当前位置：首页 > news >正文

EasyAnimateV5图生视频实战：多图批量处理脚本开发（Python+requests API）

news 2026/6/5 1:12:56

EasyAnimateV5图生视频实战：多图批量处理脚本开发（Python+requests API）

1. 项目背景与需求场景

在日常的内容创作和视频制作中，我们经常遇到这样的需求：需要将大量的静态图片转换为动态视频。无论是电商商品展示、社交媒体内容制作，还是个人相册回忆，手动一张张处理图片既耗时又费力。

EasyAnimateV5-7b-zh-InP模型专门针对图生视频任务进行了优化，支持512、768、1024等多种分辨率，能够生成约6秒时长的视频片段。但官方界面一次只能处理一张图片，无法满足批量处理的需求。

这就是我们今天要解决的问题：开发一个Python脚本，通过调用EasyAnimateV5的API接口，实现多张图片的批量视频生成，大幅提升工作效率。

2. 环境准备与基础配置

在开始编写脚本之前，我们需要确保环境配置正确。以下是基础的环境要求：

# 所需Python库 import requests import base64 import json import os import time from pathlib import Path from typing import List, Dict, Optional

安装必要的依赖包：

pip install requests pillow tqdm

脚本基础配置部分：

class EasyAnimateConfig: """EasyAnimate服务配置""" BASE_URL = "http://183.93.148.87:7860" API_ENDPOINT = "/easyanimate/infer_forward" TIMEOUT = 300 # 5分钟超时 MAX_RETRIES = 3 RETRY_DELAY = 10 # 重试延迟秒数

3. 核心API接口详解

EasyAnimateV5提供了完整的RESTful API接口，我们可以通过HTTP POST请求调用图生视频功能。

3.1 单张图片处理函数

首先实现单张图片的处理函数，这是批量处理的基础：

def generate_video_from_image( image_path: str, prompt: str, output_dir: str = "./output", negative_prompt: str = "Blurring, mutation, deformation, distortion", width: int = 672, height: int = 384, frames: int = 49, steps: int = 50 ) -> Optional[str]: """ 单张图片生成视频 Args: image_path: 输入图片路径 prompt: 正向提示词 output_dir: 输出目录 negative_prompt: 负向提示词 width: 视频宽度 height: 视频高度 frames: 视频帧数 steps: 采样步数 Returns: 生成的视频文件路径，失败返回None """ # 确保输出目录存在 os.makedirs(output_dir, exist_ok=True) # 读取图片并编码为base64 try: with open(image_path, "rb") as img_file: image_data = base64.b64encode(img_file.read()).decode('utf-8') except Exception as e: print(f"读取图片失败: {image_path}, 错误: {e}") return None # 构建请求数据 payload = { "prompt_textbox": prompt, "negative_prompt_textbox": negative_prompt, "sampler_dropdown": "Flow", "sample_step_slider": steps, "width_slider": width, "height_slider": height, "generation_method": "Video Generation", "length_slider": frames, "cfg_scale_slider": 6.0, "seed_textbox": -1, "init_image": image_data } # 发送请求 for attempt in range(EasyAnimateConfig.MAX_RETRIES): try: response = requests.post( f"{EasyAnimateConfig.BASE_URL}{EasyAnimateConfig.API_ENDPOINT}", json=payload, timeout=EasyAnimateConfig.TIMEOUT ) if response.status_code == 200: result = response.json() if "save_sample_path" in result: return result["save_sample_path"] else: print(f"生成失败: {result.get('message', '未知错误')}") return None else: print(f"HTTP错误: {response.status_code}") except requests.exceptions.Timeout: print(f"请求超时，尝试 {attempt + 1}/{EasyAnimateConfig.MAX_RETRIES}") except Exception as e: print(f"请求异常: {e}") if attempt < EasyAnimateConfig.MAX_RETRIES - 1: time.sleep(EasyAnimateConfig.RETRY_DELAY) return None

4. 批量处理脚本实现

现在我们来实现核心的批量处理功能，支持多种输入方式和灵活的配置。

4.1 批量处理主类

class EasyAnimateBatchProcessor: """EasyAnimate批量图片处理工具""" def __init__(self, config: Optional[Dict] = None): self.config = config or {} self.results = [] self.failed_items = [] def process_directory(self, input_dir: str, output_dir: str, prompt: str, **kwargs): """ 处理目录中的所有图片 Args: input_dir: 输入图片目录 output_dir: 输出视频目录 prompt: 通用提示词或提示词模板 **kwargs: 其他生成参数 """ # 支持的图片格式 image_extensions = ['.jpg', '.jpeg', '.png', '.bmp', '.tiff', '.webp'] # 获取所有图片文件 image_files = [] for ext in image_extensions: image_files.extend(Path(input_dir).glob(f"*{ext}")) image_files.extend(Path(input_dir).glob(f"*{ext.upper()}")) print(f"找到 {len(image_files)} 张图片") # 处理每张图片 for i, image_path in enumerate(image_files): print(f"处理第 {i+1}/{len(image_files)} 张图片: {image_path.name}") # 生成个性化提示词 individual_prompt = self._generate_individual_prompt(prompt, image_path) # 生成视频 result_path = generate_video_from_image( str(image_path), individual_prompt, output_dir=output_dir, **kwargs ) # 记录结果 if result_path: self.results.append({ 'input_image': str(image_path), 'output_video': result_path, 'prompt': individual_prompt, 'status': 'success' }) print(f"✓ 生成成功: {result_path}") else: self.failed_items.append({ 'input_image': str(image_path), 'prompt': individual_prompt, 'status': 'failed' }) print(f"✗ 生成失败: {image_path.name}") def _generate_individual_prompt(self, base_prompt: str, image_path: Path) -> str: """根据图片生成个性化提示词""" # 这里可以根据图片文件名、路径等信息生成更具体的提示词 # 例如从文件名中提取关键词 filename = image_path.stem return f"{base_prompt} - {filename}" def generate_report(self, report_path: str): """生成处理报告""" report = { 'timestamp': time.strftime("%Y-%m-%d %H:%M:%S"), 'total_processed': len(self.results) + len(self.failed_items), 'success_count': len(self.results), 'failed_count': len(self.failed_items), 'success_items': self.results, 'failed_items': self.failed_items } with open(report_path, 'w', encoding='utf-8') as f: json.dump(report, f, ensure_ascii=False, indent=2) return report

