Platform For AI：寫真相機方案

背景資訊

EAS相關功能說明

EAS是PAI提供的模型服務平台，在寫真相機方案中，使用的核心功能包括：

• 通過自訂鏡像部署模型服務（包括核驗服務、訓練服務和預測服務），基於PAI的寫真相機演算法流程提供了映像核驗、LoRA訓練和映像產生三個API介面服務，同時支援要求的負載平衡和GPU執行個體的自動擴縮容。

• 該功能支援非同步隊列操作，可以查詢和操作隊列消費狀態，並且可以設定隊列優先順序。詳情請參見非同步推理服務。

• 提供了Python和Java的SDK，支援透傳業務定義的自訂參數。詳情請參見服務調用SDK。

寫真相機演算法流程介紹

1. 映像核驗

   初步檢測圖片品質是否符合要求。

2. LoRA訓練

   首先對映像進行預先處理和品質檢測，隨後利用LoRA進行自動化訓練和評估，最終產生最佳化後的模型。

3. 映像產生

   1. 映像預先處理。

   2. 初次產生映像。

   3. 二次產生映像。

前提條件

• 已建立專用網路，並配置公網串連。

  1. 已建立Virtual Private Cloud、交換器和安全性群組。具體操作，請參見搭建IPv4專用網路和建立安全性群組。

  2. 已為該VPC建立了公網NAT Gateway，並為該網關綁定了Elastic IP Address、配置了SNAT條目。具體操作，請參見使用公網NAT GatewaySNAT功能訪問互連網。

• 已開通PAI-EAS並建立預設工作空間，詳情請參見開通並建立預設工作空間。

• 如果使用RAM使用者來部署模型，需要為RAM使用者授予PAI-EAS的系統管理權限，詳情請參見雲產品依賴與授權：EAS。

• 已準備好5~20張訓練圖片和1張模板圖片，用於模型訓練和寫真製作。圖片格式支援.jpg、.jpeg和.png等，請確保圖片的尺寸大於512×512像素。

  • 單人寫真製作：模板圖片中包含單張人臉，多張訓練圖片中的人臉屬於同一個人。

  • 多人寫真製作：模板圖片中需包含多張人臉，且人臉數量與模型訓練的model_id數量一致。

使用限制

僅支援在華北2（北京）和新加坡地區使用該方案。

部署PAI-EAS模型服務

部署核驗服務

1. 登入PAI控制台，在頁面上方選擇目標地區，並在右側選擇目標工作空間，然後單擊進入EAS。

2. 在推理服务頁簽，單擊部署服务，然後在自定义模型部署地區，單擊自定义部署。

3. 在自定义部署頁面，配置以下關鍵參數。

   • 在基本信息地區中，參考介面提示，自訂服務名稱。例如photog_check。

   • 在环境信息地區中，配置以下參數：

     參數	描述
     部署方式	選擇镜像部署，並選中异步队列。
     镜像配置	選中镜像地址，並在文字框中輸入鏡像地址，取值如下： 華北2（北京）的鏡像地址為：registry.cn-beijing.aliyuncs.com/mybigpai/photog_pub:check.1.0.0.pub。 新加坡的鏡像地址為：registry.ap-southeast-1.aliyuncs.com/mybigpai/photog_pub:check.1.0.0.pub。
     存储挂载	進行代碼配置，支援以下掛載方式： OSS Uri：選擇您自己的OSS Bucket路徑。例如oss://examplebucket/。 挂载路径：配置為/photog_oss。 NAS 选择文件系统：選擇NAS檔案系統。 文件系统挂载点：選擇NAS掛載點。 文件系统路径：配置為需要掛載的NAS中的源路徑，例如/。 挂载路径：配置為/photog_oss。
     运行命令	配置為python app.py。
     端口号	配置為7860。

   • 在资源信息地區中，配置以下參數：

     參數	描述
     资源类型	選擇公共资源。
     部署资源	資源規格選擇GPU類型的GU30系列機型，推薦使用ml.gu7i.c32m188.1-gu30。
     配置系统盘	配置為120 GiB。

   • 在非同步退欄區域，配置以下參數：

     參數	描述
     资源类型	選擇公共资源组。
     部署资源	配置以下參數： 最小執行個體數：1 CPU：8核 記憶體：64 GB
     单一输入请求最大数据	配置為20480 KB，避免隊列中每個請求的儲存空間不足。
     单一输出返回最大数据

   • 在网络信息地區，選擇已建立的VPC、交換器和安全性群組。

   • 在服务配置地區中，單擊编辑按鈕，並添加以下配置，您可以參考下方的完整配置樣本，來添加新增的參數。

     欄位	新增的參數
     metadata	增加以下參數： "rpc": { "keepalive": 3600000, "worker_threads": 1 } keepalive：單個請求的最長處理時間，單位為毫秒，配置為3600000。 worker_threads：EAS每個執行個體中用於並發處理請求的線程數。 預設為5，表示最先進入隊列的前五個任務會被分配到同一個執行個體上。建議將該參數設定為1，這樣可以確保請求按順序排隊處理。
     queue	增加參數"max_delivery": 1，防止失敗後多次重複投遞。

     完整的配置樣本如下：

     {
         "metadata": {
             "name": "photog_check",
             "instance": 1,
             "rpc": {
                 "keepalive": 3600000,
                 "worker_threads": 1
             },
             "type": "Async"
         },
         "cloud": {
             "computing": {
                 "instance_type": "ml.gu7i.c32m188.1-gu30",
                 "instances": null
             },
             "networking": {
                 "vswitch_id": "vsw-2ze4o9kww55051tf2****",
                 "security_group_id": "sg-2ze0kgiee55d0fn4****",
                 "vpc_id": "vpc-2ze5hl4ozjl4fo7q3****"
             }
         },
         "features": {
             "eas.aliyun.com/extra-ephemeral-storage": "100Gi"
         },
         "queue": {
             "cpu": 8,
             "max_delivery": 1,
             "min_replica": 1,
             "memory": 64000,
             "resource": "",
             "source": {
                 "max_payload_size_kb": 20480
             },
             "sink": {
                 "max_payload_size_kb": 20480
             }
         },
         "storage": [
             {
                 "oss": {
                     "path": "oss://examplebucket/",
                     "readOnly": false
                 },
                 "properties": {
                     "resource_type": "code"
                 },
                 "mount_path": "/photog_oss"
             }
         ],
         "containers": [
             {
                 "image": "registry.cn-beijing.aliyuncs.com/mybigpai/photog_pub:check.1.0.0.pub",
                 "script": "python app.py",
                 "port": 7860
             }
         ]
     }

