yz-bijini-cosplay详细步骤本地化部署下Cosplay生成日志审计与追踪1. 引言为什么需要追踪你的Cosplay创作想象一下这个场景你正在用AI生成一组《原神》角色的Cosplay图试了十几种不同的提示词和LoRA版本终于得到了一张特别满意的“雷电将军”。但第二天你想复现这个效果却怎么也想不起来当时用的是哪个LoRA版本、什么种子值、以及具体的提示词是什么了。是不是很抓狂这就是为什么在本地化部署AI绘画工具时日志审计与追踪变得至关重要。它不仅仅是记录一行行枯燥的代码输出而是为你每一次创意尝试建立一份“数字档案”。今天我们就以yz-bijini-cosplay这个专为RTX 4090优化的Cosplay文生图项目为例手把手教你如何搭建一套完整的生成日志追踪系统让你的每一次创作都有迹可循。本文将带你理解日志追踪的核心价值不只是记录更是优化创作的“复盘工具”。搭建本地日志系统从零开始用Python代码实现一个轻量但强大的日志记录模块。实现关键信息捕获自动记录LoRA版本、提示词、种子、生成参数等一切。分析与检索日志教你如何从海量日志中快速找到“那张神图”的生成配方。2. 项目核心与日志追踪的关联在深入技术细节前我们先快速回顾一下yz-bijini-cosplay项目的几个核心特点这直接决定了我们日志系统需要记录什么LoRA动态无感切换这是项目的灵魂。你可以在不重启模型的情况下切换不同训练步数的Cosplay风格LoRA。日志必须清晰记录每一次生成时具体使用的是哪个LoRA文件例如yz_bijini_cosplay_s10000.safetensors。Streamlit可视化界面所有操作输入提示词、调整参数、点击生成都在浏览器中完成。我们的日志系统需要能无缝嵌入到这个Web界面中在后台安静地记录一切。纯本地部署所有数据都在本地这给了我们极大的灵活性来设计和存储日志无需考虑网络传输或云存储的隐私问题。那么一个理想的Cosplay生成日志应该包含哪些信息呢我为你梳理了一个清单信息类别具体内容为什么重要生成结果生成图片的保存路径、文件名快速定位和查看图片文件。模型与权重使用的底座模型名称、LoRA文件全名复现效果的基石尤其是LoRA版本。输入信息正面提示词、负面提示词创作的“咒语”是效果的决定因素之一。生成参数采样步数、引导系数(CFG Scale)、种子值(Seed)控制图像细节、风格强度和随机性的关键旋钮。图像参数生成图片的宽、高构图和画幅信息。系统信息生成任务开始时间、耗时、显存占用峰值评估生成效率和系统负载优化使用体验。会话上下文用户ID可选、会话标识在多用户或长时间会话中区分不同创作流。我们的目标就是打造一个系统能自动、准确、结构化地记录下这张表格里的所有内容。3. 搭建本地日志记录模块我们不依赖复杂的外部日志服务就用Python标准库logging和一点自定义代码构建一个专属的日志记录器。3.1 基础日志配置首先我们在项目根目录下创建一个新的Python文件比如叫generation_logger.py。# generation_logger.py import logging import json import time from datetime import datetime from pathlib import Path import sys class CosplayGenerationLogger: yz-bijini-cosplay 专属生成日志记录器 def __init__(self, log_dir./generation_logs): 初始化日志记录器 Args: log_dir: 日志文件存储目录 self.log_dir Path(log_dir) self.log_dir.mkdir(exist_okTrue) # 创建日志目录 # 设置JSON格式的日志文件用于程序分析 self.json_log_path self.log_dir / generations.jsonl # 使用jsonl格式每行一条记录 # 设置人类可读的文本日志文件用于快速查看 self.text_log_path self.log_dir / activity.log # 初始化文本日志系统 self._setup_text_logger() # 初始化一个列表用于缓存本次运行的日志可选用于内存中临时存储 self.generation_cache [] # 记录系统启动 self._log_system_event(INFO, Cosplay Generation Logger 初始化完成。) def _setup_text_logger(self): 配置用于输出人类可读日志的logger self.text_logger logging.getLogger(CosplayGenLogger) self.text_logger.setLevel(logging.INFO) # 避免重复添加handler if not self.text_logger.handlers: # 文件handler记录到activity.log file_handler logging.FileHandler(self.text_log_path, encodingutf-8) file_format logging.Formatter(%(asctime)s - %(levelname)s - %(message)s) file_handler.setFormatter(file_format) self.text_logger.addHandler(file_handler) # 控制台handler可选方便调试 console_handler logging.StreamHandler(sys.stdout) console_format logging.Formatter(%(levelname)s: %(message)s) console_handler.setFormatter(console_format) self.text_logger.addHandler(console_handler)这个类初始化时会创建两个日志文件generations.jsonl: 以JSON Lines格式存储每一次生成的完整结构化数据方便后续用脚本分析。