我对问生图的模型，了解的很少，不太会用也不太会部署，本想研究一下，结果部署了很多次都没有成功，后来看到了这个文档，按照文章中描述的方式，成功了，再次借用一下

原文链接：https://blog.csdn.net/2301_76444133/article/details/150112206?fromshare=blogdetail&sharetype=blogdetail&sharerId=150112206&sharerefer=PC&sharesource=weixin_43920946&sharefrom=from_link

我使用的是原文中的第一个方法。

diffsynth-studio方案（推荐低显存用户）

• 适用场景：显存≥4G（如RTX 3050），支持Windows/Linux/MacOS。
• 步骤：
  • 安装依赖：

    git clone https://github.com/modelscope/diffsynth-studio.git
    cd diffsynth-studio
    pip install -e .
    

  • 下载模型（自动或手动）：
    • 模型地址：https://www.modelscope.cn/models/MusePublic/Qwen-image
  • 运行推理（示例代码）：

    from diffsynth.pipelines.qwen_image import QwenImagePipeline, ModelConfig
    import torch
    
    # 低显存模式（4G显存）
    pipe = QwenImagePipeline.from_pretrained(
    	torch_dtype=torch.bfloat16,
    	device="cuda",
    	model_configs=[
    		ModelConfig(model_id="qwen/qwen-image", origin_file_pattern="transformer/diffusion_pytorch_model*.safetensors", offload_device="cpu"),
    		ModelConfig(model_id="qwen/qwen-image", origin_file_pattern="text_encoder/model*.safetensors", offload_device="cpu"),
    		ModelConfig(model_id="qwen/qwen-image", origin_file_pattern="vae/diffusion_pytorch_model.safetensors", offload_device="cpu"),
    	],
    	tokenizer_config=ModelConfig(model_id="qwen/qwen-image", origin_file_pattern="tokenizer/"),
    )
    pipe.enable_vram_management()  # 启用显存优化
    
    # 生成图像
    prompt = "精致肖像，水下少女，蓝裙飘逸，发丝轻扬，光影透澈，气泡环绕。"
    image = pipe(prompt, seed=0, num_inference_steps=40)
    image.save("output.jpg")
    

    上面给出的是示例代码，我本地的模型存储路径是自定义的，所以我给模型的路径修改了一下。