软工第一次作业

这个作业属于哪个课程	软件工程
这个作业要求在哪里	软件工程第一次作业
这个作业的目标	完成HuggingFace Flux模型API调用、搭建GitHub个人主页，梳理个人技术能力，建立软件工程学习规划
学号	102401212

1. 准备工作

已准备一个GitHub账号，链接为：https://github.com/sl666slsl
已准备一个博客园账号
已关注三位老师并加入班级

2. 调用 huggingface-API

实验简介

在Hugging Face官网注册账号，获取API Token，调用 XLabs-AI/flux-RealismLora 模型，基于基础模型代码，增加前端交互页面，实现网页输入提示词、生成写实图片。

模型地址： XLabs-AI/flux-RealismLora

完整代码

项目文件结构

点击查看代码

project/
├─ app.py
└─ templates/
   └─ index.html

app.py（后端代码）

点击查看代码

from flask import Flask, render_template, request, jsonify
import requests, base64

app = Flask(__name__)
HF_TOKEN = "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"
API_URL = "https://api-inference.huggingface.co/models/XLabs-AI/flux-RealismLora"
headers = {"Authorization": f"Bearer {HF_TOKEN}"}

def query_model(payload):
    response = requests.post(API_URL, headers=headers, json=payload)
    return response.content

@app.route('/')
def index():
    return render_template("index.html")

@app.route("/generate", methods=["POST"])
def generate():
    json_data = request.get_json()
    prompt = json_data.get("prompt", "")
    neg_prompt = json_data.get("negative", "")

    payload = {
        "inputs": prompt,
        "parameters": {
            "negative_prompt": neg_prompt
        }
    }
    image_bytes = query_model(payload)
    img_b64 = base64.b64encode(image_bytes).decode("utf-8")
    return jsonify({"image": img_b64, "prompt": prompt})

if __name__ == "__main__":
    app.run(debug=True)

templates/index.html（前端交互页面）

点击查看代码

<!DOCTYPE html>
<html lang="zh-CN">
<head>
    <meta charset="UTF-8">
    <title>Flux RealismLora 图像生成</title>
    <style>
        body {max-width: 850px; margin: 30px auto; font-family: "Microsoft Yahei";}
        textarea {width:100%; padding:8px;font-size:16px;}
        button {padding:10px 20px; background:#2385bb; color:#fff; border:none; border-radius:4px; font-size:16px;cursor:pointer;}
        #result {margin-top:24px;}
        img {max-width:100%;border-radius:4px;}
    </style>
</head>
<body>
    <h2>Flux RealismLora 写实图像生成器</h2>
    <div>
        <h4>正向提示词 Prompt</h4>
        <textarea id="prompt" rows="4">A quiet university campus lake at sunset, natural warm light, real photograph, DSLR, 8k, ultra realistic, fine texture, sharp focus</textarea>
    </div>
    <div style="margin-top:12px">
        <h4>负面提示词 Negative Prompt</h4>
        <textarea id="negPrompt" rows="3">cartoon, painting, anime, sketch, blur, deformed, ugly, low resolution, watermark</textarea>
    </div>
    <br>
    <button onclick="runGenerate()">开始生成图片</button>
    <div id="result"></div>

<script>
async function runGenerate(){
    const prompt = document.getElementById("prompt").value;
    const neg = document.getElementById("negPrompt").value;
    const resultDiv = document.getElementById("result");
    resultDiv.innerText = "正在请求HuggingFace API，模型较大，请等待...";
    try{
        const res = await fetch("/generate",{
            method:"POST",
            headers:{"Content-Type":"application/json"},
            body: JSON.stringify({prompt:prompt, negative:neg})
        })
        const data = await res.json();
        resultDiv.innerHTML = `<h3>✅生成成功</h3><p>提示词：${data.prompt}</p><img src="data:image/jpeg;base64,${data.image}">`
    }catch(err){
        resultDiv.innerText = "调用失败："+err;
    }
}
</script>
</body>
</html>

提示词设计思路和修改迭代过程

最终正向提示词

photograph of college campus path in morning, natural soft sunlight, realistic texture, DSLR photo, 8k, ultra detailed, sharp focus

中文释义：早晨的大学校园小路照片，自然柔和的光线，逼真的质感，单反相机拍摄，8K分辨率，超详细的细节，清晰的焦点

最终负面提示词

blurry,cartoon,painting,ugly,deformed,low quality,anime,sketch

中文释义：模糊，卡通，绘画，丑陋，畸形，低画质，动漫，素描

提示词设计思路和修改过程

初稿版本： college campus road
只简单描述场景，生成画面细节匮乏，光影虚假，树木与路面结构扭曲，真实感不足。
第二次修改： photo of college campus road, morning
增加 photo 与时间描述，画面轮廓变得正常，但缺少摄影质感，整体像AI渲染图，没有真实照片的肌理。
第三次优化：增加光线、画质关键词
photograph of college campus path in morning, natural soft sunlight, DSLR photo
画面光影变得柔和自然，场景氛围感提升，但是依然偶尔出现手绘、畸形物体。
最终版本
在正向词基础上补充 realistic texture,8k,ultra detailed,sharp focus 提升细节；同时添加负面提示词，过滤卡通、素描、模糊、畸形等瑕疵，最终生成这张秋日校园林荫道写实照片，贴近真实相机拍摄效果。

API调用完整操作步骤

打开huggingface官网注册账号，进入Settings → Access Tokens，新建Token，复制保存。
打开模型页面 XLabs-AI/flux-RealismLora ，确认模型可通过Inference API调用。
新建项目文件夹，创建 app.py ，新建 templates 目录并放入 index.html 。
安装依赖包： pip install flask requests
在代码中将 HF_TOKEN 替换为自己的HuggingFace令牌。
终端运行 python app.py ，浏览器访问 http://127.0.0.1:5000 。
在网页填写正负提示词，点击按钮提交请求，等待API返回图片。

体验与心得

本次实验通过API远程调用大模型，体会到前后端分离的简易Web项目开发流程。HuggingFace推理存在等待时间长、网络不稳定的问题；提示词对图像质量影响巨大，需要不断调试优化。同时我认识到软件工程思想在小型项目中的价值：把界面、业务逻辑、数据请求分开，方便后续修改和维护。

3.Github个人主页搭建
我选择通过 GitHub 个人资料 README 的方式搭建个人主页。

主页地址：https://github.com/sl666slsl

4.在博客园发一篇随笔
随笔地址：https://www.cnblogs.com/sl66/p/22934837

5.博文编辑页面的截图

posted @ 2026-09-11 14:53 sl66 阅读(7) 评论(0) 收藏举报

刷新页面返回顶部

软工第一次作业

公告