我在Poe、Replicate、Fal、Grok、本地运用Draw things APP 都试过Flux，效果很不错，但也有些问题。本地跑 FLUX.1 [dev] 8bit版本，电脑（32G内存）风扇呜呜响，天生韶光也比较长。
利用Streamlit和Replicate API批量天生图片本日，先容如何通过Streamlit调用Replicate API来批量天生图片。
Replicate积分活动Replicate有一个10美元积分活动，点击即可领取
https://replicate.com/invites/572ae3c6-1385-41b3-afdc-1e99e11836b8
Replicate图片天生效率
用Replicate天生的单张图片大小约1.5M。（100%png，schnell和dev模型）
1美元可以天生333张schnell图片或33张dev图片。
利用FLUX.1 [schnell]批量天生图片
非常推举用FLUX.1 [schnell]来批量天生图片
Streamlit运用实例
我编写了Streamlit运用眨眼之间就能天生图片。
我设定的逻辑是上传txt，txt里每一段便是一个提示词，可以批量天生图片。
上面小猫找妈妈风格同等的图片是这样制作的：
和Claude沟通AI绘图提示词
对应的中文如下：
"超写实高分辨率图像。一只小橘猫，绿色的大眼睛，粉赤色的鼻子和白色的爪子，独自坐在一个舒适的藤篮里。小猫看起来困惑且担忧，毛发的细节清晰可见。柔和的晨光从附近的窗户洒进来，营造出逼真的阴影，照亮空气中的灰尘颗粒。场景捕捉到了篮子的纹理、小猫毛发的优柔感，以及光影交错的拍照般的准确性。""超写实高分辨率图像。同一只绿色眼睛、粉赤色鼻子和白色爪子的小橘猫小心翼翼地探索着阳光充足的客厅。小猫偷偷瞥向家具下方和窗帘后面，它的髯毛和单根毛发清晰可见。阳光在优柔的地毯上形成了图案，每一根纤维都清晰分明。这种仿照片的画质展现了表面的反光效果和类似专业拍照的景深。""超写实高分辨率图像。年夜胆的小橘猫，有着显眼的绿色眼睛和白色的爪子，进入了一个郁郁葱葱的后院花园。高耸的花朵和草环绕着这个小小的生灵，每一片花瓣和草叶都以清晰的细节呈现。附近有蝴蝶翩翩起舞，它们薄弱的翅膀被捕捉到在翱翔的瞬间。高分辨率风格展现了小猫每一根髯毛和它毛色的细微变革。""超写实高分辨率图像。雨开始下了，小橘猫带着绿色眼睛，找到了一个木质门廊下的庇护所。它的白色爪子上沾着一点泥，质感真实。水点在附近的小水坑里激起了荡漾，逼真地反响出小猫的脸。场景捕捉了小猫湿润的毛发、门廊木纹的细节，以及雨滴折射光芒的效果。""超写实高分辨率图像。这只武断的小橘猫，绿色的眼睛充满警觉，白色的爪子略显怠倦，连续在安静的郊区人行道上探求。随着薄暮的来临，街灯发出温暖的光芒，在小猫的毛发上创造出逼真的光效。高分辨率风格显示了水泥人行道的质地，边缘草叶的细节，以及光影的奇妙渐变。""超写实高分辨率图像。终极，小橘猫带着绿色的眼睛和白色的爪子，与同样毛色的母猫喜悦地团圆了。他们在家门前亲密地相互蹭着。超写实风格捕捉到了每一个细节：它们毛发的优柔，眼中的光泽，鼻子的纹理，和每一根髯毛。场景的灯光突出了相逢时的情绪温暖，猫咪们被锐利地聚焦，背景略显模糊。"
运行程序时，在高等设置里固定种子。
由于Replicate里3个模型参数稍有差别，我设定的Streamlit运用可选schnell和dev来批量天生图片。
完全代码
import streamlit as stimport replicateimport ioimport base64from zipfile import ZipFileimport requestsimport asynciofrom PIL import Imageimport logging# 设置日志记录logging.basicConfig(level=logging.INFO)logger = logging.getLogger(__name__)# 设置页面标题st.set_page_config(page_title="Flux 图像天生器", layout="wide")# 标题st.title("Flux 图像天生器")# 选择模型model = st.selectbox( "选择模型", ["black-forest-labs/flux-schnell", "black-forest-labs/flux-dev"], help="选择要利用的Flux模型")# 输入提示词prompt = st.text_area("输入提示词", help="描述您想天生的图像")# 上传txt文件uploaded_file = st.file_uploader("上传提示词文件 (每行一个提示词)", type="txt")# 设置参数with st.expander("高等设置"): seed = st.number_input("随机种子", min_value=0, help="设置随机种子以得到可重复的天生结果") num_outputs = st.slider("每个提示词的输出数量", min_value=1, max_value=4, value=1, help="每个提示词天生的图像数量") aspect_ratio = st.selectbox( "宽高比", ["16:9", "1:1", "21:9", "2:3", "3:2", "4:5", "5:4", "9:16", "9:21"], index=0, help="天生图像的宽高比" ) output_format = st.selectbox("输出格式", ["png", "webp", "jpg"], index=0, help="输出图像的格式") output_quality = st.slider("输出质量", min_value=0, max_value=100, value=100, help="输出图像的质量,从0到100。