activity.log: 传统的文本日志按时间顺序记录所有操作和事件方便你随时打开翻阅。3.2 核心日志记录方法接下来我们添加最核心的方法用于在每次生成图片时记录所有关键信息。# 在 CosplayGenerationLogger 类中继续添加方法 def log_generation(self, generation_data): 记录单次图像生成的所有相关信息 Args: generation_data (dict): 包含所有生成信息的字典 # 1. 添加时间戳和唯一ID generation_data[timestamp] datetime.now().isoformat() generation_data[generation_id] fgen_{int(time.time()*1000)} # 2. 将结构化数据写入JSONL文件用于分析 with open(self.json_log_path, a, encodingutf-8) as f: json_record json.dumps(generation_data, ensure_asciiFalse) f.write(json_record \n) # 3. 格式化并写入人类可读的文本日志 self._write_human_readable_log(generation_data) # 4. 可选缓存到内存列表 self.generation_cache.append(generation_data) # 5. 在控制台输出一个简洁的成功提示通过配置好的logger self.text_logger.info(f生成任务已记录: ID{generation_data[generation_id]}, 图片{generation_data.get(image_filename, N/A)}) def _write_human_readable_log(self, data): 将生成数据格式化为易于阅读的文本日志条目 log_message f 生成记录 [{data.get(generation_id)}] 时间: {data.get(timestamp)} 模型: {data.get(base_model, N/A)} LoRA: {data.get(lora_model, N/A)} 正面提示: {data.get(prompt, N/A)[:100]}... # 只截取前100字符 负面提示: {data.get(negative_prompt, N/A)[:50]}... 图片文件: {data.get(image_filename, N/A)} 图片路径: {data.get(image_save_path, N/A)} 种子(Seed): {data.get(seed, N/A)} 步数(Steps): {data.get(num_steps, N/A)} 引导系数(CFG): {data.get(cfg_scale, N/A)} 分辨率: {data.get(width, N/A)}x{data.get(height, N/A)} 生成耗时: {data.get(generation_time_sec, N/A)}秒 记录结束 self.text_logger.info(log_message) def _log_system_event(self, level, message): 记录系统事件如启动、切换LoRA、错误等 event_data { event_timestamp: datetime.now().isoformat(), event_type: SYSTEM, event_level: level, event_message: message } # 同时写入文本日志和JSON日志 getattr(self.text_logger, level.lower())(message) with open(self.json_log_path, a, encodingutf-8) as f: f.write(json.dumps(event_data, ensure_asciiFalse) \n)现在我们的日志记录器已经有了骨架。它能把一次生成任务的所有数据以两种形式保存下来一种是机器友好的JSON一种是人类可读的文本。4. 集成到Streamlit应用并捕获关键信息接下来我们要把这个日志记录器“塞进”yz-bijini-cosplay的Streamlit应用里。关键是要在图片生成成功的那一刻收集到所有必要的参数。假设你项目的主应用文件是app.py我们来进行集成。4.1 导入并初始化日志记录器首先在app.py的开头部分导入我们的日志类并初始化它。# app.py (部分代码示例) import streamlit as st # ... 其他导入 ... from generation_logger import CosplayGenerationLogger # 初始化日志记录器放在Session State中保证整个会话期间唯一 if logger not in st.session_state: st.session_state.logger CosplayGenerationLogger(log_dir./cosplay_generation_logs) logger st.session_state.logger4.2 在生成函数中植入日志记录找到你处理生成请求的函数通常是在点击“生成”按钮后调用的函数。我们需要在这个函数中在图片保存到磁盘之后立即调用日志记录。# 假设这是你的图片生成函数伪代码需根据实际项目调整 def generate_cosplay_image(prompt, negative_prompt, lora_model, seed, steps, cfg_scale, width, height): 调用模型生成Cosplay图像 start_time time.time() # 1. 