Stable-Diffusion-V1-5 批量处理与自动化脚本编写教程

Stable-Diffusion-V1-5 批量处理与自动化脚本编写教程

你是不是也遇到过这样的场景？需要为新产品生成几十张不同风格的主图，或者为内容创作准备上百张配图，一张一张在WebUI里点“生成”按钮，不仅手累，效率也低得让人抓狂。对于需要大量图片的场景，比如制作数据集、批量生产营销素材，手动操作显然不是长久之计。

今天，我们就来聊聊如何解放双手，用Python写个脚本，让Stable-Diffusion-V1-5自动帮你干活。我会手把手带你，从零开始，搭建一个能读取任务列表、自动调用模型、智能保存结果的“图片生成流水线”。整个过程不复杂，哪怕你Python刚入门，跟着做也能搞定。学完这个，你就能把重复劳动交给机器，自己腾出时间琢磨更重要的创意了。

1. 为什么需要自动化脚本？

在深入代码之前，我们先搞清楚，费劲写脚本到底图个啥。手动操作WebUI界面，适合探索和调试单张图片。但一旦需求变成“批量”和“重复”，它的短板就暴露无遗。

想象一下，你要根据一份包含50个商品描述的Excel表格，生成对应的宣传图。手动操作意味着：复制一个描述到提示词框，调整参数，点击生成，等待，保存图片，重命名，然后再循环下一个… 这个过程不仅极其耗时，还容易因为疲劳而出错，比如保存时命名混乱，或者漏掉某个描述。

自动化脚本的核心价值，就是把上面这个繁琐的流程标准化、程序化。它主要帮我们解决三个痛点：

• 效率问题：脚本可以7x24小时不间断运行，批量处理成百上千的任务，速度远超人工。
• 一致性问题：确保每一张图片都使用完全相同的生成参数（如采样器、步数、尺寸），避免人为操作带来的波动，这对于数据集制作至关重要。
• 可追溯性：脚本可以自动记录每张图片的生成参数和对应的提示词，方便后续查找、分析和复现。

简单说，写一次脚本，是为了以后无数次地“偷懒”。接下来，我们就开始搭建这个“偷懒”工具。

2. 准备工作与环境搭建

工欲善其事，必先利其器。在写脚本之前，我们需要确保运行环境已经就绪。这里假设你已经有一个可以运行的Stable-Diffusion-V1-5环境，无论是通过diffusers库本地部署，还是通过某个API服务（如Automatic1111的WebUI API）来调用。

2.1 核心Python库安装

我们的脚本主要依赖几个Python库。打开你的终端或命令提示符，用pip命令安装它们：

pip install requests pillow pandas

• requests：这是Python里用来发送HTTP请求的明星库。如果你的Stable-Diffusion是通过WebUI API（例如运行在http://localhost:7860）来调用的，那么就需要用它来和API“对话”。
• Pillow(PIL)：Python的图像处理库。当API返回图片数据给我们时，我们需要用它来打开、处理和保存图片。
• pandas：数据处理和分析的利器。我们用它来轻松读取和管理包含大量提示词（Prompt）的CSV或Excel文件，比手动写列表方便得多。

如果你的Stable-Diffusion是直接通过diffusers库在Python代码中加载和运行的，那么还需要安装它：

pip install diffusers transformers accelerate torch

不过，为了通用性，本篇教程我们将以更常见的“通过WebUI API调用”作为主要场景，因为它不关心你的模型具体部署在本地还是云端，只要有个API地址就行。

2.2 准备你的“任务清单”

自动化批量生成，首先得有一份清晰的“生产订单”。我们用一个CSV文件来充当这个订单。用Excel或任何文本编辑器创建一个文件，命名为prompt_list.csv，内容如下：

id,prompt,negative_prompt,width,height,steps,cfg_scale 1,a beautiful sunset over a mountain lake, blurry, ugly, 512, 512, 20, 7.5 2,a cyberpunk city street at night, deformed, low quality, 768, 512, 30, 9.0 3,a cute cartoon cat wearing a hat, , 512, 768, 25, 8.0

