Qwen-Image-2512-Pixel-Art-LoRA 批量处理脚本编写：自动化生成海量像素素材库

Qwen-Image-2512-Pixel-Art-LoRA 批量处理脚本编写自动化生成海量像素素材库你是不是也遇到过这样的烦恼想用Qwen-Image-2512-Pixel-Art-LoRA这个模型做一套像素游戏的角色素材结果发现要一个个手动输入提示词、等待生成、保存图片光是生成几十张图就花了大半天效率低得让人抓狂。我之前给一个独立游戏工作室做素材支持他们需要上千张不同职业、不同动作的像素角色图。如果靠人工一张张来估计项目还没开始美术就先崩溃了。后来我花时间写了个Python脚本把整个流程自动化了原本需要一周的工作量现在一个下午就能跑完。今天我就把这个方法分享给你教你如何编写一个高效的批量处理脚本让你也能轻松搭建自己的海量像素素材库。整个过程并不复杂就算你Python刚入门跟着步骤走也能搞定。1. 脚本能帮你做什么在动手写代码之前我们先看看这个脚本能帮你解决哪些具体问题。了解目标写起来才更有方向。核心痛点与解决方案痛点一手动操作效率极低→ 脚本自动从文件读取成百上千个提示词无需手动输入。痛点二生成过程不可控→ 脚本支持并发调用可以同时生成多张图片并处理失败重试。痛点三素材管理混乱→ 脚本自动按你设定的规则如角色职业、场景类型分类保存图片并给图片加上元数据水印方便后续查找和使用。简单来说你只需要准备一个写好了所有提示词的文本文件比如CSV或JSON然后运行脚本它就会自动帮你完成“读取提示词 - 调用模型生成 - 处理异常 - 保存并归类图片”的全过程。2. 环境准备与核心思路工欲善其事必先利其器。我们先来把跑通脚本所需的环境搭好。2.1 你需要准备什么Python环境确保你的电脑上安装了Python 3.8或更高版本。打开终端或命令行输入python --version检查一下。必要的Python库我们主要会用到几个库来处理网络请求、并发任务和文件操作。pip install requests pandas tqdmrequests: 用来调用模型的API接口。pandas: 方便我们读取和处理CSV或Excel格式的提示词文件。tqdm: 给循环加个进度条让你清楚知道任务进行到哪了体验感更好。模型API访问权限确保你已经部署好了Qwen-Image-2512-Pixel-Art-LoRA模型并且知道它的API调用地址比如http://localhost:8000/v1/images/generations以及所需的认证信息如果有的话比如API Key。2.2 脚本的核心工作流程整个脚本就像一条高效的流水线它的工作流程非常清晰[提示词清单文件] → [脚本读取并解析] → [并发调用模型API] → [接收生成的图片] → [添加元数据/水印] → [按规则保存到文件夹]其中“并发调用”是提升速度的关键“错误重试”保证了流程的健壮性“自动归类”则省去了你后期整理的麻烦。3. 分步编写脚本接下来我们一步步把这条流水线用代码搭建起来。我会把完整的代码拆解开并配上详细的解释。3.1 第一步读取批量提示词我们首先得让脚本知道要生成什么。假设我们把所有提示词整理在一个CSV文件里文件名叫prompts.csv内容类似这样prompt,category,style “a pixel art warrior holding a sword, front view, fantasy style”,“character”,“combat” “a pixel art mage casting a fireball, side view, vibrant colors”,“character”,“magic” “a pixel art forest background with mushrooms, top-down view”,“background”,“environment” “a pixel art health potion item, glowing effect”,“item”,“consumable”第一列是具体的提示词第二列是素材大类第三列是子类或风格方便我们后续分类保存。现在写代码来读取它import pandas as pd import os def load_prompts_from_csv(file_path): 从CSV文件加载提示词和分类信息。 参数: file_path (str): CSV文件的路径。 返回: list: 一个列表里面每个元素都是一个字典包含prompt, category, style等信息。 try: # 使用pandas读取CSV文件 df pd.read_csv(file_path) # 将DataFrame转换为字典列表便于后续处理 prompts_list df.to_dict(‘records’) print(f“成功从 {file_path} 加载了 {len(prompts_list)} 条提示词。”) return prompts_list except FileNotFoundError: print(f“错误找不到文件 {file_path}请检查路径是否正确。”) return [] except Exception as e: print(f“读取文件时发生错误{e}”) return [] # 使用示例 if __name__ “__main__”: prompts load_prompts_from_csv(“prompts.csv”) for p in prompts[:2]: # 打印前两条看看 print(p)如果提示词是JSON格式写法也类似用Python内置的json库即可。这样脚本就有了“生产任务清单”。3.2 第二步调用模型API生成单张图片这是最核心的一步如何与Qwen-Image-2512-Pixel-Art-LoRA模型对话让它根据提示词生成图片。通常这类模型会提供一个类似OpenAI格式的API。我们需要写一个函数负责发送一次生成请求并获取结果。import requests import base64 from io import BytesIO from PIL import Image import time def generate_single_image(api_url, api_key, prompt_data, model_name“Qwen-Image-2512-Pixel-Art-LoRA”): 调用API生成一张图片。 