批量生成怎么做？麦橘超然脚本化调用实例

你是不是也遇到过这样的情况：想用麦橘超然模型批量生成几十张图，但每次都要打开网页、填提示词、点生成、等结果、再保存……重复操作十几次后手酸眼花，效率低得让人抓狂？别急，这篇文章不讲界面怎么点，也不堆参数术语，就带你用几行代码把“手动点击”变成“一键批量出图”。全程基于已部署好的麦橘超然离线控制台服务，无需重装模型、不改环境、不碰CUDA配置——真正拿来即用的脚本化方案。

1. 先搞清楚：我们到底在调用什么？

1.1 麦橘超然不是黑盒，而是一个可编程的图像工厂

很多人以为“WebUI = 只能点点点”，其实不然。你看到的那个简洁的Gradio界面（就是那个带提示词框和生成按钮的网页），背后运行的是一个标准的Python服务进程。它暴露了一个清晰的推理函数接口：generate_fn(prompt, seed, steps)。这个函数不挑人、不认浏览器、不依赖鼠标——只要你能用Python调它，它就老老实实给你返回一张图。

换句话说：网页只是它的“前台营业员”，而函数才是真正的“产线工人”。我们要做的，就是绕过营业员，直接跟产线工人下单。

1.2 为什么不用API？因为根本不需要额外启动服务

注意看原部署脚本里的这行关键代码：

demo.launch(server_name="0.0.0.0", server_port=6006)

它启动的是一个标准的Gradio服务器，而Gradio从v4.0起就原生支持客户端直连模式——不需要另起FastAPI或Flask，也不用写路由、配CORS、开代理。只要服务在跑，你就能用gradio_client库像调本地函数一样远程调用它。零配置、零侵入、零改动。

1.3 批量生成的核心，其实是“把人干的活，拆成三步让代码干”

第一步：准备一批提示词（比如10个不同风格的商品描述）
第二步：对每个提示词，设置好种子和步数，调一次generate_fn
第三步：把返回的图片自动保存为文件，按序号或关键词命名

没有魔法，只有清晰的逻辑链。下面我们就一步步把它写出来。

2. 准备工作：两行命令搞定依赖

你不需要重装整个环境，只需要在本地电脑（也就是你打开浏览器访问http://127.0.0.1:6006的那台机器）上安装一个轻量客户端库：

pip install gradio-client

就这么简单。它不到2MB，不碰你的CUDA驱动，不下载任何模型，只负责“发请求+收图片”。

小提醒：如果你本地没装Python，或者想在服务器端直接批量跑（比如用GPU批量出图），那就在服务器上执行这行命令即可。两者完全兼容。

3. 核心脚本：15行代码实现全自动批量生成

3.1 创建`batch_gen.py`文件（复制即用）

在你的任意文件夹里新建一个文本文件，命名为batch_gen.py，把下面这段代码完整粘贴进去：

from gradio_client import Client import time import os # 连接到正在运行的麦橘超然服务（确保 http://127.0.0.1:6006 已打开） client = Client("http://127.0.0.1:6006") # 定义你要批量生成的提示词列表（支持中英文，可自由增删） prompts = [ "水墨风格的江南古镇，小桥流水，白墙黛瓦，春日柳枝轻拂水面，写意留白", "极简主义办公桌，纯白背景，一支金属钢笔、一本皮面笔记本、一杯热咖啡，柔光摄影", "赛博朋克风格的未来城市街道，雨夜，蓝色和粉色的霓虹灯光反射在湿漉漉的地面上，头顶有飞行汽车", "毛绒玩具风格的柴犬，坐在窗台边晒太阳，阳光透过纱帘，暖色调，柔和焦外", "科幻实验室内部，全息投影悬浮着DNA双螺旋结构，穿白大褂的研究员背影，冷蓝主色调" ] # 开始批量生成 os.makedirs("output_batch", exist_ok=True) print(f" 已创建输出文件夹：./output_batch") print(f" 开始批量生成 {len(prompts)} 张图像...\n") for i, prompt in enumerate(prompts, 1): print(f"🖼 正在生成第 {i}/{len(prompts)} 张：{prompt[:40]}...") # 调用WebUI背后的生成函数（参数顺序必须一致：prompt → seed → steps） result = client.predict( prompt, # 提示词 0, # 种子（固定为0保证可复现；设为-1则每次随机） 20, # 步数 api_name="/generate_fn" ) # 保存图片（自动加序号，避免覆盖） output_path = f"output_batch/gen_{i:02d}_{prompt[:20].replace(' ', '_').replace('/', '_')}.png" with open(output_path, "wb") as f: f.write(result) print(f" 已保存：{output_path}") # 可选：每张图之间停1秒，避免请求过密（对本地服务非必需，但更稳妥） time.sleep(1) print(f"\n 批量生成完成！共生成 {len(prompts)} 张图，全部存放在 ./output_batch 文件夹中。")