4. 單擊部署。

   當服务状态為运行中時，服務部署成功。

部署訓練服務

1. 登入PAI控制台，在頁面上方選擇目標地區，並在右側選擇目標工作空間，然後單擊進入EAS。

2. 在推理服务頁簽，單擊部署服务，然後在自定义模型部署地區，單擊自定义部署。

3. 在自定义部署頁面，配置以下關鍵參數。

   • 在基本信息地區中，參考介面提示，自訂服務名稱。例如：photog_train_pmml。

   • 在环境信息地區中，配置以下參數：

     參數	描述
     部署方式	選擇镜像部署，並選中异步队列。
     镜像配置	選中镜像地址，並在文字框中輸入鏡像地址，取值如下： 華北2（北京）的鏡像地址為：registry.cn-beijing.aliyuncs.com/mybigpai/photog_pub:train.1.0.0.pub。 新加坡的鏡像地址為：registry.ap-southeast-1.aliyuncs.com/mybigpai/photog_pub:train.1.0.0.pub。
     存储挂载	進行代碼配置，支援以下掛載方式： OSS Uri：選擇您自己的OSS Bucket路徑，與核驗服務選擇的OSS路徑保持一致。例如oss://examplebucket/。 挂载路径：配置為/photog_oss。 NAS 选择文件系统：選擇NAS檔案系統。 文件系统挂载点：選擇NAS掛載點。 文件系统路径：配置為需要掛載的NAS中的源路徑，例如/。 挂载路径：配置為/photog_oss。
     运行命令	配置為python app.py。
     端口号	配置為7860。

   • 在资源信息地區中，配置以下參數：

     參數	描述
     资源类型	選擇公共资源。
     部署资源	資源規格選擇GPU類型的GU30系列機型，推薦使用ml.gu7i.c32m188.1-gu30。
     配置系统盘	配置為120 GiB。

   • 在异步队列地區中，配置以下參數：

     參數	描述
     资源类型	選擇公共资源。
     部署资源	配置以下參數： 最小執行個體數：1 CPU：8核 記憶體：64 GB
     单一输入请求最大数据	配置為20480 KB，避免隊列中每個請求的儲存空間不足。
     单一输出返回最大数据

   • 在网络信息地區中，選擇已建立的VPC、交換器和安全性群組。

   • 在服务配置地區中，單擊编辑按鈕，並添加以下配置，您可以參考下方的完整配置樣本，來添加新增的參數。

     欄位	新增的參數
     autoscaler	（可選）水平自動擴縮容配置，詳情請參見水平自動擴縮容。 "behavior": { "scaleDown": { "stabilizationWindowSeconds": 60 } }, "max": 5, "min": 1, "strategies": { "queue[backlog]": 1 }
     metadata	增加以下參數： "rpc": { "keepalive": 3600000, "worker_threads": 1 } keepalive：單個請求的最長處理時間，單位為毫秒，配置為3600000。 worker_threads：EAS每個執行個體中用於並發處理請求的線程數。 預設為5，表示最先進入隊列的前五個任務會被分配到同一個執行個體上。建議將該參數設定為1，這樣可以確保請求按順序排隊處理。
     queue	增加參數"max_delivery": 1，防止失敗後多次重複投遞。

     完整的配置樣本如下：

     {
         "autoscaler": {
             "behavior": {
                 "scaleDown": {
                     "stabilizationWindowSeconds": 60
                 }
             },
             "max": 5,
             "min": 1,
             "strategies": {
                 "queue[backlog]": 1
             }
         },
         "metadata": {
             "name": "photog_train_pmml",
             "instance": 1,
             "rpc": {
                 "keepalive": 3600000,
                 "worker_threads": 1
             },
             "type": "Async"
         },
         "cloud": {
             "computing": {
                 "instance_type": "ml.gu7i.c32m188.1-gu30",
                 "instances": null
             },
             "networking": {
                 "vswitch_id": "vsw-2ze4o9kww55051tf2****",
                 "security_group_id": "sg-2ze0kgiee55d0fn4****",
                 "vpc_id": "vpc-2ze5hl4ozjl4fo7q3****"
             }
         },
         "features": {
             "eas.aliyun.com/extra-ephemeral-storage": "120Gi"
         },
         "queue": {
             "cpu": 8,
             "max_delivery": 1,
             "min_replica": 1,
             "memory": 64000,
             "resource": "",
             "source": {
                 "max_payload_size_kb": 20480
             },
             "sink": {
                 "max_payload_size_kb": 20480
             }
         },
         "storage": [
             {
                 "oss": {
                     "path": "oss://examplebucket/",
                     "readOnly": false
                 },
                 "properties": {
                     "resource_type": "code"
                 },
                 "mount_path": "/photog_oss"
             }
         ],
         "containers": [
             {
                 "image": "registry.cn-beijing.aliyuncs.com/mybigpai/photog_pub:train.1.0.0.pub",
                 "script": "python app.py",
                 "port": 7860
             }
         ]
     }

4. 單擊部署。

   當服务状态為运行中時，服務部署成功。

部署預測服務

1. 登入PAI控制台，在頁面上方選擇目標地區，並在右側選擇目標工作空間，然後單擊進入EAS。

2. 在推理服务頁簽，單擊部署服务，然後在自定义模型部署地區，單擊自定义部署。

3. 在自定义部署頁面，配置以下關鍵參數。

   • 在基本信息地區中，參考介面提示，自訂服務名稱。例如photog_pre_pmml。

   • 在环境信息地區中，配置以下參數：

     參數	描述
     部署方式	選擇镜像部署，並選中异步队列。
     镜像配置	選中镜像地址，並在文字框中輸入鏡像地址。需要同時配置AI寫真預測服務和WebUI預測服務鏡像地址，在該地區中只需要配置AI寫真預測服務鏡像地址，WebUI預測服務鏡像地址在對應配置編輯地區進行配置。支援配置的鏡像列表如下，本方案選擇華北2（北京）地區的鏡像地址。 華北2（北京）鏡像地址： AI寫真預測服務：registry.cn-beijing.aliyuncs.com/mybigpai/photog_pub:infer.1.0.0.pub。 WebUI預測服務：eas-registry-vpc.cn-beijing.cr.aliyuncs.com/pai-eas/stable-diffusion-webui:3.2。 新加坡鏡像地址： AI寫真預測服務：registry.ap-southeast-1.aliyuncs.com/mybigpai/photog_pub:infer.1.0.0.pub。 WebUI預測服務：eas-registry-vpc.ap-southeast-1.cr.aliyuncs.com/pai-eas/stable-diffusion-webui:3.2。
     存储挂载	進行代碼配置。支援以下掛載方式，本方案選擇OSS掛載。 OSS Uri：選擇您自己的OSS Bucket路徑，與核驗服務選擇的OSS路徑保持一致。例如oss://examplebucket/。 挂载路径：配置為/photog_oss。 NAS 选择文件系统：選擇NAS檔案系統。 文件系统挂载点：選擇NAS掛載點。 文件系统路径：配置為需要掛載的NAS中的源路徑，例如/。 挂载路径：配置為/photog_oss。 您需要下載並解壓WebUI所需的模型檔案，並將其按照下圖布局方式存放到您的OSS Bucket路徑oss://examplebucket/photog_oss/webui或NAS路徑/photog_oss/webui中。關於如何將檔案上傳到OSS Bucket路徑，詳情請參見命令列工具ossutil 1.0。關於如何將檔案上傳到NAS路徑，詳情請參見快速入門（Linux）和使用Workbench管理ECS上的檔案。
     环境变量	單擊添加，配置以下兩個環境變數： 變數名：URL；變數值：http://127.0.0.1:8000。 變數名：AUTHORIZATION；變數值：=。
     运行命令	配置為python app.py。
     端口号	配置為7860。

