国产在线精品一区二区不卡,久久97久久97精品免视看清纯,亚洲精品一区91

什么是Dezgo AI繪畫API接口？

由Dezgo公司提供的通過‘文字生成圖片’功能的在線API接口，企業(yè)可以通過集成AI繪畫API接口實(shí)現(xiàn)自有產(chǎn)品的圖片能力增強(qiáng)。

例如在企業(yè)內(nèi)部發(fā)布系統(tǒng)的文章首圖，可以通過文章的摘要，生成特定風(fēng)格、尺寸的圖片。

第二步：使用curl調(diào)用text2image接口

text2image是一個(gè)文字生成圖片的接口，URL地址：https://api.dezgo.com/text2image，文檔地址：https://dev.dezgo.com/API/

curl -X 'POST' \ 'https://api.dezgo.com/text2image' \ -H 'accept: */*' \ -H 'Content-Type: multipart/form-data' \ -F 'lora2_strength=.7' \ -F 'lora2=' \ -F 'lora1_strength=.7' \ -F 'prompt=Su Shi, a male scholar, dressed in a long robe, with a long sword hanging from his waist, stands on the banks of the Yangtze River, watching the sunset in the west。' \ -F 'width=' \ -F 'height=' \ -F 'steps=30' \ -F 'sampler=dpmpp_2m_karras' \ -F 'model=realdream_12' \ -F 'negative_prompt=ugly, tiling, poorly drawn hands, poorly drawn feet, poorly drawn face, out of frame, extra limbs, disfigured, deformed, body out of frame, blurry, bad anatomy, blurred, watermark, grainy, signature, cut off, draft' \ -F 'upscale=1' \ -F 'seed=' \ -F 'format=png' \ -F 'guidance=7' \ -F 'lora1='

重點(diǎn)參數(shù)說明:

width,height：圖像的寬度和高度，數(shù)值范圍 [320,1024]

prompt：提示詞，最大1000個(gè)字符

negative_prompt：描述你不希望在生成的圖像中出現(xiàn)的內(nèi)容，最大1000個(gè)字符

model：用于生成圖像的人工智能

sampler：定義用于生成圖像的采樣方法。對(duì)于低步數(shù)來說最好的采樣器往往是dpmpp_2m_karras

lora1：指定要使用的 LoRA 模型（最大 160MB）。如果未指定，則不會(huì)加載 LoRA，否則必須是 CivitAI 上可用模型的 SHA256 哈希，LoRA 模型將被下載并即時(shí)緩存。

lora1_strength：指定 LoRA 模型對(duì)結(jié)果的影響強(qiáng)度。范圍通常為 0.0（無效果）至 1.0（完全效果）。但是，如果您想進(jìn)行實(shí)驗(yàn)，可以超出這些限制：從 -2.0 到 +2.0。負(fù)值將反轉(zhuǎn)效果。超過 1.0 的值將放大效果。

model屬性枚舉值，代表了不同的AI生成風(fēng)格，用于生成特定的圖像（每個(gè)值的背后可能對(duì)應(yīng)一個(gè)預(yù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型，專門用于某種藝術(shù)風(fēng)格或圖像處理技術(shù)）：

