自己做免费的网站怎么赚钱
一、Bedrock 简介
Amazon Bedrock 是 Amazon Web Services (AWS) 提供的一种生成式 AI 服务。通过 Bedrock，用户可以方便地使用多种基础模型（Foundation Models），包括 OpenAI 的 GPT、Anthropic 的 Claude 等。这些模型可以用于各种生成式 AI 应用，包括文生图任务。本文将介绍如何使用 Amazon Bedrock 的 SDXL模型 的 API 实现文生图。
二、开通Bedrock相应模型的使用权限
访问亚马逊官网，登录账号后，服务菜单里选择 Machine Learning，选择 Amazon Bedrock。
选择 Stable Diffusion。
首次使用需要开通相应模型的使用权限。点击 "请求模型访问权限"。
点击 "启用特定模型"。
勾选 Claude 里的 Claude 3 Sonnet、Claude 3 Haiku、Claude、Claude Instant 四个模型。
再勾选 Stability Al 里的 SDXL 1.0。
填写 Anthropic 的应用场景详细信息。
点击提交。
提交完之后，我们刚刚勾选的五个模型会变成 "正在进行" 状态，需要等待几分钟。
几分钟后，模型状态正常，变为 "已授予访问权限" 状态。
三、SDXL模型支持的几种模式
操场里点击图像，选择模型。类别选择 Stability AI，模型选择 SDXL 1.0，推理默认 按需 即可。选择好点击 应用。
我们进入到了图像操场页面，在这里我们可以通过调整配置生成满足不同要求的图片。
配置解释：
| 操作 | 内容 |
|---|---|
| 模式 | 模型生成新图像（生成）或编辑（编辑）在参考图像中提供的图像 |
| 否定提示 | 不希望模型生成的项目或概念，例如卡通或暴力 |
| 推理图像 | 上传图像作为图像生成或编辑的参考 |
| 响应图像 | 生成图像的输出设置，例如质量、方向、大小和要生成的图像数量 |
| 高级配置 | 要传递给模型的推理参数 |
下面是 SDXL 1.0 模型 支持的几种模式：
1. 文生图
调整配置为：
- 操作: 生成图像
- 提示词: a serene beach at sunset
- 提示强度: 10
- 生成步骤: 30
- 种子: 10
点击运行，生成效果如图：
2. 图生图
点击图片，操作里选择编辑功能。
可以看到右侧推理图像已经填入我们刚刚生成的图像。将 操作 选择为 生成变体。
调整配置为：
- 操作: 生成变体
- 提示词: add vibrant hues to the sky, enhance reflections on the water
- 负面提示词: dull colors, lack of sunset details, unrealistic sky gradients, poorly rendered reflections
- 提示强度: 30
- 生成步骤: 50
- 种子: 321
点击运行，生成效果如图：
3. 图像编辑
我们重新生成一个绿色茶园的背景图。
操作选择 编辑 ，选择需要替换的区域，输入提示词、选择提示强度，生成图片。
比如，我们要增加一只羊。
调整配置为：
- 操作: 编辑
- 提示词: add a sheep
- 提示强度: 10
通过 Amazon Bedrock Stability AI SDXL 1.0 的 文生图、图生图、图像编辑 功能，我们可以开启简洁高效的视觉创作之旅，让创意变得触手可及。
四、调用Bedrock里Stability的API
我们使用 Jupyter 来实现 Bedrock 里 Stability 的API调用。
1. 创建AWS访问密钥
在 AWS控制台 的 安全凭证 里申请 安全密钥。
保存好我们的 访问密钥。
2. 安装相关环境
创建一个python环境，执行下面命令：
cd ~/environment/
curl 'https://dev-media.amazoncloud.cn/doc/workshop.zip' --output workshop.zip
unzip workshop.zip
解压完成后，安装需要的包：
pip3 install -r ~/environment/workshop/setup/requirements.txt -U
配置访问密钥：
aws configure
按提示输入以下信息：
- AWS Access Key ID
- AWS Secret Access Key
- 默认区域名称（如
us-east-1） - 输出格式（如
json，也可以直接为None）
3. 编写代码并调用
我们需要给 AWS 传一个 JSON 串，官网示例参数如下：
{"modelId": "stability.stable-diffusion-xl-v1","contentType": "application/json","accept": "application/json","body": "{\"text_prompts\":[{\"text\":\"this is where you place your input text\",\"weight\":1}],\"cfg_scale\":10,\"seed\":0,\"steps\":50,\"width\":512,\"height\":512}"
}
其中，body 的参数含义如下：
| 参数 | 值 | 含义 | 作用 |
|---|---|---|---|
