代码图像生成

已于 2023-11-07 10:41:51 修改
阅读量94 收藏 2
点赞数
文章标签： python 计算机视觉 开发语言
于 2023-11-01 22:12:48 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_70826100/article/details/134171417
版权

第1关：人脸检测 

'''****************BEGIN****************'''

import face_recognition

image_path = './step1/image/children.jpg'

image = face_recognition.load_image_file("./step1/image/children.jpg")

face_locations = face_recognition.face_locations(image)

print(face_locations)

'''**************** END ****************'''



import cv2

for face_location in face_locations:

    '''****************BEGIN****************'''

    top, right, bottom, left = face_location

    cv2.rectangle(image, (left, top), (right, bottom), (0, 255, 0), 2)

    '''**************** END ****************'''



# 保存图片

image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

cv2.imwrite("./step1/out/children.jpg", image_rgb)

第2关：人脸特征点获取

import face_recognition
'''****************BEGIN****************'''
# 获取人脸特征点
image = face_recognition.load_image_file("./step2/image/laugh.jpg")
face_landmarks_list = face_recognition.face_landmarks(image)
print(face_landmarks_list)
'''**************** END ****************'''

import cv2

# 绘制人脸特征点
for face_landmarks in face_landmarks_list:
    '''****************BEGIN****************'''
    for facial_feature in face_landmarks.keys():
        for pt_pos in face_landmarks[facial_feature]:
            cv2.circle(image, pt_pos, 1, (255, 0, 0), 2)
    '''**************** END ****************'''

# 保存图片
image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
cv2.imwrite("./step2/out/laugh.jpg", image_rgb)

第3关：人脸识别

import face_recognition


def recognition():
    '''****************BEGIN****************'''
    # 导入图片
    known_image_path = "./step3/known_image/cyx1.jpg"
    known_image_cyz = face_recognition.load_image_file("./step3/known_image/cyx1.jpg")

    unknown_image_1_path = "./step3/unknown_image/cyx2.jpg"
    unknown_image_2_path = "./step3/unknown_image/wlh.jpg"
    unknown_image_1 = face_recognition.load_image_file("./step3/unknown_image/cyx2.jpg")
    unknown_image_2 = face_recognition.load_image_file("./step3/unknown_image/wlh.jpg")
    '''**************** END ****************'''

    '''****************BEGIN****************'''
    # 编码获取128维特征向量
    cyz_encoding = face_recognition.face_encodings(known_image_cyz)[0]
    unknown_encoding_1 = face_recognition.face_encodings(unknown_image_1)[0]
    unknown_encoding_2 = face_recognition.face_encodings(unknown_image_2)[0]
    '''**************** END ****************'''

    '''****************BEGIN****************'''
    # 比较特征向量值，识别人脸
    face1_result = face_recognition.compare_faces([cyz_encoding], unknown_encoding_1, tolerance=0.5)
    face2_result = face_recognition.compare_faces([cyz_encoding], unknown_encoding_2, tolerance=0.5)
    '''**************** END ****************'''
    return face1_result, face2_result

第4关：人脸识别绘制并展示

import face_recognition
import cv2

'''****************BEGIN****************'''
# 加载已知图片
known_image_cc_path = "./step4/known_image/Caocao.jpg"
known_image_xy_path = "./step4/known_image/XunYu.jpg"
known_image_smy_path = "./step4/known_image/SiMayi.jpg"
known_image_zch_path = "./step4/known_image/ZhangChunhua.jpg"
known_image_cc = face_recognition.load_image_file("./step4/known_image/Caocao.jpg")
known_image_xy = face_recognition.load_image_file("./step4/known_image/XunYu.jpg")
known_image_smy = face_recognition.load_image_file("./step4/known_image/SiMayi.jpg")
known_image_zch= face_recognition.load_image_file("./step4/known_image/ZhangChunhua.jpg")



'''**************** END ****************'''

'''****************BEGIN****************'''
# 对图片进行编码，获取128维特征向量
caocao_encoding = face_recognition.face_encodings(known_image_cc)[0]
xy_encoding = face_recognition.face_encodings(known_image_xy)[0]
zys_encoding = face_recognition.face_encodings(known_image_smy)[0]
cyz_encoding = face_recognition.face_encodings(known_image_zch)[0]

