雯雯的后宫-造相Z-Image-瑜伽女孩Xinference API详解curl与Python双方式调用1. 引言从WebUI到API解锁更多玩法如果你已经通过Gradio WebUI体验过“雯雯的后宫-造相Z-Image-瑜伽女孩”这个模型看着它生成的那些阳光、柔美的瑜伽女孩图片可能会觉得“这界面挺方便的点点按钮就能出图。”但今天我想带你看看这个模型的另一面——它的API接口。通过API你能做的事情就多了批量生成一次请求生成几十张不同姿势的瑜伽女孩用于内容创作或素材库建设。集成到你的应用把你自己的网站、小程序或者内部工具直接变成一个“瑜伽图片生成器”。自动化工作流结合其他脚本定时生成图片、自动发布到社交媒体完全不用你动手。更精细的控制虽然WebUI提供了常用参数但API往往能暴露更多底层选项让你对生成结果有更强的把控力。简单来说WebUI是给“用户”用的而API是给“开发者”和“高级玩家”用的。本文将手把手教你如何通过最通用的两种方式——curl命令和Python代码来调用这个部署在Xinference上的文生图模型服务让你真正把这个强大的AI工具“用活”。2. 环境确认与API信息获取在开始调用之前我们需要先确认两件事模型服务是否在运行以及它的访问地址Endpoint是什么。2.1 确认模型服务状态这个镜像使用Xinference部署模型。服务启动后会默认在后台运行。你可以通过以下命令查看日志确认服务是否就绪cat /root/workspace/xinference.log当你在日志中看到类似Uvicorn running on http://0.0.0.0:9997以及模型加载成功的提示时就说明服务已经正常启动了。通常镜像内的WebUI通过那个Gradio界面能访问也意味着背后的API服务是可用的。2.2 获取模型API端点Endpoint这是调用API最关键的一步。Xinference为每个加载的模型分配一个唯一的模型IDmodel_uid和访问地址。对于这个“瑜伽女孩”镜像其API访问信息通常是固定的基础URLBase URL:http://localhost:9997模型唯一标识Model UID: 通常是z-image-yoga-girl或类似的名称具体需以镜像内实际设置为准下文会假设为yoga-girl。文生图API路径:/v1/images/generations因此完整的API端点Endpoint就是http://localhost:9997/v1/images/generations注意如果你是在远程服务器部署需要将localhost替换为服务器的实际IP地址。同时确保服务器的9997端口在安全组或防火墙规则中是开放的。3. 使用curl命令调用APIcurl是一个命令行工具用于传输数据它简单直接非常适合快速测试API或集成到Shell脚本中。3.1 基础调用示例假设我们想用WebUI里那个示例提示词来生成图片对应的curl命令如下curl -X POST http://localhost:9997/v1/images/generations \ -H Content-Type: application/json \ -d { model: yoga-girl, prompt: 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在地面映出朦胧光影背景是简约的原木风瑜伽室角落摆着绿植散尾葵整体色调暖白, n: 1, size: 1024x1024 }命令拆解-X POST: 指定使用HTTP POST方法发送请求。http://localhost:9997/v1/images/generations: 这是API的地址。-H Content-Type: application/json: 设置请求头告诉服务器我们发送的数据是JSON格式。-d ...: 这是请求体data里面包含了要发送给模型的参数是一个JSON对象。核心参数说明model: yoga-girl: 指定要使用哪个模型。请务必替换为你的模型实际UID。prompt: 描述你想要生成图片的文字也就是“提示词”。描述越详细图片越符合预期。n: 1: 表示一次生成1张图片。size: 1024x1024: 指定生成图片的尺寸。3.2 处理API返回结果执行上面的命令后服务器会返回一个JSON格式的响应。这个响应里就包含了生成图片的信息。一个典型的成功响应如下所示{ created: 1678886400, data: [ { url: data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAYAAAAfFcSJAAAADUlEQVR42mP8/5hHgAHggJ/PchI7wAAAABJRU5ErkJggg } ] }关键信息在data数组的第一个对象里其中的url字段是一个 Data URL。它直接把图片数据用Base64编码后内嵌在了这个字符串里。如何保存这张图片你可以用一些命令行工具来处理这个Base64字符串。一个简单的方法是使用python单行命令# 假设你把上面的JSON响应保存到了 response.json 文件 python3 -c import json, base64 with open(response.json, r) as f: resp json.load(f) img_data resp[data][0][url].split(,)[1] # 去掉data:image/png;base64,前缀 with open(yoga_girl.png, wb) as f: f.write(base64.b64decode(img_data)) print(图片已保存为 yoga_girl.png) 3.3 常用参数进阶除了基本的prompt,n,size文生图API通常还支持更多控制参数让生成的图片更符合你的要求。curl -X POST http://localhost:9997/v1/images/generations \ -H Content-Type: application/json \ -d { model: yoga-girl, prompt: 一个正在冥想打坐的瑜伽女孩宁静祥和室内柔光, negative_prompt: 丑陋畸形多余的手指画面模糊, n: 2, size: 768x1024, steps: 30, guidance_scale: 7.5 }新增参数解释negative_prompt:负面提示词。