这里是调用yz-bijini-cosplay模型生成图片的核心代码 # 例如image_tensor model.generate(...) # ... # 2. 生成完成后将图片保存到本地 save_dir Path(./outputs) save_dir.mkdir(exist_okTrue) timestamp datetime.now().strftime(%Y%m%d_%H%M%S) image_filename fcosplay_{timestamp}_{seed}.png image_save_path save_dir / image_filename # 假设 image 是PIL.Image对象 image.save(image_save_path) # 3. 计算生成耗时 generation_time time.time() - start_time # 4. 关键步骤记录本次生成的所有信息到日志 generation_data { base_model: Z-Image, # 根据你的实际底座模型名称填写 lora_model: lora_model, # 例如: yz_bijini_cosplay_s10000.safetensors prompt: prompt, negative_prompt: negative_prompt, seed: seed, num_steps: steps, cfg_scale: cfg_scale, width: width, height: height, image_filename: image_filename, image_save_path: str(image_save_path), generation_time_sec: round(generation_time, 2), # 你可以添加更多信息例如当前使用的CUDA设备、显存使用情况等 # gpu_memory_used_mb: get_gpu_memory_usage(), } # 调用日志记录器 logger.log_generation(generation_data) # 5. 返回图片对象或路径供前端显示 return image, image_save_path4.3 记录LoRA切换等系统事件除了生成日志系统事件如切换LoRA、清除历史也值得记录。这能帮你理解整个创作流程的上下文。# 在Streamlit侧边栏的LoRA选择器代码附近 lora_options [yz_bijini_cosplay_s1000, yz_bijini_cosplay_s5000, yz_bijini_cosplay_s10000] # 示例 selected_lora st.sidebar.selectbox(选择LoRA版本, lora_options, index0) # 当LoRA选择发生变化时记录一个系统事件 if last_lora not in st.session_state: st.session_state.last_lora selected_lora if st.session_state.last_lora ! selected_lora: logger._log_system_event(INFO, f用户切换LoRA: 从 {st.session_state.last_lora} 切换到 {selected_lora}) st.session_state.last_lora selected_lora # 这里触发你的模型卸载/加载新LoRA的逻辑 # switch_lora_model(selected_lora)5. 日志审计、分析与效果复现日志存下来了怎么用呢这才是价值所在。我们来看看如何“审计”这些日志。5.1 直接查看文本日志最简单的方式就是打开activity.log文件。你会看到按时间排列的所有记录像看日记一样回顾你的创作过程。2024-05-27 14:30:15,123 - INFO - Cosplay Generation Logger 初始化完成。 2024-05-27 14:31:22,456 - INFO - 用户切换LoRA: 从 yz_bijini_cosplay_s5000 切换到 yz_bijini_cosplay_s10000 2024-05-27 14:32:10,789 - INFO - 生成记录 [gen_1716795130789] 时间: 2024-05-27T14:32:10.789 模型: Z-Image LoRA: yz_bijini_cosplay_s10000.safetensors 正面提示: 1girl, genshin impact, raiden shogun, detailed costume, purple hair... 负面提示: ugly, bad hands, blurry... 图片文件: cosplay_20240527_143210_123456.png 图片路径: ./outputs/cosplay_20240527_143210_123456.png 种子(Seed): 123456 步数(Steps): 20 引导系数(CFG): 7.5 分辨率: 1024x1024 生成耗时: 4.23秒 记录结束 5.2 使用Python脚本分析JSON日志对于更深入的分析比如“找出所有使用s10000LoRA且生成时间超过5秒的图片”我们可以写一个小脚本。