OneButtonPrompt 使用指南:从安装到生成的完整流程
2026-02-06 05:14:18作者:郦嵘贵Just
概述
OneButtonPrompt 是一个专为 Stable Diffusion 设计的 AI 提示词生成工具,旨在通过自动化流程简化高质量图像生成过程。本教程将从项目结构解析开始,逐步引导您完成环境配置、启动流程及核心功能使用,帮助您快速掌握这款工具的全部潜力。
项目结构解析
核心目录组织
OneButtonPrompt 采用模块化设计,主要目录结构如下:
OneButtonPrompt/
├── 核心脚本/ # 主功能实现
├── csvfiles/ # 提示词组件数据库
├── automated_outputs/ # 自动生成文件存储
├── userfiles/ # 用户自定义资源
├── scripts/ # API 及扩展脚本
└── user_guides/ # 使用文档
关键文件功能
- 主程序入口:
main.py提供图像生成的完整工作流控制 - 提示词生成:
build_dynamic_prompt.py实现核心的动态提示词构建逻辑 - 预设管理:
one_button_presets.py处理用户预设的加载与保存 - API 接口:
scripts/api.py提供外部调用的接口服务
核心功能模块
通过分析代码结构,可识别出以下关键功能模块:
- 动态提示词构建:
build_dynamic_prompt()函数支持多维度参数控制,生成高度定制化的提示词 - 图像生成控制:
call_txt2img()和call_img2img()分别处理文本转图像和图像转图像功能 - 提示词增强:
enhance_positive()和artify_prompt()提供提示词优化和艺术化处理 - 批量处理:
generateimages()支持多参数控制的批量生成任务
环境准备与安装
系统要求
- Python 3.8 或更高版本
- 符合 Stable Diffusion 运行要求的硬件配置
- 已安装 Stable Diffusion WebUI 及其 API 服务
安装步骤
-
获取项目代码库:
git clone https://gitcode.com/gh_mirrors/on/OneButtonPrompt cd OneButtonPrompt -
安装依赖包:
pip install -r requirements.txt -
配置模型(可选):
python superprompter/download_models.py
快速启动指南
基本启动方式
在项目根目录执行以下命令启动基本功能:
python main.py
命令行参数说明
常用参数示例:
# 生成 5 张图像,中等复杂度提示词
python main.py --amount 5 --insanitylevel 5
# 使用特定模型和采样方法
python main.py --model "SDXL 1.0" --samplingmethod "DPM++ 2M Karras"
# 启用高质量修复和放大
python main.py --hiresfix True --upscaler "R-ESRGAN 4x+"
配置文件详解
项目使用 pyproject.toml 管理依赖和项目信息:
[tool.poetry]
name = "OneButtonPrompt"
version = "0.1.0"
description = "A full AI prompt generator for Stable Diffusion"
authors = ["AIrjen <airjen@example.com>"]
license = "GPL-3.0"
[tool.poetry.dependencies]
python = "^3.8"
numpy = "^1.21.0"
# 其他依赖项...
核心功能使用
提示词生成
使用 build_dynamic_prompt.py 生成提示词:
from build_dynamic_prompt import build_dynamic_prompt
prompt = build_dynamic_prompt(
insanitylevel=7,
forcesubject="human",
artists="Van Gogh, Picasso",
imagetype="oil painting",
prefixprompt="masterpiece, best quality",
suffixprompt="intricate details, 8k resolution"
)
print(prompt)
图像生成工作流
-
文本转图像基础流程:
from main import generateimages generateimages( amount=3, model="SDXL 1.0", insanitylevel=6, subject="portrait", imagetype="photorealistic" ) -
图像转图像高级应用:
from call_img2img import call_img2img call_img2img( imagelocation="input.jpg", prompt="remaster, enhance details", denoising_strength=0.4, scale=2 )
预设管理
-
保存自定义预设:
from one_button_presets import OneButtonPresets presets = OneButtonPresets() presets.save_obp_preset({ "name": "my_portrait_preset", "insanitylevel": 7, "artists": "Greg Rutkowski, Artgerm", "imagetype": "digital art" }) -
加载预设进行生成:
generateimages( amount=5, OBP_preset="my_portrait_preset", subject="female elf" )
高级功能指南
提示词增强技术
OneButtonPrompt 提供多种提示词增强方法:
-
艺术化处理:
from build_dynamic_prompt import artify_prompt enhanced_prompt = artify_prompt(prompt="a beautiful landscape", artists="J.M.W. Turner", amountofartists=2) -
细节扩充:
from build_dynamic_prompt import flufferizer detailed_prompt = flufferizer(prompt="a cat", amountoffluff="high")
API 接口使用
通过 scripts/api.py 可以将功能集成到其他应用:
import requests
# 获取随机提示词
response = requests.post(
"http://localhost:5000/api/random_prompts",
json={"numberofprompts": 3, "insanitylevel": 5}
)
prompts = response.json()
自定义资源管理
用户可通过 userfiles/ 目录扩展工具功能:
- 添加自定义 CSV 提示词组件
- 创建个人艺术家风格列表
- 定义专属预设模板
常见问题解决
性能优化建议
- 对于低配置系统,降低
insanitylevel可减少提示词复杂度 - 使用
qualitygate参数控制输出质量与生成速度平衡 - 预加载常用模型可显著减少生成延迟
错误排查指南
- API 连接问题:确保 Stable Diffusion WebUI 已启用 API 并检查端口配置
- 提示词生成失败:检查 CSV 文件格式及完整性,特别是自定义资源
- 图像质量不佳:调整
cfg参数(建议 7-10)和采样步数(建议 30+)
总结
OneButtonPrompt 通过模块化设计和灵活的参数控制,为 Stable Diffusion 用户提供了强大的提示词生成和图像创建工具。无论是初学者还是高级用户,都能通过本教程掌握从基础安装到高级功能应用的完整流程。通过合理利用预设系统和自定义资源,可大幅提升 AI 图像生成的效率和质量。
如需进一步学习,可参考 user_guides/ 目录下的专项文档,深入了解各功能模块的详细使用方法。
登录后查看全文
热门项目推荐
相关项目推荐
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
热门内容推荐
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
535
3.75 K
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
12
1
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
67
20
暂无简介
Dart
773
191
Ascend Extension for PyTorch
Python
343
406
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
886
596
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
React Native鸿蒙化仓库
JavaScript
303
355
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
336
178