flux-pro-1.0-fill-finetuned

Specyfikacja techniczna flux-pro-1-0-fill-finetuned

flux-pro-1-0-fill-finetuned to identyfikator platformy CometAPI dla endpointu edycji obrazów FLUX.1 Fill [pro] finetune od Black Forest Labs. Został zaprojektowany do przepływów inpaintingu, w których dostarczasz obraz wejściowy oraz osobną maskę lub maskę alfa, a model edytuje wyłącznie wskazane obszary na podstawie prompta tekstowego.

Przegląd modelu

• Model ID: flux-pro-1-0-fill-finetuned
• Dostawca / rodzina modeli bazowych: Black Forest Labs FLUX.1 Fill [pro] finetune.
• Główna modalność: Image-to-image, edycja obrazów i maskowany inpainting.
• Zastosowania komercyjne: Wg CometAPI model obsługuje zastosowania komercyjne. (cometapi.com)
• Cennik CometAPI: 0,096 USD za żądanie na stronie modelu CometAPI w momencie pozyskania danych. (cometapi.com)

Udokumentowane parametry żądania

• finetune_id: Wymagany identyfikator dostrojonego modelu do zastosowania.
• image: Wymagany obraz źródłowy zakodowany w base64.
• mask: Opcjonalna czarno-biała maska zakodowana w base64; można pominąć, jeśli oryginalny obraz zawiera już maskę alfa.
• prompt: Instrukcja tekstowa opisująca pożądane edycje.
• finetune_strength: Domyślnie 1.1, dozwolony zakres 0 do 2.0.
• steps: Domyślnie 50, dozwolony zakres 15 do 50.
• guidance: Domyślnie 60, dozwolony zakres 1.5 do 100.
• prompt_upsampling: Opcjonalna wartość logiczna dla bardziej kreatywnego przekształcania promptu.
• seed: Opcjonalna liczba całkowita dla odtwarzalności.
• output_format: jpeg lub png, domyślnie jpeg.
• safety_tolerance: Liczba całkowita od 0 do 6, domyślnie 2.
• Obsługa trybu asynchronicznego: Obsługiwane są webhook_url i webhook_secret.

Udokumentowane pola odpowiedzi

• id: Identyfikator zadania generacji.
• polling_url: URL do sprawdzania statusu zadania.
• cost, input_mp, output_mp: Zwracane metadane dotyczące wykorzystania i rozmiarów obrazów.

Czym jest flux-pro-1-0-fill-finetuned?

flux-pro-1-0-fill-finetuned to wyspecjalizowany endpoint modelu edycji obrazów FLUX do spersonalizowanego inpaintingu. W praktyce łączy on zaawansowany workflow FLUX.1 Fill [pro] z dostrojonym przez użytkownika modelem, dzięki czemu możesz modyfikować wybrane części istniejącego obrazu, zachowując resztę sceny oraz spójność z danym obiektem, produktem, marką lub stylem.

Black Forest Labs opisuje system dostrajania FLUX Pro jako sposób na personalizację FLUX.1 [pro] przy użyciu własnych obrazów referencyjnych, w tym konkretnych osób, zwierząt, ubrań, naklejek, marek lub stylów wizualnych. Firma wskazuje również, że połączenie dostrajania z FLUX.1 Fill [pro] umożliwia spersonalizowany inpainting do iteracyjnej edycji danego obrazu.

Jeśli zatem masz już dostrojony model koncepcyjny FLUX Pro, ten endpoint jest wersją do edycji, która pozwala stosować wyuczony koncept selektywnie wewnątrz zamaskowanych obszarów, zamiast generować zupełnie nowy obraz od zera. Czyni to rozwiązanie szczególnie przydatnym do odświeżania kreacji reklamowych, retuszu produktów, edycji spójnych z postacią, modyfikacji zasobów markowych oraz zlokalizowanych aktualizacji obrazów. To wniosek na podstawie zachowania endpointu i opisu dostrajania Black Forest Labs.