3.2 运行脚本，亲眼看着图一张张落地

确保你的麦橘超然服务已经在运行（终端里能看到Running on public URL: http://127.0.0.1:6006这样的提示），然后在同一个终端里执行：

python batch_gen.py

你会看到类似这样的实时输出：

已创建输出文件夹：./output_batch 开始批量生成 5 张图像... 🖼 正在生成第 1/5 张：水墨风格的江南古镇，小桥流水，白墙黛瓦... 已保存：output_batch/gen_01_水墨风格的江南古镇.png 🖼 正在生成第 2/5 张：极简主义办公桌，纯白背景，一支金属钢笔... 已保存：output_batch/gen_02_极简主义办公桌.png ... 批量生成完成！共生成 5 张图，全部存放在 ./output_batch 文件夹中。

打开output_batch文件夹，5张高清图已经整整齐齐躺在那里——和你在网页上点出来的质量完全一致，只是快了10倍。

4. 进阶技巧：让批量生成更聪明、更可控

4.1 想换种子？一行代码全搞定

默认脚本用固定种子0，保证每次重跑结果一致。如果你想每张图都独一无二，只需把这一行：

0, # 种子（固定为0保证可复现；设为-1则每次随机）

改成：

-1, # 每次生成随机种子

或者更精细地控制：给每张图配专属种子，比如用序号做基础值：

seed = 1000 + i, # 第1张种子1001，第2张1002……

4.2 提示词太多？用文件读取，告别硬编码

把所有提示词存进prompts.txt，每行一条：

水墨风格的江南古镇... 极简主义办公桌... 赛博朋克风格的未来城市街道...

然后把脚本里prompts = [...]这段替换成：

with open("prompts.txt", "r", encoding="utf-8") as f: prompts = [line.strip() for line in f if line.strip()]

从此新增提示词，只需改文本文件，不用动Python代码。

4.3 想批量调参？把步数也变成变量列表

不满足于统一20步？可以为每条提示词指定不同步数：

prompt_settings = [ ("水墨风格的江南古镇...", 15), ("赛博朋克风格的未来城市...", 25), ("毛绒玩具风格的柴犬...", 18), ] for i, (prompt, steps) in enumerate(prompt_settings, 1): result = client.predict(prompt, -1, steps, api_name="/generate_fn") # ...后续保存逻辑

参数自由组合，完全由你定义。

5. 常见问题与稳如泰山的解决方案

5.1 “报错 ConnectionError: HTTPConnectionPool(host='127.0.0.1', port=6006): Max retries exceeded”

这是最常遇到的问题，原因只有一个：麦橘超然服务没在运行，或没监听在6006端口。

解决方法：

回到你启动web_app.py的终端，确认有没有报错，是否显示Running on http://127.0.0.1:6006
如果是远程服务器部署，且你通过SSH隧道访问，请确保隧道命令仍在运行中（那个ssh窗口不能关！）
检查端口是否被占用：lsof -i :6006（Mac/Linux）或netstat -ano | findstr :6006（Windows）

5.2 “生成的图是黑的/空白/报错Tensor not on CUDA”

这是显存不足的典型表现，但别慌——这不是脚本的问题，而是WebUI服务本身在低显存设备上启用float8量化后，对输入长度敏感。

解决方法（三选一）：

精简提示词：去掉冗余形容词，保留核心名词+风格词（例如把“雨夜中闪烁着蓝色和粉色霓虹灯光的潮湿街道”简化为“雨夜霓虹街道，赛博朋克”）
降低步数：从20步降到15步，对多数场景影响极小，但显存压力骤减
加一行保底：在调用前加client.reset_session()，强制清空会话状态，避免缓存干扰

5.3 “想导出带参数信息的文件名，比如 gen_01_seed0_steps20.png”

完全支持。把保存路径这行：

output_path = f"output_batch/gen_{i:02d}_{prompt[:20].replace(' ', '_').replace('/', '_')}.png"

升级为：

output_path = f"output_batch/gen_{i:02d}_seed0_steps20_{prompt[:15].replace(' ', '_')}.png"

参数明明白白写进文件名，回溯复现毫无压力。

6. 总结：批量生成的本质，是把重复劳动交给代码

我们没做任何高深的事：没有魔改模型、没有重写推理引擎、没有折腾Docker镜像。只是看清了一个事实——那个你每天点来点去的网页，本来就是一个活生生的、可编程的API服务。
它用Gradio构建，所以天然支持客户端直连；它用DiffSynth加载，所以推理逻辑干净透明；它用float8量化，所以能在RTX 3060上稳稳跑满1080p出图。而我们要做的，不过是用15行Python，把“人手点单”变成“程序下单”。

从此，无论是测试100种提示词效果、为电商铺货生成50款商品图、还是给设计提案准备20版风格预览——你都不需要再守着网页刷新。写好列表，敲下回车，去泡杯茶回来，图就齐了。

这才是AI工具该有的样子：强大，但不傲慢；智能，但不难用；专业，但不设门槛。