Stable Yogi Leather-Dress-Collection自动化流程：使用Python脚本批量生成商品图

Stable Yogi Leather-Dress-Collection自动化流程使用Python脚本批量生成商品图每次上新都要找设计师做几十张商品图费时又费钱产品图风格不统一影响品牌形象如果你在电商或内容创作团队这些问题肯定不陌生。今天我就来分享一个我们团队内部用了很久的“偷懒”方案——用Python脚本自动化调用Stable Yogi的Leather-Dress-Collection模型批量生成风格统一的商品营销图。这个方案的核心思路很简单把商品信息比如名称、材质、颜色整理到一个表格里然后写个脚本让它自动读取表格、生成对应的图片描述、调用AI模型出图最后把图片下载下来并整理好。整个过程你只需要准备好商品清单泡杯咖啡的功夫几十上百张图就生成了。下面我就手把手带你把这个流程跑通。1. 为什么需要自动化生成商品图在聊具体怎么做之前我们先看看传统方式有多“痛”。手动为每个商品设计或拍摄图片不仅周期长、成本高更难的是保持风格一致。今天的设计师和明天的设计师做出来的图可能感觉完全不一样。而AI生成图片只要提示词就是描述图片的文字固定风格就能高度统一。我们用的Stable Yogi Leather-Dress-Collection模型特别擅长生成皮革、连衣裙这类时尚单品的图片质感表现很好。但如果你手动在网页上一个个输入提示词、点生成、再下载效率依然很低。所以自动化脚本的价值就出来了把重复劳动交给机器把人解放出来做更有创意的事。这个脚本能帮你做到批量处理一次性处理成百上千个商品。风格统一通过固定的提示词模板确保所有图片的色调、构图、背景风格一致。效率飞跃从“人等着机器”变成“机器自动跑”生成时间大幅缩短。易于管理生成的图片按规则命名和商品信息一一对应查找和管理非常方便。2. 准备工作环境和数据在开始写代码前我们需要把“原料”准备好。2.1 环境搭建首先确保你的电脑上安装了Python建议3.8或以上版本。然后我们需要安装几个关键的Python库。打开你的命令行终端比如CMD、PowerShell或Terminal输入以下命令pip install requests pandasrequests用来和Stable Yogi的API“对话”发送生成请求和下载图片。pandas这是处理表格数据比如CSV、Excel的神器能让我们轻松地读取和操作商品信息列表。2.2 准备商品数据表这是整个流程的“大脑”。你需要创建一个CSV文件用Excel或WPS表格编辑后另存为CSV格式即可比如叫products.csv。里面至少应该包含以下几列信息product_idproduct_namematerialcolortarget_styleLD001修身复古皮裙小羊皮经典黑时尚街拍都市背景LD002流苏装饰皮夹克软牛皮焦糖棕工作室纯色背景专业模特LD003A字型皮连衣裙漆皮正红色奢华室内场景暖色调灯光每一行代表一个商品。product_id是商品的唯一编号后面会用来给图片命名。其他列product_name,material,color,target_style都是用来构建最终图片描述语的“零件”。小技巧如果你的商品信息分散在多个表格里可以利用类似Excel中VLOOKUP函数的功能先用表格软件整理合并成一个总表再导出为CSV。pandas库本身也提供了强大的表格合并与查询功能这在处理复杂数据源时非常有用。2.3 获取API访问密钥要调用Stable Yogi的API你需要一个访问密钥API Key。这通常在你使用的AI模型服务平台例如CSDN星图镜像广场部署的服务上可以获取。登录后在账户或设置页面找到API相关部分创建一个新的密钥并妥善保存。它看起来像一串长长的乱码字符。3. 核心脚本编写与解析接下来我们一步步构建这个自动化脚本。我会把完整代码拆解开解释每一部分是干什么的。3.1 脚本框架与配置我们先创建一个Python文件比如叫auto_generate_product_images.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 import os import time from concurrent.futures import ThreadPoolExecutor, as_completed # 配置区域 # 1. 你的Stable Yogi API地址和密钥 API_URL https://your-stable-yogi-api-endpoint/generate # 替换为你的实际API地址 API_KEY your_api_key_here # 替换为你的实际API密钥 # 2. 商品数据文件路径 PRODUCT_CSV_PATH products.csv # 3. 图片输出目录 OUTPUT_DIR generated_images os.makedirs(OUTPUT_DIR, exist_okTrue) # 如果目录不存在就创建它 # 4. 提示词模板 # 这里定义了一个模板{material}, {color}等会被实际商品信息替换 PROMPT_TEMPLATE Professional product photography of a {material} {product_name} in {color} color, {target_style}, high detail, 8k, studio lighting NEGATIVE_PROMPT blurry, low quality, deformed, extra limbs, watermark, text # 5. 生成参数可根据模型要求调整 GENERATION_PARAMS { steps: 20, cfg_scale: 7.5, width: 768, height: 1024, sampler_name: DPM 2M Karras, batch_size: 1 }关键点解释API_URL和API_KEY这是脚本与AI服务连接的桥梁务必填写正确。PROMPT_TEMPLATE这是核心中的核心。它定义了生成图片的“风格公式”。