Stable Diffusion (SD) est un modèle puissant de génération d'images capable de créer des visuels haute résolution et de grande qualité. Stable Diffusion WebUI offre une interface utilisateur graphique basée sur Gradio, accompagnée d'un ensemble complet d'outils de génération d'images. Elastic Algorithm Service (EAS) prend en charge le déploiement par scénarios. Vous pouvez déployer un service SD WebUI en un seul clic en configurant uniquement quelques paramètres.
Fonctionnalités et avantages
Par rapport aux services auto-gérés, PAI-EAS présente les avantages suivants :
Déploiement en un clic : Les images d'exécution préconfigurées intègrent toutes les dépendances nécessaires.
Mise à l'échelle automatique des GPU : Ajuste dynamiquement les ressources GPU en fonction de la demande.
Fonctionnalités de niveau entreprise : Isolation multi-utilisateurs, partage de GPU et répartition des coûts.
Gestion de fichiers intégrée : L'extension FileBrowser facilite le téléchargement des modèles.
Choisir la version adaptée
Version | Scénarios | Méthode d'appel | Facturation |
Edition Standard | Tests personnels et développement de prototypes | WebUI, appels API (synchrone) | La facturation est basée sur la configuration du déploiement. Pour plus d'informations, consultez Facturation d'EAS. |
Edition API | APIs pour environnement de production, scénarios à forte concurrence | Appels API (synchrone et asynchrone) | |
Edition Cluster WebUI | Collaboration en équipe, équipes de design | WebUI | |
Edition Serverless Remarque Cette édition est disponible uniquement dans les régions Chine (Shanghai) et Chine (Hangzhou). | Charges de travail élastiques, optimisation des coûts | WebUI | Le déploiement du service est gratuit. Vous êtes facturé uniquement pour la durée de la génération d'images. |
Démarrage rapide : Déployer des services de génération d'art IA à l'aide d'un modèle basé sur un scénario
Connectez-vous à la console PAI. Sélectionnez une région en haut de la page. Ensuite, choisissez l'espace de travail souhaité et cliquez sur Enter Elastic Algorithm Service (EAS).
Sur la page Elastic Algorithm Service (EAS), cliquez sur Deploy Service. Puis, dans la zone Scenario-based Model Deployment, cliquez sur AI Painting - SD Web UI Deployment.
-
Configurez les paramètres clés suivants :
Version : Sélectionnez Edition Standard.
Model Settings : Sélectionnez OSS ainsi qu'un chemin d'accès au bucket pour stocker les fichiers de modèle et les images générées par l'inférence.
Instance Type : Sélectionnez un type GPU. La spécification recommandée est
ml.gu7i.c16m60.1-gu30car elle offre le meilleur rapport coût-efficacité.
Une fois les paramètres configurés, cliquez sur Deploy. Attendez 5 à 10 minutes jusqu'à ce que l'état du service passe à Running.
Appeler le service
Appel via WebUI
Vous pouvez utiliser WebUI pour appeler les services des éditions Standard, Cluster WebUI et Serverless. Suivez les étapes ci-dessous :
Cliquez sur le nom du service cible pour accéder à la page Overview, puis cliquez sur Web applications dans le coin supérieur droit.
-
Effectuez une validation de l'inférence du modèle.
Sur la page Stable Diffusion WebUI, dans l'onglet Text-to-Image, saisissez un prompt positif, par exemple
cute dog. Ensuite, cliquez sur Generate pour créer l'œuvre d'art IA.
Appel via des requêtes API synchrones
Après avoir déployé un service de type Edition Standard ou Edition API, vous pouvez envoyer des requêtes API synchrones.
Interroger les informations sur l'endpoint
Une fois le service déployé, cliquez sur son nom pour ouvrir la page Overview.
Dans la zone Basic Information, cliquez sur View Endpoint Information.
Sur la page Invocation Information, récupérez l'endpoint public du service et le jeton (token).