告诉模型你不想要图片中出现什么元素。这是提升图片质量、避免常见错误如多余的手指的利器。steps:迭代步数。生成图片是一个逐步去噪的过程步数越多细节可能越丰富但生成时间也越长。通常20-50是合理范围。guidance_scale:引导尺度。这个值控制模型在生成时有多“听话”地遵循你的提示词。值太低如5图片可能很自由但偏离描述值太高如15图片可能过于刻板、颜色饱和。7-9是常用范围。注意不同模型对参数的支持程度和默认值可能不同最好查阅Xinference或对应模型的文档。4. 使用Python调用API用Python调用API更加灵活可以方便地集成到你的项目、进行错误处理、批量操作等。4.1 使用requests库基础调用首先确保安装了requests库pip install requestsimport requests import json import base64 from PIL import Image from io import BytesIO # 1. 设置API端点 API_URL http://localhost:9997/v1/images/generations # 2. 准备请求数据 payload { model: yoga-girl, # 替换为你的模型UID prompt: 瑜伽女孩在海边沙滩上做战士二式夕阳西下剪影效果充满力量感, negative_prompt: 人多杂乱阴天现代建筑, n: 1, size: 1024x1024, steps: 25, guidance_scale: 8.0 } # 3. 设置请求头 headers { Content-Type: application/json, } # 4. 发送POST请求 try: response requests.post(API_URL, headersheaders, jsonpayload) response.raise_for_status() # 如果状态码不是200会抛出HTTPError异常 result response.json() except requests.exceptions.RequestException as e: print(f请求出错: {e}) exit(1) except json.JSONDecodeError as e: print(f解析响应JSON出错: {e}) print(f原始响应: {response.text}) exit(1) # 5. 处理响应并保存图片 if data in result and len(result[data]) 0: # 提取Base64图片数据 image_data_b64 result[data][0][url].split(,)[1] image_data base64.b64decode(image_data_b64) # 使用PIL打开并保存图片 image Image.open(BytesIO(image_data)) filename fyoga_beach_{result[created]}.png image.save(filename) print(f图片已成功保存为: {filename}) # image.show() # 如果你在本地有图形界面可以打开图片预览 else: print(API响应中没有找到图片数据。) print(f完整响应: {json.dumps(result, indent2)})这段代码做了以下几件事定义了API地址和请求数据。使用requests.post发送请求。加入了基本的错误处理网络错误、JSON解析错误。从响应中提取Base64图片数据。使用Python的base64库解码并用PILPillow库保存为PNG文件。4.2 构建一个简单的图片生成函数为了复用我们可以把上面的逻辑封装成一个函数def generate_yoga_image(prompt, negative_prompt, size1024x1024, steps20, output_dir./outputs): 调用瑜伽女孩模型生成图片 参数: prompt (str): 正面提示词 negative_prompt (str): 负面提示词 size (str): 图片尺寸如 512x512, 768x1024 steps (int): 迭代步数 output_dir (str): 图片输出目录 import os os.makedirs(output_dir, exist_okTrue) API_URL http://localhost:9997/v1/images/generations payload { model: yoga-girl, prompt: prompt, negative_prompt: negative_prompt, n: 1, size: size, steps: steps, guidance_scale: 7.5 } try: response requests.post(API_URL, jsonpayload) response.raise_for_status() result response.json() img_b64 result[data][0][url].split(,)[1] img_data base64.b64decode(img_b64) from datetime import datetime timestamp datetime.now().strftime(%Y%m%d_%H%M%S) # 用提示词前20个字符做文件名移除非法字符 safe_prompt .join([c for c in prompt[:20] if c.isalnum() or c in ( , -, _)]).rstrip() filename