'''**************** END ****************'''

'''****************BEGIN****************'''
# 存为数组以便之后识别
known_faces = [
    caocao_encoding,
    xy_encoding,
    zys_encoding,
    cyz_encoding
]
'''**************** END ****************'''

'''****************BEGIN****************'''
# 加载待识别图片
unknown_image_1_path = "./step4/unknown_image/Caocao.jpg"
unknown_image_2_path = "./step4/unknown_image/Cuple.jpg"
unknown_image_3_path = "./step4/unknown_image/ZhangChunhua.jpg"
unknown_image_4_path = "./step4/unknown_image/XunYu.jpg"
unknown_image_5_path = './step4/unknown_image/A.jpg'

unknown_image_1 = face_recognition.load_image_file("./step4/unknown_image/Caocao.jpg")
unknown_image_2 = face_recognition.load_image_file("./step4/unknown_image/Cuple.jpg")
unknown_image_3 = face_recognition.load_image_file("./step4/unknown_image/ZhangChunhua.jpg")
unknown_image_4 = face_recognition.load_image_file("./step4/unknown_image/XunYu.jpg"
)
unknown_image_5 = face_recognition.load_image_file('./step4/unknown_image/A.jpg')
'''**************** END ****************'''

'''****************BEGIN****************'''
# 存为数组以遍历识别
unknown_faces = [
    unknown_image_1,
    unknown_image_2,
    unknown_image_3,
    unknown_image_4,
    unknown_image_5,
]
'''**************** END ****************'''

# 初始化一些变量
face_locations = []
face_encodings = []
face_names = []
frame_number = 0

for frame in unknown_faces:
    face_names = []

    '''****************BEGIN****************'''
    # 获取人脸区域位置
    face_locations = face_recognition.face_locations(frame)
    # 对图片进行编码，获取128维特征向量
    face_encodings = face_recognition.face_encodings(frame, face_locations)
    # 对图片进行编码，获取128维特征向量

    '''**************** END ****************'''

    for face_encoding in face_encodings:

        '''****************BEGIN****************'''
        # 识别图片中人脸是否匹配已知图片
        match = face_recognition.compare_faces(known_faces, face_encoding,tolerance=0.5)
        '''**************** END ****************'''

        '''****************BEGIN****************'''
        name = None
        if match[0]:
            name = "Caocao"
        elif match[1]:
            name = "XunYu"
        elif match[2]:
            name = "SiMayi"
        elif match[3]:
            name = 'ZhangChunhua'
        else:
            name = 'Unknown'

        '''**************** END ****************'''

        face_names.append(name)

    # 结果打上标签
    for (top, right, bottom, left), name in zip(face_locations, face_names):
        if not name:
            continue

        '''****************BEGIN****************'''
        # 绘制脸部区域框
        cv2.rectangle(frame, (left, top), (right, bottom), (0, 0, 255), 2)
        # 在脸部区域下面绘制人名
        cv2.rectangle(frame, (left, bottom - 25),(right, bottom), (0, 0, 255), cv2.FILLED)
        font = cv2.FONT_HERSHEY_DUPLEX
        cv2.putText(frame, name, (left + 6, bottom - 6),font, 0.5, (255, 255, 255), 1)
        '''**************** END ****************'''

        print(frame[left+6, bottom-6])
        print(frame[left, bottom])

    print(face_locations)
    print(face_names)
    # 保存图片
    image_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
    path = './step4/out/' + name + str(face_locations[0][0]) + '.jpg'
    cv2.imwrite(path, image_rgb)

