Stable Diffusion (SD) adalah model pembangkit image yang andal dan mampu menghasilkan image berkualitas tinggi dengan resolusi tinggi. Stable Diffusion WebUI menyediakan antarmuka pengguna visual berbasis Gradio dengan kumpulan alat pembangkit image yang lengkap. Elastic Algorithm Service (EAS) mendukung deploy berbasis skenario—Anda dapat deploy layanan SD WebUI hanya dengan satu klik setelah mengonfigurasi beberapa parameter.
Fitur dan keunggulan
Dibandingkan dengan layanan yang dikelola sendiri, PAI-EAS menawarkan keunggulan berikut:
-
Deploy sekali klik: Runtime image yang telah dikonfigurasi sebelumnya berisi semua dependensi.
-
Auto scaling GPU: Menyesuaikan sumber daya GPU secara dinamis berdasarkan permintaan.
-
Fitur tingkat enterprise: Isolasi multi-user, berbagi GPU, dan alokasi biaya.
-
Manajemen file terintegrasi: Ekstensi FileBrowser mempermudah pengunggahan model.
Pilih versi yang sesuai
|
Versi |
Skenario |
Metode pemanggilan |
Penagihan |
|
Standard Edition |
Pengujian pribadi dan pengembangan prototipe |
WebUI, panggilan API (sinkron) |
Anda dikenai biaya berdasarkan konfigurasi deploy. Untuk informasi lebih lanjut, lihat Penagihan EAS. |
|
API edition |
API lingkungan produksi, skenario konkurensi tinggi |
Panggilan API (sinkron & asinkron) |
|
|
Cluster WebUI edition |
Kolaborasi tim, tim desain |
WebUI |
|
|
Serverless edition Catatan
Edisi ini hanya tersedia di wilayah China (Shanghai) dan China (Hangzhou). |
Beban kerja elastis, optimalisasi biaya |
WebUI |
Deploy layanan gratis. Anda hanya dikenai biaya berdasarkan durasi pembangkitan image. |
Memulai Cepat: Deploy layanan pembangkit seni AI menggunakan templat berbasis skenario
-
Masuk ke Konsol PAI. Pilih wilayah di bagian atas halaman, lalu pilih workspace yang diinginkan dan klik Elastic Algorithm Service (EAS).
-
Pada halaman Elastic Algorithm Service (EAS), klik Deploy Service. Kemudian, pada area Scenario-based Model Deployment, klik AI Painting - SD Web UI Deployment.
-
Konfigurasikan parameter utama berikut:
-
Version: Pilih Standard Edition.
-
Model Settings: Pilih OSS dan jalur bucket untuk menyimpan file model serta image hasil inferensi.
-
Instance Type: Pilih tipe GPU. Spesifikasi yang direkomendasikan adalah
ml.gu7i.c16m60.1-gu30karena paling hemat biaya.
-
-
Setelah mengonfigurasi parameter, klik Deploy. Tunggu 5 hingga 10 menit hingga status layanan berubah menjadi Running.
Memanggil layanan
Memanggil menggunakan WebUI
Anda dapat menggunakan WebUI untuk memanggil layanan edisi Standard, Cluster WebUI, dan Serverless. Ikuti langkah-langkah berikut:
-
Klik nama layanan target untuk membuka halaman Overview, lalu klik Web applications di pojok kanan atas.
-
Lakukan validasi inferensi model.
Pada halaman Stable Diffusion WebUI, di tab Text-to-Image, masukkan prompt positif, misalnya
cute dog, lalu klik Generate untuk membuat seni AI.
Memanggil menggunakan panggilan API sinkron
Setelah deploy layanan edisi Standard atau API, Anda dapat mengirim permintaan API sinkron.
Kueri informasi endpoint
-
Setelah layanan berhasil di-deploy, klik nama layanan untuk membuka halaman Overview.
-
Pada area Basic Information, klik View Endpoint Information.
-
Pada halaman Invocation Information, peroleh endpoint layanan publik dan token.
Contoh pemanggilan
Simpan image ke perangkat lokal
import requests
import base64
from PIL import Image
import io
# PENTING: Hapus garis miring (/) di akhir URL endpoint.
SERVICE_URL = "<your_endpoint_url>"
TOKEN = "<your_token>"
def generate_image(prompt: str) -> Image.Image:
"""Menghasilkan image berdasarkan prompt teks."""