Exemples d'appels
Enregistrer les images sur un appareil local
import requests
import base64
from PIL import Image
import io
# IMPORTANT: Remove the trailing slash (/) from the endpoint URL.
SERVICE_URL = "<your_endpoint_url>"
TOKEN = "<your_token>"
def generate_image(prompt: str) -> Image.Image:
"""Generates an image based on a text prompt."""
payload = {
"prompt": prompt,
"negative_prompt": "blurry, low quality, deformed",
"steps": 25,
"width": 512,
"height": 512,
"cfg_scale": 7.5,
}
response = requests.post(
f"{SERVICE_URL}/sdapi/v1/txt2img",
json=payload,
headers={"Authorization": TOKEN}
)
response.raise_for_status()
# Decode the first image
img_data = response.json()["images"][0]
return Image.open(io.BytesIO(base64.b64decode(img_data)))
# Generate and save the image
image = generate_image("a serene mountain landscape at sunset")
image.save("output.png")
Enregistrer les images sur OSS
import requests
# IMPORTANT: Remove the trailing slash (/) from the endpoint URL.
SERVICE_URL = "<your_endpoint_url>"
TOKEN = "<your_token>"
payload = {
"prompt": "professional portrait photography",
"steps": 30,
"alwayson_scripts": {
"sd_model_checkpoint": "v1-5-pruned-emaonly.safetensors",
"save_dir": "/code/stable-diffusion-webui/data/outputs"
}
}
response = requests.post(
f"{SERVICE_URL}/sdapi/v1/txt2img",
json=payload,
headers={"Authorization": TOKEN}
)
# Get the path of the saved image
data = response.json()
# This is the mount_path corresponding to the default mounted OSS folder when you deploy the EAS service.
mount_path = "/code/stable-diffusion-webui/data"
# This is the OSS bucket address you selected when you deployed the EAS service.
oss_url = "oss://examplebucket/data-oss"
for idx, img_path in enumerate(data['parameters']['image_url'].split(',')):
# Get the actual address of the generated image in OSS.
img_oss_path = img_path.replace(mount_path, oss_url)
print(img_oss_path)
Vous pouvez également utiliser les formats de données LoRA et ControlNet dans les données de la requête.
Utiliser une configuration de modèle LoRA dans les données de la requête
Lors de l'envoi d'une requête de service, vous pouvez ajouter <lora:yaeMikoRealistic_Genshin:1000> au corps de la requête pour inclure un modèle LoRA. Pour plus d'informations, consultez Lora.
L'exemple suivant illustre la configuration du corps de la requête.
{
"prompt":"girls <lora:yaeMikoRealistic_Genshin:1>",
"steps":20,
"save_images":true
}
Utiliser le format de données ControlNet dans les données de la requête
L'utilisation du format de données ControlNet dans les requêtes API permet d'effectuer des transformations d'images courantes. Pour savoir comment configurer cette option, consultez Format de données ControlNet pour la conversion texte-imageDéploiement de l'art génératif avec SDWebUI.
Appel via des requêtes API asynchrones
Après avoir déployé un service de type Edition API, vous pouvez envoyer des requêtes API asynchrones. En mode asynchrone, le client n'a pas besoin d'attendre le résultat. Il reçoit plutôt les résultats poussés depuis le serveur via un abonnement. Suivez les étapes ci-dessous :
Interroger les informations d'appel
Une fois le service déployé avec succès, cliquez sur son nom pour accéder à la page Overview.
Dans la zone Basic Information, cliquez sur View Endpoint Information.
Sur la page Invocation Information, cliquez sur l'onglet Asynchronous Invocation pour obtenir l'adresse d'appel publique et le jeton (token).
Envoyer une requête
Le client envoie une requête au serveur via une opération API asynchrone.
import requests
SERVICE_URL = "<your_public_input_endpoint>"
TOKEN = "<your_token>"
response = requests.post(
f"{SERVICE_URL}/sdapi/v1/txt2img?task_id=job_001",
json={
"prompt": "futuristic city skyline",
"steps": 30,
"alwayson_scripts": {
"save_dir": "/code/stable-diffusion-webui/data/outputs"
}
},
headers={"Authorization": TOKEN}
)
print(f"Task enqueued: {response.json()}")
-
La file d'attente asynchrone impose des limites sur la taille des requêtes d'entrée et des résultats de sortie, qui ne doivent généralement pas dépasser 8 Ko. Par conséquent, lors de l'envoi de requêtes, vous devez respecter les deux conditions suivantes :
Si les données de la requête contiennent des images, nous vous recommandons d'utiliser des URL pour transmettre les informations relatives aux images. Stable Diffusion WebUI télécharge et analyse automatiquement ces données d'image.
