当前位置：首页 > news >正文

MusePublic批量生成教程：脚本化调用WebUI API生成百张人像素材

news 2026/8/27 21:54:09

MusePublic批量生成教程：脚本化调用WebUI API生成百张人像素材

艺术创作从未如此高效 - 告别手动点击，拥抱批量生成

1. 项目简介：专为艺术人像而生的创作引擎

MusePublic是一款专门为艺术感时尚人像创作设计的轻量化文本生成图像系统。它基于专属大模型构建，采用安全高效的safetensors格式封装，在艺术人像的优雅姿态、细腻光影和故事感画面方面做了深度优化。

这个项目的最大特点是个人GPU友好。它集成了多重显存防爆与优化策略，搭配定制化的Streamlit可视化WebUI，让你无需复杂命令行操作就能一键生成高清艺术图像。同时内置了强力安全过滤机制，确保创作环境的健康和安全。

2. 为什么需要批量生成？

在实际的艺术创作工作中，我们经常需要：

为同一个主题生成多个变体，寻找最佳效果
为电商产品创建大量不同风格的主图
为设计项目准备丰富的素材库
测试不同提示词组合的效果差异

手动一张张生成不仅效率低下，而且难以保证一致性。通过脚本化调用WebUI API，我们可以实现：

高效批量处理：一次性生成数十甚至上百张图像
参数化控制：系统化地调整提示词和参数
结果可复现：通过固定种子确保生成一致性
自动化流程：集成到更大的创作工作流中

3. 环境准备与API基础

3.1 确保MusePublic服务正常运行

首先确认你的MusePublic服务已经启动并正常运行。通常服务会运行在本地端口7860或7861上，你可以通过浏览器访问http://localhost:7860来确认。

3.2 安装必要的Python库

我们需要安装几个关键的Python库来支持API调用：

pip install requests tqdm pillow

requests：用于发送HTTP请求到WebUI API
tqdm：显示进度条，方便监控批量生成进度
pillow：处理生成的图像文件

3.3 理解MusePublic的API结构

MusePublic的WebUI基于Gradio构建，提供了标准的API接口。主要端点包括：

/api/predict：主要的生成接口
/api/queue/status：查询生成队列状态
/api/queue/stats：获取统计信息

4. 构建批量生成脚本

4.1 基础API调用函数

让我们先创建一个基础的API调用函数：

import requests import json import time from tqdm import tqdm import os class MusePublicBatchGenerator: def __init__(self, base_url="http://localhost:7860"): self.base_url = base_url self.session = requests.Session() def generate_single_image(self, prompt, negative_prompt="", steps=30, seed=-1): """生成单张图像""" payload = { "data": [ prompt, # 正面提示词 negative_prompt, # 负面提示词 steps, # 步数 "Euler a", # 采样方法 False, # 恢复面部 1, # 批次数 1, # 批次大小 7, # CFG Scale seed, # 随机种子 -1, # 子种子 0, # 子种子强度 0, # 种子调整强度 512, # 宽度 512, # 高度 ] } try: response = self.session.post( f"{self.base_url}/api/predict", json=payload, timeout=300 # 5分钟超时 ) response.raise_for_status() return response.json() except Exception as e: print(f"生成失败: {str(e)}") return None

4.2 批量生成核心逻辑

接下来实现批量生成的核心功能：

def batch_generate(self, prompts, output_dir="output", negative_prompt="", steps=30, seeds=None): """批量生成多张图像""" # 创建输出目录 os.makedirs(output_dir, exist_ok=True) # 处理种子参数 if seeds is None: seeds = [-1] * len(prompts) # 全部使用随机种子 results = [] # 使用进度条显示生成进度 for i, (prompt, seed) in enumerate(tqdm(zip(prompts, seeds), total=len(prompts), desc="生成进度")): # 调用生成接口 result = self.generate_single_image( prompt=prompt, negative_prompt=negative_prompt, steps=steps, seed=seed ) if result and "data" in result: # 保存生成的图像 image_data = result["data"][0] # 假设返回的是base64编码的图像 image_path = os.path.join(output_dir, f"image_{i:04d}.png") # 这里需要根据实际API返回格式调整图像保存逻辑 # 通常是base64解码后保存为图片文件 results.append({ "prompt": prompt, "seed": seed, "image_path": image_path, "success": True }) else: results.append({ "prompt": prompt, "seed": seed, "success": False, "error": "生成失败" }) # 添加短暂延迟，避免服务器过载 time.sleep(1) return results