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()
# Dekode image pertama
img_data = response.json()["images"][0]
return Image.open(io.BytesIO(base64.b64decode(img_data)))
# Hasilkan dan simpan image
image = generate_image("a serene mountain landscape at sunset")
image.save("output.png")
Simpan image ke OSS
import requests
# PENTING: Hapus garis miring (/) di akhir URL endpoint.
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}
)
# Dapatkan jalur image yang disimpan
data = response.json()
# Ini adalah mount_path yang sesuai dengan folder OSS yang dipasang secara default saat Anda deploy layanan EAS.
mount_path = "/code/stable-diffusion-webui/data"
# Ini adalah alamat bucket OSS yang Anda pilih saat deploy layanan EAS.
oss_url = "oss://examplebucket/data-oss"
for idx, img_path in enumerate(data['parameters']['image_url'].split(',')):
# Dapatkan alamat aktual image yang dihasilkan di OSS.
img_oss_path = img_path.replace(mount_path, oss_url)
print(img_oss_path)
Anda juga dapat menggunakan format data LoRA dan ControlNet dalam data permintaan.
Gunakan konfigurasi model LoRA dalam data permintaan
Saat mengirim permintaan layanan, Anda dapat menambahkan <lora:yaeMikoRealistic_Genshin:1000> ke badan permintaan untuk menyertakan model LoRA. Untuk informasi lebih lanjut, lihat Lora.
Contoh berikut menunjukkan konfigurasi badan permintaan.
{
"prompt":"girls <lora:yaeMikoRealistic_Genshin:1>",
"steps":20,
"save_images":true
}
Gunakan format data ControlNet dalam data permintaan
Menggunakan format data ControlNet dalam data permintaan API memungkinkan Anda melakukan transformasi image umum. Untuk informasi lebih lanjut tentang cara mengonfigurasinya, lihat Format data ControlNet untuk teks-ke-image.
Memanggil menggunakan panggilan API asinkron
Setelah deploy layanan edisi API, Anda dapat mengirim permintaan API asinkron. Dalam mode asinkron, klien tidak perlu menunggu hasilnya; hasilnya akan didorong dari sisi server melalui langganan. Ikuti langkah-langkah berikut:
Informasi Pemanggilan Kueri
-
Setelah layanan berhasil di-deploy, klik nama layanan untuk membuka halaman Overview.
-
Pada area Basic Information, klik View Endpoint Information.
-
Pada halaman Invocation Information, klik tab Asynchronous Invocation untuk memperoleh alamat pemanggilan publik dan token.
Mengirim permintaan
Klien mengirim permintaan ke sisi server melalui operasi API asinkron.
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"Tugas dimasukkan ke antrian: {response.json()}")
-
Antrian asinkron memiliki batasan ukuran permintaan input dan hasil output, yang biasanya tidak boleh melebihi 8 KB. Oleh karena itu, saat mengirim permintaan, Anda harus memenuhi dua kondisi berikut:
-
Jika data permintaan berisi image, kami merekomendasikan agar Anda menggunakan URL untuk meneruskan informasi image. Stable Diffusion WebUI secara otomatis mengunduh dan mengurai data image tersebut.
-
Untuk memastikan bahwa hasil yang dikembalikan tidak berisi data image asli, kami merekomendasikan agar Anda menggunakan save_dir untuk menentukan jalur penyimpanan image yang dihasilkan. Untuk informasi lebih lanjut, lihat Parameter tambahan yang dapat dikonfigurasi untuk operasi API.
-
Hasil langganan
Klien menerima hasil melalui langganan. Setelah sisi server memproses permintaan, hasilnya secara otomatis didorong ke klien.
from eas_prediction import QueueClient
# Anda harus menyesuaikan format URL endpoint agar sesuai dengan contoh: 112231234124214.cn-hangzhou.pai-eas.aliyuncs.com
SERVICE_URL = "<your_endpoint_url>"
TOKEN = "<your_token>"
# Nama layanan yang dikonfigurasi saat layanan dibuat
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"Tugas {result.tags.get('task_id')} selesai")
print(f"URL Gambar: {result.data}")
EAS mendukung fitur-fitur baru berdasarkan operasi API Stable Diffusion WebUI native. Anda dapat menambahkan parameter opsional ke data permintaan untuk mengimplementasikan lebih banyak fitur. Untuk informasi lebih lanjut, lihat Parameter tambahan yang dapat dikonfigurasi untuk operasi API.