参数: api_url (str): 模型API的地址。 api_key (str): API密钥如果需要。 prompt_data (dict): 包含提示词等信息的字典。 model_name (str): 模型名称。 返回: tuple: (成功与否, 图片PIL对象或错误信息, 提示词信息) headers { “Content-Type”: “application/json”, } # 如果有API Key通常加在Authorization头里 if api_key: headers[“Authorization”] f“Bearer {api_key}” # 构造请求体参数需要根据你实际部署的API调整 payload { “model”: model_name, “prompt”: prompt_data.get(‘prompt’), “n”: 1, # 每次生成1张 “size”: “1024x1024”, # 生成图片尺寸根据模型支持调整 “response_format”: “b64_json” # 要求返回base64编码的图片 } try: response requests.post(api_url, jsonpayload, headersheaders, timeout60) response.raise_for_status() # 如果状态码不是200抛出异常 result response.json() # 解析返回的图片数据base64格式 image_b64 result[‘data’][0][‘b64_json’] image_data base64.b64decode(image_b64) image Image.open(BytesIO(image_data)) return True, image, prompt_data except requests.exceptions.Timeout: return False, “请求超时”, prompt_data except requests.exceptions.RequestException as e: return False, f“网络请求错误: {e}”, prompt_data except KeyError as e: return False, f“API返回数据格式异常: {e}”, prompt_data except Exception as e: return False, f“未知错误: {e}”, prompt_data这个函数是脚本的“工人”每次调用它它就去找模型“生产”一张图片。3.3 第三步实现多进程并发与错误重试如果让这个“工人”一张一张顺序生产那就太慢了。我们需要“雇佣”多个工人同时干活这就是并发。同时难免会有个别任务失败我们需要给它们重试的机会。这里我们用Python的concurrent.futures库中的ThreadPoolExecutor来实现多线程并发它对于这种I/O密集型任务网络请求很有效。from concurrent.futures import ThreadPoolExecutor, as_completed from tqdm import tqdm def batch_generate_images(api_url, api_key, prompts_list, max_workers4, max_retries2): 批量并发生成图片支持错误重试。 参数: api_url (str): API地址。 api_key (str): API密钥。 prompts_list (list): 提示词字典列表。 max_workers (int): 最大并发线程数。 max_retries (int): 单任务最大重试次数。 返回: list: 成功生成的图片对象, 提示词信息列表。 list: 失败的任务信息列表。 successful_results [] failed_tasks [] # 定义一个内部函数包含重试逻辑 def task_with_retry(prompt_item): retries 0 while retries max_retries: success, result, prompt_info generate_single_image(api_url, api_key, prompt_item) if success: return success, (result, prompt_info) # 成功返回图片和提示词信息 else: retries 1 if retries max_retries: print(f“提示词 ‘{prompt_item.get(‘prompt’)[:30]}...’ 第{retries}次重试...”) time.sleep(1) # 重试前稍作等待 else: return success, (result, prompt_info) # 重试次数用尽返回失败信息 return False, (“Max retries exceeded”, prompt_item) print(f“开始批量生成 {len(prompts_list)} 张图片使用 {max_workers} 个并发线程...”) with ThreadPoolExecutor(max_workersmax_workers) as executor: # 提交所有任务 future_to_prompt {executor.submit(task_with_retry, p): p for p in prompts_list} # 使用tqdm创建进度条 for future in tqdm(as_completed(future_to_prompt), totallen(prompts_list), desc“生成进度”): prompt_used future_to_prompt[future] try: success, result future.result() if success: successful_results.append(result) # result 是 (image, prompt_info) 元组 else: failed_tasks.append({“prompt”: prompt_used, “error”: result[0]}) except Exception as e: failed_tasks.append({“prompt”: prompt_used, “error”: str(e)}) print(f“批量生成完成成功{len(successful_results)}失败{len(failed_tasks)}”) return successful_results, failed_tasksmax_workers控制同时工作的“工人”数量可以根据你的电脑性能和API服务器的承受能力调整。