   • 在资源信息地區中，配置以下參數：

     參數	描述
     资源类型	選擇公共资源。
     部署资源	資源規格選擇GPU類型的GU30系列機型，推薦使用ml.gu7i.c32m188.1-gu30。
     配置系统盘	配置為120 GiB。

   • 在异步队列地區中，配置以下參數：

     參數	描述
     资源类型	選擇公共资源。
     部署资源	配置以下參數： 最小執行個體數：1。 CPU：8核。 記憶體：64GB。
     单一输入请求最大数据	配置為20480 KB。避免隊列中每個請求的儲存空間不足。
     单一输出返回最大数据

   • 在网络信息地區中，選擇已建立的VPC、交換器和安全性群組。

   • 在服务配置地區中，添加以下配置，您可以參考下方的完整配置樣本，來添加新增的參數。

     欄位	新增的參數
     metadata	增加以下參數： "rpc": { "keepalive": 3600000, "worker_threads": 1 } keepalive：單個請求的最長處理時間，單位為毫秒，配置為3600000。 worker_threads：EAS每個執行個體中用於並發處理請求的線程數。 預設為5，表示最先進入隊列的前五個任務會被分配到同一個執行個體上。建議將該參數設定為1，這樣可以確保請求按順序排隊處理。
     containers	增加以下參數： { "image": "eas-registry-vpc.cn-beijing.cr.aliyuncs.com/pai-eas/stable-diffusion-webui:3.2", "port": 8000, "script": "./webui.sh --listen --port 8000 --skip-version-check --no-hashing --no-download-sd-model --skip-install --api --filebrowser --sd-dynamic-cache --data-dir /photog_oss/photog/webui/" } 分別表示WebUI預測服務鏡像以及對應的運行命令和連接埠號碼。
     queue	增加參數"max_delivery": 1，防止失敗後多次重複投遞。

     完整的配置樣本如下：

     {
         "metadata": {
             "name": "photog_pre_pmml",
             "instance": 1,
             "rpc": {
                 "keepalive": 3600000,
                 "worker_threads": 1
             },
             "type": "Async"
         },
         "cloud": {
             "computing": {
                 "instance_type": "ecs.gn6v-c8g1.2xlarge",
                 "instances": null
             },
             "networking": {
                 "vswitch_id": "vsw-2ze4o9kww55051tf2****",
                 "security_group_id": "sg-2ze0kgiee55d0fn4****",
                 "vpc_id": "vpc-2ze5hl4ozjl4fo7q3****"
             }
         },
         "features": {
             "eas.aliyun.com/extra-ephemeral-storage": "120Gi"
         },
         "queue": {
             "cpu": 8,
             "max_delivery": 1,
             "min_replica": 1,
             "memory": 64000,
             "resource": "",
             "source": {
                 "max_payload_size_kb": 20480
             },
             "sink": {
                 "max_payload_size_kb": 20480
             }
         },
         "storage": [
             {
                 "oss": {
                     "path": "oss://examplebucket/",
                     "readOnly": false
                 },
                 "properties": {
                     "resource_type": "code"
                 },
                 "mount_path": "/photog_oss"
             }
         ],
         "containers": [
             {
                 "image": "registry.cn-beijing.aliyuncs.com/mybigpai/photog_pub:infer.1.0.0.pub",
                 "env": [
                     {
                         "name": "URL",
                         "value": "http://127.0.0.1:8000"
                     },
                     {
                         "name": "AUTHORIZATION",
                         "value": "="
                     }
                 ],
                 "script": "python app.py",
                 "port": 7861
             },
             {
                 "image": "eas-registry-vpc.cn-beijing.cr.aliyuncs.com/pai-eas/stable-diffusion-webui:3.2",
                 "port": 8000,
                 "script": "./webui.sh --listen --port 8000 --skip-version-check --no-hashing --no-download-sd-model --skip-install --api --filebrowser --sd-dynamic-cache --data-dir /photog_oss/photog/webui/"
             }
         ]
     }

4. 單擊部署。

   當服务状态為运行中時，服務部署成功。

調用介面

步驟一：調用映像核驗介面

1. 首先您需要在模型在线服务（EAS）頁面，單擊核驗服務名稱進入概览頁面，在基本信息地區單擊查看调用信息，在异步调用頁簽，擷取服務訪問地址和Token。

2. 使用如下代碼建立輸入隊列進行圖片核驗，並擷取隊列資訊。

   調用樣本如下：

   Python SDK

   import json
   from eas_prediction import QueueClient
   
   # 建立輸入隊列對象，用於寫入輸入資料。
   input_queue = QueueClient('182848887922****.cn-shanghai.pai-eas.aliyuncs.com', 'photog_check')
   input_queue.set_token('<token>')
   input_queue.init()
   
   datas = json.dumps(
       {
          'request_id'    : 12345,
          'images'        : ["xx.jpg", "xx.jpg"], # urls, a list
          'configure'     : {
               'face_reconize' : True, # Judge whether all pictures are of a person
           }
       }
   )
   
   index, request_id = input_queue.put(f'{datas}')
   print(index, request_id)
   
   # 查看輸入隊列的詳情。
   attrs = input_queue.attributes()
   print(attrs)

   其中關鍵配置說明如下：

   關鍵配置		描述	預設值	是否必填
   input_queue		配置為已擷取的核驗服務的訪問地址，請參考上述程式碼範例進行配置，STRING類型。	無	是
   <token>		替換為已擷取的核驗服務的Token，STRING類型。	無	是
   request_id		請求ID，STRING類型。	無	是
   images		配置為模型訓練使用圖片的URL地址，LIST類型。	無	是
   configure	face_reconize	判斷多張圖片中的人臉是否為同一個人，BOOL類型。	False	否

   Java SDK

   import com.aliyun.openservices.eas.predict.http.HttpConfig;
   import com.aliyun.openservices.eas.predict.http.QueueClient;
   import com.aliyun.openservices.eas.predict.queue_client.QueueUser;
   import org.apache.commons.lang3.tuple.Pair;
   
   public class AsyncTest {
       public static void main(String[] args) throws Exception {
           /** 建立佇列服務用戶端 */
           String queueEndpoint = "182848887922****.cn-shanghai.pai-eas.aliyuncs.com";
           String inputQueueName = "photog_check";
           String queueToken = "YmE3NDkyMzdiMzNmMGM3ZmE4ZmNjZDk0M2NiMDA3OTZmNzc1MT****==";
   
           QueueClient inputQueue =
               new QueueClient(queueEndpoint, inputQueueName, queueToken, new HttpConfig(), new QueueUser());
   
           /** 請求資料 */
           String data = "{\n" +
               "    'request_id': 12345,\n" +
               "    'images'    : [\"xx.jpg\", \"xx.jpg\"],\n" +
               "    'configure' : {\n" +
               "        'face_reconize' : True,\n" +
               "    }\n" +
               "}";
           Pair<Long, String> entry = inputQueue.put(data.getBytes(), null);
           System.out.println(String.format("index = %s, request id = %s", entry.getKey(), entry.getValue()));
   
           // 查看輸入隊列的詳情
           System.out.println(inputQueue.attributes());
   