Afin de garantir que le résultat renvoyé ne contient pas les données d'image originales, nous vous conseillons d'utiliser save_dir pour spécifier le chemin d'enregistrement des images générées. Pour plus d'informations, consultez Paramètres supplémentaires configurables pour les opérations APIParamètres supplémentaires configurables pour les opérations API.
Résultats de l'abonnement
Le client reçoit les résultats via un abonnement. Une fois que le serveur a traité la requête, il pousse automatiquement le résultat vers le client.
from eas_prediction import QueueClient
# You must adjust the endpoint URL format to match the example: 112231234124214.cn-hangzhou.pai-eas.aliyuncs.com
SERVICE_URL = "<your_endpoint_url>"
TOKEN = "<your_token>"
# The service name configured when the service was created
SERVICE_NAME = "<your_service_name>"
sink = QueueClient(SERVICE_URL, SERVICE_NAME + '/sink')
sink.set_token(TOKEN)
sink.init()
for result in sink.watch(0, 5, auto_commit=True).run():
print(f"Task {result.tags.get('task_id')} completed")
print(f"Image URL: {result.data}")
EAS prend en charge de nouvelles fonctionnalités basées sur les opérations API natives de Stable Diffusion WebUI. Vous pouvez ajouter des paramètres optionnels aux données de la requête pour implémenter davantage de fonctionnalités. Pour plus d'informations, consultez Paramètres supplémentaires configurables pour les opérations APIParamètres supplémentaires configurables pour les opérations API.
Options de déploiement avancées
Déploiement personnalisé
Déploiement basé sur JSON
Installer des plug-ins pour des fonctionnalités avancées
Vous pouvez installer des plug-ins pour Stable Diffusion WebUI afin d'étendre ses fonctionnalités. PAI propose plusieurs plug-ins préinstallés, tels que le plug-in BeautifulPrompt, qui permet d'enrichir et d'affiner les prompts. La section suivante utilise BeautifulPrompt comme exemple pour illustrer l'installation et l'utilisation d'un plug-in.
Installer un plug-in
Vous pouvez consulter et installer des plug-ins depuis l'onglet Extensions de la page WebUI. Procédez comme suit :
Cliquez sur le nom du service cible pour accéder à la page Overview, puis cliquez sur Web applications dans le coin supérieur droit.
-
Sur la page WebUI, dans l'onglet Extensions, vérifiez si BeautifulPrompt est sélectionné. Si ce n'est pas le cas, sélectionnez le plug-in et cliquez sur Apply and restart UI pour recharger le plug-in BeautifulPrompt.
Lors de l'installation du plug-in, la page WebUI redémarre automatiquement. Une fois le rechargement terminé, vous pouvez effectuer une validation par inférence.
Utiliser le plug-in pour la validation par inférence
-
Basculez vers l'onglet BeautifulPrompt, saisissez un prompt simple dans la zone de texte, puis cliquez sur Generate pour générer un prompt plus détaillé.
Vous pouvez configurer les paramètres de génération suivants :
Top K : 50
Top P : 0,9
Temperature : 0,9
Repetition penalty : 1,05
Max new tokens : 384
Num prompts : 5
Après avoir cliqué sur Generate, le panneau de résultats à droite affiche plusieurs prompts Stable Diffusion enrichis. À droite de chaque résultat, les boutons to txt2img et to img2img vous permettent d'envoyer directement le prompt vers la page de fonctionnalité correspondante.
PAI propose plusieurs modèles de génération de prompts, chacun produisant des prompts légèrement différents. Les modèles disponibles sont les suivants :
pai-bloom-1b1-text2prompt-sd-v2 : Excellent pour générer des prompts destinés à des scènes complexes.
pai-bloom-1b1-text2prompt-sd : Génère des prompts décrivant un objet unique.
Sélectionnez le modèle approprié pour générer des prompts selon vos besoins. Vous pouvez également cocher la case Negative prompt pour générer simultanément des prompts négatifs.
-
Sélectionnez le prompt souhaité et cliquez sur to txt2img à droite du prompt.
La page bascule automatiquement vers l'onglet Text-to-Image et remplit la zone de prompt.
-
Cliquez sur Generate pour générer une image sur le côté droit de la page WebUI.
Le prompt enrichi inclut des descripteurs riches en qualité d'image et en composition, tels que masterpiece, best quality et ultra-detailed, qui aident à générer des images de haute qualité de style anime.
