# 雯雯的后宫-造相Z-Image-瑜伽女孩Gradio API封装：Python脚本批量生成+自动重命名存储 ## 1. 项目介绍与价值 雯雯的后宫-造相Z-Image-瑜伽女孩是一个专门生成瑜伽女孩图片的AI模型，基于Z-Image-Turbo的Lora版本训练而成。这个模型能够根据文字描述生成高质量的瑜伽主题图片，非常适合内容创作者、瑜伽爱好者、社交媒体运营等场景使用。 传统的使用方式是通过Web界面单张生成图片，但对于需要批量生成图片的用户来说，这种方式效率较低。本文将介绍如何通过Gradio API进行封装，使用Python脚本实现批量图片生成和自动重命名存储，大幅提升工作效率。 通过本文的教程，你将学会： - 如何通过代码调用模型的API接口 - 如何编写Python脚本实现批量图片生成 - 如何自动为生成的图片进行智能命名和分类存储 - 如何构建一个完整的自动化图片生成工作流 ## 2. 环境准备与API分析 ### 2.1 确认模型服务状态 在开始编写代码前，首先需要确认模型服务已经正常启动。通过以下命令检查服务状态： ```bash cat /root/workspace/xinference.log ``` 如果看到服务启动成功的日志信息，说明模型已经就绪，可以通过API进行调用。 ### 2.2 分析Gradio API接口 Gradio框架提供了标准的API接口，我们可以通过分析Web页面的网络请求来了解API的调用方式。通常Gradio的API接口地址为： ``` http://localhost:7860/api/predict/ ``` 这是一个POST接口，接收JSON格式的请求数据，包含提示词和其他生成参数。 ### 2.3 安装必要的Python库 我们需要安装几个必要的Python库来编写脚本： ```bash pip install requests pillow tqdm ``` - `requests`：用于发送HTTP请求调用API - `pillow`：用于处理图片数据 - `tqdm`：用于显示进度条，提升用户体验 ## 3. Python脚本编写：批量生成与自动存储 ### 3.1 基础API调用函数 首先编写一个基础函数用于调用模型的生成API： ```python import requests import json import base64 from PIL import Image import io import os from datetime import datetime def generate_yoga_image(prompt, api_url="http://localhost:7860/api/predict/"): """ 生成瑜伽女孩图片 Args: prompt (str): 图片描述提示词 api_url (str): API接口地址 Returns: PIL.Image.Image: 生成的图片对象 """ # 构造请求数据 payload = { "data": [ prompt, # 提示词 "", # 负面提示词（可选） 20, # 生成步数 7.5, # 引导系数 512, # 图片宽度 512, # 图片高度 1, # 生成数量 False, # 是否启用高分辨率 1.0, # 高分辨率强度 1, # 种子值 False, # 是否保存网格 ] } try: # 发送POST请求 response = requests.post(api_url, json=payload) response.raise_for_status() # 解析响应数据 result = response.json() if "data" in result and len(result["data"]) > 0: # 解码base64图片数据 image_data = result["data"][0].split(",")[1] image_bytes = base64.b64decode(image_data) # 转换为PIL图像对象 image = Image.open(io.BytesIO(image_bytes)) return image except Exception as e: print(f"生成图片时出错: {str(e)}") return None ``` ### 3.2 智能图片命名函数 为了便于管理生成的图片，我们需要一个智能命名函数： ```python def generate_image_filename(prompt, index=0, output_dir="output"): """ 根据提示词生成有意义的文件名 Args: prompt (str): 图片描述提示词 index (int): 图片序号 output_dir (str): 输出目录 Returns: str: 完整的文件路径 """ # 创建输出目录（如果不存在） os.makedirs(output_dir, exist_ok=True) # 从提示词中提取关键词 keywords = [] yoga_keywords = ["瑜伽", "体式", "姿势", "拉伸", "冥想"] age_keywords = ["20岁", "年轻", "少女"] clothing_keywords = ["瑜伽服", "运动装", "紧身衣"] for keyword in yoga_keywords + age_keywords + clothing_keywords: if keyword in prompt: keywords.append(keyword) # 如果没找到关键词，使用通用名称 if not keywords: keywords = ["瑜伽女孩"] # 限制文件名长度 name_part = "_".join(keywords[:3]) # 添加时间戳和序号 timestamp = datetime.now().strftime("%Y%m%d_%H%M%S") filename = f"{name_part}_{timestamp}_{index:03d}.png" return os.path.join(output_dir, filename) ``` ### 3.3 批量生成主函数 现在编写批量生成的主函数： ```python from tqdm import tqdm import time def batch_generate_yoga_images(prompts, output_dir="output", delay=1.0): """ 批量生成瑜伽女孩图片 Args: prompts (list): 提示词列表 output_dir (str): 输出目录 delay (float): 每次生成之间的延迟（秒） Returns: list: 成功生成的图片路径列表 """ successful_files = [] print(f"开始批量生成 {len(prompts)} 张图片...") for i, prompt in enumerate(tqdm(prompts, desc="生成进度")): # 生成图片 image = generate_yoga_image(prompt) if image is not None: # 生成文件名并保存 filename = generate_image_filename(prompt, i, output_dir) image.save(filename, "PNG") successful_files.append(filename) print(f"已保存: {filename}") else: print(f"第 {i+1} 张图片生成失败") # 添加延迟，避免服务器过载 time.sleep(delay) return successful_files ``` ## 4. 实际应用示例 ### 4.1 准备批量提示词 我们可以准备一组多样化的瑜伽女孩提示词： ```python # 示例提示词列表 yoga_prompts = [ "瑜伽女孩，20岁左右，清瘦匀称的身形，扎低马尾，碎发轻贴脸颊，眉眼温柔松弛，身着浅杏色裸感瑜伽服，赤脚站在铺有米白色瑜伽垫的原木地板上，做新月式瑜伽体式，腰背挺直，手臂向上延展，指尖轻触，阳光透过落地窗的白纱柔和洒下", "年轻瑜伽教练，25岁，健康的小麦肤色，高马尾发型，穿着黑色运动背心和瑜伽裤，在专业的瑜伽工作室中示范下犬式动作，肌肉线条优美，表情专注", "清晨瑜伽练习，18岁少女，穿着淡蓝色瑜伽服，在公园草地上做树式平衡，背景是初升的太阳和绿树，光线温暖柔和", "室内瑜伽冥想，22岁女孩，盘腿坐在瑜伽垫上，双手放在膝盖上，闭目深呼吸，穿着灰色禅修服，环境安静祥和，有蜡烛和熏香", "力量瑜伽展示，23岁运动型女孩，做着战士二式，穿着荧光色运动装，在现代化健身房中，肌肉线条明显，表情坚定", "柔韧瑜伽训练，21岁舞者体型，做着轮式后弯，穿着粉色弹性瑜伽服，在木地板上展示极佳的柔韧性，光线从侧面打来", "户外瑜伽摄影，24岁模特，在海边岩石上做鹰式动作，穿着白色飘逸瑜伽服，背景是夕阳和大海，画面唯美浪漫", "瑜伽休息姿势，19岁学生，躺在瑜伽垫上做摊尸式，穿着舒适棉质衣服，表情放松安详，教室环境安静温馨" ] ``` ### 4.2 执行批量生成 使用上面准备的提示词进行批量生成： ```python if __name__ == "__main__": # 设置输出目录 output_directory = "yoga_girls_output" # 执行批量生成 generated_files = batch_generate_yoga_images( prompts=yoga_prompts, output_dir=output_directory, delay=1.5 # 1.5秒间隔 ) # 输出总结报告 print(f"\n批量生成完成！") print(f"成功生成: {len(generated_files)}/{len(yoga_prompts)} 张图片") print(f"图片保存在: {output_directory} 目录") # 显示生成的图片列表 if generated_files: print("\n生成的文件列表:") for file_path in generated_files: print(f" - {os.path.basename(file_path)}") ``` ### 4.3 高级功能：自动分类存储 我们可以进一步优化存储方式，根据图片内容自动分类： ```python def smart_category_storage(prompt, image, base_dir="yoga_categories"): """ 根据提示词内容智能分类存储图片 Args: prompt (str): 图片描述提示词 image: PIL图片对象 base_dir (str): 基础目录 Returns: str: 保存的文件路径 """ # 定义分类规则 categories = { "室内瑜伽": ["室内", "工作室", "教室", "房间"], "户外瑜伽": ["户外", "公园", "海边", "草地", "山林"], "晨间瑜伽": ["清晨", "早晨", "日出", "早上"], "晚间瑜伽": ["傍晚", "黄昏", "夜晚", "日落"], "力量瑜伽": ["力量", "肌肉", "健身", "战士式"], "柔韧瑜伽": ["柔韧", "柔术", "轮式", "后弯"], "冥想瑜伽": ["冥想", "禅修", "静坐", "呼吸"] } # 确定分类 category = "其他瑜伽" for cat_name, keywords in categories.items(): for keyword in keywords: if keyword in prompt: category = cat_name break # 创建分类目录 category_dir = os.path.join(base_dir, category) os.makedirs(category_dir, exist_ok=True) # 生成文件名 timestamp = datetime.now().strftime("%Y%m%d_%H%M%S") filename = f"{category}_{timestamp}.png" filepath = os.path.join(category_dir, filename) # 保存图片 image.save(filepath, "PNG") return filepath ``` ## 5. 