Stable Yogi Leather-Dress-Collection自动化流程：使用Python脚本批量生成商品图
Stable Yogi Leather-Dress-Collection自动化流程：使用Python脚本批量生成商品图
每次上新都要找设计师做几十张商品图，费时又费钱？产品图风格不统一，影响品牌形象？如果你在电商或内容创作团队，这些问题肯定不陌生。今天，我就来分享一个我们团队内部用了很久的“偷懒”方案——用Python脚本，自动化调用Stable Yogi的Leather-Dress-Collection模型，批量生成风格统一的商品营销图。
这个方案的核心思路很简单：把商品信息（比如名称、材质、颜色）整理到一个表格里，然后写个脚本，让它自动读取表格、生成对应的图片描述、调用AI模型出图，最后把图片下载下来并整理好。整个过程，你只需要准备好商品清单，泡杯咖啡的功夫，几十上百张图就生成了。下面，我就手把手带你把这个流程跑通。
1. 为什么需要自动化生成商品图？
在聊具体怎么做之前，我们先看看传统方式有多“痛”。手动为每个商品设计或拍摄图片，不仅周期长、成本高，更难的是保持风格一致。今天的设计师和明天的设计师，做出来的图可能感觉完全不一样。而AI生成图片，只要提示词（就是描述图片的文字）固定，风格就能高度统一。
我们用的Stable Yogi Leather-Dress-Collection模型，特别擅长生成皮革、连衣裙这类时尚单品的图片，质感表现很好。但如果你手动在网页上一个个输入提示词、点生成、再下载，效率依然很低。所以，自动化脚本的价值就出来了：把重复劳动交给机器，把人解放出来做更有创意的事。
这个脚本能帮你做到：
- 批量处理：一次性处理成百上千个商品。
- 风格统一：通过固定的提示词模板，确保所有图片的色调、构图、背景风格一致。
- 效率飞跃：从“人等着机器”变成“机器自动跑”，生成时间大幅缩短。
- 易于管理：生成的图片按规则命名，和商品信息一一对应，查找和管理非常方便。
2. 准备工作：环境和数据
在开始写代码前，我们需要把“原料”准备好。
2.1 环境搭建
首先，确保你的电脑上安装了Python（建议3.8或以上版本）。然后，我们需要安装几个关键的Python库。打开你的命令行终端（比如CMD、PowerShell或Terminal），输入以下命令：
pip install requests pandasrequests：用来和Stable Yogi的API“对话”，发送生成请求和下载图片。pandas：这是处理表格数据（比如CSV、Excel）的神器，能让我们轻松地读取和操作商品信息列表。
2.2 准备商品数据表
这是整个流程的“大脑”。你需要创建一个CSV文件（用Excel或WPS表格编辑后另存为CSV格式即可），比如叫products.csv。里面至少应该包含以下几列信息：
| product_id | product_name | material | color | target_style |
|---|---|---|---|---|
| LD001 | 修身复古皮裙 | 小羊皮 | 经典黑 | 时尚街拍，都市背景 |
| LD002 | 流苏装饰皮夹克 | 软牛皮 | 焦糖棕 | 工作室纯色背景，专业模特 |
| LD003 | A字型皮连衣裙 | 漆皮 | 正红色 | 奢华室内场景，暖色调灯光 |
每一行代表一个商品。product_id是商品的唯一编号，后面会用来给图片命名。其他列（product_name,material,color,target_style）都是用来构建最终图片描述语的“零件”。
小技巧：如果你的商品信息分散在多个表格里，可以利用类似Excel中VLOOKUP函数的功能，先用表格软件整理合并成一个总表，再导出为CSV。pandas库本身也提供了强大的表格合并与查询功能，这在处理复杂数据源时非常有用。
2.3 获取API访问密钥
要调用Stable Yogi的API，你需要一个访问密钥（API Key）。这通常在你使用的AI模型服务平台（例如CSDN星图镜像广场部署的服务）上可以获取。登录后，在账户或设置页面找到API相关部分，创建一个新的密钥并妥善保存。它看起来像一串长长的乱码字符。
3. 核心脚本编写与解析
接下来，我们一步步构建这个自动化脚本。我会把完整代码拆解开，解释每一部分是干什么的。
3.1 脚本框架与配置
我们先创建一个Python文件，比如叫auto_generate_product_images.py。开头部分，我们导入必要的库，并设置一些基础配置。
import requests import pandas as pd import os import time from concurrent.futures import ThreadPoolExecutor, as_completed # ==================== 配置区域 ==================== # 1. 你的Stable Yogi API地址和密钥 API_URL = "https://your-stable-yogi-api-endpoint/generate" # 替换为你的实际API地址 API_KEY = "your_api_key_here" # 替换为你的实际API密钥 # 2. 商品数据文件路径 PRODUCT_CSV_PATH = "products.csv" # 3. 图片输出目录 OUTPUT_DIR = "generated_images" os.makedirs(OUTPUT_DIR, exist_ok=True) # 如果目录不存在就创建它 # 4. 提示词模板 # 这里定义了一个模板，{material}, {color}等会被实际商品信息替换 PROMPT_TEMPLATE = "Professional product photography of a {material} {product_name} in {color} color, {target_style}, high detail, 8k, studio lighting" NEGATIVE_PROMPT = "blurry, low quality, deformed, extra limbs, watermark, text" # 5. 生成参数（可根据模型要求调整） GENERATION_PARAMS = { "steps": 20, "cfg_scale": 7.5, "width": 768, "height": 1024, "sampler_name": "DPM++ 2M Karras", "batch_size": 1 }关键点解释：