Opsi deploy lanjutan
Deploy kustom
Deploy berbasis JSON
Instal plugin untuk fitur tambahan
Anda dapat menginstal plugin untuk Stable Diffusion WebUI guna memperluas fungsionalitasnya. PAI menyediakan beberapa plugin pra-instal, seperti plugin BeautifulPrompt yang memperluas dan memperhalus prompt. Bagian berikut menggunakan BeautifulPrompt sebagai contoh untuk menunjukkan cara menginstal dan menggunakan plugin.
Menginstal plugin
Anda dapat melihat dan menginstal plugin pada tab Extensions di halaman WebUI. Ikuti langkah-langkah berikut:
-
Klik nama layanan target untuk membuka halaman Overview, lalu klik Web applications di pojok kanan atas.
-
Pada halaman WebUI, di tab Extensions, periksa apakah BeautifulPrompt telah dipilih. Jika belum, centang plugin tersebut dan klik Apply and restart UI untuk memuat ulang plugin BeautifulPrompt.
Saat menginstal plugin, halaman WebUI akan restart secara otomatis. Setelah dimuat ulang, Anda dapat melakukan validasi inferensi.
Menggunakan plugin untuk validasi inferensi
-
Beralih ke tab BeautifulPrompt, masukkan prompt sederhana di kotak teks, lalu klik Generate untuk menghasilkan prompt yang lebih detail.
Anda dapat mengonfigurasi parameter pembangkitan berikut:
-
Top K: 50
-
Top P: 0.9
-
Temperature: 0.9
-
Repetition penalty: 1.05
-
Max new tokens: 384
-
Num prompts: 5
Setelah mengklik Generate, panel hasil di sebelah kanan mengeluarkan beberapa prompt Stable Diffusion yang diperluas. Di sebelah kanan setiap hasil, tombol to txt2img dan to img2img memungkinkan Anda mengirim prompt langsung ke halaman fitur yang sesuai.
PAI menyediakan beberapa model pembangkit prompt, dan setiap model menghasilkan prompt yang sedikit berbeda. Model-model tersebut adalah:
-
pai-bloom-1b1-text2prompt-sd-v2: Unggul dalam menghasilkan prompt untuk adegan kompleks.
-
pai-bloom-1b1-text2prompt-sd: Menghasilkan prompt yang menggambarkan satu objek.
Anda dapat memilih model yang sesuai untuk menghasilkan prompt sesuai kebutuhan. Anda juga dapat memilih kotak centang Negative prompt untuk menghasilkan prompt negatif secara bersamaan.
-
-
Pilih prompt yang ingin Anda gunakan dan klik to txt2img di sebelah kanan prompt tersebut.
Halaman secara otomatis beralih ke tab Text-to-Image dan mengisi area prompt.
-
Klik Generate untuk menghasilkan image di sisi kanan halaman WebUI.
Prompt yang ditingkatkan mencakup deskriptor kualitas dan komposisi image yang kaya, seperti masterpiece, best quality, dan ultra-detailed, yang membantu menghasilkan image bergaya anime berkualitas tinggi.
Dibandingkan dengan tidak menggunakan plugin BeautifulPrompt, penggunaannya dapat meningkatkan kualitas estetika image yang dihasilkan dan membantu Anda menambahkan lebih banyak detail. Tabel berikut menunjukkan perbandingan hasil dengan dan tanpa plugin BeautifulPrompt untuk skenario lain.
Prompt Masukan
Hasil tanpa BeautifulPrompt
Hasil dengan BeautifulPrompt
a cat


a giant tiger


FAQ
T: Bagaimana cara memasang model dan direktori output saya sendiri?
T: Apakah plugin yang diunduh dan file yang diunggah disimpan di instans jika konfigurasi tidak diubah?
T: Apa yang harus saya lakukan jika layanan macet dalam waktu lama?