max_retries给了失败任务“再来一次”的机会提高了整体成功率。3.4 第四步为图片添加元数据与水印生成的图片如果直接保存时间久了可能连你自己都忘了当初是用什么提示词生成的。我们可以把关键的元信息如提示词、分类直接写入图片文件或者以文本水印的方式添加到图片角落。这里演示两种方式方式一将元数据写入图片的EXIF信息无损但某些软件可能不显示from PIL import Image, PngImagePlugin import json def add_metadata_to_image(image, prompt_info): 将提示词信息作为元数据添加到图片中。 参数: image (PIL.Image): 图片对象。 prompt_info (dict): 提示词相关信息字典。 返回: PIL.Image: 添加了元数据的图片对象副本。 # 创建图片的副本进行操作 img_copy image.copy() # 准备要存储的元数据 meta PngImagePlugin.PngInfo() # 将prompt_info字典转换为JSON字符串存入 meta.add_text(“prompt_data”, json.dumps(prompt_info)) # 注意保存时需要指定pnginfo参数。这里我们先不保存只返回带信息的对象。 # 实际保存函数会用到这个meta对象。 return img_copy, meta方式二在图片上添加文字水印直观但可能影响画面from PIL import ImageDraw, ImageFont def add_text_watermark(image, text, position(10, 10), font_size20): 在图片上添加文字水印。 参数: image (PIL.Image): 图片对象。 text (str): 水印文字。 position (tuple): 水印左上角坐标 (x, y)。 font_size (int): 字体大小。 返回: PIL.Image: 添加了水印的图片对象。 img_copy image.copy() try: # 尝试加载字体如果失败则使用默认字体 font ImageFont.truetype(“arial.ttf”, font_size) except IOError: font ImageFont.load_default() draw ImageDraw.Draw(img_copy) # 在指定位置绘制白色文字带黑色描边更清晰 draw.text(position, text, fontfont, fill(255, 255, 255, 128)) # 半透明白色 return img_copy3.5 第五步按类别保存图片最后一步把成功生成的图片按照我们之前在CSV里定义好的category和style字段自动存放到对应的文件夹里让素材库井井有条。import os from datetime import datetime def save_images_with_organization(successful_results, base_output_dir“./generated_pixel_art”): 将成功生成的图片按类别保存到文件夹并添加元数据。 参数: successful_results (list): 由batch_generate_images返回的成功结果列表。 base_output_dir (str): 输出图片的根目录。 os.makedirs(base_output_dir, exist_okTrue) for img, prompt_info in successful_results: # 从提示词信息中获取分类 category prompt_info.get(‘category’, ‘uncategorized’) style prompt_info.get(‘style’, ‘general’) prompt_text prompt_info.get(‘prompt’, ‘’) # 创建分类文件夹例如./generated_pixel_art/character/combat/ category_dir os.path.join(base_output_dir, category, style) os.makedirs(category_dir, exist_okTrue) # 生成一个包含时间戳和提示词前几个词的唯一文件名 # 用提示词前20个字符去除特殊字符作为文件名的一部分 safe_prompt_part “”.join([c for c in prompt_text[:20] if c.isalnum() or c in (‘ ‘, ‘-’, ‘_’)]).rstrip() timestamp datetime.now().strftime(“%Y%m%d_%H%M%S”) filename f“{timestamp}_{safe_prompt_part}.png” filepath os.path.join(category_dir, filename) # 准备元数据并保存图片 img_with_meta, meta add_metadata_to_image(img, prompt_info) # 保存为PNG并嵌入元数据 img_with_meta.save(filepath, “PNG”, pnginfometa) # 可选同时保存一个添加了简单文本水印的版本到另一个文件夹 # watermark_dir os.path.join(base_output_dir, “with_watermark”, category, style) # os.makedirs(watermark_dir, exist_okTrue) # img_watermarked add_text_watermark(img, f“Prompt: {prompt_text[:50]}...”) # img_watermarked.save(os.path.join(watermark_dir, filename)) print(f“所有图片已保存至目录: {base_output_dir}”)4. 