图像生成

# !/usr/bin/python
# -*- coding: UTF-8 -*-
import torch
import torch.nn as nn
import torch.nn.functional as func
import torchvision
import matplotlib.pylab as plt
import numpy as np
# 转换
def denomalize(x):
##########Begin##########
    out = (x+1) / 2
    out = out.view(32, 28, 28).unsqueeze(1) # 添加channel
    return out.clamp(0,1)
###########End###########
# 保存并显示
def imshow(img,epoch):
##########Begin##########
    # torchvision.utils.make_grid用来连接一组图， img为一个tensor（batch, channel, height, weight）
    # .detach()消除梯度
    im = torchvision.utils.make_grid(img, nrow=8).detach().numpy()
    # print(np.shape(im))
    plt.title("Generated IMG {}".format(epoch))
    plt.imshow(im.transpose(1, 2, 0)) # 调整图形标签， plt的图片格式为(height, weight, channel)
    plt.savefig('./img_out/generate{}.jpg'.format(str(epoch)))
    plt.show()
###########End###########
# 判别器模型
class DNet(nn.Module):
##########Begin##########
    def __init__(self):
        super(DNet, self).__init__()
        self.l1 = nn.Linear(28*28, 256)
        self.a = nn.ReLU()
        self.l2 = nn.Linear(256, 128)
        self.l3 = nn.Linear(128, 1)
        self.s = nn.Sigmoid()
    def forward(self, x):
        x = self.l1(x)
        x = self.a(x)
        x = self.l2(x)
        x = self.a(x)
        x = self.l3(x)
        x = self.s(x)
        return x
###########End###########
# 生成器模型
class GNet(nn.Module):
##########Begin##########
    def __init__(self):
        super(GNet, self).__init__()
        self.l1 = nn.Linear(10, 128)
        self.a = nn.ReLU()
        self.l2 = nn.Linear(128, 256)
        self.l3 = nn.Linear(256, 28*28)
        self.tanh = nn.Tanh()
    def forward(self, x):
        x = self.l1(x)
        x = self.a(x)
        x = self.l2(x)
        x = self.a(x)
        x = self.l3(x)
        x = self.tanh(x)
        return x
###########End###########
device = torch.device("cpu")
# 构建模型
D = DNet().to(device)
G = GNet().to(device)
print(D)
print(G)
z = torch.tensor([[ 1.1489e+00,  7.1681e-01,  5.8007e-02, -1.2308e-01, -8.6097e-01,
          1.2392e+00, -1.1096e+00,  2.4585e-01, -7.0626e-01, -2.8230e-01],
        [-2.1945e-01,  4.6672e-01,  7.7213e-01, -9.8824e-01,  1.3838e+00,
          2.2511e-01, -1.1168e+00,  2.2530e+00,  7.3158e-01,  1.7082e-01],
        [-2.6517e+00,  1.3954e+00,  1.5612e+00, -3.5644e-01,  1.3853e+00,
         -3.6608e-01,  2.3234e-03, -4.7733e-01, -1.7758e-01,  3.4617e-01],
        [ 4.7174e-01, -7.3149e-01,  1.1419e-01, -2.6241e-01, -1.1660e-01,
         -1.3477e-01,  1.1245e+00, -1.6306e+00,  6.1722e-01, -1.3473e-01],
        [ 1.0552e+00, -1.4014e-01, -5.8463e-01,  1.2349e+00, -6.5313e-01,
         -2.3425e-01,  1.0186e-01, -6.0410e-01, -7.4244e-01, -8.8516e-01],
        [-5.3014e-01,  6.2547e-01, -1.5977e-01, -2.3066e-01,  9.8950e-02,
         -4.8964e-01, -1.0218e+00, -5.9025e-01, -1.0131e+00, -6.5106e-01],
        [-1.5537e+00, -6.9103e-01, -7.3599e-01, -4.3914e-01, -2.0448e-01,
         -1.4190e+00, -1.2123e+00, -1.6747e-01, -1.1395e+00,  5.5171e-01],
        [-1.6244e+00, -7.4496e-01, -1.2768e+00, -4.2177e-01, -6.1283e-01,
         -8.8188e-01,  4.1788e-01,  9.2558e-01, -1.5659e+00, -1.5211e-01],
        [ 9.3092e-02, -1.5520e-01,  1.6417e+00,  6.8507e-01,  2.4547e+00,
         -8.3659e-02,  3.2725e+00,  4.3044e-01,  1.3569e-01,  1.4817e+00],
        [-1.4958e+00, -5.2917e-02, -3.6961e-01, -2.2025e+00, -1.6436e-01,
          1.2136e+00, -1.3152e-02, -1.2154e+00,  2.0911e-03,  2.9080e-01],
        [-1.0469e+00,  2.8222e+00, -3.9115e-01,  2.2041e-01, -7.8101e-01,
