ControlNet 主要终端
POST
https://stablediffusionapi.com/api/v5/controlnet您现在可以使用 ControlNet 控制稳定扩散。ControlNet 模型在此 API 中可用。
您现在可以使用 ControlNet 控制稳定扩散。ControlNet 模型在此 API 中可用。
提示
您还可以使用此端点通过 ControlNet 修复图像。只需确保将链接传递到
mask_image
请求正文中,并使用controlnet_model
带有“inpaint”值的参数即可。
信息
在深入了解之前,请阅读我们有关 ControlNet 优势的详细**博客文章。**
POST
向 https://stablediffusionapi.com/api/v5/controlnet 接口发送请求。
提示
您也可以使用多个 ControlNet 模型。只需在请求体中,将逗号分隔的控制网模型作为
"canny,depth"
传递给 controlnet_model,并将 init_image 传入即可。
模型
默认使用 Controlnet 1.1 的 ControlNet API: 支持的 controlnet_model:
- canny - Canny边缘检测
- depth - 深度估计
- hed - 图像边缘检测
- mlsd - 多尺度线段检测
- normal - 法线估计
- openpose - 开源人体姿态估计
- scribble - 图像涂鸦
- segmentation - 图像分割
- aesthetic-controlnet - 美学评价
- inpaint - 图像修复
- softedge - 图片边缘平滑
- lineart - 线条绘制
- shuffle - 风格迁移
- tile - 平铺纹理合成
- face_detector - 人脸检测
- qrcode - QR码检测
调度程序
该端点还支持调度程序。使用请求正文中的“scheduler”参数传递以下列表中的特定调度程序:
该接口还支持调度程序。使用请求正文中的“scheduler”参数来设置要从以下列表中使用的特定调度程序:
- DDPMScheduler
- DDIMScheduler
- PNDMScheduler
- LMSDiscreteScheduler
- EulerDiscreteScheduler
- EulerAncestralDiscreteScheduler
- DPMSolverMultistepScheduler
- HeunDiscreteScheduler
- KDPM2DiscreteScheduler
- DPMSolverSinglestepScheduler
- KDPM2AncestralDiscreteScheduler
- UniPCMultistepScheduler
- DDIMInverseScheduler
- DEISMultistepScheduler
- IPNDMScheduler
- KarrasVeScheduler
- ScoreSdeVeScheduler
请求参数
您用于请求授权的 API Key
要使用的模型的 ID。它可以是公共的,也可以是您训练有素的模型。
ControlNet 型号 ID。它可以来自模型列表或用户训练的。
ControlNet 模型类型。它可以来自型号列表。
自动提示图像;选项:是/否
如果您没有通过任何提示,请将其设置为yes 。该模型将尝试猜测init_image中的内容并自行创建最佳变体。选项:是/否
文本提示,包含所需图像修改的描述。尽可能详细以获得最佳结果。
图像中您不想要的项目
链接到用于修复的蒙版图像
最大高度: 宽度: 1024x1024
最大高度: 宽度: 1024x1024
作为响应返回的图像数量。最大值为 4。
用它来设置调度程序。
启用 tomesd 生成图像:给出非常快的结果, 默认值:是,选项:是/否
使用 keras sigmas 生成图像。给出了很好的结果, 默认值:是,选项:是/否
用于 DPMSolverMultistepScheduler 调度程序, 默认值:none,选项:dpmsolver+++
使用自定义 vae 生成图像默认值:null
使用不同的 lora 强度 默认值:null
支持多 lora,传递逗号分隔值。对比修复示例,yae-miko-genshin
去噪步骤数(最小:1;最大:50)
NSFW 图像检查器。如果检测到此类图像,它将被空白图像替换。
用它来传递嵌入模型。
增强提示以获得更好的结果;默认:是,选项:是/否
使用与英语不同的语言;默认:是,选项:是/否
基本上是“guidance_scale”。控制网指导规模。接受 0.1 到 5 之间的浮点值(例如 0.5)
使用init_image时提示强度。1.0 对应于初始化映像中信息的完全破坏。
种子用于重现结果,相同的种子将再次为您提供相同的图像。为随机数传递null 。
设置 URL 以在图像生成完成后获取 POST API 调用。
此 ID 在 Webhook API 调用的响应中返回。这将用于识别 Webhook 请求。
如果您想要将给定图像分辨率放大两倍 (2x),请将此参数设置为“yes”。如果请求的分辨率为 512 x 512 像素,则生成的图像将为 1024 x 1024 像素。
{
"key": "",
"controlnet_model": "canny",
"controlnet_type": "canny",
"model_id": "midjourney",
"auto_hint": "yes",
"guess_mode": "no",
"prompt": "a model doing photoshoot, ultra high resolution, 4K image",
"negative_prompt": null,
"init_image": "https://huggingface.co/takuma104/controlnet_dev/resolve/main/gen_compare/control_images/converted/control_human_openpose.png",
"mask_image": null,
"width": "512",
"height": "512",
"samples": "1",
"scheduler": "UniPCMultistepScheduler",
"num_inference_steps": "30",
"safety_checker": "no",
"enhance_prompt": "yes",
"guidance_scale": 7.5,
"controlnet_conditioning_scale": 0.5,
"strength": 0.55,
"lora_model": "more_details",
"clip_skip": "2",
"tomesd": "yes",
"use_karras_sigmas": "yes",
"vae": null,
"lora_strength": null,
"embeddings_model": null,
"seed": null,
"webhook": null,
"track_id": null
}
示例代码
返回响应
{
"status": "processing",
"tip": "for faster speed, keep resolution upto 512x512",
"eta": 146.5279869184,
"messege": "Try to fetch request after given estimated time",
"fetch_result": "https://stablediffusionapi.com/api/v3/fetch/13902970",
"id": 13902970,
"output": "",
"meta": {
"prompt": "mdjrny-v4 style a model doing photoshoot, ultra high resolution, 4K image",
"model_id": "midjourney",
"controlnet_model": "canny",
"controlnet_type": "canny",
"negative_prompt": "",
"scheduler": "UniPCMultistepScheduler",
"safetychecker": "no",
"auto_hint": "yes",
"guess_mode": "no",
"strength": 0.55,
"W": 512,
"H": 512,
"guidance_scale": 3,
"seed": 4016593698,
"multi_lingual": "no",
"init_image": "https://huggingface.co/takuma104/controlnet_dev/resolve/main/gen_compare/control_images/converted/control_human_openpose.png",
"mask_image": null,
"steps": 20,
"full_url": "no",
"upscale": "no",
"n_samples": 1,
"embeddings": null,
"lora": null,
"outdir": "out",
"file_prefix": "c8bb8efe-b437-4e94-b508-a6b4705f366a"
}
}