这个表格的每一行，都定义了一张图片的生成蓝图：

• id: 任务序号，方便我们追踪。
• prompt: 正面提示词，描述你想要什么。
• negative_prompt: 负面提示词，描述你不想要什么（可以为空）。
• width/height: 生成图片的宽和高。
• steps: 采样步数，影响细节和生成时间。
• cfg_scale: 提示词相关性，值越大越遵循你的提示。

有了这份清单，脚本就知道该干什么活了。

3. 编写核心批量生成脚本

现在，进入最核心的部分——编写Python脚本。我们会一步步构建，并解释每一段代码的作用。

3.1 脚本骨架与配置

首先，创建一个新的Python文件，比如叫sd_batch_generate.py。开头部分，我们导入必要的库，并设置一些基础配置。

import requests import pandas as pd from PIL import Image import io import time import os import json # 配置区域 - 根据你的实际情况修改 API_URL = "http://127.0.0.1:7860/sdapi/v1/txt2img" # Stable Diffusion WebUI 的文本生成图片API地址 OUTPUT_DIR = "./generated_images" # 图片输出目录 CSV_FILE = "./prompt_list.csv" # 任务清单CSV文件路径 LOG_FILE = "./generation_log.jsonl" # 日志文件路径 # 创建输出目录 os.makedirs(OUTPUT_DIR, exist_ok=True)

代码解释：

• 我们导入了之前安装的所有库。
• API_URL：这是最关键的一个配置。它指向你运行的Stable-Diffusion WebUI的API接口。默认情况下，本地运行的WebUI地址就是http://127.0.0.1:7860。
• OUTPUT_DIR：指定一个文件夹，所有生成的图片都会保存到这里。
• CSV_FILE和LOG_FILE：定义了我们的任务来源和日志记录位置。
• os.makedirs(..., exist_ok=True)：这行代码会创建输出目录，如果目录已经存在也不会报错。

3.2 构建API请求函数

接下来，我们写一个函数，它的职责就是和Stable-Diffusion API“沟通”，发送生成请求并拿回图片。

def generate_image(prompt, negative_prompt, width, height, steps, cfg_scale, sampler_name="Euler a"): """ 调用Stable Diffusion API生成单张图片。 参数: prompt: 正面提示词 negative_prompt: 负面提示词 width, height: 图片尺寸 steps: 采样步数 cfg_scale: 提示词相关性 sampler_name: 采样器名称，默认'Euler a' 返回: image: PIL Image对象，生成的图片 info: 字典，包含生成参数等信息 """ # 1. 构造请求数据（JSON格式） payload = { "prompt": prompt, "negative_prompt": negative_prompt, "width": width, "height": height, "steps": steps, "cfg_scale": cfg_scale, "sampler_name": sampler_name, "batch_size": 1, # 一次生成一张 } # 2. 发送POST请求到API try: response = requests.post(url=API_URL, json=payload) response.raise_for_status() # 如果请求失败（如4xx, 5xx错误），抛出异常 except requests.exceptions.RequestException as e: print(f"API请求失败: {e}") return None, None # 3. 解析API返回的JSON数据 r = response.json() # 4. 从返回数据中提取图片（Base64编码格式） image_data = r['images'][0] # 5. 将Base64图片数据解码为PIL Image对象 image = Image.open(io.BytesIO(requests.utils.base64.b64decode(image_data.split(",",1)[0]))) # 6. 提取生成信息（可选，用于日志记录） info = r.get('info', {}) return image, info

关键点说明：

• payload字典包含了所有控制图片生成的参数，这些参数和你在WebUI界面上看到的是一一对应的。
• requests.post发送一个HTTP POST请求，并将我们的参数以JSON格式传递过去。
• API成功后会返回一个JSON响应，其中images字段里就包含了生成图片的Base64编码数据。
• 我们通过一系列操作，将这段编码数据还原成PIL库可以处理的图片对象。
• 函数最后返回图片对象和生成信息，方便后续使用。