os.path.join(output_dir, fyoga_{safe_prompt}_{timestamp}.png) with open(filename, wb) as f: f.write(img_data) print(f[成功] 图片已保存: {filename}) return filename except Exception as e: print(f[失败] 生成图片时出错: {e}) return None # 使用函数 generate_yoga_image( prompt瑜伽女孩在清晨的森林里做树式阳光穿过树叶光斑点点氛围宁静, negative_prompt黄昏夜晚城市人物模糊, size768x1024 )4.3 实现批量图片生成有了基础函数批量生成就很简单了# 定义一组不同的场景提示词 prompt_list [ (瑜伽女孩在图书馆书架间做鹰式安静专注暖色调灯光, 户外运动装多人), (瑜伽女孩在雪山背景下做舞王式天空湛蓝画面极具张力, 室内昏暗平淡), (瑜伽女孩在雨中庭院做弓式雨丝清晰地面有倒影电影感, 晴天人群彩色雨伞), ] for i, (pos_prompt, neg_prompt) in enumerate(prompt_list): print(f正在生成第 {i1} 张图片: {pos_prompt[:30]}...) generate_yoga_image( promptpos_prompt, negative_promptneg_prompt, output_dir./batch_yoga_outputs )这样就能自动生成一组不同场景的瑜伽女孩图片非常适合用来创建系列素材。5. 总结与最佳实践通过本文你已经掌握了通过curl和Python两种主流方式调用“雯雯的后宫-造相Z-Image-瑜伽女孩”Xinference API的方法。从简单的单次生成到带参数的精细控制再到Python脚本的批量处理这个模型的潜力已经被你握在手中。最后几个小建议提示词是关键API再强大也需要好的“指令”提示词。描述越具体、越有画面感出图效果越好。多参考优秀的提示词案例。善用负面提示词这是提升出图质量的免费法宝。把不想要的东西如“畸形手”、“多余手指”、“画面模糊”写进去能有效避免很多问题。参数需要调试steps步数和guidance_scale引导尺度没有绝对的最优值。针对你的模型和想要的风格可以小范围调整测试比如steps从20到30guidance从7到9找到最适合的组合。注意性能与成本生成高分辨率、高步数的图片会消耗更多计算资源时间也更长。在批量生成时合理规划队列避免压垮服务。错误处理在生产环境中使用API务必做好完善的错误处理网络超时、服务器错误、返回数据异常等保证程序的健壮性。现在你可以跳出WebUI的界面将这个生成瑜伽女孩的AI能力无缝对接到任何你需要的地方了。无论是自动化的内容生产流水线还是嵌入到你自己的创意工具中玩法由你定义。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。 雯雯的后宫-造相Z-Image-瑜伽女孩Xinference API详解：curl与Python双方式调用
雯雯的后宫-造相Z-Image-瑜伽女孩Xinference API详解curl与Python双方式调用1. 引言从WebUI到API解锁更多玩法如果你已经通过Gradio WebUI体验过“雯雯的后宫-造相Z-Image-瑜伽女孩”这个模型看着它生成的那些阳光、柔美的瑜伽女孩图片可能会觉得“这界面挺方便的点点按钮就能出图。”但今天我想带你看看这个模型的另一面——它的API接口。通过API你能做的事情就多了批量生成一次请求生成几十张不同姿势的瑜伽女孩用于内容创作或素材库建设。集成到你的应用把你自己的网站、小程序或者内部工具直接变成一个“瑜伽图片生成器”。自动化工作流结合其他脚本定时生成图片、自动发布到社交媒体完全不用你动手。更精细的控制虽然WebUI提供了常用参数但API往往能暴露更多底层选项让你对生成结果有更强的把控力。简单来说WebUI是给“用户”用的而API是给“开发者”和“高级玩家”用的。本文将手把手教你如何通过最通用的两种方式——curl命令和Python代码来调用这个部署在Xinference上的文生图模型服务让你真正把这个强大的AI工具“用活”。2. 环境确认与API信息获取在开始调用之前我们需要先确认两件事模型服务是否在运行以及它的访问地址Endpoint是什么。2.1 确认模型服务状态这个镜像使用Xinference部署模型。服务启动后会默认在后台运行。你可以通过以下命令查看日志确认服务是否就绪cat /root/workspace/xinference.log当你在日志中看到类似Uvicorn running on http://0.0.0.0:9997以及模型加载成功的提示时就说明服务已经正常启动了。通常镜像内的WebUI通过那个Gradio界面能访问也意味着背后的API服务是可用的。2.2 获取模型API端点Endpoint这是调用API最关键的一步。Xinference为每个加载的模型分配一个唯一的模型IDmodel_uid和访问地址。对于这个“瑜伽女孩”镜像其API访问信息通常是固定的基础URLBase URL:http://localhost:9997模型唯一标识Model UID: 通常是z-image-yoga-girl或类似的名称具体需以镜像内实际设置为准下文会假设为yoga-girl。文生图API路径:/v1/images/generations因此完整的API端点Endpoint就是http://localhost:9997/v1/images/generations注意如果你是在远程服务器部署需要将localhost替换为服务器的实际IP地址。同时确保服务器的9997端口在安全组或防火墙规则中是开放的。3. 使用curl命令调用APIcurl是一个命令行工具用于传输数据它简单直接非常适合快速测试API或集成到Shell脚本中。