优势**： - **批量处理**：一次性提交多个生成任务 - **自动化集成**：可与其他系统无缝对接 - **效率提升**：无需人工干预，24小时不间断工作 - **灵活控制**：可编程调节所有生成参数 ## 2. 环境准备与API发现 ### 2.1 确认API可用性 首先确保你的FLUX.1-dev镜像正在运行，并通过浏览器访问WebUI界面。在浏览器中按F12打开开发者工具，切换到"网络(Network)"标签页，然后点击一次"生成"按钮。 你会看到类似这样的请求信息： ``` POST http://你的服务器地址:7860/run/predict ``` 这就是我们要使用的API端点。FLUX.1-dev基于Gradio框架开发，提供了标准的预测接口。 ### 2.2 安装必要的Python库 ```bash pip install requests tqdm pillow ``` - `requests`：用于发送HTTP请求 - `tqdm`：显示进度条，便于监控批量任务 - `pillow`：处理生成的图片文件 ## 3. API接口详解与基础调用 ### 3.1 理解API请求结构 FLUX.1-dev的API接收JSON格式的请求，主要包含以下参数： ```python { "data": [ "正面提示词", # 你想要的画面描述 "负面提示词", # 不希望出现的元素（可选） 20, # 生成步数（steps） 7.5, # 遵循度（CFG scale） "1024x1024", # 图片尺寸 12345 # 随机种子（可选） ] } ``` ### 3.2 基础单次调用示例 ```python import requests import json import base64 from io import BytesIO from PIL import Image def generate_single_image(prompt, negative_prompt="", steps=20, cfg_scale=7.5, size="1024x1024", seed=None): """ 单次图片生成函数 参数: prompt: 正面提示词（英文效果更好） negative_prompt: 负面提示词 steps: 生成步数（20-30为宜） cfg_scale: 遵循度（7-9为宜） size: 图片尺寸（支持多种预设尺寸） seed: 随机种子（用于重现相同结果） """ # API地址（根据你的实际部署修改） api_url = "http://localhost:7860/run/predict" # 构建请求数据 payload = { "data": [ prompt, negative_prompt, steps, cfg_scale, size, seed if seed else -1 # -1表示随机种子 ] } try: # 发送请求 response = requests.post(api_url, json=payload) response.raise_for_status() # 检查请求是否成功 # 解析响应 result = response.json() if "data" in result and len(result["data"]) > 0: # 提取base64编码的图片数据 image_data = result["data"][0].split(",")[1] # 去掉data:image/png;base64前缀 image_bytes = base64.b64decode(image_data) # 转换为PIL Image对象 image = Image.open(BytesIO(image_bytes)) return image else: print("生成失败，响应数据格式异常") return None except Exception as e: print(f"请求失败: {e}") return None # 使用示例 if __name__ == "__main__": prompt = "A futuristic city with flying cars, neon lights, highly detailed, 8k" image = generate_single_image(prompt) if image: image.save("generated_image.png") print("图片生成并保存成功！") ``` ## 4. 批量生成实战：Python自动化脚本 ### 4.1 读取批量提示词文件 首先，我们创建一个包含多个提示词的文本文件`prompts.txt`： ``` A serene landscape with mountains and lake, sunset, photorealistic An ancient temple in the jungle, mysterious atmosphere, cinematic lighting A cyberpunk street with neon signs and rain, reflective surfaces A portrait of an elderly wizard, detailed wrinkles, magical glow A mechanical dragon flying over a medieval castle, highly detailed ``` ### 4.2 完整的批量生成脚本 ```python import requests import base64 import json import time from io import BytesIO from PIL import Image from tqdm import tqdm import os class FluxBatchGenerator: def __init__(self, base_url="http://localhost:7860"): self.api_url = f"{base_url}/run/predict" self.output_dir = "generated_images" os.makedirs(self.output_dir, exist_ok=True) def read_prompts(self, file_path): """读取提示词文件""" with open(file_path, 'r', encoding='utf-8') as f: prompts = [line.strip() for line in f if line.strip()] return prompts def generate_image(self, prompt, index, negative_prompt="", steps=20, cfg_scale=7.5, size="1024x1024", seed=None): """生成单张图片并保存""" payload = { "data": [ prompt, negative_prompt, steps, cfg_scale, size, seed if seed else -1 ] } try: response = requests.post(self.api_url, json=payload, timeout=120) response.raise_for_status() result = response.json() if "data" in result and len(result["data"]) > 0: # 解析图片数据 image_data = result["data"][0].split(",")[1] image_bytes = base64.b64decode(image_data) # 保存图片 filename = f"image_{index:03d}_{int(time.time())}.png" filepath = os.path.join(self.output_dir, filename) with open(filepath, "wb") as f: f.write(image_bytes) # 保存生成参数为文本文件 param_filename = f"params_{index:03d}.txt" param_path = os.path.join(self.output_dir, param_filename) with open(param_path, "w", encoding='utf-8') as f: f.write(f"Prompt: {prompt}\n") f.write(f"Negative Prompt: {negative_prompt}\n") f.write(f"Steps: {steps}\n") f.write(f"CFG Scale: {cfg_scale}\n") f.write(f"Size: {size}\n") f.write(f"Seed: {seed}\n") f.write(f"Generate