Par rapport à une utilisation sans le plug-in BeautifulPrompt, son utilisation améliore la qualité esthétique des images générées et vous aide à ajouter plus de détails. Le tableau suivant présente une comparaison des résultats avec et sans le plug-in BeautifulPrompt pour d'autres scénarios.
Input Prompt
Result without BeautifulPrompt
Result with BeautifulPrompt
a cat


a giant tiger


FAQ
Q : Comment monter mes propres modèles et répertoires de sortie ?
Q : Les plug-ins téléchargés et les fichiers téléchargés sont-ils conservés dans l'instance si la configuration reste inchangée ?
Q : Que faire si le service reste bloqué pendant une longue période ?
Q : Comment passer la langue par défaut de la page WebUI à l'anglais ?
Q : Comment gérer mon système de fichiers ?
Q : Erreur : No such file or directory: 'data-oss/data-.png'
Q : Je ne peux pas accéder à la page WebUI
Annexe
Paramètres configurables au démarrage du service
-
Paramètres courants
Common parameter
Feature description
Recommendation
--bladeActive l'accélération PAI-Blade pour accélérer la génération d'images.
Nous vous recommandons d'activer cette option.
--filebrowserUn plug-in qui permet de télécharger et de téléverser des modèles ou des images.
Activé par défaut.
--data-dir /code/stable-diffusion-webui/data-ossLe chemin utilisé pour les montages de stockage persistant.
À utiliser lors du montage d'un stockage persistant. Le chemin de départ par défaut est
/code/stable-diffusion-webui/. Vous pouvez également utiliser un chemin relatif.--apiLe mode d'appel API pour WebUI.
Activé par défaut.
--enable-nsfw-censorDésactivé par défaut. Si vous avez des exigences de sécurité et de conformité, vous pouvez activer la fonctionnalité de détection de contenu pornographique.
Ajustez selon vos besoins.
--always-hide-tabsSpécifie que certains onglets sont masqués.
Ajustez selon vos besoins.
--min-ram-reserved 40 --sd-dynamic-cacheMise en cache du grand modèle Stable Diffusion en mémoire.
Aucune.
-
Paramètres de l'édition Cluster
RemarqueLes LLM checkpoint (ckpt) et ControlNet LLM chargent automatiquement les fichiers du répertoire public et vos fichiers personnalisés.
Cluster edition parameter
Feature description
Recommendation
--lora-dirSpécifie le répertoire public des modèles LoRA. Par exemple,
--lora-dir /code/stable-diffusion-webui/data-oss/models/Lora.Non configuré par défaut. Tous les répertoires LoRA des utilisateurs sont isolés et seuls les modèles LoRA du dossier de l'utilisateur sont chargés. Lorsqu'un répertoire spécifique est spécifié, tous les utilisateurs chargent à la fois les modèles LoRA de ce répertoire public et les modèles LoRA de leurs propres dossiers.
--vae-dirSpécifie le répertoire public des modèles VAE. Par exemple,
--vae-dir /code/stable-diffusion-webui/data-oss/models/VAE.Non configuré par défaut. Tous les répertoires VAE des utilisateurs sont isolés et seuls les modèles VAE du dossier de l'utilisateur sont chargés. Lorsqu'un répertoire spécifique est spécifié, tous les utilisateurs chargent uniquement les modèles VAE de ce répertoire public.
--gfpgan-dirSpécifie le répertoire public des modèles GFPGAN. Par exemple,
--gfpgan-dir /code/stable-diffusion-webui/data-oss/models/GFPGAN.Non configuré par défaut. Tous les répertoires GFPGAN des utilisateurs sont isolés et seuls les modèles GFPGAN du dossier de l'utilisateur sont chargés. Lorsqu'un répertoire spécifique est spécifié, tous les utilisateurs chargent uniquement les modèles GFPGAN de ce répertoire public.
--embeddings-dirSpécifie le répertoire public des modèles embeddings. Par exemple,
--embeddings-dir /code/stable-diffusion-webui/data-oss/embeddings.Non configuré par défaut. Tous les répertoires embeddings des utilisateurs sont isolés et seuls les modèles embeddings du dossier de l'utilisateur sont chargés. Lorsqu'un répertoire spécifique est spécifié, tous les utilisateurs chargent uniquement les modèles embeddings de ce répertoire public.