{material}、{color}这些是占位符脚本会从表格里读取每个商品的具体信息填进去。你可以根据想要的最终效果调整这个模板比如想更突出背景就在{target_style}部分多下点功夫。GENERATION_PARAMS这些是控制图片生成质量的参数比如尺寸、精细度等。不同的Stable Yogi模型可能支持不同的参数需要根据实际情况调整。3.2 构建请求与生成单张图片的函数我们写一个函数专门负责为一个商品生成一张图。def generate_single_image(product_info, api_url, api_key, params, output_dir): 为单个商品生成图片并保存。 参数: product_info: 包含商品信息的字典例如 {product_id:LD001, product_name:修身复古皮裙, ...} api_url: API地址 api_key: API密钥 params: 生成参数 output_dir: 图片输出目录 返回: (success, message) 元组表示成功与否和相关信息 product_id product_info[product_id] # 1. 构建提示词用商品信息填充模板 prompt PROMPT_TEMPLATE.format(**product_info) # 2. 准备请求数据 payload { prompt: prompt, negative_prompt: NEGATIVE_PROMPT, **params # 将生成参数合并进来 } headers { Authorization: fBearer {api_key}, Content-Type: application/json } try: print(f正在为商品 {product_id} 生成图片...) # 3. 发送POST请求到API response requests.post(api_url, jsonpayload, headersheaders, timeout120) response.raise_for_status() # 如果请求失败如4xx, 5xx错误抛出异常 # 4. 解析响应假设API返回的是图片的base64编码或URL # 这里以返回JSON中包含图片base64数据为例 result response.json() # 注意不同API返回结构不同需要根据实际情况调整下面的代码 # 假设图片数据在 result[images][0] 中且是base64格式 image_data result.get(images, [None])[0] if not image_data: return (False, f{product_id}: API响应中未找到图片数据) # 5. 解码并保存图片 import base64 # 假设是base64编码去掉可能的数据头 if base64, in image_data: image_data image_data.split(base64,)[-1] image_bytes base64.b64decode(image_data) # 生成文件名并保存 filename f{product_id}_{product_info[product_name].replace( , _)}.png filepath os.path.join(output_dir, filename) with open(filepath, wb) as f: f.write(image_bytes) print(f 成功: 图片已保存至 {filepath}) return (True, filepath) except requests.exceptions.RequestException as e: return (False, f{product_id}: 网络请求失败 - {e}) except (KeyError, ValueError) as e: return (False, f{product_id}: 处理API响应失败 - {e}) except Exception as e: return (False, f{product_id}: 未知错误 - {e})这个函数干了这几件事拿到一个商品的信息按照模板造好“描述语”提示词然后带着参数去问AI要图片拿到图片数据后再以商品ID和名称命名保存下来。任何一步出错它都会记录下来。3.3 主流程读取数据与并发处理单张图生成函数有了现在我们来处理整个商品列表并且用并发来提速。def main(): # 1. 读取商品CSV文件 print(正在读取商品数据...) try: df pd.read_csv(PRODUCT_CSV_PATH) # 确保必要的列存在 required_cols [product_id, product_name, material, color, target_style] for col in required_cols: if col not in df.columns: raise ValueError(fCSV文件中缺少必要的列: {col}) product_list df.to_dict(records) # 转换为字典列表方便处理 print(f共读取到 {len(product_list)} 个商品。) except FileNotFoundError: print(f错误找不到文件 {PRODUCT_CSV_PATH}) return except Exception as e: print(f读取CSV文件时出错: {e}) return # 2. 准备结果报告 results [] # 3. 