0001softrealistic_v187：可能是一種以超現(xiàn)實(shí)主義風(fēng)格生成柔和、逼真圖像的模型版本187。 absolute_reality_1、absolute_reality_1_6、absolute_reality_1_8_1：這些可能是以絕對(duì)現(xiàn)實(shí)主義風(fēng)格生成圖像的不同版本或迭代。 abyss_orange_mix_2：可能是一種混合了橙色調(diào)的深淵風(fēng)格模型。 analog_diffusion：可能是一種模擬膠片顆粒感的圖像擴(kuò)散模型。 anylora、dreamshaper、dreamshaper_5 等：這些可能是具有不同風(fēng)格或特性的圖像生成模型。 art_universe_v8：可能是一種用于生成藝術(shù)作品的宇宙風(fēng)格模型版本8。 basil_mix、blood_orange_mix：這些可能是混合了特定色彩或風(fēng)格的模型。 cyberrealistic_1_3、cyberrealistic_3_1、cyberrealistic_3_3：可能是以賽博現(xiàn)實(shí)主義風(fēng)格生成圖像的模型。 dark_sushi_mix_v2_25d：可能是一種混合了暗色調(diào)和壽司風(fēng)格的模型。 deliberate、deliberate_2：可能是用于生成具有特定意圖或效果的圖像的模型。 dh_classicanime：可能是用于生成經(jīng)典動(dòng)漫風(fēng)格的模型。 double_exposure_diffusion：可能是用于生成雙重曝光效果的圖像的模型。 eimis_anime_diffusion_1：可能是用于生成動(dòng)漫風(fēng)格圖像的模型。 emoji_diffusion：可能是將圖像轉(zhuǎn)化為表情符號(hào)風(fēng)格的模型。 epic_diffusion_1、epic_diffusion_1_1：可能是用于生成史詩級(jí)別效果的圖像的模型。 foto_assisted_diffusion：可能是輔助攝影風(fēng)格的圖像擴(kuò)散模型。 furrytoonmix：可能是混合了毛茸茸特征和卡通風(fēng)格的模型。 ghostmix_v2：可能是以幽靈風(fēng)格生成圖像的模型。 hasdx、icbinp、icbinp_seco：這些可能是具有特定藝術(shù)效果的模型。 inkpunk_diffusion：可能是以墨水朋克風(fēng)格生成圖像的模型。 juggernaut_reborn：可能是具有強(qiáng)大影響力的圖像生成模型。 lowpoly_world：可能是以低多邊形風(fēng)格生成圖像的模型。 nightmareshaper：可能是以噩夢(mèng)風(fēng)格生成圖像的模型。 openjourney、openjourney_2：可能是開放旅程風(fēng)格的圖像生成模型。 paint_journey_2_768px：可能是以繪畫旅程風(fēng)格生成特定分辨率圖像的模型。 pastel_mix：可能是以粉彩風(fēng)格混合生成圖像的模型。 portrait_plus：可能是用于生成高級(jí)肖像的模型。 realcartoon3d_13、realcartoonanime_10：可能是將圖像轉(zhuǎn)化為3D卡通或動(dòng)漫風(fēng)格的模型。 redshift_diffusion：可能是以紅移效果生成圖像的模型。 rpg_5：可能是用于生成角色扮演游戲風(fēng)格的模型。 stable_diffusion_fluidart、stable_diffusion_papercut、stable_diffusion_voxelart：這些可能是Stable Diffusion模型的不同藝術(shù)風(fēng)格變體。 steampunk_diffusion：可能是以蒸汽朋克風(fēng)格生成圖像的模型。 synthwavepunk_v2：可能是結(jié)合了合成波和朋克風(fēng)格的模型。 toonify_2：可能是將圖像轉(zhuǎn)化為卡通風(fēng)格的模型。 trinart_2_0：可能是Trinart模型的2.0版本。 vectorartz_diffusion：可能是以矢量藝術(shù)風(fēng)格生成圖像的模型。 vintedois_diffusion_v0_1：可能是以復(fù)古動(dòng)漫風(fēng)格生成圖像的模型。 waifudiffusion_1_3、waifudiffusion_1_4：可能是用于生成動(dòng)漫角色風(fēng)格的模型。 yesmix_4：可能是某種混合風(fēng)格生成圖像的模型。