5. 实战：生成百张艺术人像素材

5.1 准备批量提示词列表

让我们创建一个包含多种艺术风格的提示词列表：

def create_art_prompts(): """创建艺术人像提示词列表""" base_prompts = [ "优雅的亚洲女性，柔和的自然光，细腻的皮肤质感，高级时尚摄影", "帅气的欧洲男性，硬朗的光影对比，黑白肖像，戏剧性灯光", "梦幻的精灵少女，发光的水晶装饰，空灵的氛围，童话风格", "复古风格的绅士，暖色调胶片质感，怀旧氛围，电影剧照", "未来感的赛博朋克角色，霓虹灯光，雨夜街道，科幻美学" ] styles = [ "油画风格，细腻的笔触，丰富的色彩层次", "水彩画效果，柔和的边缘，透明的色彩叠加", "数字绘画，干净利落的线条，平面设计感", "摄影写实，超高清细节，真实的光影效果", "概念艺术，大胆的构图，富有想象力的设计" ] # 组合基础提示词和风格 combined_prompts = [] for base in base_prompts: for style in styles: combined_prompts.append(f"{base}, {style}") return combined_prompts[:100] # 取前100个组合

5.2 执行批量生成

现在让我们执行实际的批量生成：

def main(): # 初始化生成器 generator = MusePublicBatchGenerator() # 创建提示词列表 prompts = create_art_prompts() print(f"准备生成 {len(prompts)} 张艺术人像...") # 执行批量生成 results = generator.batch_generate( prompts=prompts, output_dir="./art_portraits", negative_prompt="模糊，失真，低质量，畸形，额外的手指", steps=30, seeds=[42] * len(prompts) # 使用固定种子确保可复现 ) # 统计生成结果 success_count = sum(1 for r in results if r["success"]) print(f"生成完成！成功: {success_count}, 失败: {len(results) - success_count}") # 保存生成日志 with open("./generation_log.json", "w", encoding="utf-8") as f: json.dump(results, f, ensure_ascii=False, indent=2) return results if __name__ == "__main__": main()

6. 高级技巧与优化建议

6.1 使用队列系统避免过载

对于大批量生成，建议使用队列系统来管理生成任务：

def smart_batch_generate(self, prompts, batch_size=5, delay=2): """智能批量生成，避免服务器过载""" results = [] for i in range(0, len(prompts), batch_size): batch_prompts = prompts[i:i + batch_size] batch_results = [] # 并行处理小批次 for prompt in batch_prompts: result = self.generate_single_image(prompt) batch_results.append(result) results.extend(batch_results) # 批次间延迟 if i + batch_size < len(prompts): time.sleep(delay) return results

6.2 参数化提示词模板

使用模板系统来生成更有variation的提示词：

def create_parametrized_prompts(template, variations): """创建参数化提示词""" prompts = [] for params in variations: prompt = template for key, value in params.items(): prompt = prompt.replace(f"{{{key}}}", value) prompts.append(prompt) return prompts # 示例使用 template = "一位{年龄}的{性别}，{场景}，{风格}，{光线}" variations = [ {"年龄": "年轻", "性别": "女性", "场景": "在花园中", "风格": "印象派油画", "光线": "柔和的晨光"}, {"年龄": "中年", "性别": "男性", "场景": "在书房", "风格": "古典肖像", "光线": "温暖的台灯光"}, # ... 更多变体 ]

6.3 结果分析与筛选

生成完成后，可以对结果进行分析和筛选：

def analyze_results(results): """分析生成结果""" # 按成功率和提示词长度分析 success_rate = sum(1 for r in results if r["success"]) / len(results) avg_prompt_length = sum(len(r["prompt"]) for r in results) / len(results) print(f"总体成功率: {success_rate:.2%}") print(f"平均提示词长度: {avg_prompt_length:.1f}字符") # 找出最成功的提示词模式 successful_prompts = [r["prompt"] for r in results if r["success"]] return { "success_rate": success_rate, "successful_prompts": successful_prompts }