           /** 關閉用戶端 */
           inputQueue.shutdown();
       }
   }

   其中：

   關鍵配置		描述	預設值	是否必填
   queueEndpoint		配置為已擷取的核驗服務的訪問地址，STRING類型。	無	是
   inputQueueName		配置為核驗服務的名稱，STRING類型。	無	是
   queueToken		替換為已擷取的核驗服務的Token，STRING類型。	無	是
   request_id		請求ID，STRING類型。	無	是
   images		配置為模型訓練使用圖片的URL地址，LIST類型。	無	是
   configure	face_reconize	判斷多張圖片中的人臉是否為同一個人，BOOL類型。	False	否

   系統返回結果如下：

   Python SDK

   1 6bdea119-01f3-4728-b3d3-b0af366ad3eb
   {'consumers.list.[0]': 'Id: photog_check.photog-check-738569a9-798897bdf5-76****, Index: 0, Pending: 0, Status: Running, Idle: 1h10m4.997s, Window: 1, Slots: 1, AutoCommit: false', 'consumers.stats.total': '1', 'consumers.status.total': '1', 'groups.list.[0]': 'Id: photog_check, Index: 1, Pending: 1, Delivered: 2, Consumers: 1', 'meta.header.group': 'X-EAS-QueueService-Gid', 'meta.header.priority': 'X-EAS-QueueService-Priority', 'meta.header.user': 'X-EAS-QueueService-Uid', 'meta.name': 'photog-check-queue-95e006df', 'meta.state': 'Normal', 'stream.approxMaxLength': '1439', 'stream.firstEntry': '1', 'stream.lastEntry': '1', 'stream.length': '1', 'stream.maxPayloadBytes': '20971520'}

   Java SDK

   index = 2, request id = 61132b43-a527-40dc-89bb-a9a48316ddea
   {"meta.header.priority":"X-EAS-QueueService-Priority","consumers.status.total":"1","stream.firstEntry":"2","stream.maxPayloadBytes":"20971520","consumers.stats.total":"1","stream.approxMaxLength":"1439","stream.length":"1","groups.list.[0]":"Id: photog_check, Index: 2, Pending: 1, Delivered: 3, Consumers: 1","meta.header.group":"X-EAS-QueueService-Gid","stream.lastEntry":"2","consumers.list.[0]":"Id: photog_check.photog-check-738569a9-798897bdf5-76j48, Index: 2, Pending: 0, Status: Running, Idle: 19m11.174s, Window: 1, Slots: 1, AutoCommit: false","meta.name":"photog-check-queue-95e006df","meta.state":"Normal","meta.header.user":"X-EAS-QueueService-Uid"}
   
   Process finished with exit code 0

   其中：

   • index：表示該請求是EAS中的第幾個請求。

   • request_id：表示該請求的ID，後續使用該ID擷取輸出結果。

   • 其他內容表示輸入隊列詳情。

3. 使用如下代碼建立輸出隊列並擷取返回結果，通過返回結果來確認圖片是否符合要求。

   調用樣本如下：

   Python SDK

   # 建立輸出隊列對象，用於訂閱讀取輸出結果資料。
   sink_queue = QueueClient('182848887922****.cn-shanghai.pai-eas.aliyuncs.com', 'photog_check/sink')
   sink_queue.set_token('<token>')
   sink_queue.init()
   
   sink_queue.get(request_id, auto_delete=True)[0].data.decode('utf-8')

   其中：

   • sink_queue：配置為已擷取的核驗服務的訪問地址。

   • <token>：替換為已擷取的核驗服務的Token。

   • auto_delete：預設為True。如果在查詢隊列時直接使用request_id，但沒有設定auto_delete參數，那麼將會刪除該隊列的結果。由於輸出隊列通常需要刪除隊列內容，建議將auto_delete參數設定為True。

   Java SDK

   import com.aliyun.openservices.eas.predict.http.HttpConfig;
   import com.aliyun.openservices.eas.predict.http.QueueClient;
   import com.aliyun.openservices.eas.predict.queue_client.DataFrame;
   import com.aliyun.openservices.eas.predict.queue_client.QueueUser;
   import org.apache.commons.lang3.tuple.Pair;
   
   import java.util.HashMap;
   import java.util.Map;
   
   public class AsyncPhotoTest {
       public static void main(String[] args) throws Exception {
           /** 建立佇列服務用戶端 */
           String queueEndpoint = "166233998075****.cn-beijing.pai-eas.aliyuncs.com";
           String inputQueueName = "photog_check";
           String sinkQueueName = String.format("%s/sink", inputQueueName);
           String queueToken = "YjczMzFlYmRkMDU4YmZmMGQ4NTEwODA4NDk3NmFhODE5N2ExMzEy****";
   
           QueueClient inputQueue =
               new QueueClient(queueEndpoint, inputQueueName, queueToken, new HttpConfig(), new QueueUser());
           QueueClient sinkQueue =
               new QueueClient(queueEndpoint, sinkQueueName, queueToken, new HttpConfig(), new QueueUser());
   
           /** 請求資料 */
           String data = "{\n" +
               "  \"request_id\": 12345,\n" +
               "  \"images\": [\"xx.jpg\", \"xx.jpg\"],\n" +
               "  \"configure\": {\n" +
               "    \"face_reconize\": true\n" +
               "  }\n" +
               "}";
           Pair<Long, String> entry = inputQueue.put(data.getBytes(), null);
           Long index = entry.getKey();
           final String requestId = entry.getValue();
           System.out.println(String.format("index = %d, request id = %s", index, requestId));
   
           // 查看輸入隊列的詳情
           System.out.println(inputQueue.attributes());
   
           // 查看輸入資料
           Map<String, String> tags =
               new HashMap<String, String>() {
                   {
                       put("requestId", requestId);
                   }
               };
           DataFrame[] dfs = inputQueue.get(0, 1L, 0, false, tags);
           if (dfs.length > 0) {
               System.out.println(String.format("Successfully get input data = %s, index = %d, tags = %s", new String(dfs[0].getData()), dfs[0].getIndex(), dfs[0].getTags()));
           } else {
               System.out.println("no data");
           }
   
           // 查看輸出資料
           while (true) {
               dfs = sinkQueue.get(0, 1L, 0, true, tags);
               if (dfs.length > 0) {
                   System.out.println(String.format("Successfully get sink data = %s, tags = %s", new String(dfs[0].getData()), dfs[0].getTags()));
                   break;
               } else {
                   System.out.println("no data");
                   Thread.sleep(5000);
               }
           }
   
           /** 關閉用戶端 */
           inputQueue.shutdown();
           sinkQueue.shutdown();
       }
   }

   其中：

   • queueEndpoint：配置為已擷取的核驗服務訪問地址。

   • inputQueueName：配置為核驗服務的名稱。

   • queueToken：替換為已擷取的核驗服務的Token。

   • image：配置為模型訓練使用的圖片的URL地址。

   系統返回如下結果：

   Python SDK

   '{"request_id": "12345", "code": "OK", "message": "success", "data": {"request_id": 12345, "images": ["xx.jpg", "https://xxx.oss-cn-beijing.aliyuncs.com/photog/user_images/foto/train/0.jpg"], "configure": {"face_reconize": true}, "cost_time": 9.820043325424194, "check_results": [{"url": "https://xx-cn-beijing.aliyuncs.com/photog/user_images/foto/train/1.jpg", "message": "success", "code": 1, "frontal": true}, {"url": "https://xx-cn-beijing.aliyuncs.com/photog/user_images/foto/train/0.jpg", "message": "success", "code": 1, "frontal": false}]}}'

