# 图图的嗨丝造相-Z-Image-Turbo代码实例：Python调用Xinference API生成渔网袜风格图 ## 1. 引言：当AI遇见渔网袜风格创作 最近在玩一个挺有意思的AI模型——图图的嗨丝造相-Z-Image-Turbo，专门用来生成穿大网渔网袜风格的人物图片。你可能已经用过它的Web界面，点点按钮就能出图，但今天我要分享一个更酷的玩法：用Python代码直接调用它的API。 为什么用代码调用？想象一下这些场景： - 你需要批量生成几十张不同姿势的渔网袜风格图片 - 你想把AI图片生成功能集成到自己的应用里 - 你需要自动化处理图片生成任务，不想每次都手动操作 - 你想更灵活地控制生成参数，实现更精细的调整 用代码调用API，这些问题都能轻松解决。这篇文章就是带你从零开始，学会用Python和Xinference API来玩转这个渔网袜风格生成模型。 ## 2. 环境准备：快速搭建你的AI画室 ### 2.1 确认模型服务状态 首先，你需要确保图图的嗨丝造相-Z-Image-Turbo模型服务已经启动并运行。如果你用的是预置的镜像环境，通常服务会自动启动。但为了保险起见，我们还是检查一下。 打开终端，运行这个命令： ```bash cat /root/workspace/xinference.log ``` 看到类似下面的输出，就说明服务启动成功了： ``` INFO: Uvicorn running on http://0.0.0.0:9997 (Press CTRL+C to quit) INFO: Started server process [1234] INFO: Waiting for application startup. INFO: Application startup complete. ``` 关键信息是服务运行在哪个地址和端口上，通常是`http://0.0.0.0:9997`。记下这个地址，后面写代码要用到。 ### 2.2 安装必要的Python库 接下来，在你的Python环境中安装需要的库。打开终端，运行： ```bash pip install requests pillow ``` 简单解释一下这两个库： - **requests**：用来发送HTTP请求，和API服务器通信 - **pillow**：Python的图像处理库，用来保存和查看生成的图片 如果你用的是Jupyter Notebook或者Colab，可能需要加个感叹号： ```bash !pip install requests pillow ``` ## 3. 基础概念：理解API调用的核心要素 在开始写代码之前，我们先搞清楚几个关键概念，这样后面写代码就不会一头雾水。 ### 3.1 什么是API？ 你可以把API想象成餐厅的服务员。你想吃一道菜（生成一张图片），但你不能直接进厨房（模型内部），而是告诉服务员（API）你想要什么。服务员把你的要求传达给厨师（模型），厨师做好菜后，服务员再把菜端给你。 在这个例子里： - **你**：写Python代码的人 - **服务员（API）**：Xinference提供的接口 - **厨师（模型）**：图图的嗨丝造相-Z-Image-Turbo - **菜**：生成的渔网袜风格图片 ### 3.2 API调用的基本流程 调用API生成图片，其实就三步： 1. **准备食材**：整理好你的图片描述（提示词）和其他参数 2. **点菜下单**：把这些信息发送给API服务器 3. **上菜享用**：接收服务器返回的图片，保存到本地 ### 3.3 关键参数说明 调用图片生成API时，有几个重要参数需要了解： - **prompt**：提示词，用文字描述你想要生成的图片内容 - **negative_prompt**：反向提示词，告诉模型不要生成什么内容 - **width/height**：图片的宽度和高度，单位是像素 - **num_inference_steps**：生成步数，影响图片质量和生成时间 - **guidance_scale**：指导尺度，控制模型跟随提示词的程度 ## 4. 第一个例子：最简单的图片生成 现在我们从最简单的开始，写一个能生成渔网袜风格图片的Python脚本。 ### 4.1 完整代码示例 创建一个新文件，比如叫`generate_image.py`，然后把下面的代码复制进去： ```python import requests import base64 from PIL import Image from io import BytesIO import json # 1. 设置API地址 # 注意：这里的地址需要替换成你实际的服务地址 API_URL = "http://localhost:9997/v1/images/generations" # 2. 准备请求头 headers = { "Content-Type": "application/json" } # 3. 准备请求数据 # 这是生成渔网袜风格图片的提示词 prompt_text = """ 青春校园少女，16-18岁清甜初恋脸，小鹿眼高鼻梁， 浅棕自然卷发披发，白皙细腻肌肤，元气甜笑带梨涡； 身着蓝色宽松校服衬衫 + 百褶短裙， 搭配黑色薄款渔网黑丝（微透肤，细网眼），黑色低帮鞋； 校园林荫道场景，阳光透过树叶洒下斑驳光影， 微风拂动发丝，清新日系胶片风，柔和自然光 """ # 4. 构建请求体 data = { "model": "z-image-turbo", # 模型名称 "prompt": prompt_text, # 正面提示词 "negative_prompt": "丑陋的，变形的，模糊的，低质量的", # 反向提示词 "width": 512, # 图片宽度 "height": 768, # 图片高度 "num_inference_steps": 20, # 生成步数 "guidance_scale": 7.5, # 指导尺度 "num_images": 1 # 生成图片数量 } # 5. 