Jimeng LoRA代码实例：为LoRA测试台添加生成图自动归档与标签系统

Jimeng LoRA代码实例为LoRA测试台添加生成图自动归档与标签系统1. 项目概述今天给大家分享一个实用的技术方案如何为Jimeng LoRA测试台添加生成图片的自动归档和标签系统。这个功能特别适合需要频繁测试不同LoRA版本效果的研究人员和开发者。Jimeng LoRA测试台本身已经是个很不错的工具它基于Z-Image-Turbo底座支持动态切换不同训练阶段的LoRA版本测试效率很高。但之前有个小问题生成的图片都堆在一个文件夹里时间一长就分不清哪张图是哪个版本生成的了。我们这次要做的改进很简单但很实用自动按日期创建文件夹归档图片为每张图片添加包含版本信息的文件名在图片元数据中嵌入完整的生成参数添加简单的搜索和筛选功能这样以后找图、对比效果就方便多了。下面我带大家一步步实现这个功能。2. 环境准备与代码结构2.1 所需依赖首先确保你的环境中安装了这些Python包# requirements.txt 新增依赖 pillow10.0.0 # 用于处理图片元数据 streamlit1.28.0 # Web界面框架 torch2.0.0 # 深度学习框架 transformers4.30.0 # 模型推理 accelerate0.20.0 # 推理加速2.2 项目结构jimeng_lora_tester/ ├── app.py # 主程序文件 ├── lora_models/ # LoRA模型存放目录 ├── outputs/ # 输出目录按日期自动创建子文件夹 ├── utils/ │ ├── image_utils.py # 图片处理工具函数 │ └── metadata.py # 元数据处理模块 └── config.py # 配置文件3. 自动归档系统实现3.1 创建日期文件夹我们先来实现按日期自动创建文件夹的功能# utils/image_utils.py import os from datetime import datetime def create_date_folder(base_output_dir): 创建按日期命名的文件夹 today datetime.now().strftime(%Y-%m-%d) date_dir os.path.join(base_output_dir, today) if not os.path.exists(date_dir): os.makedirs(date_dir) print(f创建日期文件夹: {date_dir}) return date_dir3.2 生成带标签的文件名接下来为每张图片生成包含版本信息的文件名def generate_image_filename(lora_name, prompt, output_dir): 生成包含版本信息的文件名 # 简化LoRA名称去掉特殊字符 clean_lora_name lora_name.replace(.safetensors, ).replace(_, -) # 截取提示词前几个词作为描述 words prompt.split()[:3] short_desc _.join(words).lower() # 添加时间戳避免重名 timestamp datetime.now().strftime(%H%M%S) filename f{clean_lora_name}_{short_desc}_{timestamp}.png full_path os.path.join(output_dir, filename) return full_path, filename4. 元数据标签系统4.1 写入生成参数到图片元数据为了让每张图片都包含完整的生成信息我们在元数据中写入所有相关参数# utils/metadata.py from PIL import Image, PngImagePlugin import json def add_metadata_to_image(image, metadata_dict): 将生成参数写入图片元数据 # 转换为PNG格式的元数据 png_info PngImagePlugin.PngInfo() for key, value in metadata_dict.items(): if isinstance(value, (dict, list)): # 复杂对象转为JSON字符串 value json.dumps(value, ensure_asciiFalse) else: value str(value) png_info.add_text(key, value) return png_info def save_image_with_metadata(image_path, image, metadata): 保存图片并添加元数据 png_info add_metadata_to_image(image, metadata) image.save(image_path, PNG, pnginfopng_info)4.2 完整的元数据信息我们记录这些重要的生成信息def create_metadata_dict(lora_name, prompt, negative_prompt, seed, steps, cfg_scale, sampler_name): 创建完整的元数据字典 return { lora_model: lora_name, prompt: prompt, negative_prompt: negative_prompt, seed: seed, steps: steps, cfg_scale: cfg_scale, sampler: sampler_name, generation_date: datetime.now().isoformat(), tool: Jimeng LoRA Tester with Auto-Archiving }5. 集成到主程序5.1 修改生成函数现在把归档功能集成到主要的图片生成函数中# 在主程序的生成函数中添加这些代码 def generate_image_with_archiving(lora_name, prompt, negative_prompt, seed, steps, cfg_scale, sampler): # ... 