--hypernetwork-dirSpécifie le répertoire public des modèles hypernetwork. Par exemple,
--hypernetwork-dir /code/stable-diffusion-webui/data-oss/models/hypernetworks.Non configuré par défaut. Tous les répertoires hypernetwork des utilisateurs sont isolés et seuls les modèles hypernetwork du dossier de l'utilisateur sont chargés. Lorsqu'un répertoire spécifique est spécifié, tous les utilisateurs chargent uniquement les modèles hypernetwork de ce répertoire public.
--root-extensionsLe répertoire des plug-ins utilise un répertoire partagé. Avec ce paramètre, tous les utilisateurs voient exactement les mêmes plug-ins.
Utilisez ce paramètre lorsque vous devez installer ou gérer des plug-ins de manière centralisée.
Paramètres supplémentaires configurables pour les opérations API
EAS prend en charge de nouvelles fonctionnalités basées sur l'API native Stable Diffusion WebUI. En plus des paramètres requis, vous pouvez ajouter des paramètres facultatifs à l'opération API pour implémenter davantage de fonctionnalités ou répondre à des exigences personnalisées.
Vous pouvez spécifier le modèle Stable Diffusion, le modèle VAE et le répertoire de sauvegarde.
Vous pouvez saisir des paramètres à l'aide d'une URL et recevoir les codes d'état correspondants.
Les images générées et leurs images ControlNet correspondantes sont accessibles via une URL.
Voici des exemples d'utilisation.
Exemples de requête et de réponse Text-to-image
Voici un exemple du format des données de requête.
{
"alwayson_scripts": {
"sd_model_checkpoint": "deliberate_v2.safetensors",
"save_dir": "/code/stable-diffusion-webui/data-oss/outputs",
"sd_vae": "Automatic"
},
"steps": 20,
"prompt": "girls",
"batch_size": 1,
"n_iter": 2,
"width": 576,
"height": 576,
"negative_prompt": "ugly, out of frame"
}
Le tableau suivant décrit les paramètres clés.
sd_model_checkpoint : Spécifie le point de contrôle du modèle Stable Diffusion, ce qui permet le basculement automatique vers un grand modèle.
sd_vae : Spécifie le modèle VAE.
save_dir : Spécifie le chemin de sauvegarde des images générées.
Voici un exemple de requête API synchrone.
# Call the synchronous API operation to validate the model effect.
curl --location --request POST '<service_url>/sdapi/v1/txt2img' \
--header 'Authorization: <token>' \
--header 'Content-Type: application/json' \
--data-raw '{
"alwayson_scripts": {
"sd_model_checkpoint": "deliberate_v2.safetensors",
"save_dir": "/code/stable-diffusion-webui/data-oss/outputs",
"sd_vae": "Automatic"
},
"prompt": "girls",
"batch_size": 1,
"n_iter": 2,
"width": 576,
"height": 576,
"negative_prompt": "ugly, out of frame"
}'
Voici un exemple du format des données de réponse :
{
"images": [],
"parameters": {
"id_task": "14837",
"status": 0,
"image_url": "/code/stable-diffusion-webui/data-oss/outputs/txt2img-grids/2023-07-24/grid-29a67c1c-099a-4d00-8ff3-1ebe6e64931a.png,/code/stable-diffusion-webui/data-oss/outputs/txt2img-images/2023-07-24/74626268-6c81-45ff-90b7-faba579dc309-1146644551.png,/code/stable-diffusion-webui/data-oss/outputs/txt2img-images/2023-07-24/6a233060-e197-4169-86ab-1c18adf04e3f-1146644552.png",
"seed": "1146644551,1146644552",
"error_msg": "",
"total_time": 32.22393465042114
},
"info": ""
}
Voici un exemple de requête API asynchrone :
# Send data directly to the asynchronous queue.
curl --location --request POST '<service_url>/sdapi/v1/txt2img' \
--header 'Authorization: <token>' \
--header 'Content-Type: application/json' \
--data-raw '{
"alwayson_scripts": {
"sd_model_checkpoint": "deliberate_v2.safetensors",
"id_task": "14837",
"uid": "123",
"save_dir": "tmp/outputs"
},
"prompt": "girls",
"batch_size": 1,
"n_iter": 2,
"width": 576,
"height": 576,
"negative_prompt": "ugly, out of frame"
}'
Exemple de format de données de requête Image-to-image
Voici un exemple du format des données de requête.