          1.2563e+00,  1.1753e+00, -1.3332e+00,  2.4884e+00, -4.4259e-01],
        [-7.0369e-01, -1.4290e+00,  6.3865e-01, -5.8341e-01, -1.3592e+00,
         -5.8469e-01,  1.8228e+00,  1.0016e+00,  5.4477e-01, -2.2182e+00],
        [-3.4230e-01,  9.9979e-01,  1.2068e-01, -2.5346e-01, -1.1366e+00,
         -1.3778e+00, -1.3563e+00,  9.4610e-01, -9.4018e-01, -9.2094e-01],
        [ 8.2746e-01, -6.2931e-01, -3.8875e-01,  2.1943e-01,  6.4780e-01,
         -1.0844e+00, -8.8125e-01,  2.8869e-01, -1.0784e-01, -6.1752e-01],
        [ 7.3338e-01, -8.2371e-01,  8.7851e-01,  9.9646e-01, -1.7378e+00,
          4.4679e-01, -4.5057e-01,  8.8582e-01,  1.0759e+00,  7.1904e-01],
        [ 1.3013e+00,  2.7334e-01,  4.3593e-01, -1.2887e+00, -1.2346e+00,
          1.5697e+00,  3.1392e-01, -1.8793e+00,  7.4765e-01, -1.5952e+00],
        [-1.7635e-01, -5.8611e-02, -3.1754e-01,  5.3886e-01,  4.2619e-01,
          9.4467e-01,  2.0849e-01, -3.3167e-01, -4.1872e-01, -7.3638e-02],
        [ 6.3905e-01,  6.8031e-02,  1.8931e+00,  6.8102e-01,  6.8116e-01,
         -6.4648e-02,  4.3161e-01,  1.8226e+00,  2.1950e+00, -4.8745e-01],
        [-1.6209e+00,  7.3165e-01,  1.1026e-01,  1.1185e+00,  2.7662e+00,
         -5.5616e-01,  3.9975e-01, -5.4667e-01,  8.1839e-01,  2.9950e-01],
        [-4.0914e-01,  5.0958e-01,  5.3542e-01, -6.3667e-01, -5.9792e-01,
         -1.3693e+00,  7.9520e-02,  1.9240e-01, -7.1213e-01, -3.1667e-01],
        [ 2.8481e-01, -1.1645e+00,  1.0669e-01,  8.8317e-01, -1.1061e+00,
          1.1247e+00, -1.8601e-01,  3.4027e+00,  1.1318e+00, -2.4114e+00],
        [ 2.7305e-01, -3.0332e-01, -4.0622e-01,  2.2628e-01,  1.8857e+00,
         -3.0286e-01, -6.2789e-01, -2.3954e-01, -7.5774e-01, -6.8736e-01],
        [ 3.8802e-01,  1.6416e+00,  5.8121e-01,  1.9790e+00, -3.7603e-02,
         -3.2679e-01, -4.7280e-01, -1.4476e-01,  1.0581e+00, -9.8440e-01],
        [-3.9233e-01,  3.2649e-02,  7.7994e-01, -1.3475e+00, -2.7656e-01,
          1.8111e+00, -1.3303e-01,  1.8950e+00,  1.2445e+00,  8.5697e-01],
        [-1.0138e+00, -3.4321e-01,  9.0624e-01, -1.5395e+00, -3.9321e-01,
         -4.8072e-01, -9.0556e-01,  1.5222e+00, -8.9406e-01, -8.8321e-01],
        [ 5.2679e-02,  4.2842e-01,  1.1687e+00,  3.4735e-01, -2.9261e-01,
         -3.1606e-01, -5.9302e-01, -3.0689e-01,  1.0589e+00, -7.3568e-01],
        [ 5.9457e-01, -5.2930e-01,  6.7054e-01,  1.0220e+00, -1.4623e-02,
         -1.7065e-01, -1.6068e+00,  8.9959e-01, -1.1968e+00,  2.4110e-01],
        [ 8.9343e-02,  1.4014e+00,  6.8921e-01,  4.5150e-01, -2.6966e+00,
          1.8082e+00,  7.1977e-01, -1.2223e+00,  1.3240e-01, -3.1817e-03],
        [-6.7737e-01,  1.1342e+00, -3.7651e-01,  9.1442e-01,  3.4748e-01,
         -1.2479e+00, -6.5175e-01,  2.9314e-01,  1.0561e-01,  4.2260e-01],
        [ 1.2196e+00,  1.5686e-01,  3.7240e-01,  1.3012e+00,  2.5194e-01,
         -6.7221e-01,  1.3126e+00,  8.6740e-01, -2.5076e-01,  7.7630e-01],
        [ 5.8054e-01,  1.6174e+00, -3.9814e-01, -5.9296e-01, -6.1294e-01,
          1.0387e+00, -2.5145e+00,  7.9484e-01, -7.6897e-01, -1.1325e+00],
        [ 3.6981e-01,  3.0270e-01,  1.7068e-01,  8.7460e-01,  2.0930e-01,
         -3.2083e-01,  6.9222e-01, -1.2070e-01, -1.2727e+00,  6.8880e-01]]).to(device)
# 加载预训练模型并生成图片
##########Begin##########
for epoch in [10,50,100,200,400]:
    G.load_state_dict(torch.load("./G{}.pth".format(epoch),map_location=device))
    G.to(device)
    img = G(z)
    img = denomalize(img.to("cpu"))
    imshow(img,epoch)
###########End###########
    if epoch ==200:
        print(img)