   Java SDK

   Successfully get sink data = {"request_id": "12345", "code": "OK", "message": "success", "data": {"request_id": 12345, "images": ["xx.jpg", "xx.jpg"], "configure": {"face_reconize": true}, "cost_time": 0.2047882080078125, "check_results": [{"url": "https://xx-cn-beijing.aliyuncs.com/photog/user_images/foto/train/1.jpg", "message": "success", "code": 1, "frontal": true}, {"url": "https://xx-cn-beijing.aliyuncs.com/photog/user_images/foto/train/0.jpg", "message": "success", "code": 1, "frontal": false}]}}

   參數說明如下：

   參數	描述
   request_id	請求ID，STRING類型。
   code	請求狀態代碼，STRING類型： OK：表示已完成核驗。 error：表示未完成核驗。
   message	請求狀態的詳細資料。如果返回結果為success表示執行成功，對於其他返回結果，請根據具體的返回內容來確定。
   data	返回內容詳情，內部欄位說明如下： check_results：表示輸入的每張圖片的檢測結果。 url：圖片的URL地址。 message：圖片檢測詳情。success表示核驗成功。更多關於message返回結果的可能取值和對應的code，請參見message詳情。 frontal：圖片是否為正面。 cost_time：本次API調用花費的服務端計算時間長度。 images：核驗的圖片URL列表，List類型。 request_id：請求流水號，STRING類型。

   message詳情

   message可能值	code	描述
   success	1	表示符合要求。
   Image decode error	2	無法下載或解碼映像。
   Number of face is not 1	3	人臉數量不為1。
   Image detect error	4	臉部偵測異常。
   Image encoding error	5	將人臉編碼為特徵向量時出錯，表示無法檢測到人臉。
   This photo is not the same person in photos	6	如果只出現了這個錯誤，表示多張圖片中的人臉不屬於同一個人。

步驟二：調用LoRA訓練介面

1. 首先您需要在模型在线服务（EAS）頁面，單擊訓練服務名稱進入概览頁面，在基本信息地區單擊查看调用信息，在异步调用頁簽，擷取服務訪問地址和Token。

2. 使用如下代碼建立輸入隊列進行Lora訓練並擷取隊列資訊。

   調用樣本如下：

   Python SDK

   photog_train_pmmln import json
   from eas_prediction import QueueClient
   
   # 建立輸入隊列對象，用於寫入輸入資料。
   input_queue = QueueClient('182848887922****.cn-shanghai.pai-eas.aliyuncs.com', 'photog_train_pmml')
   input_queue.set_token('<token>')
   input_queue.init()
   
   datas = json.dumps(
       {
           'request_id'    : 12345,
           'images'        : ["xx.jpg", "xx.jpg"], # urls
           'configure'     : {
               'user_id'   : "zhoumo", # user id
           }
       }
   )
   
   index, request_id = input_queue.put(f'{datas}')
   print(index, request_id)
   
   # 查看輸入隊列的詳情。
   attrs = input_queue.attributes()
   print(attrs)

   其中關鍵配置說明如下：

   關鍵配置		描述	預設值	是否必填
   input_queue		配置為已擷取的訓練服務的訪問地址，請參考上述程式碼範例進行配置，STRING類型。	無	是
   <token>		替換為已擷取訓練服務的Token，STRING類型。	無	是
   request_id		請求ID。STRING類型。	無	是
   images		配置為訓練圖片的URL地址，LIST類型。	無	是
   configure	user_id	使用者的ID，STRING類型。	無	是
   	sex	訓練圖片中人物的性別。	secret	否
   	max_train_steps	總訓練步數。	400	否
   	val_save_checkpointing_steps	訓練的驗證步數。	50	否

   Java SDK

   import com.aliyun.openservices.eas.predict.http.HttpConfig;
   import com.aliyun.openservices.eas.predict.http.QueueClient;
   import com.aliyun.openservices.eas.predict.queue_client.QueueUser;
   import org.apache.commons.lang3.tuple.Pair;
   
   public class AsyncTest {
       public static void main(String[] args) throws Exception {
           /** 建立佇列服務用戶端 */
           String queueEndpoint = "182848887922****.cn-shanghai.pai-eas.aliyuncs.com";
           String inputQueueName = "photog_train_pmml";
           String queueToken = "YmE3NDkyMzdiMzNmMGM3ZmE4ZmNjZDk0M2NiMDA3OTZmNzc1MT****==";
   
           QueueClient inputQueue =
               new QueueClient(queueEndpoint, inputQueueName, queueToken, new HttpConfig(), new QueueUser());
   
           /** 請求資料 */
           String data = "{\n" +
               "        'request_id'    : 12345,\n" +
               "        'images'        : [\"xx.jpg\", \"xx.jpg\"],\n" +
               "        'configure'     : {\n" +
               "            'user_id'   : \"zhoumo\",\n" +
               "        }\n" +
               "    }";
           Pair<Long, String> entry = inputQueue.put(data.getBytes(), null);
           System.out.println(String.format("index = %s, request id = %s", entry.getKey(), entry.getValue()));
   
           // 查看輸入隊列的詳情
           System.out.println(inputQueue.attributes());
   
           /** 關閉用戶端 */
           inputQueue.shutdown();
       }
   }

   其中關鍵配置說明如下：

   關鍵配置		描述	預設值	是否必填
   queueEndpoint		配置為已擷取的訓練服務的訪問地址，STRING類型。	無	是
   inputQueueName		配置為訓練服務的名稱，STRING類型。	無	是
   queueToken		替換為已擷取訓練服務的Token，STRING類型。	無	是
   request_id		請求ID。STRING類型。	無	是
   images		配置為訓練圖片的URL地址，LIST類型。	無	是
   configure	user_id	使用者的ID，STRING類型。	無	是
   	sex	訓練圖片中人物的性別。	secret	否
   	max_train_steps	總訓練步數。	400	否
   	val_save_checkpointing_steps	訓練的驗證步數。	50	否

   系統返回如下結果：

   Python SDK

   2 bb4ce34d-47e4-425d-bee7-b806e29c6d78
   {'consumers.list.[0]': 'Id: photog_train_pmml.photog-train-pmml-78550f91-7545766654-jpdtp, Index: 2, Pending: 0, Status: Running, Idle: 18h46m24.039s, Window: 1, Slots: 1, AutoCommit: false', 'consumers.stats.total': '1', 'consumers.status.total': '1', 'groups.list.[0]': 'Id: photog_train_pmmln, Index: 2, Pending: 1, Delivered: 3, Consumers: 1', 'meta.header.group': 'X-EAS-QueueService-Gid', 'meta.header.priority': 'X-EAS-QueueService-Priority', 'meta.header.user': 'X-EAS-QueueService-Uid', 'meta.name': 'photog-train-pmmln-queue-7a5e7cc6', 'meta.state': 'Normal', 'stream.approxMaxLength': '1438', 'stream.firstEntry': '2', 'stream.lastEntry': '2', 'stream.length': '1', 'stream.maxPayloadBytes': '20971520'}