# analyze_logs.py import json from pathlib import Path def analyze_generation_logs(jsonl_path): 分析生成日志JSONL文件 generations [] with open(jsonl_path, r, encodingutf-8) as f: for line in f: if line.strip(): generations.append(json.loads(line.strip())) print(f总共记录了 {len(generations)} 次生成。) # 示例分析1: 按LoRA版本统计 lora_stats {} for gen in generations: if gen.get(event_type) SYSTEM: continue # 跳过系统事件 lora gen.get(lora_model, unknown) lora_stats[lora] lora_stats.get(lora, 0) 1 print(\n 按LoRA版本使用次数统计 ) for lora, count in sorted(lora_stats.items(), keylambda x: x[1], reverseTrue): print(f {lora}: {count} 次) # 示例分析2: 找出最耗时的生成任务 image_generations [g for g in generations if g.get(image_filename)] if image_generations: slowest max(image_generations, keylambda x: x.get(generation_time_sec, 0)) print(f\n 最耗时的单次生成 ) print(f 生成ID: {slowest.get(generation_id)}) print(f 耗时: {slowest.get(generation_time_sec)} 秒) print(f 提示词: {slowest.get(prompt)[:80]}...) print(f 图片: {slowest.get(image_filename)}) # 示例分析3: 搜索包含特定关键词的生成 keyword raiden matching_gens [g for g in image_generations if keyword.lower() in g.get(prompt, ).lower()] print(f\n 包含关键词 {keyword} 的生成记录共{len(matching_gens)}条) for gen in matching_gens[:3]: # 只显示前3条 print(f - 时间:{gen.get(timestamp)}, 种子:{gen.get(seed)}, 文件:{gen.get(image_filename)}) if __name__ __main__: log_file Path(./cosplay_generation_logs/generations.jsonl) if log_file.exists(): analyze_generation_logs(log_file) else: print(日志文件不存在请检查路径。)5.3 一键复现“神图”参数当你从日志中找到一张效果绝佳的图片记录时复现它就变得非常简单。日志里包含了所有必要的“配方”。你可以在Streamlit应用中增加一个“从日志复现”的功能区# 在app.py中添加示例思路 st.sidebar.header( 从历史日志复现) # 假设我们有一个函数能读取日志并解析出历史记录列表 # history_entries load_history_from_logs() # 这里简化为一个选择框 historical_presets [ {name: 雷电将军-经典, prompt: 1girl, genshin impact, raiden shogun..., seed: 123456, lora: s10000, steps: 20}, {name: 八重神子-巫女, prompt: 1girl, genshin impact, yae miko..., seed: 654321, lora: s5000, steps: 25}, ] selected_preset st.sidebar.selectbox(选择历史参数预设, [p[name] for p in historical_presets]) if st.sidebar.button(加载预设): preset next(p for p in historical_presets if p[name] selected_preset) # 自动填充前端表单 st.session_state[prompt_input] preset[prompt] st.session_state[seed_input] preset[seed] # ... 填充其他参数 st.sidebar.success(f已加载预设 {selected_preset} 的参数)6. 总结通过以上步骤我们成功为yz-bijini-cosplay项目构建了一套本地化、轻量级但功能完整的生成日志审计与追踪系统。我们来回顾一下它的价值创作可追溯每一张生成的Cosplay图都有了完整的“出生证明”包含模型、参数、时间等所有信息。效果可复现找到喜欢的图就能一键获取其全部生成参数告别凭记忆猜测。过程可优化通过分析日志你可以发现哪些LoRA版本出图更稳定哪些参数组合更耗时从而优化你的创作流程。资源可管理清晰的日志帮助你管理日益增多的产出文件避免项目文件夹变成一团乱麻。这套系统的精髓在于“无感集成”。它在你点击生成按钮的后台自动运行不干扰你的创作流程却默默积累下宝贵的资产。你可以基于这个基础继续扩展更多功能比如为日志添加图片的嵌入式预览图存储为Base64。将日志导入数据库如SQLite进行更复杂的查询。开发一个简单的Web界面来浏览和搜索你的生成历史。现在你的每一次Cosplay AI创作都不再是“黑箱实验”而是一次次有据可查、可迭代的创意探索。开始记录然后更聪明地创作吧。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。
yz-bijini-cosplay详细步骤：本地化部署下Cosplay生成日志审计与追踪