| text_prompts | [{ "text": "this is where you place your input text", "weight": 1 }] | 文本提示 | - "text": 输入的描述文字，模型将根据这个文字生成图像。- "weight": 权重，控制模型对文本的关注程度。 |
| cfg_scale | 10 | 引导强度 | 数值越高，生成的图像越严格按照文本提示进行；数值较低时生成内容更具创造性和自由度。 |
| seed | 0 | 随机种子 | 控制生成的随机性；相同种子和相同输入生成一致图像，不同种子生成不同结果。 |
| steps | 50 | 迭代步骤数 | 步骤数越多，生成的图像质量越高，但耗时越长。 |
| width | 512 | 图像宽度(像素) | 设置生成图像的横向分辨率。 |
| height | 512 | 图像高度(像素) | 设置生成图像的纵向分辨率。 |
下面我们来编写代码：
选择 workshop/labs/api/bedrock_api.py 编写代码：
import json
import boto3
import base64
import os
from PIL import Image
import iosession = boto3.Session()bedrock = session.client(service_name='bedrock-runtime') #creates a Bedrock clientbedrock_model_id = "stability.stable-diffusion-xl-v1" # set the foundation model
prompt = "a beautiful mountain landscape" # the prompt to send to the model
seed = 10body = json.dumps({"text_prompts": [{"text": prompt}],"seed": seed,"cfg_scale": 10,"steps": 30,
}) # build the request payload# send the payload to Bedrock
response = bedrock.invoke_model(body=body, modelId=bedrock_model_id, accept='application/json', contentType='application/json')# read the response
response_body = json.loads(response.get('body').read())
base64_image_data = response_body.get("artifacts")[0]["base64"]
print(f"{base64_image_data[0:80]}...")
# Convert base64 image data to an image and save it to a file
image_data = base64.b64decode(base64_image_data)
os.makedirs("data", exist_ok=True)
image = Image.open(io.BytesIO(image_data))
image.save('data/sd_generated_image.jpg')调用这段代码：
python3 bedrock_api.py
调用成功后，我们可以看到， workshop/labs/api/data/ 目录下生成了图片：sd_generated_image.jpg。
4. 调试和优化
① 检查输入提示
生成的图片质量与输入提示（Prompt）的清晰度和详细程度密切相关。建议：
- 描述尽可能具体，例如 “A detailed painting of a dragon flying over a mountain during sunset”。
- 包含图片风格关键词，如 “realistic”, “abstract”, “oil painting”。
② 设置参数
根据需求，调整以下参数，可以优化生成结果：
-
分辨率：通过设置
width和height参数调整图像的宽高分辨率（单位：像素）。提高分辨率（如从默认的512x512提升到更高值）可以增加图像细节，但可能会延长生成时间。 -
文本提示和权重：使用
text_prompts参数提供描述性文字（如场景或风格），并通过weight调整对该提示的关注程度。权重值越高，生成图像将越贴近描述。 -
引导强度：通过
cfg_scale控制模型对文本提示的遵循程度。较高的值（如10或以上）会更严格地匹配输入描述；较低的值可能允许更具创造性的生成。 -
随机种子：设置
seed参数固定生成的随机性，确保相同的输入条件下产生一致的图像结果。使用不同的种子值可以生成多样化的结果。 -
迭代次数：调整
steps参数来控制图像生成的细化过程。更多的迭代（如从50提升到更高）通常会提升图像质量，但可能需要更长时间。
五、总结
Amazon Bedrock 为文生图功能提供了高效且灵活的解决方案，整合了多个顶尖的基础模型（如 Stable Diffusion SDXL 1.0），能够满足从创意设计到生产应用的多样化需求。通过其直观的 API 接口，开发者可以轻松调用模型，快速实现图像生成，并结合参数优化获得高质量的输出。