   Java SDK

   index = 3, request id = ec3b7c21-c395-4490-ae42-8f66d06e9d4d
   {"meta.header.priority":"X-EAS-QueueService-Priority","consumers.status.total":"1","stream.firstEntry":"3","stream.maxPayloadBytes":"20971520","consumers.stats.total":"1","stream.approxMaxLength":"1438","stream.length":"1","groups.list.[0]":"Id: photog_train_pmml, Index: 3, Pending: 1, Delivered: 4, Consumers: 1","meta.header.group":"X-EAS-QueueService-Gid","stream.lastEntry":"3","consumers.list.[0]":"Id: photog_train_pmmln.photog-train-pmmln-78550f91-7545766654-jpdtp, Index: 3, Pending: 0, Status: Running, Idle: 2h30m57.08s, Window: 1, Slots: 1, AutoCommit: false","meta.name":"photog-train-pmmln-queue-7a5e7cc6","meta.state":"Normal","meta.header.user":"X-EAS-QueueService-Uid"}
   
   Process finished with exit code 0

   其中：

   • index：表示該請求是EAS中的第幾個請求。

   • request_id：表示該請求的ID，後續使用該ID擷取輸出結果。

   • 其他內容表示擷取的隊列資訊。

3. 使用以下代碼，建立輸出隊列並訂閱讀取輸出結果資料，以判斷模型訓練是否成功。

   調用樣本如下：

   Python SDK

   # 建立輸出隊列對象，用於訂閱讀取輸出結果資料。
   sink_queue = QueueClient('182848887922****.cn-shanghai.pai-eas.aliyuncs.com', 'photog_train_pmml/sink')
   sink_queue.set_token('<token>')
   sink_queue.init()
   
   sink_queue.get(request_id, auto_delete=True)[0].data.decode('utf-8')

   其中：

   • sink_queue：配置為已擷取的訓練服務訪問地址。

   • <token>：替換為已擷取訓練服務的Token。

   Java SDK

   import com.aliyun.openservices.eas.predict.http.HttpConfig;
   import com.aliyun.openservices.eas.predict.http.QueueClient;
   import com.aliyun.openservices.eas.predict.queue_client.DataFrame;
   import com.aliyun.openservices.eas.predict.queue_client.QueueUser;
   import org.apache.commons.lang3.tuple.Pair;
   
   import java.util.HashMap;
   import java.util.Map;
   
   public class AsyncPhotoTest {
       public static void main(String[] args) throws Exception {
           /** 建立佇列服務用戶端 */
           String queueEndpoint = "166233998075****.cn-beijing.pai-eas.aliyuncs.com";
           String inputQueueName = "photog_train_pmml";
           String sinkQueueName = String.format("%s/sink", inputQueueName);
           String queueToken = "N2E2YWI0Y2MyNjZmNjdlMWFmZjNhOTM5M2E5ZGNlMGY1NDQwZGYw****";
   
           QueueClient inputQueue =
                   new QueueClient(queueEndpoint, inputQueueName, queueToken, new HttpConfig(), new QueueUser());
           QueueClient sinkQueue =
                   new QueueClient(queueEndpoint, sinkQueueName, queueToken, new HttpConfig(), new QueueUser());
   
           /** 請求資料 */
           String data = "{\n" +
                   "  \"request_id\": 12345,\n" +
                   "  \"images\": [\"xx.jpg\", \"xx.jpg\"],\n" +
                   "  \"configure\": {\n" +
                   "    \"user_id\": \"zhoumo\"\n" +
                   "  }\n" +
                   "}";
           Pair<Long, String> entry = inputQueue.put(data.getBytes(), null);
           Long index = entry.getKey();
           final String requestId = entry.getValue();
           System.out.println(String.format("index = %d, request id = %s", index, requestId));
   
           // 查看輸入隊列的詳情
           System.out.println(inputQueue.attributes());
   
           // 查看輸入資料
           Map<String, String> tags =
                   new HashMap<String, String>() {
                       {
                           put("requestId", requestId);
                       }
                   };
           DataFrame[] dfs = inputQueue.get(0, 1L, 0, false, tags);
           if (dfs.length > 0) {
               System.out.println(String.format("Successfully get data = %s, index = %d, tags = %s", new String(dfs[0].getData()), dfs[0].getIndex(), dfs[0].getTags()));
           } else {
               System.out.println("no data");
           }
   
           // 查看輸出資料
           while (true) {
               dfs = sinkQueue.get(0, 1L, 0, true, tags);
               if (dfs.length > 0) {
                   System.out.println(String.format("Successfully get data = %s, tags = %s", new String(dfs[0].getData()), dfs[0].getTags()));
                   break;
               } else {
                   System.out.println("no data");
               }
           }
   
           /** 關閉用戶端 */
           inputQueue.shutdown();
           sinkQueue.shutdown();
       }
   }

   其中：

   • queueEndpoint：配置為已擷取的訓練服務的訪問地址。

   • inputQueueName：配置為訓練服務的名稱。

   • queueToken：替換為已擷取的訓練服務的Token。

   • images：配置為模型訓練使用圖片的URL地址。

   系統返回結果如下：

   Python SDK

   '{"request_id": "12345", "code": "OK", "message": "success", "data": {"user_id": "zhoumo", "cost_time": 272.7406361103058}}'

   說明

   當返回結果中的code為502時，表示訓練進行中中。

   Java SDK

   ...
   no data
   no data
   Successfully get data = {"request_id": "12345", "code": "OK", "message": "success", "data": {"user_id": "zhoumo", "cost_time": 260.7540729045868}}

   說明

   當返回結果中顯示no data時，表示訓練進行中中。

   參數說明如下：

   參數	描述
   request_id	請求ID，STRING類型。
   code	是否已完成訓練： OK：表示已完成訓練。 error：表示未完成訓練。
   message	返回的運行情況詳細資料。success表示模型訓練成功。
   data	返回內容詳情，內部欄位說明如下： user_id：使用者ID。 cost_time：本次API調用花費的服務端計算時間長度。

步驟三：調用映像產生介面

1. 首先您需要在模型在线服务（EAS）頁面，單擊預測服務名稱進入概览頁面，在基本信息地區單擊查看调用信息，在异步调用頁簽，擷取服務訪問地址和Token。

2. 使用如下代碼建立輸入隊列進行圖片預測，並擷取隊列資訊。

   調用樣本如下：

   Python SDK

   import json
   from eas_prediction import QueueClient
   
   # 建立輸入隊列對象，用於寫入輸入資料。
   input_queue = QueueClient('182848887922****.cn-shanghai.pai-eas.aliyuncs.com', 'photog_pre_pmml')
   input_queue.set_token('<token>')
   input_queue.init()
   
   datas = json.dumps({
       'request_id'    : 12345, 
       'template_image': "xx.jpg", 
       'configure'     : { 
           'user_id'   : "zhoumo", # threshold to get tags.
       } 
   })
   
   index, request_id = input_queue.put(f'{datas}')
   print(index, request_id)
   