发布时间：2026/5/19 23:41:30
yz-bijini-cosplay详细步骤本地化部署下Cosplay生成日志审计与追踪1. 引言为什么需要追踪你的Cosplay创作想象一下这个场景你正在用AI生成一组《原神》角色的Cosplay图试了十几种不同的提示词和LoRA版本终于得到了一张特别满意的“雷电将军”。但第二天你想复现这个效果却怎么也想不起来当时用的是哪个LoRA版本、什么种子值、以及具体的提示词是什么了。是不是很抓狂这就是为什么在本地化部署AI绘画工具时日志审计与追踪变得至关重要。它不仅仅是记录一行行枯燥的代码输出而是为你每一次创意尝试建立一份“数字档案”。今天我们就以yz-bijini-cosplay这个专为RTX 4090优化的Cosplay文生图项目为例手把手教你如何搭建一套完整的生成日志追踪系统让你的每一次创作都有迹可循。本文将带你理解日志追踪的核心价值不只是记录更是优化创作的“复盘工具”。搭建本地日志系统从零开始用Python代码实现一个轻量但强大的日志记录模块。实现关键信息捕获自动记录LoRA版本、提示词、种子、生成参数等一切。分析与检索日志教你如何从海量日志中快速找到“那张神图”的生成配方。2. 项目核心与日志追踪的关联在深入技术细节前我们先快速回顾一下yz-bijini-cosplay项目的几个核心特点这直接决定了我们日志系统需要记录什么LoRA动态无感切换这是项目的灵魂。你可以在不重启模型的情况下切换不同训练步数的Cosplay风格LoRA。日志必须清晰记录每一次生成时具体使用的是哪个LoRA文件例如yz_bijini_cosplay_s10000.safetensors。Streamlit可视化界面所有操作输入提示词、调整参数、点击生成都在浏览器中完成。我们的日志系统需要能无缝嵌入到这个Web界面中在后台安静地记录一切。纯本地部署所有数据都在本地这给了我们极大的灵活性来设计和存储日志无需考虑网络传输或云存储的隐私问题。那么一个理想的Cosplay生成日志应该包含哪些信息呢我为你梳理了一个清单信息类别具体内容为什么重要生成结果生成图片的保存路径、文件名快速定位和查看图片文件。模型与权重使用的底座模型名称、LoRA文件全名复现效果的基石尤其是LoRA版本。输入信息正面提示词、负面提示词创作的“咒语”是效果的决定因素之一。生成参数采样步数、引导系数(CFG Scale)、种子值(Seed)控制图像细节、风格强度和随机性的关键旋钮。图像参数生成图片的宽、高构图和画幅信息。系统信息生成任务开始时间、耗时、显存占用峰值评估生成效率和系统负载优化使用体验。会话上下文用户ID可选、会话标识在多用户或长时间会话中区分不同创作流。我们的目标就是打造一个系统能自动、准确、结构化地记录下这张表格里的所有内容。3. 搭建本地日志记录模块我们不依赖复杂的外部日志服务就用Python标准库logging和一点自定义代码构建一个专属的日志记录器。3.1 基础日志配置首先我们在项目根目录下创建一个新的Python文件比如叫generation_logger.py。# generation_logger.py import logging import json import time from datetime import datetime from pathlib import Path import sys class CosplayGenerationLogger: yz-bijini-cosplay 专属生成日志记录器 def __init__(self, log_dir./generation_logs): 初始化日志记录器 Args: log_dir: 日志文件存储目录 self.log_dir Path(log_dir) self.log_dir.mkdir(exist_okTrue) # 创建日志目录 # 设置JSON格式的日志文件用于程序分析 self.json_log_path self.log_dir / generations.jsonl # 使用jsonl格式每行一条记录 # 设置人类可读的文本日志文件用于快速查看 self.text_log_path self.log_dir / activity.log # 初始化文本日志系统 self._setup_text_logger() # 初始化一个列表用于缓存本次运行的日志可选用于内存中临时存储 self.generation_cache [] # 记录系统启动 self._log_system_event(INFO, Cosplay Generation Logger 初始化完成。) def _setup_text_logger(self): 配置用于输出人类可读日志的logger self.text_logger logging.getLogger(CosplayGenLogger) self.text_logger.setLevel(logging.INFO) # 避免重复添加handler if not self.text_logger.handlers: # 文件handler记录到activity.log file_handler logging.FileHandler(self.text_log_path, encodingutf-8) file_format logging.Formatter(%(asctime)s - %(levelname)s - %(message)s) file_handler.setFormatter(file_format) self.text_logger.addHandler(file_handler) # 控制台handler可选方便调试 console_handler logging.StreamHandler(sys.stdout) console_format logging.Formatter(%(levelname)s: %(message)s) console_handler.setFormatter(console_format) self.text_logger.addHandler(console_handler)这个类初始化时会创建两个日志文件generations.jsonl: 以JSON Lines格式存储每一次生成的完整结构化数据方便后续用脚本分析。