{
"alwayson_scripts": {
"image_link":"https://eas-cache-cn-hangzhou.oss-cn-hangzhou-internal.aliyuncs.com/stable-diffusion-cache/tests/boy.png",
"sd_model_checkpoint": "deliberate_v2.safetensors",
"sd_vae": "Automatic",
"save_dir": "/code/stable-diffusion-webui/data-oss/outputs"
},
"prompt": "girl",
"batch_size": 1,
"n_iter": 2,
"width": 576,
"height": 576,
"negative_prompt": "ugly, out of frame",
"steps": 20, # Sampling steps
"seed": 111,
"subseed": 111, # Variation seed
"subseed_strength": 0, # Variation strength
"seed_resize_from_h": 0, # Resize seed from height
"seed_resize_from_w": 0, # Resize seed from width
"seed_enable_extras": false, # Extra
"sampler_name": "DDIM", # Sampling method
"cfg_scale": 7.5, # CFG Scale
"restore_faces": true, # Restore faces
"tiling": false, # Tiling
"init_images": [], # image base64 str, default None
"mask_blur": 4, # Mask blur
"resize_mode": 1, # 0 just resize, 1 crop and resize, 2 resize and fill, 3 just resize
"denoising_strength": 0.75, # Denoising strength
"inpainting_mask_invert": 0, #int, index of ['Inpaint masked', 'Inpaint not masked'], Mask mode
"inpainting_fill": 0, #index of ['fill', 'original', 'latent noise', 'latent nothing'], Masked content
"inpaint_full_res": 0, # index of ["Whole picture", "Only masked"], Inpaint area
"inpaint_full_res_padding": 32, #minimum=0, maximum=256, step=4, value=32, Only masked padding, pixels
#"image_cfg_scale": 1, # resized by scale
#"script_name": "Outpainting mk2", # Name of the script to use. Do not add this field if not using a script.
#"script_args": ["Outpainting", 128, 8, ["left", "right", "up", "down"], 1, 0.05] # Parameters for the script, corresponding to: fixed field, pixels, mask_blur, direction, noise_q, color_variation
}
Voici un exemple du format des données de réponse.
{
"images":[],
"parameters":{
"id_task":"14837",
"status":0,
"image_url":"/data/api_test/img2img-grids/2023-06-05/grid-0000.png,/data/api_test/img2img-images/2023-06-05/00000-1003.png,/data/api_test/img2img-images/2023-06-05/00001-1004.png",
"seed":"1003,1004",
"error_msg":""
},
"info":""
}
Format de données ControlNet pour text-to-image
Voici le format des données de requête.
{
"alwayson_scripts": {
"sd_model_checkpoint": "deliberate_v2.safetensors", #Model name, required
"save_dir": "/code/stable-diffusion-webui/data-oss/outputs",
"controlnet":{
"args":[
{
"image_link": "https://pai-aigc-dataset.oss-cn-hangzhou.aliyuncs.com/pixabay_images/00008b87bf3ff6742b8cf81c358b9dbc.jpg",
"enabled": true,
"module": "canny",
"model": "control_v11p_sd15_canny",
"weight": 1,
"resize_mode": "Crop and Resize",
"low_vram": false,
"processor_res": 512,
"threshold_a": 100,
"threshold_b": 200,
"guidance_start": 0,
"guidance_end": 1,
"pixel_perfect": true,
"control_mode": "Balanced",
"input_mode": "simple",
"batch_images": "",
"output_dir": "",
"loopback": false
}
]
}
},
# Main parameters
"prompt": "girls",
"batch_size": 1,
"n_iter": 2,
"width": 576,
"height": 576,
"negative_prompt": "ugly, out of frame"
}
Voici un exemple du format des données de réponse.
{
"images":[],
"parameters":{
"id_task":"14837",
"status":0,
"image_url":"/data/api_test/txt2img-grids/2023-06-05/grid-0007.png,/data/api_test/txt2img-images/2023-06-05/00014-1003.png,/data/api_test/txt2img-images/2023-06-05/00015-1004.png",
"seed":"1003,1004",
"error_msg":"",
"image_mask_url":"/data/api_test/controlnet_mask/2023-06-05/00000.png,/data/api_test/controlnet_mask/2023-06-05/00001.png"
},
"info":""
}
Références
Pour plus d'informations sur la facturation d'EAS, consultez Facturation d'Elastic Algorithm Service (EAS).