API_URL和API_KEY：这是脚本与AI服务连接的桥梁，务必填写正确。PROMPT_TEMPLATE：这是核心中的核心。它定义了生成图片的“风格公式”。{material}、{color}这些是占位符，脚本会从表格里读取每个商品的具体信息填进去。你可以根据想要的最终效果调整这个模板，比如想更突出背景，就在{target_style}部分多下点功夫。GENERATION_PARAMS：这些是控制图片生成质量的参数，比如尺寸、精细度等。不同的Stable Yogi模型可能支持不同的参数，需要根据实际情况调整。
3.2 构建请求与生成单张图片的函数
我们写一个函数，专门负责为一个商品生成一张图。
def generate_single_image(product_info, api_url, api_key, params, output_dir): """ 为单个商品生成图片并保存。 参数: product_info: 包含商品信息的字典，例如 {'product_id':'LD001', 'product_name':'修身复古皮裙', ...} api_url: API地址 api_key: API密钥 params: 生成参数 output_dir: 图片输出目录 返回: (success, message) 元组，表示成功与否和相关信息 """ product_id = product_info['product_id'] # 1. 构建提示词：用商品信息填充模板 prompt = PROMPT_TEMPLATE.format(**product_info) # 2. 准备请求数据 payload = { "prompt": prompt, "negative_prompt": NEGATIVE_PROMPT, **params # 将生成参数合并进来 } headers = { "Authorization": f"Bearer {api_key}", "Content-Type": "application/json" } try: print(f"正在为商品 {product_id} 生成图片...") # 3. 发送POST请求到API response = requests.post(api_url, json=payload, headers=headers, timeout=120) response.raise_for_status() # 如果请求失败（如4xx, 5xx错误），抛出异常 # 4. 解析响应，假设API返回的是图片的base64编码或URL # 这里以返回JSON中包含图片base64数据为例 result = response.json() # 注意：不同API返回结构不同，需要根据实际情况调整下面的代码 # 假设图片数据在 result['images'][0] 中，且是base64格式 image_data = result.get('images', [None])[0] if not image_data: return (False, f"{product_id}: API响应中未找到图片数据") # 5. 解码并保存图片 import base64 # 假设是base64编码，去掉可能的数据头 if 'base64,' in image_data: image_data = image_data.split('base64,')[-1] image_bytes = base64.b64decode(image_data) # 生成文件名并保存 filename = f"{product_id}_{product_info['product_name'].replace(' ', '_')}.png" filepath = os.path.join(output_dir, filename) with open(filepath, 'wb') as f: f.write(image_bytes) print(f" 成功: 图片已保存至 {filepath}") return (True, filepath) except requests.exceptions.RequestException as e: return (False, f"{product_id}: 网络请求失败 - {e}") except (KeyError, ValueError) as e: return (False, f"{product_id}: 处理API响应失败 - {e}") except Exception as e: return (False, f"{product_id}: 未知错误 - {e}")这个函数干了这几件事：拿到一个商品的信息，按照模板造好“描述语”（提示词），然后带着参数去问AI要图片，拿到图片数据后，再以商品ID和名称命名保存下来。任何一步出错，它都会记录下来。
3.3 主流程：读取数据与并发处理
单张图生成函数有了，现在我们来处理整个商品列表，并且用并发来提速。
def main(): # 1. 读取商品CSV文件 print("正在读取商品数据...") try: df = pd.read_csv(PRODUCT_CSV_PATH) # 确保必要的列存在 required_cols = ['product_id', 'product_name', 'material', 'color', 'target_style'] for col in required_cols: if col not in df.columns: raise ValueError(f"CSV文件中缺少必要的列: {col}") product_list = df.to_dict('records') # 转换为字典列表，方便处理 print(f"共读取到 {len(product_list)} 个商品。") except FileNotFoundError: print(f"错误：找不到文件 {PRODUCT_CSV_PATH}") return except Exception as e: print(f"读取CSV文件时出错: {e}") return # 2. 准备结果报告 results = [] # 3. 