Time: {time.strftime('%Y-%m-%d %H:%M:%S')}\n") return True, filename else: return False, "Invalid response format" except Exception as e: return False, str(e) def batch_generate(self, prompts_file, negative_prompt="", steps=20, cfg_scale=7.5, size="1024x1024", delay=2): """批量生成图片""" prompts = self.read_prompts(prompts_file) print(f"开始批量生成，共 {len(prompts)} 个提示词") print("=" * 50) success_count = 0 failed_tasks = [] # 使用进度条显示生成进度 for i, prompt in enumerate(tqdm(prompts, desc="生成进度")): print(f"\n正在生成第 {i+1}/{len(prompts)} 张: {prompt[:50]}...") success, result = self.generate_image( prompt=prompt, index=i, negative_prompt=negative_prompt, steps=steps, cfg_scale=cfg_scale, size=size ) if success: print(f"✓ 生成成功: {result}") success_count += 1 else: print(f"✗ 生成失败: {result}") failed_tasks.append((i, prompt, result)) # 添加延迟，避免服务器压力过大 if i < len(prompts) - 1: time.sleep(delay) # 生成报告 print("\n" + "=" * 50) print("批量生成完成！") print(f"成功: {success_count}/{len(prompts)}") if failed_tasks: print("\n失败任务详情:") for task in failed_tasks: print(f"序号 {task[0]}: {task[1][:30]}... - 错误: {task[2]}") return success_count, failed_tasks # 使用示例 if __name__ == "__main__": # 初始化生成器 generator = FluxBatchGenerator("http://localhost:7860") # 开始批量生成 success_count, failed_tasks = generator.batch_generate( prompts_file="prompts.txt", negative_prompt="blurry, low quality, distorted, ugly", # 通用负面提示词 steps=25, # 稍高的步数获得更好质量 cfg_scale=8.0, # 适中的遵循度 size="1024x1024", # 生成尺寸 delay=3 # 任务间隔3秒 ) ``` ### 4.3 高级功能：参数化批量生成 如果你需要测试不同参数组合的效果，可以使用这个增强版脚本： ```python import itertools def parameter_sweep_generation(): """参数扫描批量生成""" base_prompts = [ "A beautiful landscape with mountains", "A futuristic city at night" ] # 定义不同的参数组合 steps_options = [20, 25, 30] cfg_options = [7.0, 8.0, 9.0] size_options = ["1024x1024", "768x1344", "1344x768"] generator = FluxBatchGenerator() # 生成所有参数组合 param_combinations = list(itertools.product( base_prompts, steps_options, cfg_options, size_options )) for i, (prompt, steps, cfg, size) in enumerate(param_combinations): enhanced_prompt = f"{prompt}, highly detailed, 8k, professional photography" success, result = generator.generate_image( prompt=enhanced_prompt, index=i, steps=steps, cfg_scale=cfg, size=size ) if success: print(f"参数组合 {i+1}/{len(param_combinations)} 完成") else: print(f"参数组合 {i+1} 失败: {result}") time.sleep(2) ``` ## 5. 实战技巧与最佳实践 ### 5.1 错误处理与重试机制 在批量生成过程中，网络波动或服务器临时问题可能导致个别任务失败。添加重试机制可以提高成功率： ```python def generate_with_retry(prompt, max_retries=3, **kwargs): """带重试机制的生成函数""" for attempt in range(max_retries): success, result = generate_image(prompt, **kwargs) if success: return success, result else: print(f"第 {attempt + 1} 次尝试失败，等待重试...") time.sleep(5) # 等待5秒后重试 return False, f"经过 {max_retries} 次尝试仍然失败" ``` ### 5.2 生成状态监控 你可以添加实时监控功能，跟踪生成进度和系统状态： ```python def monitor_generation_status(): """监控生成状态""" status_url = "http://localhost:7860/queue/status" try: response = requests.get(status_url) status_data = response.json() # 解析队列状态信息 queue_size = status_data.get("queue_size", 0) pending_tasks = status_data.get("pending_tasks", 0) print(f"当前队列状态: {queue_size} 任务在队列中, {pending_tasks} 任务等待中") return queue_size, pending_tasks except Exception as e: print(f"状态监控失败: {e}") return None, None ``` ### 5.3 性能优化建议 1. **合理设置延迟**：根据你的硬件性能调整任务间隔，24G显存建议2-5秒间隔 2. **批量分组处理**：将大量任务分成小组，每组完成后休息片刻 3. **错误任务记录**：将失败的任务记录到文件，方便后续重新处理 4. **资源监控**：监控GPU内存使用情况，避免过热或过载 ## 6. 总结 通过API模式调用FLUX.1-dev，你不仅可以实现批量图片生成，还能将AI图像生成能力集成到各种应用场景中。本文提供的脚本和方案具有以下特点： **核心优势**： - **完全自动化**：无需人工干预，一次性处理大量生成任务 - **高度可定制**：可根据需求灵活调整所有生成参数 - **稳定可靠**：内置错误处理和重试机制，确保任务完成率 - **易于扩展**：代码结构清晰，方便根据特定需求进行修改和扩展 **适用场景**： - 内容创作工作室的批量素材生成 - 游戏开发的概念图批量制作 - 电商产品的多角度展示图生成 - 艺术项目的风格化探索 - 机器学习数据集的合成图像生成 **下一步建议**： 1. 尝试将生成脚本部署到服务器，实现24小时不间断工作 2. 探索与其他工具（如Photoshop、Blender）的集成方案 3. 开发Web界面来管理批量生成任务 4. 建立图片质量自动评估机制，自动筛选最佳结果 掌握了API调用能力后，FLUX.1-dev就不再只是一个单次使用的工具，而成为了一个强大的自动化图像生产引擎。 --- > **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。