sampler 常量代表用于生成圖像的不同采樣方法，主要用于基于擴(kuò)散模型的圖像生成技術(shù)中，枚舉值說明：

ddim: 代表"Denoising Diffusion Implicit"（去噪擴(kuò)散隱式）采樣方法，這是一種基于擴(kuò)散模型的圖像生成方法，通過逐步引入噪聲并在每個(gè)步驟中去除噪聲來生成圖像。 dpm: 代表"Denoising Diffusion Probabilistic"（去噪擴(kuò)散概率）采樣方法，它是另一種基于擴(kuò)散模型的方法，側(cè)重于概率性地去除噪聲。 dpm_single: 這可能是"Denoising Diffusion Probabilistic Single"的縮寫，指的是在單次迭代中應(yīng)用去噪擴(kuò)散概率方法，而不是多次迭代。 dpmpp_2m_karras: 這可能是一個(gè)特定實(shí)現(xiàn)或變體的去噪擴(kuò)散模型，其中"2m"可能表示兩次混合步驟，"karras"可能是實(shí)現(xiàn)該方法的研究人員或團(tuán)隊(duì)的名稱。 euler: 代表"Euler"采樣方法，以數(shù)學(xué)家歐拉命名，可能是一種基于歐拉方法的數(shù)值采樣技術(shù)，用于簡(jiǎn)單有效的問題求解。 euler_a: 這可能是"Euler A"的縮寫，表示一種改進(jìn)的歐拉采樣方法或特定的應(yīng)用方式。 k_lms: 可能代表"Kalman Least Mean Squares"（卡爾曼最小二乘法）采樣方法，這是一種利用卡爾曼濾波器進(jìn)行參數(shù)估計(jì)和信號(hào)處理的技術(shù)。 pndm: 可能代表"Predictor-Corrector Noise Diffusion Model"（預(yù)測(cè)-校正噪聲擴(kuò)散模型）采樣方法，這是一種結(jié)合預(yù)測(cè)和校正步驟的圖像生成技術(shù)。

第三步：使用Java編寫客戶端測(cè)試代碼

Java客戶端代碼示例，在實(shí)際項(xiàng)目中，請(qǐng)把下面代碼封裝為一個(gè)工具類：

import java.io.*; import java.net.*; import java.util.Map; import java.util.HashMap; public class Main { public static void main(String[] args) throws Exception { String url = "https://api.dezgo.com/text2image"; String dezgoKey = "請(qǐng)注意替換"; HttpURLConnection con = (HttpURLConnection) new URL(url).openConnection(); con.setRequestMethod("POST"); con.setRequestProperty("accept", "application/octet-stream"); con.setRequestProperty("Content-Type", "multipart/form-data; boundary=----WebKitFormBoundary7ma42iwvjor0g3g4"); con.setRequestProperty("X-Dezgo-Key",dezgoKey); // 創(chuàng)建數(shù)據(jù) String boundary = "----WebKitFormBoundary7ma42iwvjor0g3g4"; StringBuilder sb = createMultipartBody(boundary, // 添加你的參數(shù) "prompt", "Su Shi, a male scholar, dressed in a long robe, with a long sword hanging from his waist, stands on the banks of the Yangtze River, watching the sunset in the west." // 省略其他參數(shù) ); byte[] bytes = sb.toString().getBytes("UTF-8"); con.setDoOutput(true); try (DataOutputStream wr = new DataOutputStream(con.getOutputStream())) { wr.write(bytes); } // 檢查響應(yīng)碼 int status = con.getResponseCode(); if (status == HttpURLConnection.HTTP_OK) { // 讀取響應(yīng)流 try (InputStream is = con.getInputStream(); FileOutputStream fileOutputStream = new FileOutputStream("output_image.png")) { byte[] buffer = new byte[4096]; int bytesRead; while ((bytesRead = is.read(buffer)) != -1) { fileOutputStream.write(buffer, 0, bytesRead); } System.out.println("Image saved successfully!"); } } else { System.out.println("Failed to get image: " + status); } } public static StringBuilder createMultipartBody(String boundary, String... params) { StringBuilder sb = new StringBuilder(); sb.append("--").append(boundary).append("\r\n"); for (int i = 0; i < params.length; i += 2) { sb.append("Content-Disposition: form-data; name=\"").append(params[i]).append("\"\r\n\r\n") .append(params[i + 1]).append("\r\n"); sb.append("--").append(boundary).append("\r\n"); } sb.append("--").append(boundary).append("--\r\n"); return sb; } }

如何找到更多AI繪畫API

冪簡(jiǎn)集成是國內(nèi)領(lǐng)先的API集成管理平臺(tái)，專注于為開發(fā)者提供全面、高效、易用的API集成解決方案。冪簡(jiǎn)API平臺(tái)可以通過以下兩種方式找到所需API：通過關(guān)鍵詞搜索API(例如，輸入’AI繪畫‘ 這類品類詞，更容易找到結(jié)果)、或者從API Hub分類頁進(jìn)入尋找。

此外，冪簡(jiǎn)集成博客會(huì)編寫API入門指南、多語言API對(duì)接指南、API測(cè)評(píng)等維度的文章，讓開發(fā)者快速使用目標(biāo)API。