4.2 高级批量处理功能

为了满足更复杂的需求，我们添加一些高级功能：

class AdvancedBatchProcessor(EasyAnimateBatchProcessor): """增强版批量处理器，支持更多功能""" def process_with_prompt_file(self, input_dir: str, prompt_file: str, output_dir: str, **kwargs): """ 使用提示词文件处理图片，每张图片对应一个提示词 Args: input_dir: 输入图片目录 prompt_file: 提示词JSON文件 output_dir: 输出目录 """ # 读取提示词映射 with open(prompt_file, 'r', encoding='utf-8') as f: prompt_mapping = json.load(f) # 处理每张图片 for image_name, prompt in prompt_mapping.items(): image_path = Path(input_dir) / image_name if image_path.exists(): print(f"处理图片: {image_name}") result_path = generate_video_from_image( str(image_path), prompt, output_dir=output_dir, **kwargs ) # 记录结果... else: print(f"图片不存在: {image_name}") def process_with_template(self, input_dir: str, output_dir: str, prompt_template: str, **kwargs): """ 使用模板处理图片，支持动态变量 Args: input_dir: 输入图片目录 output_dir: 输出目录 prompt_template: 提示词模板，支持 {filename} {index} 等变量 """ image_files = self._get_image_files(input_dir) for index, image_path in enumerate(image_files): # 渲染模板 prompt = prompt_template.format( filename=image_path.stem, index=index + 1, total=len(image_files) ) result_path = generate_video_from_image( str(image_path), prompt, output_dir=output_dir, **kwargs ) # 记录结果...

5. 完整使用示例

下面是一个完整的示例，展示如何使用批量处理脚本：

def main(): """主函数示例""" # 创建处理器实例 processor = EasyAnimateBatchProcessor() # 批量处理目录中的图片 processor.process_directory( input_dir="./input_images", output_dir="./output_videos", prompt="A beautiful scene with vibrant colors, high quality, cinematic", width=768, height=432, frames=49, steps=40 ) # 生成处理报告 report = processor.generate_report("./processing_report.json") print(f"\n处理完成!") print(f"成功: {report['success_count']}") print(f"失败: {report['failed_count']}") # 显示失败项目 if report['failed_count'] > 0: print("\n失败项目:") for item in report['failed_items']: print(f" - {Path(item['input_image']).name}") if __name__ == "__main__": main()

6. 实用技巧与优化建议

在实际使用过程中，我们总结了一些实用技巧：

6.1 提示词优化策略

def create_smart_prompt(image_path: Path, base_prompt: str) -> str: """ 根据图片特征生成智能提示词 在实际应用中，可以集成图像识别API来自动生成描述 """ # 简单示例：从文件名推断内容 filename = image_path.stem.lower() if any(word in filename for word in ['portrait', 'person', 'face']): return f"{base_prompt} Professional portrait photography, sharp focus" elif any(word in filename for word in ['landscape', 'nature', 'mountain']): return f"{base_prompt} Beautiful landscape, golden hour lighting" elif any(word in filename for word in ['product', 'item', 'object']): return f"{base_prompt} Product showcase, studio lighting" return base_prompt

6.2 性能优化配置

# 针对批量处理的优化配置 OPTIMIZED_CONFIG = { 'steps': 30, # 减少采样步数，加快生成速度 'width': 512, # 使用较低分辨率 'height': 288, 'frames': 32 # 减少帧数 } # 高质量配置 HIGH_QUALITY_CONFIG = { 'steps': 80, 'width': 1024, 'height': 576, 'frames': 49 }

6.3 错误处理与重试机制

def robust_batch_processing(processor, input_dir, output_dir, prompt, max_attempts=3): """增强的批量处理，包含完善的错误处理""" attempt = 1 while attempt <= max_attempts: try: processor.process_directory(input_dir, output_dir, prompt) break except Exception as e: print(f"批量处理失败 (尝试 {attempt}/{max_attempts}): {e}") attempt += 1 if attempt <= max_attempts: print("等待10秒后重试...") time.sleep(10) return attempt <= max_attempts

7. 实际应用案例

让我们看几个实际的应用场景：

7.1 电商商品视频生成

def generate_ecommerce_videos(product_dir: str, output_dir: str): """生成电商商品展示视频""" processor = EasyAnimateBatchProcessor() processor.process_directory( input_dir=product_dir, output_dir=output_dir, prompt="Product showcase with professional lighting, clean background, high detail", width=768, height=768, # 方形适合商品展示 frames=32 )

7.2 社交媒体内容创作

def create_social_media_content(image_dir: str, output_dir: str, style: str = "vibrant"): """创建社交媒体动态内容""" styles = { "vibrant": "Vibrant colors, dynamic motion, social media style", "elegant": "Elegant and sophisticated, slow motion, cinematic", "minimal": "Minimalist style, clean composition, subtle motion" } processor = EasyAnimateBatchProcessor() processor.process_directory( input_dir=image_dir, output_dir=output_dir, prompt=styles.get(style, styles["vibrant"]), width=1080, height=1080 # 适合Instagram等平台 )