把它们组合起来完整的脚本示例现在我们把上面所有的函数组装成一个可以直接运行的完整脚本。你只需要修改开头的几个配置变量即可。#!/usr/bin/env python3 “”” Qwen-Image-2512-Pixel-Art-LoRA 批量图片生成脚本。 功能从CSV读取提示词并发调用API生成图片按类别保存。 “”” import pandas as pd import requests import base64 import json import os import time from io import BytesIO from concurrent.futures import ThreadPoolExecutor, as_completed from PIL import Image, PngImagePlugin from tqdm import tqdm from datetime import datetime # 配置区域 API_URL “http://your_model_server:port/v1/images/generations” # 替换为你的API地址 API_KEY “your_api_key_here” # 如果需要替换为你的API密钥 MODEL_NAME “Qwen-Image-2512-Pixel-Art-LoRA” PROMPTS_CSV_PATH “prompts.csv” # 你的提示词CSV文件路径 OUTPUT_BASE_DIR “./my_pixel_art_library” # 输出图片的根目录 MAX_WORKERS 4 # 并发线程数建议2-8之间 MAX_RETRIES 2 # 单任务失败重试次数 # 配置结束 # 这里插入之前定义的所有函数load_prompts_from_csv, generate_single_image, # batch_generate_images, add_metadata_to_image, save_images_with_organization # (为了节省篇幅函数体省略请将前面章节的函数代码复制粘贴到这里) def main(): “””主函数执行批量生成流程。””” print(“ Qwen像素艺术素材批量生成脚本启动 ”) # 1. 加载提示词 print(f“1. 正在从 {PROMPTS_CSV_PATH} 加载提示词...”) prompts_list load_prompts_from_csv(PROMPTS_CSV_PATH) if not prompts_list: print(“提示词列表为空程序退出。”) return # 2. 批量生成图片 print(“2. 开始批量生成图片...”) successful_results, failed_tasks batch_generate_images( api_urlAPI_URL, api_keyAPI_KEY, prompts_listprompts_list, max_workersMAX_WORKERS, max_retriesMAX_RETRIES ) # 3. 保存图片 if successful_results: print(“3. 正在保存生成的图片...”) save_images_with_organization(successful_results, OUTPUT_BASE_DIR) else: print(“3. 没有成功生成的图片可保存。”) # 4. 报告失败任务如果有 if failed_tasks: print(“\n 以下任务生成失败 ) for task in failed_tasks[:5]: # 只打印前5个失败任务 print(f“提示词: {task[‘prompt’].get(‘prompt’)[:50]}...”) print(f“错误: {task[‘error’]}\n”) if len(failed_tasks) 5: print(f“... 以及另外 {len(failed_tasks)-5} 个失败任务。”) # 可选将失败任务保存到文件方便后续重试 fail_log_path os.path.join(OUTPUT_BASE_DIR, “failed_tasks.json”) with open(fail_log_path, ‘w’, encoding‘utf-8’) as f: json.dump(failed_tasks, f, ensure_asciiFalse, indent2) print(f“完整失败日志已保存至: {fail_log_path}”) print(“\n 脚本执行完毕 ) if __name__ “__main__”: main()把这个脚本保存为batch_generate_pixel_art.py确保你的prompts.csv文件在同一目录下或修改路径然后根据你的模型部署情况修改API_URL和API_KEY。最后在命令行运行python batch_generate_pixel_art.py接下来泡杯咖啡看着进度条慢慢走完一个分类清晰、自带元数据的海量像素素材库就自动建好了。5. 总结整个脚本写下来你会发现核心逻辑并不复杂就是“读取任务 - 并发执行 - 处理结果 - 保存归档”这样一个清晰的管道。最大的价值在于它把你从重复、枯燥的手动操作中解放了出来。实际使用中你可能还会根据需求做一些调整比如调整并发数避免把服务器压垮或者修改图片保存的命名规则和目录结构。这个脚本提供了一个坚实的起点你可以基于它扩展更多功能比如生成后自动进行简单的图像质量检查或者与项目管理工具联动。用脚本做批量处理一开始可能会花点时间设置但一旦跑通它带来的效率提升是巨大的。特别是对于需要持续产出大量素材的项目这种自动化能力会成为你的核心竞争力。希望这个教程能帮你打开思路不仅仅是生成像素图很多重复性的AI创作任务都可以用类似的思路来实现自动化。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。