T: Bagaimana cara mengganti bahasa default halaman WebUI ke Bahasa Inggris?
T: Bagaimana cara mengelola sistem file saya?
T: Galat: File atau direktori tidak ditemukan: 'data-oss/data-********.png'
T: Saya tidak dapat mengakses halaman WebUI
Lampiran
Parameter yang dapat dikonfigurasi saat startup layanan
-
Parameter umum
Parameter umum
Deskripsi fitur
Rekomendasi
--bladeMengaktifkan akselerasi PAI-Blade untuk mempercepat pembangkitan image.
Kami merekomendasikan agar Anda mengaktifkannya.
--filebrowserPlugin yang memungkinkan Anda mengunggah dan mengunduh model atau image.
Diaktifkan secara default.
--data-dir /code/stable-diffusion-webui/data-ossJalur yang digunakan untuk pemasangan penyimpanan persisten.
Gunakan saat Anda memasang penyimpanan persisten. Jalur awal default adalah
/code/stable-diffusion-webui/. Anda juga dapat menggunakan jalur relatif.--apiMode panggilan API untuk WebUI.
Diaktifkan secara default.
--enable-nsfw-censorSecara default dinonaktifkan. Jika Anda memiliki persyaratan keamanan dan kepatuhan, Anda dapat mengaktifkan fitur deteksi pornografi.
Sesuaikan sesuai kebutuhan.
--always-hide-tabsMenentukan bahwa beberapa tab disembunyikan.
Sesuaikan sesuai kebutuhan.
--min-ram-reserved 40 --sd-dynamic-cacheMenyimpan cache model besar Stable Diffusion di memori.
Tidak ada.
-
Parameter edisi kluster
CatatanModel checkpoint (ckpt) dan ControlNet LLM secara otomatis memuat file dari direktori publik dan file kustom Anda.
Parameter edisi kluster
Deskripsi fitur
Rekomendasi
--lora-dirMenentukan direktori model LoRA publik. Misalnya,
--lora-dir /code/stable-diffusion-webui/data-oss/models/Lora.Tidak dikonfigurasi secara default. Semua direktori LoRA pengguna diisolasi, dan hanya model LoRA di folder pengguna yang dimuat. Saat direktori tertentu ditentukan, semua pengguna akan memuat model LoRA dari direktori publik tersebut dan model LoRA di folder mereka sendiri.
--vae-dirMenentukan direktori model VAE publik. Misalnya,
--vae-dir /code/stable-diffusion-webui/data-oss/models/VAE.Tidak dikonfigurasi secara default. Semua direktori VAE pengguna diisolasi, dan hanya model VAE di folder pengguna yang dimuat. Saat direktori tertentu ditentukan, semua pengguna hanya akan memuat model VAE dari direktori publik tersebut.
--gfpgan-dirMenentukan direktori model GFPGAN publik. Misalnya,
--gfpgan-dir /code/stable-diffusion-webui/data-oss/models/GFPGAN.Tidak dikonfigurasi secara default. Semua direktori GFPGAN pengguna diisolasi, dan hanya model GFPGAN di folder pengguna yang dimuat. Saat direktori tertentu ditentukan, semua pengguna hanya akan memuat model GFPGAN dari direktori publik tersebut.
--embeddings-dirMenentukan direktori model embeddings publik. Misalnya,
--embeddings-dir /code/stable-diffusion-webui/data-oss/embeddings.Tidak dikonfigurasi secara default. Semua direktori embeddings pengguna diisolasi, dan hanya model embeddings di folder pengguna yang dimuat. Saat direktori tertentu ditentukan, semua pengguna hanya akan memuat model embeddings dari direktori publik tersebut.
--hypernetwork-dirMenentukan direktori model hypernetwork publik. Misalnya,
--hypernetwork-dir /code/stable-diffusion-webui/data-oss/models/hypernetworks.Tidak dikonfigurasi secara default. Semua direktori hypernetwork pengguna diisolasi, dan hanya model hypernetwork di folder pengguna yang dimuat. Saat direktori tertentu ditentukan, semua pengguna hanya akan memuat model hypernetwork dari direktori publik tersebut.
--root-extensionsDirektori plugin menggunakan direktori bersama. Dengan parameter ini, semua pengguna melihat plugin yang sama persis.