946464646
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
图像生成(Image Generation) 原理与代码实例讲解
禅与计算机程序设计艺术
06-20 1319
图像生成(Image Generation) - 原理与代码实例讲解 1.背景介绍 在过去的几年里,生成式人工智能(Generative AI)技术取得了长足的进步,尤其是在图像生成领域。图像生成是指使用计算机算法从随机噪声或文本描述中生成逼真的图像。这项技术
C语言集锦（一） C代码生成图片:BMP、PNG和JPEG
weixin_38168484的博客
10-16 3102
1.生成BMP图片 在学习图形图像的过程中，最简单和常见的格式是BMP和PPM。下面将给出生成BMP的极度精简代码，然后讲解BMP格式。 1 #include <stdio.h> 2 #include <stdlib.h> 3 #define w 200 4 #define h 200 5 void WriteBMP(char*img,c...
百行内代码生成图片
musks的博客
05-25 830
看到一个流弊的精简的代码生成各种图片 好像是之前一个比赛吧，先上官网 https://codegolf.stackexchange.com/questions/35569/tweetable-mathematical-art 上面已经有生成不少漂亮的图片，先上两张拔过来的图片 我还是看看代码吧，尽管那三行不同函数中所包含的数学公式看不懂。
生成代码的轮廓图像
08-07
您每天都在阅读代码，代码应针对此进行优化。 此工具可帮助您可视化项目中代码的外观，并可能成为更好地构建文件的触发器。
如何快速生成图片代码
weixin_44658445的博客
06-03 5310
在前端开发中，大家免不了要用到各式各样的图片来美化我们的页面，无论是通过标签还是利用background样式属性来引用图片，都需要我们来手动读取图片尺寸信息，然后再编写图片样式代码，这样的劳动重复且繁琐！！！是否有简单高效的实现方案呢？。这个插件使用起来非常简单，插件安装后，只需要将使用的图片链接复制到剪切板，然后直接在vscode编辑器中【右键】-【生成代码】，就可以在光标所在位置看到根据复制的图片链接所生成的代码了。生成的代码是支持模版配置，代码生成时会自动填充图片尺寸和图片链接。
imgcook：各种图像一键自动生成代码的工具
热门推荐
不脱发的程序猿
03-10 1万+
要说开源精神，阿里估计在国内能够排在最前列。 近几年，阿里接二连三“搞事情”。根据阿里近期发布的《2018 年度代码报告》显示，目前阿里巴巴就已经有 400 多个开源项目，涉及中间件、框架、组件、数据库、存储等，包括滴滴、网易、Netflix、Uber 在内的互联网公司都是阿里开源项目的使用者。 最近阿里也没闲着，又发布了大家喜闻乐见的代码自动生成工具 imgcook。 imgco...
实用代码 25 图像标题生成
04-18
实用代码 25 图像标题生成实用代码 25 图像标题生成实用代码 25 图像标题生成实用代码 25 图像标题生成实用代码 25 图像标题生成实用代码 25 图像标题生成实用代码 25 图像标题生成实用代码 25 图像标题生成实用代码...
图像融合代码
11-27
标题中的“图像融合代码”指的是将两幅或多幅图像的信息结合在一起，生成一幅包含所有源图像特征的新图像的技术。在图像处理和计算机视觉领域，图像融合是至关重要的一个环节，常用于遥感、医学成像、多摄像头监控等...
PHP图像转代码
06-28
实际应用中，"PHP图像转代码"可以用于创建低带宽的图像展示、生成有趣的文本艺术，甚至在某些安全场景下，作为图像信息的加密传输方式。 综上所述，“PHP图像转代码”是一个结合了图像处理、数据转换和文本艺术的...
java代码生成二维码.zip
05-26
Java代码生成二维码是一种常见的编程任务，特别是在移动应用开发、数据编码和信息传递中。这个压缩包文件"java代码生成二维码.zip"显然包含了实现这一功能的Java源代码和可能的依赖库。下面将详细介绍如何在Java中...