3.3 主循环：读取任务并批量处理

有了单次生成函数，我们就可以构建一个循环，来逐个处理CSV文件里的所有任务了。

def main(): # 1. 读取任务清单CSV文件 try: df = pd.read_csv(CSV_FILE) print(f"成功加载任务清单，共 {len(df)} 个任务。") except FileNotFoundError: print(f"错误：找不到CSV文件 '{CSV_FILE}'，请检查路径。") return # 2. 打开日志文件，准备记录（使用jsonl格式，每行一个JSON记录） log_entries = [] # 3. 循环处理每一行（每一个生成任务） for index, row in df.iterrows(): task_id = row.get('id', index + 1) # 使用CSV中的id，如果没有则用行号 prompt = str(row['prompt']).strip() negative_prompt = str(row.get('negative_prompt', '')).strip() width = int(row.get('width', 512)) height = int(row.get('height', 512)) steps = int(row.get('steps', 20)) cfg_scale = float(row.get('cfg_scale', 7.5)) print(f"\n--- 开始处理任务 {task_id} ---") print(f"提示词: {prompt[:50]}...") # 只打印前50个字符，避免刷屏 # 4. 调用生成函数 start_time = time.time() image, gen_info = generate_image(prompt, negative_prompt, width, height, steps, cfg_scale) elapsed_time = time.time() - start_time if image is None: print(f"任务 {task_id} 生成失败，跳过。") continue # 5. 保存生成的图片 # 生成一个包含任务ID和提示词前几个单词的文件名 prompt_snippet = "_".join(prompt.split()[:3]) # 取提示词前三个词 filename = f"{task_id:03d}_{prompt_snippet}.png" filepath = os.path.join(OUTPUT_DIR, filename) image.save(filepath) print(f"图片已保存至: {filepath}") print(f"生成耗时: {elapsed_time:.2f} 秒") # 6. 记录日志 log_entry = { "task_id": task_id, "prompt": prompt, "negative_prompt": negative_prompt, "width": width, "height": height, "steps": steps, "cfg_scale": cfg_scale, "output_file": filename, "generation_time": elapsed_time, "info": gen_info # 包含了种子(seed)等详细信息 } log_entries.append(log_entry) # 7. 可选：添加短暂延迟，避免对API造成过大压力 time.sleep(0.5) # 8. 所有任务完成后，将日志写入文件 if log_entries: with open(LOG_FILE, 'w', encoding='utf-8') as f: for entry in log_entries: f.write(json.dumps(entry, ensure_ascii=False) + '\n') print(f"\n所有任务完成！日志已保存至: {LOG_FILE}") else: print("\n没有任务被成功执行。") if __name__ == "__main__": main()

脚本工作流程梳理：

1. 读清单：用pandas读取CSV，把任务列表加载到程序里。
2. 开日志：准备一个列表，用来记录每张图片的“出生证明”。
3. 循环干：对CSV里的每一行，提取出提示词、尺寸等参数。
4. 去生成：调用我们写好的generate_image函数，把参数发给Stable-Diffusion，等着它“画”好。
5. 存图片：图片回来后，给它起个有意义的文件名（结合任务ID和提示词），保存到指定文件夹。
6. 记一笔：把这次任务的所有参数、用的时间、生成的图片文件名，都详细记下来。
7. 歇一下：稍微等零点几秒再处理下一个，让API喘口气，也更稳定。
8. 写日志：所有活干完后，把刚才记的“流水账”统一写到日志文件里，方便以后查。