发送请求 print("正在生成图片，请稍候...") response = requests.post(API_URL, headers=headers, data=json.dumps(data)) # 6. 处理响应 if response.status_code == 200: result = response.json() # 提取图片数据（base64编码） image_data = result["data"][0]["b64_json"] # 解码并保存图片 image_bytes = base64.b64decode(image_data) image = Image.open(BytesIO(image_bytes)) # 保存图片 output_path = "generated_image.png" image.save(output_path) print(f"图片生成成功！已保存到：{output_path}") # 显示图片（如果在Jupyter环境中） try: image.show() except: print("无法显示图片，请查看保存的文件") else: print(f"请求失败，状态码：{response.status_code}") print(f"错误信息：{response.text}") ``` ### 4.2 代码逐行解释 让我带你一步步理解这段代码： **第1-3行：导入库** - `requests`：用来发送HTTP请求 - `base64`：处理图片的base64编码数据 - `PIL.Image`：Python的图像处理库 - `BytesIO`：在内存中处理二进制数据 - `json`：处理JSON格式的数据 **第6行：设置API地址** - 这是模型服务的地址，默认是`http://localhost:9997` - 如果你的服务运行在其他地址或端口，需要修改这里 **第9-11行：设置请求头** - 告诉服务器我们发送的是JSON格式的数据 **第14-22行：准备提示词** - 这是生成图片的关键，描述得越详细，生成的图片越符合预期 - 我用了Web界面示例中的提示词，你可以根据自己的需求修改 **第25-34行：构建请求数据** - `model`：指定使用哪个模型 - `prompt`：正面提示词，告诉模型要生成什么 - `negative_prompt`：反向提示词，告诉模型避免什么 - `width/height`：图片尺寸，512x768是比较常用的比例 - `num_inference_steps`：生成步数，20步通常能平衡质量和速度 - `guidance_scale`：指导尺度，7.5是比较常用的值 - `num_images`：一次生成几张图片 **第37行：发送请求** - 使用`requests.post`方法向API发送请求 - 把数据转换成JSON格式发送 **第40-58行：处理响应** - 检查状态码是否为200（成功） - 从响应中提取图片的base64编码数据 - 解码并保存为图片文件 - 尝试显示图片 ### 4.3 运行你的第一个AI图片生成程序 保存好代码后，在终端运行： ```bash python generate_image.py ``` 如果一切正常，你会看到类似这样的输出： ``` 正在生成图片，请稍候... 图片生成成功！已保存到：generated_image.png ``` 然后当前目录下就会多出一个`generated_image.png`文件，打开看看，是不是生成了一张穿渔网袜的校园少女图片？ ## 5. 进阶技巧：让图片生成更可控 现在你已经能生成基本的图片了，但可能觉得还不够。比如，你想控制图片的风格、调整细节、或者批量生成。别急，下面这些技巧能让你的图片生成更上一层楼。 ### 5.1 调整生成参数获得不同效果 不同的参数组合会产生完全不同的效果。我们来试试调整几个关键参数： ```python # 尝试不同的参数组合 parameter_sets = [ { "name": "高细节模式", "num_inference_steps": 30, # 更多步数，细节更丰富 "guidance_scale": 8.0, # 更强的指导，更贴近提示词 "width": 768, "height": 1024 }, { "name": "快速模式", "num_inference_steps": 15, # 较少步数，生成更快 "guidance_scale": 7.0, # 适中的指导 "width": 512, "height": 768 }, { "name": "创意模式", "num_inference_steps": 25, "guidance_scale": 6.0, # 较低的指导，给模型更多创意空间 "width": 512, "height": 512 } ] for params in parameter_sets: print(f"正在生成【{params['name']}】图片...") # 更新请求数据 data.update({ "num_inference_steps": params["num_inference_steps"], "guidance_scale": params["guidance_scale"], "width": params["width"], "height": params["height"] }) # 发送请求 response = requests.post(API_URL, headers=headers, data=json.dumps(data)) if response.status_code == 200: # 保存图片 image_data = response.json()["data"][0]["b64_json"] image_bytes = base64.b64decode(image_data) image = Image.open(BytesIO(image_bytes)) filename = f"{params['name']}_生成图.png" image.save(filename) print(f" 已保存：{filename}") else: print(f" 生成失败：{response.status_code}") ``` 运行这段代码，你会得到三张不同风格的图片。