图像生成简单介绍并给出相应的示例代码
百年孤独百年的博客
05-26 909
图像生成是计算机视觉中的一个重要任务，它涉及使用程序创建新的图像。本教程将引导您完成图像生成的基本概念，并使用 Python 和 TensorFlow 深度学习库构建一个简单的图像生成模型。
生成验证码图片的代码
02-28
python的生成验证码图片代码！简单易理解！python的生成验证码图片代码！简单易理解！
java:将html生成图片的所有方法比较
01-11
java:html生成图片,所有生成方法的优缺点。
chatgpt赋能python：Python将图片转换为代码的顶级SEO文章
「 虚幻私塾」
06-20 1171
本文由chatgpt生成，文章没有在chatgpt生成的基础上进行任何的修改。以上只是chatgpt能力的冰山一角。作为通用的Aigc大模型，只是展现它原本的实力。对于颠覆工作方式的ChatGPT，应该选择拥抱而不是抗拒，未来属于“会用”AI的人。🧡AI职场汇报智能办公文案写作效率提升教程 🧡专注于AI+职场+办公方向。下图是课程的整体大纲下图是AI职场汇报智能办公文案写作效率提升教程中用到的ai工具。
完整的项目源码！在线考试完整系统源码（可接私活）
最新发布
m0_68103666的博客
04-11 901
最近有一些读者问我有没有完整的，今天给大家整理了一下，并且录制了搭建的教程，分享给大家。
根据标题关键字生成图片实现优质图片PHP代码
qq7712409的专栏
04-13 1512
$bgimg = "./image/" . $numrand . ".jpg"; $bg_info = getimagesize($bgimg); $bg_type = image_type_to_extension($bg_info[2], false); $func = "imagecreatefrom" . $bg_type; $bg_image = $func($bgimg); $numrand2 = rand(1, 6); $tu1 = "./image/" . $numrand2..
图像生成：GRL
WiSirius的博客
12-20 1132
伴随生成式模型的崛起，图像恢复超分也逐渐成为图生图相关任务pipeline中重要的一环。比如在Stable Diffusion Webui中集成的SwinIR和ESRGAN。本文介绍最新的图像恢复算法GRL（Efficient and Explicit Modelling of Image Hierarchies for Image Restoration）。文章提出一种全新的机制，在全局、区域和局部范围内高效、明确地对图像层次结构进行建模，从而完成图像恢复。文章首先分析了自然图像的两个重要属性 ——
1.04更新，2024最新Python源码及资源：通过百度API免费使用Stable-Diffusion-XL进行图像生成绘画！
qq_53862860的博客
12-12 643
百度绘画模型（Stable-Diffusion-XL）是一种基于文本提示生成图像的工具，其核心在于将文字提示转化为视觉图像。通过将用户输入的文本提示和反向提示传递给模型，它能够生成与提示相关联的图像，展示出令人惊叹的创造力。这一模型背后融合了深度学习、自然语言处理和图像处理等技术，为用户提供了一个创造、探索的平台。源代码基于Python语言，利用了Tkinter库和requests库创建了一个用户友好的界面。通过这个界面，用户可以输入API密钥、选择采样器、设置参数，并通过按钮点击来触发图像生成过程。
图像生成python代码
05-30
以下是一个简单的图像生成 Python 代码示例： ```python from PIL import Image, ImageDraw # 创建一个大小为 256x256 的图像 img = Image.new('RGB', (256, 256), color='white') # 初始化画布 draw = ImageDraw...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值