activity.log: 传统的文本日志按时间顺序记录所有操作和事件方便你随时打开翻阅。3.2 核心日志记录方法接下来我们添加最核心的方法用于在每次生成图片时记录所有关键信息。# 在 CosplayGenerationLogger 类中继续添加方法 def log_generation(self, generation_data): 记录单次图像生成的所有相关信息 Args: generation_data (dict): 包含所有生成信息的字典 # 1. 添加时间戳和唯一ID generation_data[timestamp] datetime.now().isoformat() generation_data[generation_id] fgen_{int(time.time()*1000)} # 2. 将结构化数据写入JSONL文件用于分析 with open(self.json_log_path, a, encodingutf-8) as f: json_record json.dumps(generation_data, ensure_asciiFalse) f.write(json_record \n) # 3. 格式化并写入人类可读的文本日志 self._write_human_readable_log(generation_data) # 4. 可选缓存到内存列表 self.generation_cache.append(generation_data) # 5. 在控制台输出一个简洁的成功提示通过配置好的logger self.text_logger.info(f生成任务已记录: ID{generation_data[generation_id]}, 图片{generation_data.get(image_filename, N/A)}) def _write_human_readable_log(self, data): 将生成数据格式化为易于阅读的文本日志条目 log_message f 生成记录 [{data.get(generation_id)}] 时间: {data.get(timestamp)} 模型: {data.get(base_model, N/A)} LoRA: {data.get(lora_model, N/A)} 正面提示: {data.get(prompt, N/A)[:100]}... # 只截取前100字符 负面提示: {data.get(negative_prompt, N/A)[:50]}... 图片文件: {data.get(image_filename, N/A)} 图片路径: {data.get(image_save_path, N/A)} 种子(Seed): {data.get(seed, N/A)} 步数(Steps): {data.get(num_steps, N/A)} 引导系数(CFG): {data.get(cfg_scale, N/A)} 分辨率: {data.get(width, N/A)}x{data.get(height, N/A)} 生成耗时: {data.get(generation_time_sec, N/A)}秒 记录结束 self.text_logger.info(log_message) def _log_system_event(self, level, message): 记录系统事件如启动、切换LoRA、错误等 event_data { event_timestamp: datetime.now().isoformat(), event_type: SYSTEM, event_level: level, event_message: message } # 同时写入文本日志和JSON日志 getattr(self.text_logger, level.lower())(message) with open(self.json_log_path, a, encodingutf-8) as f: f.write(json.dumps(event_data, ensure_asciiFalse) \n)现在我们的日志记录器已经有了骨架。它能把一次生成任务的所有数据以两种形式保存下来一种是机器友好的JSON一种是人类可读的文本。4. 集成到Streamlit应用并捕获关键信息接下来我们要把这个日志记录器“塞进”yz-bijini-cosplay的Streamlit应用里。关键是要在图片生成成功的那一刻收集到所有必要的参数。假设你项目的主应用文件是app.py我们来进行集成。4.1 导入并初始化日志记录器首先在app.py的开头部分导入我们的日志类并初始化它。# app.py (部分代码示例) import streamlit as st # ... 其他导入 ... from generation_logger import CosplayGenerationLogger # 初始化日志记录器放在Session State中保证整个会话期间唯一 if logger not in st.session_state: st.session_state.logger CosplayGenerationLogger(log_dir./cosplay_generation_logs) logger st.session_state.logger4.2 在生成函数中植入日志记录找到你处理生成请求的函数通常是在点击“生成”按钮后调用的函数。我们需要在这个函数中在图片保存到磁盘之后立即调用日志记录。