可以对比看看： - **高细节模式**：图片更精细，但生成时间更长 - **快速模式**：生成速度快，适合快速预览 - **创意模式**：可能产生一些意想不到的有趣效果 ### 5.2 使用不同的提示词风格 提示词是控制图片内容的关键。不同的描述方式会产生完全不同的效果。下面是一些提示词技巧： ```python # 不同的提示词风格示例 prompt_styles = { "日系校园风": """ 日本高中女生，16岁，清纯可爱，大眼睛长睫毛， 棕色微卷长发，白皙皮肤，甜美笑容； 穿着水手服，深蓝色百褶裙， 搭配黑色渔网袜（网眼较大），黑色乐福鞋； 校园樱花树下，花瓣飘落，柔光滤镜，动漫风格 """, "欧美时尚风": """ 欧美模特，20岁，高级脸，立体五官，冷艳表情， 金色长发大波浪，小麦色肌肤； 穿着黑色皮夹克，红色短裙， 搭配渔网袜（破洞设计），黑色高跟靴； 都市街头夜景，霓虹灯光，时尚杂志风格 """, "复古怀旧风": """ 80年代复古女郎，卷发大波浪，红唇浓妆， 穿着亮片连衣裙，宽肩设计， 搭配渔网袜，红色高跟鞋； 迪斯科舞厅，旋转灯球，胶片质感，怀旧色调 """ } # 为每种风格生成图片 for style_name, style_prompt in prompt_styles.items(): print(f"正在生成【{style_name}】风格图片...") # 更新提示词 data["prompt"] = style_prompt # 可以根据风格调整反向提示词 if style_name == "日系校园风": data["negative_prompt"] = "成熟的，性感的，浓妆的，暗黑风格的" elif style_name == "欧美时尚风": data["negative_prompt"] = "可爱的，清纯的，校园的，日系的" else: data["negative_prompt"] = "现代的，简约的，清新的" # 发送请求 response = requests.post(API_URL, headers=headers, data=json.dumps(data)) if response.status_code == 200: # 保存图片 image_data = response.json()["data"][0]["b64_json"] image_bytes = base64.b64decode(image_data) image = Image.open(BytesIO(image_bytes)) filename = f"{style_name}_风格图.png" image.save(filename) print(f" 已保存：{filename}") else: print(f" 生成失败：{response.status_code}") ``` 这个例子展示了如何通过改变提示词来生成不同风格的渔网袜图片。你可以根据自己的需求，创造更多风格的提示词。 ### 5.3 批量生成与自动化处理 如果你需要生成大量图片，手动一个个调整太麻烦了。下面是一个批量生成的例子： ```python import time from datetime import datetime def batch_generate_images(prompt_list, output_dir="batch_output"): """ 批量生成图片 参数： prompt_list: 提示词列表，每个元素是一个字典，包含prompt和其他参数 output_dir: 输出目录 """ # 创建输出目录 import os os.makedirs(output_dir, exist_ok=True) results = [] for i, prompt_info in enumerate(prompt_list): print(f"正在生成第 {i+1}/{len(prompt_list)} 张图片...") # 准备请求数据 request_data = { "model": "z-image-turbo", "prompt": prompt_info["prompt"], "negative_prompt": prompt_info.get("negative_prompt", "丑陋的，变形的，模糊的"), "width": prompt_info.get("width", 512), "height": prompt_info.get("height", 768), "num_inference_steps": prompt_info.get("num_inference_steps", 20), "guidance_scale": prompt_info.get("guidance_scale", 7.5), "num_images": 1 } try: # 发送请求 start_time = time.time() response = requests.post(API_URL, headers=headers, data=json.dumps(request_data)) end_time = time.time() if response.status_code == 200: # 保存图片 image_data = response.json()["data"][0]["b64_json"] image_bytes = base64.b64decode(image_data) image = Image.open(BytesIO(image_bytes)) # 生成文件名（包含时间戳） timestamp = datetime.now().strftime("%Y%m%d_%H%M%S") filename = f"{output_dir}/batch_{timestamp}_{i+1}.png" image.save(filename) # 记录结果 results.append({ "index": i+1, "filename": filename, "time_used": round(end_time - start_time, 2), "status": "success" }) print(f" 成功生成：{filename}，耗时：{end_time - start_time:.2f}秒") else: results.append({ "index": i+1, "error": response.text, "status": "failed" }) print(f" 生成失败：{response.status_code}") except Exception as e: results.append({ "index": i+1, "error": str(e), "status": "error" }) print(f" 发生错误：{str(e)}") # 避免请求过于频繁，添加短暂延迟 time.sleep(1) # 生成报告 print("\n" + "="*50) print("批量生成完成！") print(f"成功：{len([r for r in results if r['status'] == 'success'])} 张") print(f"失败：{len([r for r in results if r['status'] == 'failed'])} 张") print(f"总耗时：{sum([r.get('time_used', 0) for r in results if 'time_used' in r]):.2f}秒") return results # 使用示例 if __name__ == "__main__": # 定义要生成的图片列表 prompts_to_generate = [ { "prompt": "校园少女，渔网袜，阳光，微笑", "negative_prompt": "黑暗的，恐怖的，模糊的" }, { "prompt": "办公室女性，职业装，渔网袜，高跟鞋", "width": 768, "height": 1024, "num_inference_steps": 25 }, { "prompt": "派对女孩，晚礼服，渔网袜，霓虹灯光", "guidance_scale": 8.0 } # 可以添加更多... ] # 开始批量生成 results = batch_generate_images(prompts_to_generate) ``` 这个批量生成函数可以： - 一次生成多张不同描述的图片 - 自动创建输出目录 - 记录每张图片的生成状态和耗时 - 生成简单的统计报告 ## 6. 实战应用：把AI图片生成集成到你的项目里 学会了基本的API调用，我们来看看怎么在实际项目中应用这个功能。 ### 6.1 创建简单的图片生成Web应用 用Flask快速搭建一个Web界面： ```python from flask import Flask, request, jsonify, render_template_string import requests import base64 import json app = Flask(__name__) # 简单的HTML模板 HTML_TEMPLATE = ''' <!DOCTYPE html> <html> <head> <title>渔网袜风格图片生成器</title> <style> body { font-family: Arial, sans-serif; max-width: 800px; margin: 0 auto; padding: 20px; } .container { background: #f5f5f5; padding: 20px; border-radius: 10px; } textarea { width: 100%; height: 100px; margin: 10px 0; } button { background: #4CAF50; color: white; padding: 10px 20px; border: none; border-radius: 5px; cursor: pointer; } .result { margin-top: 20px; } img { max-width: 100%; border: 1px solid #ddd; border-radius: 5px; } </style> </head> <body> <div class="container"> <h1>渔网袜风格图片生成器</h1> <form method="POST"> <label>描述你想要生成的图片：</label><br> <textarea name="prompt" placeholder="例如：校园少女，渔网袜，阳光下的微笑...">{{ prompt }}</textarea><br> <label>不想要的内容（可选）：</label><br> <textarea name="negative_prompt" placeholder="例如：模糊的，变形的，丑陋的...">{{ negative_prompt }}</textarea><br> <button type="submit">生成图片</button> </form> {% if image_data %} <div class="result"> <h3>生成结果：</h3> <img src="data:image/png;base64,{{ image_data }}" alt="生成的图片"> <p><a href="data:image/png;base64,{{ image_data }}" download="generated_image.png">下载图片</a></p> </div> {% endif %} {% if error %} <div class="error" style="color: red;"> <p>错误：{{ error }}</p> </div> {% endif %} </div> </body> </html> ''' @app.route('/', methods=['GET', 'POST']) def index(): if request.method == 'POST': # 获取表单数据 prompt = request.form.get('prompt', '') negative_prompt = request.form.get('negative_prompt', '') # 调用AI图片生成API api_url = "http://localhost:9997/v1/images/generations" data = { "model": "z-image-turbo", "prompt": prompt, "negative_prompt": negative_prompt or "丑陋的，变形的，模糊的", "width": 512, "height": 768, "num_inference_steps": 20, "guidance_scale": 7.5, "num_images": 1 } try: response = requests.post(api_url, headers={"Content-Type": "application/json"}, data=json.dumps(data), timeout=60) if response.status_code == 200: image_data = response.json()["data"][0]["b64_json"] return render_template_string(HTML_TEMPLATE, prompt=prompt, negative_prompt=negative_prompt, image_data=image_data) else: return render_template_string(HTML_TEMPLATE, prompt=prompt, negative_prompt=negative_prompt, error=f"API调用失败：{response.status_code}") except Exception as e: return render_template_string(HTML_TEMPLATE, prompt=prompt, negative_prompt=negative_prompt, error=f"发生错误：{str(e)}") # GET请求，显示空表单 return render_template_string(HTML_TEMPLATE, prompt="", negative_prompt="") if __name__ == '__main__': app.run(debug=True, port=5000) ``` 运行这个Flask应用： ```bash python app.py ``` 然后在浏览器打开`http://localhost:5000`，就能看到一个简单的Web界面。输入描述，点击生成，就能看到AI生成的渔网袜风格图片了。 ### 6.2 错误处理与重试机制 在实际应用中，网络可能不稳定，API可能暂时不可用。我们需要添加错误处理和重试机制： ```python import time from functools import wraps def retry_on_failure(max_retries=3, delay=2): """重试装饰器""" def decorator(func): @wraps(func) def wrapper(*args, **kwargs): for attempt in range(max_retries): try: return func(*args, **kwargs) except Exception as e: if attempt == max_retries - 1: raise e print(f"第{attempt + 1}次尝试失败，{delay}秒后重试... 