原有的生成逻辑 ... # 生成图片 image generate_image(prompt, negative_prompt, lora_name, seed, steps, cfg_scale, sampler) # 创建日期文件夹 output_dir create_date_folder(outputs) # 生成带标签的文件名 image_path, filename generate_image_filename(lora_name, prompt, output_dir) # 创建元数据 metadata create_metadata_dict(lora_name, prompt, negative_prompt, seed, steps, cfg_scale, sampler) # 保存带元数据的图片 save_image_with_metadata(image_path, image, metadata) return image, image_path, metadata5.2 更新Streamlit界面在Web界面中显示归档信息# 在Streamlit界面中添加归档状态显示 import streamlit as st def show_archiving_status(): 显示归档状态信息 today datetime.now().strftime(%Y-%m-%d) output_dir os.path.join(outputs, today) if os.path.exists(output_dir): image_count len([f for f in os.listdir(output_dir) if f.endswith(.png)]) st.sidebar.info(f今日已生成: {image_count} 张图片) st.sidebar.write(f保存位置: {output_dir})6. 图片浏览与搜索功能6.1 简单的图片浏览器添加一个简单的图片浏览界面def image_browser(): 图片浏览界面 st.header( 生成图片浏览器) # 选择日期文件夹 date_folders sorted([f for f in os.listdir(outputs) if os.path.isdir(os.path.join(outputs, f))], reverseTrue) if date_folders: selected_date st.selectbox(选择日期, date_folders) date_dir os.path.join(outputs, selected_date) # 显示该日期的所有图片 image_files [f for f in os.listdir(date_dir) if f.endswith(.png)] if image_files: selected_image st.selectbox(选择图片, image_files) image_path os.path.join(date_dir, selected_image) # 显示图片和元数据 col1, col2 st.columns(2) with col1: st.image(image_path, captionselected_image, use_column_widthTrue) with col2: # 读取并显示元数据 metadata read_image_metadata(image_path) if metadata: st.write(生成参数:) for key, value in metadata.items(): st.write(f**{key}**: {value})6.2 元数据读取函数def read_image_metadata(image_path): 读取图片中的元数据 try: image Image.open(image_path) metadata {} for key in image.text.keys(): value image.text[key] # 尝试解析JSON格式的值 try: metadata[key] json.loads(value) except: metadata[key] value return metadata except Exception as e: print(f读取元数据失败: {e}) return None7. 完整代码示例这里是一个整合后的完整示例# app.py 主程序文件 import streamlit as st import os from datetime import datetime from PIL import Image import json from utils.image_utils import create_date_folder, generate_image_filename from utils.metadata import create_metadata_dict, save_image_with_metadata # 初始化界面 st.set_page_config(page_titleJimeng LoRA Tester with Archiving, layoutwide) st.title(Jimeng LoRA 测试台 - 带自动归档系统) # 显示归档状态 show_archiving_status() # 原有的LoRA选择和生成界面 # ... [原有的界面代码] ... # 生成按钮 if st.button(生成图片): with st.spinner(生成中...): try: # 调用带归档的生成函数 image, image_path, metadata generate_image_with_archiving( selected_lora, prompt, negative_prompt, seed, steps, cfg_scale, sampler ) # 显示结果 st.image(image, captionf生成结果: {os.path.basename(image_path)}) # 显示元数据摘要 with st.expander(查看生成参数): st.json(metadata) st.success(f图片已保存到: {image_path}) except Exception as e: st.error(f生成失败: {str(e)}) # 图片浏览标签页 tab1, tab2 st.tabs([生成界面, 图片浏览]) with tab2: image_browser()8. 使用效果与建议8.1 实际使用效果添加自动归档系统后你会发现整理效率大幅提升不再需要手动整理生成的图片系统自动按日期分类查找更方便通过文件名就能知道是哪版LoRA生成的什么内容参数追溯任何时候都能查看某张图片的完整生成参数对比分析可以轻松对比不同版本LoRA在同参数下的效果差异8.2 使用建议根据实际使用经验我给大家几个建议定期清理虽然自动归档很好用但建议定期清理旧的输出文件备份重要结果特别好的生成结果建议单独备份使用有意义的提示词好的提示词能让文件名更有描述性定期检查存储空间大量生成图片可能会占用不少空间8.3 进一步优化方向如果还需要更强大的功能可以考虑添加数据库支持用SQLite记录所有生成记录支持复杂查询添加评分系统为生成的图片打分方便筛选最佳结果批量导出功能支持按条件批量导出图片和参数云端同步将生成结果自动同步到云存储9. 总结通过为Jimeng LoRA测试台添加自动归档和标签系统我们大大提升了使用体验和工作效率。这个方案有这些优点实用价值自动整理生成的图片节省大量手动整理时间完整的元数据记录方便追溯和复现简单的浏览和搜索功能查找图片更便捷技术亮点轻量级实现不增加太多复杂依赖保持原有性能不影响生成速度良好的扩展性可以继续添加新功能易用性开箱即用无需复杂配置界面直观操作简单文档完整容易理解和使用这个改进虽然不大但对实际工作流程的优化效果很明显。特别适合需要频繁测试和对比不同LoRA版本的用户。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。