# 假设这是你的图片生成函数伪代码需根据实际项目调整 def generate_cosplay_image(prompt, negative_prompt, lora_model, seed, steps, cfg_scale, width, height): 调用模型生成Cosplay图像 start_time time.time() # 1. 这里是调用yz-bijini-cosplay模型生成图片的核心代码 # 例如image_tensor model.generate(...) # ... # 2. 生成完成后将图片保存到本地 save_dir Path(./outputs) save_dir.mkdir(exist_okTrue) timestamp datetime.now().strftime(%Y%m%d_%H%M%S) image_filename fcosplay_{timestamp}_{seed}.png image_save_path save_dir / image_filename # 假设 image 是PIL.Image对象 image.save(image_save_path) # 3. 计算生成耗时 generation_time time.time() - start_time # 4. 关键步骤记录本次生成的所有信息到日志 generation_data { base_model: Z-Image, # 根据你的实际底座模型名称填写 lora_model: lora_model, # 例如: yz_bijini_cosplay_s10000.safetensors prompt: prompt, negative_prompt: negative_prompt, seed: seed, num_steps: steps, cfg_scale: cfg_scale, width: width, height: height, image_filename: image_filename, image_save_path: str(image_save_path), generation_time_sec: round(generation_time, 2), # 你可以添加更多信息例如当前使用的CUDA设备、显存使用情况等 # gpu_memory_used_mb: get_gpu_memory_usage(), } # 调用日志记录器 logger.log_generation(generation_data) # 5. 返回图片对象或路径供前端显示 return image, image_save_path4.3 记录LoRA切换等系统事件除了生成日志系统事件如切换LoRA、清除历史也值得记录。这能帮你理解整个创作流程的上下文。# 在Streamlit侧边栏的LoRA选择器代码附近 lora_options [yz_bijini_cosplay_s1000, yz_bijini_cosplay_s5000, yz_bijini_cosplay_s10000] # 示例 selected_lora st.sidebar.selectbox(选择LoRA版本, lora_options, index0) # 当LoRA选择发生变化时记录一个系统事件 if last_lora not in st.session_state: st.session_state.last_lora selected_lora if st.session_state.last_lora ! selected_lora: logger._log_system_event(INFO, f用户切换LoRA: 从 {st.session_state.last_lora} 切换到 {selected_lora}) st.session_state.last_lora selected_lora # 这里触发你的模型卸载/加载新LoRA的逻辑 # switch_lora_model(selected_lora)5. 日志审计、分析与效果复现日志存下来了怎么用呢这才是价值所在。我们来看看如何“审计”这些日志。5.1 直接查看文本日志最简单的方式就是打开activity.log文件。你会看到按时间排列的所有记录像看日记一样回顾你的创作过程。2024-05-27 14:30:15,123 - INFO - Cosplay Generation Logger 初始化完成。 2024-05-27 14:31:22,456 - INFO - 用户切换LoRA: 从 yz_bijini_cosplay_s5000 切换到 yz_bijini_cosplay_s10000 2024-05-27 14:32:10,789 - INFO - 生成记录 [gen_1716795130789] 时间: 2024-05-27T14:32:10.789 模型: Z-Image LoRA: yz_bijini_cosplay_s10000.safetensors 正面提示: 1girl, genshin impact, raiden shogun, detailed costume, purple hair... 负面提示: ugly, bad hands, blurry... 图片文件: cosplay_20240527_143210_123456.png 图片路径: ./outputs/cosplay_20240527_143210_123456.png 种子(Seed): 123456 步数(Steps): 20 引导系数(CFG): 7.5 分辨率: 1024x1024 生成耗时: 4.23秒 记录结束 5.2 使用Python脚本分析JSON日志对于更深入的分析比如“找出所有使用s10000LoRA且生成时间超过5秒的图片”我们可以写一个小脚本。