   # 查看輸入隊列的詳情。
   attrs = input_queue.attributes()
   print(attrs)
   
   # 利用request_id查詢某個特定的請求
   print(input_queue.get(request_id, auto_delete=False)[0].data.decode('utf-8'))

   其中關鍵配置說明如下：

   關鍵配置		描述	預設值	是否必填
   input_queue		配置為已擷取的預測服務的訪問地址，請參考上述程式碼範例進行配置，STRING類型。	無	是
   <token>		替換為已擷取預測服務的Token，STRING類型。	無	是
   request_id		請求ID。STRING類型。	無	是
   template_image		配置為模型訓練使用的圖片的URL地址。	無	是
   configure	user_id	使用者的ID，STRING類型。	無	是
   	sex	訓練圖片中人物的性別，STRING類型。	secret	否
   	first_diffusion_steps	第一次diffusion的步數，INT類型。	50	否
   	first_denoising_strength	第一次diffusion的強度，FLOAT類型。	0.45	否
   	second_diffusion_steps	第二次diffusion的步數，INT類型。	20	否
   	second_denoising_strength	第二次diffusion的強度，FLOAT類型。	0.30	否
   	more_like_me_before	第一次人臉融合比例，值越大越像，FLOAT類型。	0.50	否
   	more_like_me	第二次人臉融合比例，值越大越像，FLOAT類型。	0.50	否
   	mask_region	STRING類型，取值如下： edge：表示第二次diffusion只對邊緣重建。 face：表示代表第二次diffusion對整個臉部重建。	edge	否
   	crop_face_preprocess	是否在裁剪人像地區後進行重建。BOOL類型。	True	否
   	apply_face_fusion_before	是否進行第一次臉部融合，BOOL類型。	True	否
   	apply_face_fusion_after	是否進行第二次臉部融合，BOOL類型。	True	否
   	color_shift_middle	是否進行第一次臉部色彩平衡，BOOL類型。	True	否
   	color_shift_last	是否進行第二次臉部色彩平衡，BOOL類型。	True	否
   	background_restore	是否對背景進行重建，BOOL類型。	False	否
   	skin_retouching_bool	是否進行皮膚平滑，BOOL類型。	True	否
   	photo_enhancement_bool	是否進行人像增強，BOOL類型。	True	否
   	photo_enhancement_method	人像增強方式，取值如下： photo_fix super_resolution	photo_fix	否
   	makeup_transfer	是否進行妝容遷移，BOOL類型。	False	否
   	makeup_transfer_ratio	妝容遷移比例，FLOAT類型。	0.50	否

   Java SDK

   import com.aliyun.openservices.eas.predict.http.HttpConfig;
   import com.aliyun.openservices.eas.predict.http.QueueClient;
   import com.aliyun.openservices.eas.predict.queue_client.DataFrame;
   import com.aliyun.openservices.eas.predict.queue_client.QueueUser;
   import org.apache.commons.lang3.tuple.Pair;
   
   import java.util.HashMap;
   import java.util.Map;
   
   public class AsyncTest {
       public static void main(String[] args) throws Exception {
           /** 建立佇列服務用戶端 */
           String queueEndpoint = "166233998075****.cn-beijing.pai-eas.aliyuncs.com";
           String inputQueueName = "photog_pre_pmml";
           String queueToken = "NjViMTI2NGQxZWQxYTI1NGE5MGQ1YTQ5Y2Y2MGZjY2VlZTVmNWE1****";
   
           QueueClient inputQueue =
                   new QueueClient(queueEndpoint, inputQueueName, queueToken, new HttpConfig(), new QueueUser());
   
           /** 請求資料 */
           String data = "{\n" +
                   "    'request_id'    : 12345, \n" +
                   "    'template_image': \"xx.jpg\", \n" +
                   "    'configure'     : { \n" +
                   "        'user_id'   : \"zhoumo\",\n" +
                   "    } \n" +
                   "}";
           Pair<Long, String> entry = inputQueue.put(data.getBytes(), null);
           System.out.println(String.format("index = %s, request id = %s", entry.getKey(), entry.getValue()));
   
           // 查看輸入隊列的詳情
           System.out.println(inputQueue.attributes());
   
           // 利用request_id查詢某個特定的請求
           final String requestId = entry.getValue();
           Map<String, String> tags =
                   new HashMap<String, String>() {
                       {
                           put("requestId", requestId);
                       }
                   };
           DataFrame df = inputQueue.get(0, 1L, 0, false, tags)[0];
           System.out.println(String.format("Successfully get data = %s, tags = %s", new String(df.getData()), df.getTags()));
   
           /** 關閉用戶端 */
           inputQueue.shutdown();
       }
   }

   其中關鍵配置說明如下：

   關鍵配置		描述	預設值	是否必填
   queueEndpoint		配置為已擷取的預測服務的訪問地址，STRING類型。	無	是
   inputQueueName		配置為預測服務的名稱。	無	是
   queueToken		替換為已擷取預測服務的Token，STRING類型。	無	是
   request_id		請求ID。STRING類型。	無	是
   template_image		配置為模型訓練使用的圖片的URL地址。	無	是
   configure	user_id	使用者的ID，STRING類型。	無	是
   	sex	訓練圖片中人物的性別，STRING類型。	secret	否
   	first_diffusion_steps	第一次diffusion的步數，INT類型。	50	否
   	first_denoising_strength	第一次diffusion的強度，FLOAT類型。	0.45	否
   	second_diffusion_steps	第二次diffusion的步數，INT類型。	20	否
   	second_denoising_strength	第二次diffusion的強度，FLOAT類型。	0.30	否
   	more_like_me_before	第一次人臉融合比例，值越大越像，FLOAT類型。	0.50	否
   	more_like_me	第二次人臉融合比例，值越大越像，FLOAT類型。	0.50	否
   	mask_region	STRING類型，取值如下： edge：表示第二次diffusion只對邊緣重建。 face：表示代表第二次diffusion對整個臉部重建。	edge	否
   	crop_face_preprocess	是否在裁剪人像地區後進行重建，並開啟大圖功能。BOOL類型。	True	否
   	apply_face_fusion_before	是否進行第一次臉部融合，BOOL類型。	True	否
   	apply_face_fusion_after	是否進行第二次臉部融合，BOOL類型。	True	否
   	color_shift_middle	是否進行第一次臉部色彩平衡，BOOL類型。	True	否
   	color_shift_last	是否進行第二次臉部色彩平衡，BOOL類型。	True	否
   	background_restore	是否對背景進行重建，BOOL類型。	False	否
   	skin_retouching_bool	是否進行皮膚平滑，BOOL類型。	True	否
   	photo_enhancement_bool	是否進行人像增強，BOOL類型。	True	否
   	photo_enhancement_method	人像增強方式，取值如下： photo_fix super_resolution	photo_fix	否
   	makeup_transfer	是否進行妝容遷移，BOOL類型。	False	否
   	makeup_transfer_ratio	妝容遷移比例，FLOAT類型。	0.50	否

