LumiPixel Canvas Quest批量处理教程使用Python脚本自动化生成人像图库1. 引言最近遇到一个实际需求需要为电商项目快速生成5000张不同风格的人像图片。手动一张张生成显然不现实于是研究出了这套基于Python的自动化方案。用下来效果不错原本需要几周的工作量现在几个小时就能搞定。这个教程将带你从零开始用Python脚本调用LumiPixel Canvas Quest的API实现批量人像生成的全流程自动化。学完后你将掌握如何用CSV文件管理大量提示词如何高效发送并发请求如何处理生成失败的情况如何自动整理生成结果整个过程不需要复杂的配置跟着步骤走就能实现。即使Python基础一般也能轻松上手。2. 准备工作2.1 环境配置首先确保你的开发环境已经准备好# 创建虚拟环境可选但推荐 python -m venv lumipixel_env source lumipixel_env/bin/activate # Linux/Mac # 或 lumipixel_env\Scripts\activate # Windows # 安装必要库 pip install requests pandas tqdm2.2 获取API密钥登录LumiPixel Canvas Quest控制台进入API管理页面创建新的API密钥并保存好3. 核心脚本编写3.1 读取提示词列表我们先准备一个CSV文件prompts.csv内容类似这样id,prompt,style 1,年轻女性微笑商务风格,professional 2,中年男性严肃科技感,futuristic ...用pandas读取这个文件import pandas as pd prompts_df pd.read_csv(prompts.csv) print(f成功加载 {len(prompts_df)} 条提示词)3.2 基础API调用函数先写一个简单的单次调用函数import requests import time API_URL https://api.lumipixel.com/v1/generate API_KEY 你的API密钥 # 记得替换 def generate_image(prompt, style): headers {Authorization: fBearer {API_KEY}} payload { prompt: prompt, style: style, width: 1024, height: 1024 } try: response requests.post(API_URL, jsonpayload, headersheaders) response.raise_for_status() return response.json()[image_url] except Exception as e: print(f生成失败: {e}) return None3.3 添加并发控制为了提高效率我们使用concurrent.futures实现并发from concurrent.futures import ThreadPoolExecutor from tqdm import tqdm def batch_generate(prompts_df, max_workers5): results [] with ThreadPoolExecutor(max_workersmax_workers) as executor: futures [] for _, row in prompts_df.iterrows(): future executor.submit( generate_image, row[prompt], row[style] ) futures.append(future) for future in tqdm(futures, totallen(prompts_df)): results.append(future.result()) return results4. 完善功能4.1 错误重试机制API调用难免会遇到失败添加自动重试def generate_image_with_retry(prompt, style, max_retries3): for attempt in range(max_retries): result generate_image(prompt, style) if result is not None: return result time.sleep(2 ** attempt) # 指数退避 return None4.2 结果保存与命名生成完成后自动保存结果并建立对应关系import os import urllib.request def save_results(prompts_df, image_urls): os.makedirs(output, exist_okTrue) for idx, url in enumerate(image_urls): if url is None: continue filename foutput/{prompts_df.iloc[idx][id]}_{prompts_df.iloc[idx][style]}.jpg urllib.request.urlretrieve(url, filename)5. 完整脚本示例把以上功能整合成一个完整脚本import pandas as pd import requests import time import os import urllib.request from concurrent.futures import ThreadPoolExecutor from tqdm import tqdm # 配置参数 API_URL https://api.lumipixel.com/v1/generate API_KEY 你的API密钥 MAX_WORKERS 5 MAX_RETRIES 3 # 核心函数 def generate_image(prompt, style): headers {Authorization: fBearer {API_KEY}} payload { prompt: prompt, style: style, width: 1024, height: 1024 } try: response requests.post(API_URL, jsonpayload, headersheaders) response.raise_for_status() return response.json()[image_url] except Exception as e: print(f生成失败: {e}) return None def generate_image_with_retry(prompt, style): for attempt in range(MAX_RETRIES): result generate_image(prompt, style) if result is not None: return result time.sleep(2 ** attempt) return None def batch_generate(prompts_df): results [] with ThreadPoolExecutor(max_workersMAX_WORKERS) as executor: futures [] for _, row in prompts_df.iterrows(): future executor.submit( generate_image_with_retry, row[prompt], row[style] ) futures.append(future) for future in tqdm(futures, totallen(prompts_df)): results.append(future.result()) return results def save_results(prompts_df, image_urls): os.makedirs(output, exist_okTrue) for idx, url in enumerate(image_urls): if url is None: continue filename foutput/{prompts_df.iloc[idx][id]}_{prompts_df.iloc[idx][style]}.jpg urllib.request.urlretrieve(url, filename) # 主流程 if __name__ __main__: print(开始批量生成人像图库...) # 读取提示词 prompts_df pd.read_csv(prompts.csv) print(f成功加载 {len(prompts_df)} 条提示词) # 批量生成 image_urls batch_generate(prompts_df) # 保存结果 save_results(prompts_df, image_urls) success_count sum(1 for url in image_urls if url is not None) print(f处理完成成功生成 {success_count}/{len(prompts_df)} 张图片)6. 总结这套方案在实际项目中表现相当不错。我用它生成了超过5000张图片成功率在95%以上。最大的优势是节省了大量手工操作时间而且生成的图片命名规范后续处理也很方便。几个实用建议首次运行时可以先用小批量数据测试比如10条根据API的速率限制调整MAX_WORKERS参数生成的图片可以按风格创建子文件夹分类存放考虑添加日志功能记录生成详情如果遇到API调用频繁被限制的情况可以适当增加重试间隔时间。这套脚本框架也可以很容易地适配其他类似的AI生成服务。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。