Gunakan parameter ini saat Anda perlu menginstal atau mengelola plugin secara terpusat.
Parameter tambahan yang dapat dikonfigurasi untuk operasi API
EAS mendukung fitur-fitur baru berdasarkan API Stable Diffusion WebUI native. Selain parameter yang diperlukan, Anda dapat menambahkan parameter opsional ke operasi API untuk mengimplementasikan lebih banyak fitur atau kebutuhan kustom.
-
Anda dapat menentukan model Stable Diffusion, model VAE, dan direktori penyimpanan.
-
Anda dapat memasukkan parameter menggunakan URL dan menerima kode status yang sesuai.
-
Image yang dihasilkan dan image ControlNet yang sesuai dapat diakses menggunakan URL.
Berikut adalah contoh penggunaan.
Contoh permintaan dan respons teks-ke-image
Berikut adalah contoh format data permintaan.
{
"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"
}
Tabel berikut menjelaskan parameter utama.
-
sd_model_checkpoint: Menentukan checkpoint model Stable Diffusion, yang memungkinkan pergantian otomatis ke model besar.
-
sd_vae: Menentukan model VAE.
-
save_dir: Menentukan jalur penyimpanan untuk image yang dihasilkan.
Berikut adalah contoh permintaan API sinkron.
# Panggil operasi API sinkron untuk memvalidasi efek model.
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"
}'
Berikut adalah contoh format data respons:
{
"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": ""
}
Berikut adalah contoh permintaan API asinkron:
# Kirim data langsung ke antrian asinkron.
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"
}'
Contoh format data permintaan image-ke-image
Berikut adalah contoh format data permintaan.
{
"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, # Langkah sampling
"seed": 111,
"subseed": 111, # Seed variasi
"subseed_strength": 0, # Kekuatan variasi
"seed_resize_from_h": 0, # Ubah ukuran seed dari tinggi
"seed_resize_from_w": 0, # Ubah ukuran seed dari lebar
"seed_enable_extras": false, # Tambahan
"sampler_name": "DDIM", # Metode sampling
"cfg_scale": 7.5, # Skala CFG
"restore_faces": true, # Pulihkan wajah
"tiling": false, # Pengubinan
"init_images": [], # string base64 image, default None
"mask_blur": 4, # Blur mask
"resize_mode": 1, # 0 hanya ubah ukuran, 1 potong dan ubah ukuran, 2 ubah ukuran dan isi, 3 hanya ubah ukuran
"denoising_strength": 0.75, # Kekuatan penghilangan derau
"inpainting_mask_invert": 0, # int, indeks ['Inpaint masked', 'Inpaint not masked'], Mode mask
"inpainting_fill": 0, # indeks ['fill', 'original', 'latent noise', 'latent nothing'], Konten yang dimask
"inpaint_full_res": 0, # indeks ["Whole picture", "Only masked"], Area inpaint
"inpaint_full_res_padding": 32, # minimum=0, maksimum=256, step=4, nilai=32, Padding hanya dimask, piksel
#"image_cfg_scale": 1, # diubah ukurannya berdasarkan skala
#"script_name": "Outpainting mk2", # Nama skrip yang digunakan. Jangan tambahkan bidang ini jika tidak menggunakan skrip.
#"script_args": ["Outpainting", 128, 8, ["left", "right", "up", "down"], 1, 0.05] # Parameter untuk skrip, sesuai dengan: bidang tetap, piksel, mask_blur, arah, noise_q, variasi warna
}
Berikut adalah contoh format data respons.
{
"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 data ControlNet untuk teks-ke-image
Berikut adalah format data permintaan.
{
"alwayson_scripts": {
"sd_model_checkpoint": "deliberate_v2.safetensors", # Nama model, wajib
"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
}
]
}
},
# Parameter utama
"prompt": "girls",
"batch_size": 1,
"n_iter": 2,
"width": 576,
"height": 576,
"negative_prompt": "ugly, out of frame"
}
Berikut adalah contoh format data respons.
{
"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":""
}
Referensi
-
Untuk informasi lebih lanjut tentang penagihan EAS, lihat Penagihan Elastic Algorithm Service (EAS).