完整脚本与使用建议 ### 5.1 完整脚本示例 将上述功能整合为一个完整的脚本： ```python import requests import json import base64 from PIL import Image import io import os from datetime import datetime from tqdm import tqdm import time class YogaImageBatchGenerator: """瑜伽女孩图片批量生成器""" def __init__(self, api_url="http://localhost:7860/api/predict/"): self.api_url = api_url def generate_image(self, prompt): """生成单张图片""" # 实现代码同上文generate_yoga_image函数 pass def batch_generate(self, prompts, output_dir="output", delay=1.0, categorize=False): """批量生成图片""" successful_files = [] for i, prompt in enumerate(tqdm(prompts, desc="生成进度")): image = self.generate_image(prompt) if image: if categorize: filename = self.smart_category_storage(prompt, image, output_dir) else: filename = self.generate_filename(prompt, i, output_dir) image.save(filename, "PNG") successful_files.append(filename) print(f"已保存: {os.path.basename(filename)}") else: print(f"生成失败: {prompt[:30]}...") time.sleep(delay) return successful_files # 其他辅助方法... def generate_filename(self, prompt, index, output_dir): """生成文件名""" pass def smart_category_storage(self, prompt, image, base_dir): """智能分类存储""" pass # 使用示例 if __name__ == "__main__": # 初始化生成器 generator = YogaImageBatchGenerator() # 准备提示词 prompts = [ "瑜伽女孩，20岁左右，清瘦匀称...", # 你的提示词 # 更多提示词... ] # 执行批量生成 results = generator.batch_generate( prompts=prompts, output_dir="yoga_output", delay=1.5, categorize=True # 启用智能分类 ) print(f"批量生成完成，成功生成 {len(results)} 张图片") ``` ### 5.2 使用建议与最佳实践 1. **提示词优化建议**： - 保持提示词长度在50-200字之间，描述越详细生成效果越好 - 包含具体年龄、服装、姿势、环境等细节信息 - 使用积极的、描述性的语言 2. **批量生成注意事项**： - 设置合理的生成间隔（建议1-3秒），避免服务器压力过大 - 定期检查生成结果，及时调整提示词策略 - 建议每次批量生成不超过50张图片，完成后检查质量再继续 3. **文件管理建议**： - 使用有意义的目录结构进行分类存储 - 定期备份生成的图片文件 - 使用版本控制管理提示词列表 4. **性能优化技巧**： - 可以尝试并行生成（如果服务器支持） - 缓存常用的提示词模板 - 使用更具体的提示词减少重试次数 ## 6. 总结 通过本文介绍的Gradio API封装和Python批量生成脚本，你可以轻松实现瑜伽女孩图片的批量生成和智能管理。这种方法不仅大幅提高了工作效率，还能通过智能命名和分类功能让文件管理更加有序。 关键优势包括： - **高效批量处理**：一次性生成多张图片，节省大量时间 - **智能文件管理**：自动生成有意义的文件名和分类存储 - **灵活可扩展**：可以根据需要轻松调整提示词和生成参数 - **质量可控**：通过调整提示词精确控制生成图片的风格和质量 这种方法同样适用于其他基于Gradio的AI模型，只需要调整API地址和参数格式即可。希望这个方案能够帮助你在内容创作和工作中更加高效地使用AI图像生成技术。 --- > **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。