Główne funkcje flux-pro-1-0-fill-finetuned

• Spersonalizowany inpainting: Edytuje tylko zamaskowane fragmenty istniejącego obrazu, wykorzystując dostrojony model koncepcyjny, aby zachować zgodność z Twoim obiektem lub stylem.
• Edycja świadoma dostrojenia: Wymaga finetune_id, co oznacza, że endpoint został zbudowany tak, aby stosować wcześniej wytrenowane dostrojenie FLUX Pro podczas modyfikacji obrazu.
• Kontrola oparta na maskach: Obsługuje zarówno oddzielne maski, jak i workflow z maską alfa, co jest praktyczne przy precyzyjnej podmianie obiektów, czyszczeniu, ulepszaniu lub projektowaniu konkretnych obszarów.
• Transformacje kierowane promptem: Wykorzystuje prompty w języku naturalnym do opisania pożądanej zmiany wewnątrz wybranego obszaru, umożliwiając elastyczne edycje bez ręcznego komponowania.
• Regulowany wpływ stylu: finetune_strength pozwala kontrolować, jak silnie dostrojony koncept wpływa na wynik, od subtelnego oddziaływania po wyraźną personalizację.
• Kontrola jakości i kreatywności: Parametry takie jak steps, guidance i prompt_upsampling dają deweloperom kontrolę nad wiernością, zgodnością z promptem i wariantywnością.
• Powtarzalne wyniki: Opcjonalne wsparcie seed pomaga w powtarzalnym testowaniu i kontrolowanej iteracji wersji zasobów kreatywnych.
• Przyjazny produkcji asynchroniczny przepływ pracy: Endpoint zwraca ID zadania i adres do odpytywania, a także obsługuje webhooks do zautomatyzowanych potoków.
• Ścieżka wdrożenia komercyjnego: CometAPI wymienia model jako dostępny do zastosowań komercyjnych na swojej platformie. (cometapi.com)

Jak uzyskać dostęp i zintegrować flux-pro-1-0-fill-finetuned

Krok 1: Zarejestruj się po klucz API

Zarejestruj się w CometAPI i utwórz swój klucz API w panelu. Mając klucz, możesz uwierzytelniać żądania do API flux-pro-1-0-fill-finetuned i rozpocząć integrację modelu z aplikacją. CometAPI wymienia ten model jako dostępny na swojej platformie z przykładowym kodem i zasobami API, które ułatwiają integrację. (cometapi.com)

Krok 2: Wysyłanie żądań do API flux-pro-1-0-fill-finetuned

Wyślij żądanie do API flux-pro-1-0-fill-finetuned używając preferowanego klienta HTTP lub SDK. Dołącz swój klucz API, identyfikator modelu flux-pro-1-0-fill-finetuned oraz wymagane dane żądania dla Twojego przypadku użycia. W przypadku tego modelu zazwyczaj oznacza to dostarczenie obrazu źródłowego, maski lub maski alfa, promptu oraz finetune_id, aby endpoint mógł zastosować wytrenowany koncept podczas inpaintingu. Black Forest Labs dokumentuje ten endpoint jako POST /v1/flux-pro-1.0-fill-finetuned z konfigurowalnymi parametrami takimi jak finetune_strength, steps, guidance, output_format oraz opcjonalnymi ustawieniami webhooków.

Krok 3: Pobierz i zweryfikuj wyniki

Pobierz wynik generacji, korzystając z metadanych odpowiedzi zwracanych przez API. Dla flux-pro-1-0-fill-finetuned udokumentowana odpowiedź obejmuje ID zadania id i polling_url, wraz z polami dotyczącymi wykorzystania, takimi jak cost, input_mp i output_mp. Zweryfikuj, czy edytowany wynik odpowiada zamierzonemu obszarowi maski, zachowuje kontekst otoczenia i spójnie odzwierciedla dostrojony koncept, zanim wdrożysz go do procesów produkcyjnych.