错误：{str(e)}") time.sleep(delay) return None return wrapper return decorator @retry_on_failure(max_retries=3, delay=2) def generate_image_with_retry(prompt, negative_prompt=None, **kwargs): """带重试机制的图片生成函数""" # 准备请求数据 data = { "model": "z-image-turbo", "prompt": prompt, "negative_prompt": negative_prompt or "丑陋的，变形的，模糊的", "width": kwargs.get("width", 512), "height": kwargs.get("height", 768), "num_inference_steps": kwargs.get("num_inference_steps", 20), "guidance_scale": kwargs.get("guidance_scale", 7.5), "num_images": 1 } # 发送请求 response = requests.post( API_URL, headers={"Content-Type": "application/json"}, data=json.dumps(data), timeout=30 # 设置超时时间 ) # 检查响应 if response.status_code == 200: return response.json() elif response.status_code == 429: # 请求过于频繁，等待后重试 retry_after = int(response.headers.get('Retry-After', 5)) print(f"请求过于频繁，等待{retry_after}秒后重试...") time.sleep(retry_after) raise Exception("Rate limited, retrying...") else: raise Exception(f"API调用失败：{response.status_code} - {response.text}") # 使用示例 try: result = generate_image_with_retry( prompt="校园少女，渔网袜，阳光下的微笑", negative_prompt="模糊的，变形的", width=768, height=1024 ) if result: # 处理成功结果 image_data = result["data"][0]["b64_json"] # ... 保存图片 ... print("图片生成成功！") except Exception as e: print(f"生成失败：{str(e)}") # 可以在这里添加更详细的错误处理逻辑 ``` 这个重试机制可以： - 在网络波动时自动重试 - 处理API限流情况 - 提供更好的用户体验 ## 7. 总结与建议 ### 7.1 关键要点回顾 通过这篇文章，我们学习了如何用Python调用图图的嗨丝造相-Z-Image-Turbo模型的API来生成渔网袜风格图片。主要掌握了： 1. **环境搭建**：确认模型服务状态，安装必要的Python库 2. **基础调用**：最简单的API调用方法，生成第一张AI图片 3. **参数调整**：通过调整提示词和生成参数，控制图片风格和质量 4. **批量处理**：自动化生成多张图片，提高工作效率 5. **实战应用**：把AI图片生成集成到Web应用和实际项目中 ### 7.2 实用建议与技巧 根据我的使用经验，分享几个实用建议： **提示词编写技巧**： - 描述要具体：不要说"一个女孩"，要说"18岁校园少女，长发，微笑" - 包含细节：服装、姿势、表情、背景、光线都要描述清楚 - 使用括号强调：`(精致的五官)`、`(阳光透过树叶)` - 尝试不同风格：日系、欧美、复古等不同风格的描述词 **参数调整建议**： - 新手可以从`num_inference_steps=20`、`guidance_scale=7.5`开始 - 需要更高细节时，尝试`num_inference_steps=30-40` - 想要更多创意时，降低`guidance_scale`到6.0左右 - 批量生成时，先用快速模式（`num_inference_steps=15`）预览效果 **性能优化**： - 批量生成时添加适当延迟，避免服务器压力过大 - 缓存常用的提示词模板，提高效率 - 对于相似图片，可以先生成小图预览，满意后再生成大图 ### 7.3 下一步学习方向 如果你已经掌握了基础用法，可以尝试： 1. **探索更多模型功能**：除了文生图，还可以尝试图生图、图片编辑等功能 2. **集成到实际项目**：把AI图片生成功能集成到你的网站、应用或工作流中 3. **学习高级技巧**：研究LoRA、ControlNet等高级控制技术 4. **优化提示词工程**：深入学习如何编写更有效的提示词 5. **了解模型原理**：如果想深入，可以学习扩散模型的基本原理 ### 7.4 常见问题解决 在实际使用中，你可能会遇到这些问题： **问题1：API连接失败** - 检查服务地址和端口是否正确 - 确认模型服务是否正在运行 - 检查网络连接是否正常 **问题2：生成的图片不符合预期** - 检查提示词是否描述清楚 - 调整`guidance_scale`参数 - 尝试不同的`negative_prompt` **问题3：生成速度慢** - 减少`num_inference_steps`参数 - 减小图片尺寸（width/height） - 检查服务器负载情况 **问题4：图片质量不高** - 增加`num_inference_steps`参数 - 使用更详细的提示词 - 尝试不同的随机种子 记住，AI图片生成既有技术性也有艺术性。多尝试、多调整、多实践，你会越来越擅长用代码创作出满意的渔网袜风格图片。 --- > **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。