给初学者的Dezgo公司AI绘画API接口使用入门指南

Dezgo是一个由人工智能驱动的在线图像生成器，该产品内核由 Stable Diffusion XL Lightning AI （CreativeML Open RAIL-M）提供支持。Dezgo AI绘画API允许您从任意文本描述中生成图像。您可以使用它为您的网站、社交媒体或业务生成图像，例如产品图像、书籍插图或营销材料。幂简集成API平台已将该API接口整理到API Hub，方便广大开发者搜索、试用、集成。

Dezgo的产品与最流行的人工智能模型Stable Diffusion类似，但提Dezgo的AI绘画API供了稳定扩散的几种变体，这些变体经过调整以生成不同风格的图像。这是一种复杂的技术，使用人工神经网络（由数百万个神经元和突触组成），能够学习高级概念并自行改进。

Dezgo有一个免费版本的Dezgo，可以用于体验，先看看一个生成效果“苏轼是一位男性书生，穿着长衫，腰挎长剑，站在长江边上，看着晚霞西去”。

Su Shi, a male scholar, dressed in a long robe, with a long sword hanging from his waist, stands on the banks of the Yangtze River, watching the sunset in the west.

什么是Dezgo AI绘画API接口？

由Dezgo公司提供的通过‘文字生成图片’功能的在线API接口，企业可以通过集成AI绘画API接口实现自有产品的图片能力增强。

例如在企业内部发布系统的文章首图，可以通过文章的摘要，生成特定风格、尺寸的图片。

第一步：创建Dezgo帐户

1、您可以在这里创建账号：https://dezgo.com/account

2、创建秘钥

3、复制秘钥

第二步：使用curl调用text2image接口

text2image是一个文字生成图片的接口，URL地址：https://api.dezgo.com/text2image，文档地址：https://dev.dezgo.com/API/

curl -X 'POST' \

  'https://api.dezgo.com/text2image' \

  -H 'accept: */*' \

  -H 'Content-Type: multipart/form-data' \

  -F 'lora2_strength=.7' \

  -F 'lora2=' \

  -F 'lora1_strength=.7' \

  -F 'prompt=Su Shi, a male scholar, dressed in a long robe, with a long sword hanging from his waist, stands on the banks of the Yangtze River, watching the sunset in the west。' \

  -F 'width=' \

  -F 'height=' \

  -F 'steps=30' \

  -F 'sampler=dpmpp_2m_karras' \

  -F 'model=realdream_12' \

  -F 'negative_prompt=ugly, tiling, poorly drawn hands, poorly drawn feet, poorly drawn face, out of frame, extra limbs, disfigured, deformed, body out of frame, blurry, bad anatomy, blurred, watermark, grainy, signature, cut off, draft' \

  -F 'upscale=1' \

  -F 'seed=' \

  -F 'format=png' \

  -F 'guidance=7' \

  -F 'lora1='

重点参数说明:

width,height：图像的宽度和高度，数值范围 [320,1024]
prompt：提示词，最大1000个字符
negative_prompt：描述你不希望在生成的图像中出现的内容，最大1000个字符
model：用于生成图像的人工智能
sampler：定义用于生成图像的采样方法。对于低步数来说最好的采样器往往是dpmpp_2m_karras
lora1：指定要使用的 LoRA 模型（最大 160MB）。如果未指定，则不会加载 LoRA，否则必须是 CivitAI 上可用模型的 SHA256 哈希，LoRA 模型将被下载并即时缓存。
lora1_strength：指定 LoRA 模型对结果的影响强度。范围通常为 0.0（无效果）至 1.0（完全效果）。但是，如果您想进行实验，可以超出这些限制：从 -2.0 到 +2.0。负值将反转效果。超过 1.0 的值将放大效果。

model属性枚举值，代表了不同的AI生成风格，用于生成特定的图像（每个值的背后可能对应一个预训练的神经网络模型，专门用于某种艺术风格或图像处理技术）：

0001softrealistic_v187：可能是一种以超现实主义风格生成柔和、逼真图像的模型版本187。

absolute_reality_1、absolute_reality_1_6、absolute_reality_1_8_1：这些可能是以绝对现实主义风格生成图像的不同版本或迭代。

