【技术前沿】Flux.1部署教程入门--Stable Diffusion团队最前沿、免费的开源AI图像生成器

项目简介

FLUX.1 是一种新的开源图像生成模型。它由 Stable Diffusion 背后的团队 Black Forest Labs 开发。
官网中有以下功能开源供大家参考：

博主碎碎念，可跳过：
打算重新做做自己这个老号，高中时候开始做CSDN，那会儿写的是NOIP/NOI相关的算法东西，纯粹是写给自己看的；现在时隔多年，我也在清华站稳了脚跟，在互联网开发和量化交易领域都算是小有成就了。

接下来这个号（也许也不止这个号）应该会做三个方向:
AI新技术(或者不局限于AI)的抢先浏览，会向大家说明当下热点论文、热点技术的部署等，以及做一些周报或者日报。（类似于AI Weekly）
量化交易相关，我在量化开发技术栈有着多年的开发经验，也拿过一些投资比赛的奖项。可以面向应届生给出就业规划，提供一些指导的同时分享一些含金量高的项目。
互联网面试相关，我应该会着重于分享一些面试的底层技术面，并且尽可能和2进行一些结合，让大家同时能handle住两边的技术。

以下是正文:

原项目地址

安装教程

本地安装

cd $HOME && git clone https://github.com/black-forest-labs/flux
cd $HOME/flux
python3.10 -m venv .venv
source .venv/bin/activate
pip install -e '.[all]'

模型

我们提供了三个模型：

自动编码器的权重也在 apache-2.0 许可证下发布，可以在上述任何一个 HuggingFace 仓库中找到。两个模型使用的权重是相同的。

使用方法

当您启动其中一个演示时，权重将自动从 HuggingFace 下载。要下载 FLUX.1 [dev]，您需要先登录，详见这里。
如果您已经手动下载了模型权重，可以通过环境变量指定下载路径：

export FLUX_SCHNELL=<path_to_flux_schnell_sft_file>
export FLUX_DEV=<path_to_flux_dev_sft_file>
export AE=<path_to_ae_sft_file>

要进行交互式采样，请运行

python -m flux --name <name> --loop

或者要生成单个样本，请运行

python -m flux --name <name> \
  --height <height> --width <width> \
  --prompt "<prompt>"

我们还提供了一个同时支持文本到图像和图像到图像的 Streamlit 演示。可以通过以下命令运行演示

streamlit run demo_st.py

我们还提供了基于 Gradio 的演示以获得互动体验。要运行 Gradio 演示：

python demo_gr.py --name flux-schnell --device cuda

选项:

要使用 dev 模型运行演示并创建公共链接：

python demo_gr.py --name flux-dev --share

Diffusers 集成

FLUX.1 [schnell] 和 FLUX.1 [dev] 已集成到 ? diffusers 库中。要在 diffusers 中使用它，请安装：

pip install git+https://github.com/huggingface/diffusers.git

然后您可以使用 FluxPipeline 来运行模型

import torch
from diffusers import FluxPipeline

model_id = "black-forest-labs/FLUX.1-schnell" # 您也可以使用 `black-forest-labs/FLUX.1-dev`

pipe = FluxPipeline.from_pretrained("black-forest-labs/FLUX.1-schnell", torch_dtype=torch.bfloat16)
pipe.enable_model_cpu_offload() # 通过将模型卸载到 CPU 来节省一些 VRAM。如果您的 GPU 足够强大，可以删除此行

prompt = "A cat holding a sign that says hello world" 
seed = 42
image = pipe(
    prompt,
    output_type="pil",
    num_inference_steps=4, # 如果您使用 [dev]，请使用更大的数值
    generator=torch.Generator("cpu").manual_seed(seed)
).images[0]
image.save("flux-schnell.png")

要了解更多信息，请查看 diffusers 文档。

API 使用

我们的 API 提供对 pro 模型的访问。API 文档可以在这里找到：docs.bfl.ml。

在这个仓库中，我们还提供了一个简便的 Python 接口。要使用该接口，您首先需要在 api.bfl.ml 上注册，并创建一个新的 API 密钥。

要使用 API 密钥，您可以运行 export BFL_API_KEY=<your_key_here>，或者通过 api_key=<your_key_here> 参数提供密钥。还需要确保您已经按照上面的说明安装了相关包。

从 Python 使用：

from flux.api import ImageRequest

# 这将直接创建一个 API 请求，但不会在生成完成之前阻塞
request = ImageRequest("A beautiful beach")
# 或者：request = ImageRequest("A beautiful beach", api_key="your_key_here")

# 以下任意一个操作都会阻塞，直到生成完成
request.url
# -> https:<...>/sample.jpg
request.bytes
# -> b"..." 生成的图像字节
request.save("outputs/api.jpg")
# 将生成的图像保存到本地
request.image
# -> 一个 PIL 图像

从命令行使用：

$ python -m flux.api --prompt="A beautiful beach" url
https:<...>/sample.jpg

# 生成并保存结果
$ python -m flux.api --prompt="A beautiful beach" save outputs/api

# 直接打开图像
$ python -m flux.api --prompt="A beautiful beach" image show

总结