3.1 基础调用示例假设我们想用WebUI里那个示例提示词来生成图片对应的curl命令如下curl -X POST http://localhost:9997/v1/images/generations \ -H Content-Type: application/json \ -d { model: yoga-girl, prompt: 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在地面映出朦胧光影背景是简约的原木风瑜伽室角落摆着绿植散尾葵整体色调暖白, n: 1, size: 1024x1024 }命令拆解-X POST: 指定使用HTTP POST方法发送请求。http://localhost:9997/v1/images/generations: 这是API的地址。-H Content-Type: application/json: 设置请求头告诉服务器我们发送的数据是JSON格式。-d ...: 这是请求体data里面包含了要发送给模型的参数是一个JSON对象。核心参数说明model: yoga-girl: 指定要使用哪个模型。请务必替换为你的模型实际UID。prompt: 描述你想要生成图片的文字也就是“提示词”。描述越详细图片越符合预期。n: 1: 表示一次生成1张图片。size: 1024x1024: 指定生成图片的尺寸。3.2 处理API返回结果执行上面的命令后服务器会返回一个JSON格式的响应。这个响应里就包含了生成图片的信息。一个典型的成功响应如下所示{ created: 1678886400, data: [ { url: data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAYAAAAfFcSJAAAADUlEQVR42mP8/5hHgAHggJ/PchI7wAAAABJRU5ErkJggg } ] }关键信息在data数组的第一个对象里其中的url字段是一个 Data URL。它直接把图片数据用Base64编码后内嵌在了这个字符串里。如何保存这张图片你可以用一些命令行工具来处理这个Base64字符串。一个简单的方法是使用python单行命令# 假设你把上面的JSON响应保存到了 response.json 文件 python3 -c import json, base64 with open(response.json, r) as f: resp json.load(f) img_data resp[data][0][url].split(,)[1] # 去掉data:image/png;base64,前缀 with open(yoga_girl.png, wb) as f: f.write(base64.b64decode(img_data)) print(图片已保存为 yoga_girl.png) 3.3 常用参数进阶除了基本的prompt,n,size文生图API通常还支持更多控制参数让生成的图片更符合你的要求。curl -X POST http://localhost:9997/v1/images/generations \ -H Content-Type: application/json \ -d { model: yoga-girl, prompt: 一个正在冥想打坐的瑜伽女孩宁静祥和室内柔光, negative_prompt: 丑陋畸形多余的手指画面模糊, n: 2, size: 768x1024, steps: 30, guidance_scale: 7.5 }新增参数解释negative_prompt:负面提示词。告诉模型你不想要图片中出现什么元素。这是提升图片质量、避免常见错误如多余的手指的利器。steps:迭代步数。生成图片是一个逐步去噪的过程步数越多细节可能越丰富但生成时间也越长。通常20-50是合理范围。guidance_scale:引导尺度。这个值控制模型在生成时有多“听话”地遵循你的提示词。值太低如5图片可能很自由但偏离描述值太高如15图片可能过于刻板、颜色饱和。7-9是常用范围。注意不同模型对参数的支持程度和默认值可能不同最好查阅Xinference或对应模型的文档。4. 使用Python调用API用Python调用API更加灵活可以方便地集成到你的项目、进行错误处理、批量操作等。4.1 使用requests库基础调用首先确保安装了requests库pip install requestsimport requests import json import base64 from PIL import Image from io import BytesIO # 1. 设置API端点 API_URL http://localhost:9997/v1/images/generations # 2. 准备请求数据 payload { model: yoga-girl, # 替换为你的模型UID prompt: 瑜伽女孩在海边沙滩上做战士二式夕阳西下剪影效果充满力量感, negative_prompt: 人多杂乱阴天现代建筑, n: 1, size: 1024x1024, steps: 25, guidance_scale: 8.0 } # 3. 设置请求头 headers { Content-Type: application/json, } # 4. 发送POST请求 try: response requests.post(API_URL, headersheaders, jsonpayload) response.raise_for_status() # 如果状态码不是200会抛出HTTPError异常 result response.json() except requests.exceptions.RequestException as e: print(f请求出错: {e}) exit(1) except json.JSONDecodeError as e: print(f解析响应JSON出错: {e}) print(f原始响应: {response.text}) exit(1) # 5. 