# analyze_logs.py import json from pathlib import Path def analyze_generation_logs(jsonl_path): 分析生成日志JSONL文件 generations [] with open(jsonl_path, r, encodingutf-8) as f: for line in f: if line.strip(): generations.append(json.loads(line.strip())) print(f总共记录了 {len(generations)} 次生成。) # 示例分析1: 按LoRA版本统计 lora_stats {} for gen in generations: if gen.get(event_type) SYSTEM: continue # 跳过系统事件 lora gen.get(lora_model, unknown) lora_stats[lora] lora_stats.get(lora, 0) 1 print(\n 按LoRA版本使用次数统计 ) for lora, count in sorted(lora_stats.items(), keylambda x: x[1], reverseTrue): print(f {lora}: {count} 次) # 示例分析2: 找出最耗时的生成任务 image_generations [g for g in generations if g.get(image_filename)] if image_generations: slowest max(image_generations, keylambda x: x.get(generation_time_sec, 0)) print(f\n 最耗时的单次生成 ) print(f 生成ID: {slowest.get(generation_id)}) print(f 耗时: {slowest.get(generation_time_sec)} 秒) print(f 提示词: {slowest.get(prompt)[:80]}...) print(f 图片: {slowest.get(image_filename)}) # 示例分析3: 搜索包含特定关键词的生成 keyword raiden matching_gens [g for g in image_generations if keyword.lower() in g.get(prompt, ).lower()] print(f\n 包含关键词 {keyword} 的生成记录共{len(matching_gens)}条) for gen in matching_gens[:3]: # 只显示前3条 print(f - 时间:{gen.get(timestamp)}, 种子:{gen.get(seed)}, 文件:{gen.get(image_filename)}) if __name__ __main__: log_file Path(./cosplay_generation_logs/generations.jsonl) if log_file.exists(): analyze_generation_logs(log_file) else: print(日志文件不存在请检查路径。)5.3 一键复现“神图”参数当你从日志中找到一张效果绝佳的图片记录时复现它就变得非常简单。日志里包含了所有必要的“配方”。你可以在Streamlit应用中增加一个“从日志复现”的功能区# 在app.py中添加示例思路 st.sidebar.header( 从历史日志复现) # 假设我们有一个函数能读取日志并解析出历史记录列表 # history_entries load_history_from_logs() # 这里简化为一个选择框 historical_presets [ {name: 雷电将军-经典, prompt: 1girl, genshin impact, raiden shogun..., seed: 123456, lora: s10000, steps: 20}, {name: 八重神子-巫女, prompt: 1girl, genshin impact, yae miko..., seed: 654321, lora: s5000, steps: 25}, ] selected_preset st.sidebar.selectbox(选择历史参数预设, [p[name] for p in historical_presets]) if st.sidebar.button(加载预设): preset next(p for p in historical_presets if p[name] selected_preset) # 自动填充前端表单 st.session_state[prompt_input] preset[prompt] st.session_state[seed_input] preset[seed] # ... 填充其他参数 st.sidebar.success(f已加载预设 {selected_preset} 的参数)6. 总结通过以上步骤我们成功为yz-bijini-cosplay项目构建了一套本地化、轻量级但功能完整的生成日志审计与追踪系统。我们来回顾一下它的价值创作可追溯每一张生成的Cosplay图都有了完整的“出生证明”包含模型、参数、时间等所有信息。效果可复现找到喜欢的图就能一键获取其全部生成参数告别凭记忆猜测。过程可优化通过分析日志你可以发现哪些LoRA版本出图更稳定哪些参数组合更耗时从而优化你的创作流程。资源可管理清晰的日志帮助你管理日益增多的产出文件避免项目文件夹变成一团乱麻。这套系统的精髓在于“无感集成”。它在你点击生成按钮的后台自动运行不干扰你的创作流程却默默积累下宝贵的资产。你可以基于这个基础继续扩展更多功能比如为日志添加图片的嵌入式预览图存储为Base64。将日志导入数据库如SQLite进行更复杂的查询。开发一个简单的Web界面来浏览和搜索你的生成历史。现在你的每一次Cosplay AI创作都不再是“黑箱实验”而是一次次有据可查、可迭代的创意探索。开始记录然后更聪明地创作吧。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。