100是最佳质量,0是最低质量。对付.png输出不干系") disable_safety_checker = st.checkbox("禁用安全检讨器", help="禁用天生图像的安全检讨器。此功能仅通过API可用。")async def generate_image_async(prompt, model, input_data, timeout=45): try: prediction = await replicate.predictions.async_create( model=model, input=input_data ) start_time = asyncio.get_event_loop().time() while prediction.status != "succeeded": if asyncio.get_event_loop().time() - start_time > timeout: raise asyncio.TimeoutError(f"天生图像超时（{timeout}秒）") await asyncio.sleep(1) prediction = await replicate.predictions.async_get(prediction.id) logger.info(f"API 相应: {prediction.output}") logger.info(f"完全的 API 相应: {prediction}") if prediction.output: if isinstance(prediction.output, list): return prediction.output[0] if prediction.output else None elif isinstance(prediction.output, str): return prediction.output else: logger.error(f"未知的 API 相应格式: {type(prediction.output)}") return None else: logger.error("API 相应为空") return None except asyncio.TimeoutError as e: logger.error(str(e)) return None except Exception as e: logger.error(f"天生图像时发生缺点: {str(e)}") return Nonedef get_image_download_link(img_url, filename): response = requests.get(img_url) response.raise_for_status() img_data = response.content b64 = base64.b64encode(img_data).decode() file_size = len(img_data) logger.info(f"下载的图像大小: {file_size} 字节") return f'<a href="data:image/png;base64,{b64}" download="{filename}">下载图片 ({file_size/1024:.2f} KB)</a>'# 天生按钮if st.button("天生图像"): prompts = [] if uploaded_file: prompts = [line.decode("utf-8").strip() for line in uploaded_file] elif prompt: prompts = [prompt] if not prompts: st.error("请输入提示词或上传提示词文件") else: with st.spinner(f"正在天生 {len(prompts) num_outputs} 张图像..."): async def generate_all_images(): tasks = [] for current_prompt in prompts: for _ in range(num_outputs): input_data = { "prompt": current_prompt, "seed": seed if seed else None, "aspect_ratio": aspect_ratio, "output_format": output_format, "output_quality": output_quality, "disable_safety_checker": disable_safety_checker } input_data = {k: v for k, v in input_data.items() if v is not None} tasks.append(generate_image_async(current_prompt, model, input_data, timeout=45)) return await asyncio.gather(tasks) loop = asyncio.new_event_loop() asyncio.set_event_loop(loop) generated_images = loop.run_until_complete(generate_all_images()) # 显示天生的图像 for i, image_url in enumerate(generated_images): if image_url: logger.info(f"处理图像 URL: {image_url}") col1, col2 = st.columns([3, 1]) with col1: try: if not image_url.startswith(('http://', 'https://')): raise ValueError(f"无效的 URL: {image_url}") response = requests.get(image_url) response.raise_for_status() image = Image.open(io.BytesIO(response.content)) logger.info(f"图像 {i+1} 尺寸: {image.size}") st.image(image, caption=f"天生的图像 {i+1}", use_column_width=True) logger.info(f"成功显示图像 {i+1}") except requests.RequestException as e: logger.error(f"下载图像时发生缺点: {str(e)}") st.error(f"无法加载图像 {i+1}: {str(e)}") except ValueError as e: logger.error(str(e)) st.error(f"无效的图像 URL {i+1}: {str(e)}") except Exception as e: logger.error(f"处理图像时发生未知缺点: {str(e)}") st.error(f"处理图像 {i+1} 时发生缺点: {str(e)}") with col2: st.markdown(get_image_download_link(image_url, f"generated_image_{i+1}.{output_format}"), unsafe_allow_html=True) st.text_area("提示词", prompts[i // num_outputs], height=100) else: logger.warning(f"图像 {i+1} 的 URL 为空") # 批量下载 if len(generated_images) > 1: zip_buffer = io.BytesIO() with ZipFile(zip_buffer, 'w') as zip_file: for i, image_url in enumerate(generated_images): if image_url: response = requests.get(image_url) zip_file.writestr(f"generated_image_{i+1}.{output_format}", response.content) zip_buffer.seek(0) b64 = base64.b64encode(zip_buffer.getvalue()).decode() href = f'<a href="data:application/zip;base64,{b64}" download="generated_images.zip">下载所有图片</a>' st.markdown(href, unsafe_allow_html=True)# 添加解释st.markdown("""## 利用解释- 选择要利用的Flux模型。- 在文本框中输入描述您想要天生的图像的提示词，或上传包含多个提示词的txt文件（每行一个提示词）。- 如果须要，可以展开“高等设置”调度其他参数。- 点击“天生图像”按钮开始天生过程。- 天生的图像将显示在页面上，您可以单独下载每张图片或批量下载所有图片。把稳：确保您已经设置了REPLICATE_API_TOKEN环境变量，否则API调用将失落败。""")运行解释环境准备：确保您的系统已安装Python（建议利用Python 3.9或更高版本）。安装依赖：打开命令行终端。安装必要的库。您可以利用以下命令：pip install streamlit replicate pillow requests设置API令牌：在Windows上：set REPLICATE_API_TOKEN=your_token_here在Mac或Linux上：export REPLICATE_API_TOKEN=your_token_here您须要一个Replicate API令牌。如果没有，请在Replicate网站上注册并获取令牌。设置环境变量REPLICATE_API_TOKEN。在终端中运行：保存代码：将供应的代码保存为一个Python文件，例如flux_image_generator.py。运行运用：在终端中，导航到保存代码的目录。运行以下命令启动Streamlit运用：streamlit run flux_image_generator.py利用运用：Streamlit会自动在您的默认web浏览器中打开运用。如果没有自动打开，您可以在浏览器中访问终端显示的URL（常日是 http://localhost:8501）。在运用中：选择Flux模型。输入提示词或上传包含提示词的txt文件。调度高等设置（如果须要）。点击"天生图像"按钮。查当作果：天生的图像将显示在页面上。您可以下载单个图像或所有图像的压缩包。
把稳事变：
确保您的网络连接良好，由于程序须要与Replicate API进行通信。如果碰着任何缺点，请检讨终端输出以获取更多信息。结语通过结合Streamlit和Replicate API，我们可以轻松实现批量图像天生，大大提高了效率。
希望本文的先容和代码示例能够引发您的创意，帮助您在AI图像天生领域展开探索。
广告过去我已写了170+篇AI主题原创长文，我对连续写作充满信心，由于这是我的爱好，我非常热爱这件事。
最近我开通了知识星球，你加入后可以访问"大众年夜众号收费文章，向我提问，第一韶光获取AI资讯。