使用线程池进行并发生成提高效率 # max_workers控制同时进行的任务数根据你的API限制和网络情况调整 max_workers 2 # 保守一点避免对API造成过大压力 print(f开始批量生成图片并发数: {max_workers}...) with ThreadPoolExecutor(max_workersmax_workers) as executor: # 提交所有生成任务到线程池 future_to_product { executor.submit(generate_single_image, product, API_URL, API_KEY, GENERATION_PARAMS, OUTPUT_DIR): product for product in product_list } # 等待并收集每个任务的结果 for future in as_completed(future_to_product): product future_to_product[future] try: success, message future.result(timeout150) # 设置单个任务超时时间 results.append({ product_id: product[product_id], product_name: product[product_name], status: 成功 if success else 失败, message: message }) except Exception as e: results.append({ product_id: product[product_id], product_name: product[product_name], status: 失败, message: f任务执行异常: {e} }) # 4. 生成并保存结果报告 report_df pd.DataFrame(results) report_path os.path.join(OUTPUT_DIR, generation_report.csv) report_df.to_csv(report_path, indexFalse, encodingutf-8-sig) print(f\n批量生成完成结果报告已保存至: {report_path}) # 5. 打印简要统计 success_count report_df[report_df[status] 成功].shape[0] fail_count report_df[report_df[status] 失败].shape[0] print(f总计: {len(product_list)} 个商品成功: {success_count}, 失败: {fail_count}) if fail_count 0: print(\n失败的商品ID及原因:) for _, row in report_df[report_df[status] 失败].iterrows(): print(f - {row[product_id]}: {row[message]}) if __name__ __main__: main()这里有几个关键设计读取数据使用pandas轻松读取CSV并检查必备的列是否齐全。并发处理使用ThreadPoolExecutor创建线程池。如果API支持并发请求可以极大缩短总耗时。max_workers参数需要谨慎设置太小速度慢太大可能被API限制或导致本地网络拥堵。结果追踪每个商品生成成功或失败都会被记录到results列表里。生成报告所有任务完成后程序会自动生成一个CSV格式的报告里面清楚列出了每个商品的生成状态和详细信息。这对于排查问题和记录工作成果非常有用。4. 运行脚本与效果展示脚本写好了怎么用呢准备数据确保你的products.csv文件已经放在和脚本同一个文件夹下并且内容格式正确。修改配置用文本编辑器打开auto_generate_product_images.py将API_URL和API_KEY替换成你自己的。运行脚本在终端中切换到脚本所在目录运行命令python auto_generate_product_images.py查看结果脚本运行后终端会实时打印生成进度。全部完成后会在当前目录下创建一个generated_images文件夹里面是所有生成好的图片以及一个generation_report.csv的报告文件。运行起来后你会在终端看到类似这样的输出整个过程一目了然正在读取商品数据... 共读取到 3 个商品。 开始批量生成图片并发数: 2... 正在为商品 LD001 生成图片... 成功: 图片已保存至 generated_images/LD001_修身复古皮裙.png 正在为商品 LD002 生成图片... 成功: 图片已保存至 generated_images/LD002_流苏装饰皮夹克.png 正在为商品 LD003 生成图片... 成功: 图片已保存至 generated_images/LD003_A字型皮连衣裙.png 批量生成完成结果报告已保存至: generated_images/generation_report.csv 总计: 3 个商品成功: 3, 失败: 0打开generated_images文件夹你会看到命名规范的图片文件它们都遵循着你定义的提示词模板风格视觉上非常统一可以直接用于商品详情页、社交媒体或者广告素材。5. 总结与扩展思路这套自动化流程用下来最大的感受就是“省心”。一旦跑通后续上新只需要更新CSV表格再运行一次脚本就行了。人力成本几乎降到零而且再也不用担心风格跑偏。当然这只是一个起点。你可以根据实际需求对这个脚本进行各种增强更智能的提示词可以根据商品类别、季节、促销活动动态调整提示词模板让图片更贴合营销主题。多尺寸/多风格生成修改脚本让它为同一个商品生成不同尺寸正方形、横幅或不同风格场景图、白底图的多个版本。集成到工作流把这个脚本和你公司的商品管理系统ERP、网店后台打通实现“商品上架图片自动生成”的全自动化流程。后处理与质检在下载图片后可以加入自动化的简单质检比如检查图片是否模糊、尺寸是否正确甚至调用另一个AI模型进行简单的修图优化。技术最终是为了解决问题。这个脚本的价值不在于它用了多酷的代码而在于它实实在在地把一个繁琐、重复、高成本的商业需求变成了几行代码就能搞定的小事。希望这个思路和代码能给你带来启发帮你和你的团队从重复劳动中解放出来。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。