使用线程池进行并发生成（提高效率） # max_workers控制同时进行的任务数，根据你的API限制和网络情况调整 max_workers = 2 # 保守一点，避免对API造成过大压力 print(f"开始批量生成图片，并发数: {max_workers}...") with ThreadPoolExecutor(max_workers=max_workers) as executor: # 提交所有生成任务到线程池 future_to_product = { executor.submit(generate_single_image, product, API_URL, API_KEY, GENERATION_PARAMS, OUTPUT_DIR): product for product in product_list } # 等待并收集每个任务的结果 for future in as_completed(future_to_product): product = future_to_product[future] try: success, message = future.result(timeout=150) # 设置单个任务超时时间 results.append({ 'product_id': product['product_id'], 'product_name': product['product_name'], 'status': '成功' if success else '失败', 'message': message }) except Exception as e: results.append({ 'product_id': product['product_id'], 'product_name': product['product_name'], 'status': '失败', 'message': f"任务执行异常: {e}" }) # 4. 生成并保存结果报告 report_df = pd.DataFrame(results) report_path = os.path.join(OUTPUT_DIR, "generation_report.csv") report_df.to_csv(report_path, index=False, encoding='utf-8-sig') print(f"\n批量生成完成！结果报告已保存至: {report_path}") # 5. 打印简要统计 success_count = report_df[report_df['status'] == '成功'].shape[0] fail_count = report_df[report_df['status'] == '失败'].shape[0] print(f"总计: {len(product_list)} 个商品，成功: {success_count}, 失败: {fail_count}") if fail_count > 0: print("\n失败的商品ID及原因:") for _, row in report_df[report_df['status'] == '失败'].iterrows(): print(f" - {row['product_id']}: {row['message']}") if __name__ == "__main__": main()这里有几个关键设计：
- 读取数据：使用
pandas轻松读取CSV，并检查必备的列是否齐全。 - 并发处理：使用
ThreadPoolExecutor创建线程池。如果API支持，并发请求可以极大缩短总耗时。max_workers参数需要谨慎设置，太小速度慢，太大可能被API限制或导致本地网络拥堵。 - 结果追踪：每个商品生成成功或失败，都会被记录到
results列表里。 - 生成报告：所有任务完成后，程序会自动生成一个CSV格式的报告，里面清楚列出了每个商品的生成状态和详细信息。这对于排查问题和记录工作成果非常有用。
4. 运行脚本与效果展示
脚本写好了，怎么用呢？
- 准备数据：确保你的
products.csv文件已经放在和脚本同一个文件夹下，并且内容格式正确。 - 修改配置：用文本编辑器打开
auto_generate_product_images.py，将API_URL和API_KEY替换成你自己的。 - 运行脚本：在终端中，切换到脚本所在目录，运行命令：
python auto_generate_product_images.py - 查看结果：脚本运行后，终端会实时打印生成进度。全部完成后，会在当前目录下创建一个
generated_images文件夹，里面是所有生成好的图片，以及一个generation_report.csv的报告文件。
运行起来后，你会在终端看到类似这样的输出，整个过程一目了然：
正在读取商品数据... 共读取到 3 个商品。 开始批量生成图片，并发数: 2... 正在为商品 LD001 生成图片... 成功: 图片已保存至 generated_images/LD001_修身复古皮裙.png 正在为商品 LD002 生成图片... 成功: 图片已保存至 generated_images/LD002_流苏装饰皮夹克.png 正在为商品 LD003 生成图片... 成功: 图片已保存至 generated_images/LD003_A字型皮连衣裙.png 批量生成完成！结果报告已保存至: generated_images/generation_report.csv 总计: 3 个商品，成功: 3, 失败: 0打开generated_images文件夹，你会看到命名规范的图片文件，它们都遵循着你定义的提示词模板风格，视觉上非常统一，可以直接用于商品详情页、社交媒体或者广告素材。
5. 总结与扩展思路
这套自动化流程用下来，最大的感受就是“省心”。一旦跑通，后续上新只需要更新CSV表格，再运行一次脚本就行了。人力成本几乎降到零，而且再也不用担心风格跑偏。
当然，这只是一个起点。你可以根据实际需求，对这个脚本进行各种增强：
- 更智能的提示词：可以根据商品类别、季节、促销活动动态调整提示词模板，让图片更贴合营销主题。
- 多尺寸/多风格生成：修改脚本，让它为同一个商品生成不同尺寸（正方形、横幅）或不同风格（场景图、白底图）的多个版本。
- 集成到工作流：把这个脚本和你公司的商品管理系统（ERP）、网店后台打通，实现“商品上架，图片自动生成”的全自动化流程。
- 后处理与质检：在下载图片后，可以加入自动化的简单质检（比如检查图片是否模糊、尺寸是否正确），甚至调用另一个AI模型进行简单的修图优化。
技术最终是为了解决问题。这个脚本的价值不在于它用了多酷的代码，而在于它实实在在地把一个繁琐、重复、高成本的商业需求，变成了几行代码就能搞定的小事。希望这个思路和代码能给你带来启发，帮你和你的团队从重复劳动中解放出来。
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。