目录
1. 引言
2. 基于Rest API 开发
2.1 前置条件
2.2 代码实现
2.3 效果演示
2.4 常见错误
3. 总结
1. 引言
Stable Diffusion作为一种强大的文本到图像生成模型，已经在艺术、设计和创意领域引起了广泛的关注和应用。然而，对于许多开发者来说，仅仅使用模型的默认设置可能无法满足特定的需求。因此，二次开发成为了实现个性化定制和性能优化的关键途径。本文将引导读者进入Stable Diffusion的二次开发世界，探索如何通过插件、脚本、API二次来实现更高级的图像生成功能。
首先有必要对 Stable Diffusion 的插件、脚本、API 做个初步的认识：
Stable Diffusion的插件通常是一些附加的组件或工具，它们可以集成到Stable Diffusion的主程序中，以提供额外的功能或改进现有功能。
例如，在上一文中《Stable Diffusion插件安装的3种方法，附4个插件下载地址！-CSDN博客》，提到的，人脸修复插件、OpenPose编辑插件都插件：
GitHub - Bing-su/adetailer: Auto detecting, masking and inpainting with detection model.Auto detecting, masking and inpainting with detection model. - Bing-su/adetailer
https://github.com/Bing-su/adetailer.gitGitHub - nonnonstop/sd-webui-3d-open-pose-editor: 3d openpose editor for stable diffusion and controlnet3d openpose editor for stable diffusion and controlnet - nonnonstop/sd-webui-3d-open-pose-editorhttps://github.com/nonnonstop/sd-webui-3d-open-pose-editor.git 脚本：则是一系列自动化指令的集合，用于执行特定的任务或操作。通过编写脚本，用户可以自动化一些繁琐或重复性的任务，提高工作效率。在Stable Diffusion中，脚本可能被用于自动化图像生成、参数调整、功能拓展等任务。
API（应用程序接口）是Stable Diffusion提供的一套强大的接口，本文特指SD以RestFul形式对外提供的接口，用于实现Stable Diffusion的各种功能。API允许开发者或用户通过编程的方式与Stable Diffusion进行交互，从而能够定制和扩展其功能。例如，通过API，用户可以接入Stable Diffusion的功能，将其集成到自己的应用程序或网站中，实现个性化的图像生成和处理。
通过插件、脚本和API的拓展，它们使得Stable Diffusion更加灵活、高效和易于使用。
本章主要对基于SD的Rest API开发进行详细介绍，给您一种拓展SD的思路，其他的两种开发方式，可以找对应的插件源码进行分析参考。
2. 基于Rest API 开发
2.1 前置条件
如果需要使用SD的REST API，需要先启用API，启用位置如下图：
启用后，可以访问到SD基于Swagger的接口文档，在浏览器中访问http://127.0.0.1:7860/docs，可以查看非常详细的接口描述，以下是部分接口的截图：
如果您还没有安装SD，可以看看往期文章：
Stable Diffusion绘图神器，2分钟极速安装教程！（提供安装包）-CSDN博客
2.2 代码实现
这里为了方便使用python的gradio进行演示，其实也可以使用其他任何语言来调用REST API，也就是说使用调用Rest API的方式，您可以基于SD使用任何语言来开发您的应用。
import gradio as gr
import json
import requests
import io
import base64
from PIL import Image
# 定义文生图请求
def text_to_image(text):
payload = {
"prompt": text,
"steps": 20
}
url = "http://127.0.0.1:7860";
payload_json = json.dumps(payload)
# 发送POST请求
response = requests.post(url=f'{url}/sdapi/v1/txt2img', data=payload_json).json()
# response 响应包含 images、parameters 和 info,image 可能会含有多个图像 这里只取第一个图像。
image = Image.open(io.BytesIO(base64.b64decode(response['images'][0])))
return image
# 创建Gradio接口实例
iface = gr.Interface(fn=text_to_image,
inputs="text",
outputs="image",
title="Text to Image Generator",
description="Enter some text and see the generated image.")
# 启动交互式Web应用
iface.launch(inline=True) # 使用`inline=True`在Jupyter notebook中运行
上述代码中，payload 是请求的参数体，可以结合具体的接口参数，传入更多配置参数！
- 启动程序
启动程序后根据后台输出提示，在浏览器中输入对应地址进行访问，出现如下界：
2.3 效果演示
在输入框中输入提示词，点击提交按钮，右边就会出现生成的结果。
2.4 常见错误
如果点击提交按钮出现类似这样的错误：index.js:170 POST http://127.0.0.1:7861/run/predict 422 (Unprocessable Entity) ，根据经验可能是gradio和python的版本不对应。将python的版本切换到python3.8以上可以解决此问题。
3. 总结
至此，基于Stable Diffusion 的二次开发已经介绍完毕，在本教程中，提供了详细的代码示例，展示了如何调用SD的API。这些示例旨在为读者提供一个起点，以便在实际应用中进一步探索Stable Diffusion的二次开发潜力。基于Stable Diffusion的二次开发是一个充满挑战和机遇的领域。通过不断地探索和实践，相信您可以创造出更多有趣和实用的应用。