   系統返回如下結果：

   Python SDK

   1 069173d0-dce9-4ed6-913e-cc5fdda38764
   {'consumers.list.[0]': 'Id: photog_pre_pmml.photog-pre-pmml-835253f3-686f87d4f-d****, Index: 0, Pending: 0, Status: Running, Idle: 21h41m4.995s, Window: 1, Slots: 1, AutoCommit: false', 'consumers.stats.total': '1', 'consumers.status.total': '1', 'groups.list.[0]': 'Id: photog_pre_pmml, Index: 1, Pending: 1, Delivered: 2, Consumers: 1', 'meta.header.group': 'X-EAS-QueueService-Gid', 'meta.header.priority': 'X-EAS-QueueService-Priority', 'meta.header.user': 'X-EAS-QueueService-Uid', 'meta.name': 'photog-pre-pmml-queue-912f2cdb', 'meta.state': 'Normal', 'stream.approxMaxLength': '1439', 'stream.firstEntry': '1', 'stream.lastEntry': '1', 'stream.length': '1', 'stream.maxPayloadBytes': '20971520'}
   {"request_id": 12345, "template_image": "https://xx.oss-cn-beijing.aliyuncs.com/photog/user_images/foto/train/1.jpg", "configure": {"user_id": "zhoumo"}}

   Java SDK

   index = 4, request id = 996cb029-133e-4f18-bb03-e696fc6ae4a1
   {"meta.header.priority":"X-EAS-QueueService-Priority","consumers.status.total":"1","stream.firstEntry":"4","stream.maxPayloadBytes":"20971520","consumers.stats.total":"1","stream.approxMaxLength":"1436","stream.length":"1","groups.list.[0]":"Id: photog_pre_pmml, Index: 4, Pending: 1, Delivered: 5, Consumers: 1","meta.header.group":"X-EAS-QueueService-Gid","stream.lastEntry":"4","consumers.list.[0]":"Id: photog_pre_pmml.photog-pre-pmml-835253f3-686f87d4f-d****, Index: 4, Pending: 0, Status: Running, Idle: 2m12.017s, Window: 1, Slots: 1, AutoCommit: false","meta.name":"photog-pre-pmml-queue-912f2cdb","meta.state":"Normal","meta.header.user":"X-EAS-QueueService-Uid"}
   Successfully get data = {
       'request_id'    : 12345, 
       'template_image': "https://xx.oss-cn-beijing.aliyuncs.com/photog/user_images/foto/train/1.jpg", 
       'configure'     : { 
           'user_id'   : "zhoumo",
       } 
   }, tags = {requestId=996cb029-133e-4f18-bb03-e696fc6ae4a1, ts@source=169778191****}
   
   Process finished with exit code 0

   其中：

   • index：表示該請求是EAS中的第幾個請求。

   • request_id：表示該請求的ID，後續使用該ID擷取輸出結果。

   • 其他內容表示擷取的隊列資訊。

3. 使用以下代碼，建立輸出隊列並擷取返回結果。在返回結果中，您可以查看擷取到的Base64編碼圖片。

   調用樣本如下：

   Python SDK

   # 建立輸出隊列對象，用於訂閱讀取輸出結果資料。
   sink_queue = QueueClient('182848887922****.cn-shanghai.pai-eas.aliyuncs.com', 'photog_pre_pmml/sink')
   sink_queue.set_token('<token>')
   sink_queue.init()
   
   sink_queue.get(request_id, auto_delete=True)[0].data.decode('utf-8')

   其中：

   • sink_queue：配置為已擷取的預測服務的訪問地址。

   • <token>：替換為已擷取的預測服務的Token。

   Java SDK

   import com.aliyun.openservices.eas.predict.http.HttpConfig;
   import com.aliyun.openservices.eas.predict.http.QueueClient;
   import com.aliyun.openservices.eas.predict.queue_client.DataFrame;
   import com.aliyun.openservices.eas.predict.queue_client.QueueUser;
   import org.apache.commons.lang3.tuple.Pair;
   
   import java.util.HashMap;
   import java.util.Map;
   
   public class AsyncPhotoTest {
       public static void main(String[] args) throws Exception {
           /** 建立佇列服務用戶端 */
           String queueEndpoint = "166233998075****.cn-beijing.pai-eas.aliyuncs.com";
           String inputQueueName = "photog_pre_pmml";
           String sinkQueueName = String.format("%s/sink", inputQueueName);
           String queueToken = "NjViMTI2NGQxZWQxYTI1NGE5MGQ1YTQ5Y2Y2MGZjY2VlZTVmNWE1****";
   
           QueueClient inputQueue =
                   new QueueClient(queueEndpoint, inputQueueName, queueToken, new HttpConfig(), new QueueUser());
           QueueClient sinkQueue =
                   new QueueClient(queueEndpoint, sinkQueueName, queueToken, new HttpConfig(), new QueueUser());
   
           /** 請求資料 */
           String data = "{\n" +
                   "  \"request_id\": 12345,\n" +
                   "  \"template_image\": \"xx.jpg\",\n" +
                   "  \"configure\": {\n" +
                   "    \"user_id\": \"zhoumo\"\n" +
                   "  }\n" +
                   "}";
           Pair<Long, String> entry = inputQueue.put(data.getBytes(), null);
           Long index = entry.getKey();
           final String requestId = entry.getValue();
           System.out.println(String.format("index = %d, request id = %s", index, requestId));
   
           // 查看輸入隊列的詳情
           System.out.println(inputQueue.attributes());
   
           // 查看輸入資料
           Map<String, String> tags =
                   new HashMap<String, String>() {
                       {
                           put("requestId", requestId);
                       }
                   };
           DataFrame[] dfs = inputQueue.get(0, 1L, 0, false, tags);
           if (dfs.length > 0) {
               System.out.println(String.format("Successfully get data = %s, index = %d, tags = %s", new String(dfs[0].getData()), dfs[0].getIndex(), dfs[0].getTags()));
           } else {
               System.out.println("no data");
           }
   
           // 查看輸出資料
           while (true) {
               dfs = sinkQueue.get(0, 1L, 0, true, tags);
               if (dfs.length > 0) {
                   System.out.println(String.format("Successfully get data = %s, tags = %s", new String(dfs[0].getData()), dfs[0].getTags()));
                   break;
               } else {
                   System.out.println("no data");
               }
           }
   
           /** 關閉用戶端 */
           inputQueue.shutdown();
           sinkQueue.shutdown();
       }
   }

   其中：

   • queueEndpoint：配置為已擷取的預測服務的訪問地址。

   • inputQueueName：配置為預測服務的名稱。

   • queueToken：替換為已擷取的預測服務的Token。

   • template_image：配置為圖片的URL地址。

   系統返回如下結果：

   Python SDK

   '{"request_id": "12345", "code": "OK", "message": "success", "data": {"user_id": "zhoumo", "image": "iVBORw*****CYII=", "cost_time": 329.69798278808594}}'

   說明

   當返回結果中的code為502時，表示正在產生圖片。

   Java SDK

   ...
   no data
   no data
   Successfully get data = {"request_id": "12345", "code": "OK", "message": "success", "data": {"user_id": "zhoumo", "image": "iVBORw0KGgoAAA****ABJRU5ErkJggg==", "cost_time": 21.584840059280396}}

   說明

   當返回結果中顯示no data時，表示正在產生圖片。

   參數說明如下：

   參數	描述
   request_id	請求ID，STRING類型。
   code	請求狀態代碼： OK：表示請求成功。 error：表示請求失敗。
   message	請求狀態的詳細資料。如果返回結果為success表示執行成功，對於其他返回結果，請根據具體的返回內容來確定。
   data	返回內容詳情。內部欄位說明如下： user_id：使用者ID。 image：產生的Base64編碼圖片。 cost_time：消耗的時間，FLOAT類型。