处理响应并保存图片 if data in result and len(result[data]) 0: # 提取Base64图片数据 image_data_b64 result[data][0][url].split(,)[1] image_data base64.b64decode(image_data_b64) # 使用PIL打开并保存图片 image Image.open(BytesIO(image_data)) filename fyoga_beach_{result[created]}.png image.save(filename) print(f图片已成功保存为: {filename}) # image.show() # 如果你在本地有图形界面可以打开图片预览 else: print(API响应中没有找到图片数据。) print(f完整响应: {json.dumps(result, indent2)})这段代码做了以下几件事定义了API地址和请求数据。使用requests.post发送请求。加入了基本的错误处理网络错误、JSON解析错误。从响应中提取Base64图片数据。使用Python的base64库解码并用PILPillow库保存为PNG文件。4.2 构建一个简单的图片生成函数为了复用我们可以把上面的逻辑封装成一个函数def generate_yoga_image(prompt, negative_prompt, size1024x1024, steps20, output_dir./outputs): 调用瑜伽女孩模型生成图片 参数: prompt (str): 正面提示词 negative_prompt (str): 负面提示词 size (str): 图片尺寸如 512x512, 768x1024 steps (int): 迭代步数 output_dir (str): 图片输出目录 import os os.makedirs(output_dir, exist_okTrue) API_URL http://localhost:9997/v1/images/generations payload { model: yoga-girl, prompt: prompt, negative_prompt: negative_prompt, n: 1, size: size, steps: steps, guidance_scale: 7.5 } try: response requests.post(API_URL, jsonpayload) response.raise_for_status() result response.json() img_b64 result[data][0][url].split(,)[1] img_data base64.b64decode(img_b64) from datetime import datetime timestamp datetime.now().strftime(%Y%m%d_%H%M%S) # 用提示词前20个字符做文件名移除非法字符 safe_prompt .join([c for c in prompt[:20] if c.isalnum() or c in ( , -, _)]).rstrip() filename os.path.join(output_dir, fyoga_{safe_prompt}_{timestamp}.png) with open(filename, wb) as f: f.write(img_data) print(f[成功] 图片已保存: {filename}) return filename except Exception as e: print(f[失败] 生成图片时出错: {e}) return None # 使用函数 generate_yoga_image( prompt瑜伽女孩在清晨的森林里做树式阳光穿过树叶光斑点点氛围宁静, negative_prompt黄昏夜晚城市人物模糊, size768x1024 )4.3 实现批量图片生成有了基础函数批量生成就很简单了# 定义一组不同的场景提示词 prompt_list [ (瑜伽女孩在图书馆书架间做鹰式安静专注暖色调灯光, 户外运动装多人), (瑜伽女孩在雪山背景下做舞王式天空湛蓝画面极具张力, 室内昏暗平淡), (瑜伽女孩在雨中庭院做弓式雨丝清晰地面有倒影电影感, 晴天人群彩色雨伞), ] for i, (pos_prompt, neg_prompt) in enumerate(prompt_list): print(f正在生成第 {i1} 张图片: {pos_prompt[:30]}...) generate_yoga_image( promptpos_prompt, negative_promptneg_prompt, output_dir./batch_yoga_outputs )这样就能自动生成一组不同场景的瑜伽女孩图片非常适合用来创建系列素材。5. 总结与最佳实践通过本文你已经掌握了通过curl和Python两种主流方式调用“雯雯的后宫-造相Z-Image-瑜伽女孩”Xinference API的方法。从简单的单次生成到带参数的精细控制再到Python脚本的批量处理这个模型的潜力已经被你握在手中。最后几个小建议提示词是关键API再强大也需要好的“指令”提示词。描述越具体、越有画面感出图效果越好。多参考优秀的提示词案例。善用负面提示词这是提升出图质量的免费法宝。把不想要的东西如“畸形手”、“多余手指”、“画面模糊”写进去能有效避免很多问题。参数需要调试steps步数和guidance_scale引导尺度没有绝对的最优值。针对你的模型和想要的风格可以小范围调整测试比如steps从20到30guidance从7到9找到最适合的组合。注意性能与成本生成高分辨率、高步数的图片会消耗更多计算资源时间也更长。在批量生成时合理规划队列避免压垮服务。错误处理在生产环境中使用API务必做好完善的错误处理网络超时、服务器错误、返回数据异常等保证程序的健壮性。现在你可以跳出WebUI的界面将这个生成瑜伽女孩的AI能力无缝对接到任何你需要的地方了。无论是自动化的内容生产流水线还是嵌入到你自己的创意工具中玩法由你定义。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。