abyss_orange_mix_2：可能是一种混合了橙色调的深渊风格模型。

analog_diffusion：可能是一种模拟胶片颗粒感的图像扩散模型。

anylora、dreamshaper、dreamshaper_5 等：这些可能是具有不同风格或特性的图像生成模型。

art_universe_v8：可能是一种用于生成艺术作品的宇宙风格模型版本8。

basil_mix、blood_orange_mix：这些可能是混合了特定色彩或风格的模型。

cyberrealistic_1_3、cyberrealistic_3_1、cyberrealistic_3_3：可能是以赛博现实主义风格生成图像的模型。

dark_sushi_mix_v2_25d：可能是一种混合了暗色调和寿司风格的模型。

deliberate、deliberate_2：可能是用于生成具有特定意图或效果的图像的模型。

dh_classicanime：可能是用于生成经典动漫风格的模型。

double_exposure_diffusion：可能是用于生成双重曝光效果的图像的模型。

eimis_anime_diffusion_1：可能是用于生成动漫风格图像的模型。

emoji_diffusion：可能是将图像转化为表情符号风格的模型。

epic_diffusion_1、epic_diffusion_1_1：可能是用于生成史诗级别效果的图像的模型。

foto_assisted_diffusion：可能是辅助摄影风格的图像扩散模型。

furrytoonmix：可能是混合了毛茸茸特征和卡通风格的模型。

ghostmix_v2：可能是以幽灵风格生成图像的模型。

hasdx、icbinp、icbinp_seco：这些可能是具有特定艺术效果的模型。

inkpunk_diffusion：可能是以墨水朋克风格生成图像的模型。

juggernaut_reborn：可能是具有强大影响力的图像生成模型。

lowpoly_world：可能是以低多边形风格生成图像的模型。

nightmareshaper：可能是以噩梦风格生成图像的模型。

openjourney、openjourney_2：可能是开放旅程风格的图像生成模型。

paint_journey_2_768px：可能是以绘画旅程风格生成特定分辨率图像的模型。

pastel_mix：可能是以粉彩风格混合生成图像的模型。

portrait_plus：可能是用于生成高级肖像的模型。

realcartoon3d_13、realcartoonanime_10：可能是将图像转化为3D卡通或动漫风格的模型。

redshift_diffusion：可能是以红移效果生成图像的模型。

rpg_5：可能是用于生成角色扮演游戏风格的模型。

stable_diffusion_fluidart、stable_diffusion_papercut、stable_diffusion_voxelart：这些可能是Stable Diffusion模型的不同艺术风格变体。

steampunk_diffusion：可能是以蒸汽朋克风格生成图像的模型。

synthwavepunk_v2：可能是结合了合成波和朋克风格的模型。

toonify_2：可能是将图像转化为卡通风格的模型。

trinart_2_0：可能是Trinart模型的2.0版本。

vectorartz_diffusion：可能是以矢量艺术风格生成图像的模型。

vintedois_diffusion_v0_1：可能是以复古动漫风格生成图像的模型。

waifudiffusion_1_3、waifudiffusion_1_4：可能是用于生成动漫角色风格的模型。

yesmix_4：可能是某种混合风格生成图像的模型。

sampler 常量代表用于生成图像的不同采样方法，主要用于基于扩散模型的图像生成技术中，枚举值说明：

ddim: 代表"Denoising Diffusion Implicit"（去噪扩散隐式）采样方法，这是一种基于扩散模型的图像生成方法，通过逐步引入噪声并在每个步骤中去除噪声来生成图像。



dpm: 代表"Denoising Diffusion Probabilistic"（去噪扩散概率）采样方法，它是另一种基于扩散模型的方法，侧重于概率性地去除噪声。



dpm_single: 这可能是"Denoising Diffusion Probabilistic Single"的缩写，指的是在单次迭代中应用去噪扩散概率方法，而不是多次迭代。



dpmpp_2m_karras: 这可能是一个特定实现或变体的去噪扩散模型，其中"2m"可能表示两次混合步骤，"karras"可能是实现该方法的研究人员或团队的名称。



euler: 代表"Euler"采样方法，以数学家欧拉命名，可能是一种基于欧拉方法的数值采样技术，用于简单有效的问题求解。



euler_a: 这可能是"Euler A"的缩写，表示一种改进的欧拉采样方法或特定的应用方式。



k_lms: 可能代表"Kalman Least Mean Squares"（卡尔曼最小二乘法）采样方法，这是一种利用卡尔曼滤波器进行参数估计和信号处理的技术。



pndm: 可能代表"Predictor-Corrector Noise Diffusion Model"（预测-校正噪声扩散模型）采样方法，这是一种结合预测和校正步骤的图像生成技术。

第三步：使用Java编写客户端测试代码

Java客户端代码示例，在实际项目中，请把下面代码封装为一个工具类：

import java.io.*;

import java.net.*;

import java.util.Map;

import java.util.HashMap;



public class Main {

    public static void main(String[] args) throws Exception {

        String url = "https://api.dezgo.com/text2image";

        String dezgoKey = "请注意替换";

        HttpURLConnection con = (HttpURLConnection) new URL(url).openConnection();

        con.setRequestMethod("POST");

        con.setRequestProperty("accept", "application/octet-stream");

        con.setRequestProperty("Content-Type", "multipart/form-data; boundary=----WebKitFormBoundary7ma42iwvjor0g3g4");

        con.setRequestProperty("X-Dezgo-Key",dezgoKey);



        // 创建数据

        String boundary = "----WebKitFormBoundary7ma42iwvjor0g3g4";

        StringBuilder sb = createMultipartBody(boundary, 

            // 添加你的参数

            "prompt", "Su Shi, a male scholar, dressed in a long robe, with a long sword hanging from his waist, stands on the banks of the Yangtze River, watching the sunset in the west."

            // 省略其他参数

        );



        byte[] bytes = sb.toString().getBytes("UTF-8");

        con.setDoOutput(true);

        try (DataOutputStream wr = new DataOutputStream(con.getOutputStream())) {

            wr.write(bytes);

        }



        // 检查响应码

        int status = con.getResponseCode();

        if (status == HttpURLConnection.HTTP_OK) {

            // 读取响应流

            try (InputStream is = con.getInputStream();

                 FileOutputStream fileOutputStream = new FileOutputStream("output_image.png")) {

                byte[] buffer = new byte[4096];

                int bytesRead;

                while ((bytesRead = is.read(buffer)) != -1) {

                    fileOutputStream.write(buffer, 0, bytesRead);

                }

                System.out.println("Image saved successfully!");

            }

        } else {

            System.out.println("Failed to get image: " + status);

        }

    }



    public static StringBuilder createMultipartBody(String boundary, String... params) {

        StringBuilder sb = new StringBuilder();

        sb.append("--").append(boundary).append("\r\n");

        for (int i = 0; i < params.length; i += 2) {

            sb.append("Content-Disposition: form-data; name=\"").append(params[i]).append("\"\r\n\r\n")

              .append(params[i + 1]).append("\r\n");

            sb.append("--").append(boundary).append("\r\n");

        }

        sb.append("--").append(boundary).append("--\r\n");

        return sb;

    }

}