4. 运行脚本与查看结果

脚本写好了，怎么让它跑起来呢？

1. 确保API服务已启动：首先，启动你的Stable-Diffusion WebUI。通常是在命令行进入其目录，运行python launch.py或相应的启动命令。确保它完全启动并监听在7860端口。
2. 准备文件：将你的prompt_list.csv文件放在和sd_batch_generate.py脚本相同的目录下。
3. 运行脚本：在终端中，导航到脚本所在目录，运行：

   python sd_batch_generate.py

4. 观察输出：你会在终端看到类似下面的信息，实时了解生成进度：

   成功加载任务清单，共 3 个任务。 --- 开始处理任务 1 --- 提示词: a beautiful sunset over a mountain lake... 图片已保存至: ./generated_images/001_a_beautiful_sunset.png 生成耗时: 4.23 秒 --- 开始处理任务 2 --- ...

5. 查看成果：脚本运行完毕后，打开./generated_images文件夹，你就能看到所有生成好的图片。同时，根目录下会生成一个generation_log.jsonl文件，里面记录了每张图片的详细生成参数。

5. 脚本进阶与优化建议

基础的流水线跑通了，但一个健壮的脚本还需要考虑更多。这里给你几个优化方向，让你的脚本更好用、更强大。

5.1 增加错误处理与重试

网络请求可能失败，API也可能偶尔“闹脾气”。我们可以让脚本更“坚韧”。

def generate_image_with_retry(prompt, max_retries=3, **kwargs): """带重试机制的生成函数""" for attempt in range(max_retries): try: image, info = generate_image(prompt, **kwargs) if image is not None: return image, info except Exception as e: print(f"生成失败 (尝试 {attempt+1}/{max_retries}): {e}") time.sleep(2) # 失败后等待2秒再重试 print(f"提示词 '{prompt[:30]}...' 在 {max_retries} 次尝试后仍失败。") return None, None

在主循环中，用这个新的带重试的函数替换原来的generate_image调用。

5.2 支持更多生成参数

我们的CSV和脚本目前只包含了最基础的参数。你可以根据需要轻松扩展，比如控制生成批次、使用不同的模型或VAE、设置高清修复（Hires. fix）参数等。只需要在CSV中增加对应的列（如sampler_name,seed,hires_upscale等），并在payload字典和日志记录中添加它们即可。

5.3 从更多数据源读取任务

任务清单不一定非得是CSV。你可以修改脚本，让它从JSON文件、数据库，甚至一个在线表格（如通过Google Sheets API）读取任务。pandas库支持读取多种格式，这给了你很大的灵活性。

5.4 添加进度提示

对于处理成百上千个任务的长时间运行，一个进度条能极大提升体验。你可以使用tqdm这个库来轻松实现。

pip install tqdm

然后在主循环处稍作修改：

from tqdm import tqdm # ... 在main函数内，替换原有的for循环 ... for index, row in tqdm(df.iterrows(), total=len(df), desc="批量生成进度"): # 循环体内的代码不变 ...

这样，运行时终端就会显示一个美观的进度条，让你清楚知道完成了多少，还剩多少。

6. 总结

走完这一趟，你会发现，为Stable-Diffusion编写自动化脚本并没有想象中那么神秘。核心逻辑就是“读取任务 -> 调用API -> 保存结果”的循环。这个简单的脚本框架，已经能帮你应对绝大多数批量生成的场景了。

实际用起来，最大的好处就是省心。你可以晚上睡觉前把脚本跑起来，指定好一个有几百个提示词的清单，第二天早上起来，所有图片就已经整整齐齐地躺在文件夹里了，附带详细的生成日志。无论是做实验需要大量对比图，还是运营需要周期性生产内容素材，这套方法都能把你从重复劳动中解放出来。

当然，这个脚本只是一个起点。你可以根据自己的需求，把它变得更加强大和智能，比如加入自动审核图片质量的逻辑，或者与你的素材管理系统对接。希望这个教程能帮你打开思路，把更多精力投入到创意和决策上，让机器去处理那些繁琐的重复性工作。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。