Ubuntu系统下Qwen-Image-Edit-F2P开发环境配置详解最近在玩AI图像编辑发现Qwen-Image-Edit-F2P这个模型挺有意思的它能把一张普通的人脸照片变成各种风格的高质量图像。比如你上传一张自拍它能生成你在花田里、在古风建筑里甚至穿着不同服装的各种场景照片而且还能保持你原来的脸型特征。不过要自己搭建这个环境特别是要在Ubuntu系统上跑起来还是有点门槛的。网上虽然有一些教程但要么不够详细要么就是针对Windows的。我自己折腾了好几天踩了不少坑总算把整个环境配通了。今天我就把自己在Ubuntu 22.04上配置Qwen-Image-Edit-F2P开发环境的完整流程整理出来从驱动安装到CUDA配置再到依赖库安装每个步骤都写清楚。如果你也想在Linux系统上玩这个模型跟着这篇教程走应该能少走很多弯路。1. 环境准备与系统检查在开始之前我们先要确保系统环境符合要求。Qwen-Image-Edit-F2P对硬件和软件都有一定要求特别是显卡和CUDA版本。1.1 硬件要求首先看看你的电脑配置够不够。这个模型对显卡要求比较高建议至少是NVIDIA RTX 3060 12GB以上的显卡。显存越大越好因为模型本身比较大生成高分辨率图像时需要足够的内存。如果你用的是笔记本或者显存比较小的显卡也不是完全不能跑但可能需要调整一些参数比如降低生成图像的分辨率或者使用量化版本的模型。1.2 系统版本确认打开终端输入以下命令查看你的Ubuntu版本lsb_release -a你会看到类似这样的输出Distributor ID: Ubuntu Description: Ubuntu 22.04.3 LTS Release: 22.04 Codename: jammy这篇教程主要基于Ubuntu 22.04 LTS但20.04和24.04应该也差不多可能会有一些小差异。如果你用的是其他版本遇到问题可能需要稍微调整一下。1.3 磁盘空间检查这个模型和相关依赖需要不少磁盘空间建议至少准备50GB的可用空间。检查一下你的磁盘情况df -h看看/或者你打算安装的目录有没有足够空间。如果空间不够可能需要清理一下或者换个安装位置。2. NVIDIA驱动安装与CUDA配置这是最关键的一步也是最多人容易出问题的地方。显卡驱动和CUDA版本必须匹配否则后面各种问题。2.1 卸载旧驱动如果有如果你之前安装过NVIDIA驱动最好先清理一下sudo apt purge nvidia* cuda* cudnn* sudo apt autoremove sudo apt autoclean2.2 安装新版驱动现在来安装最新的NVIDIA驱动。Ubuntu自带的驱动管理器有时候版本比较旧我们直接从官方源安装# 添加官方PPA源 sudo add-apt-repository ppa:graphics-drivers/ppa sudo apt update # 查看可用的驱动版本 ubuntu-drivers devices # 安装推荐的驱动通常是最新的 sudo apt install nvidia-driver-550这里我安装的是550版本你可以根据ubuntu-drivers devices命令的推荐来选择。安装完成后需要重启系统sudo reboot重启后检查驱动是否安装成功nvidia-smi你应该能看到类似这样的输出显示你的显卡信息和驱动版本--------------------------------------------------------------------------------------- | NVIDIA-SMI 550.54.15 Driver Version: 550.54.15 CUDA Version: 12.4 | |------------------------------------------------------------------------------------- | GPU Name Persistence-M | Bus-Id Disp.A | Volatile Uncorr. ECC | | Fan Temp Perf Pwr:Usage/Cap | Memory-Usage | GPU-Util Compute M. | | | | MIG M. | || | 0 NVIDIA GeForce RTX 4090 Off | 00000000:01:00.0 On | Off | | 0% 38C P8 24W / 450W | 100MiB / 24564MiB | 0% Default | | | | N/A | -------------------------------------------------------------------------------------2.3 安装CUDA ToolkitQwen-Image-Edit-F2P需要CUDA环境。从上面的nvidia-smi输出可以看到我的驱动支持CUDA 12.4我们就安装这个版本。去NVIDIA官网下载CUDA Toolkit但更简单的方法是用apt安装# 添加CUDA仓库 wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-keyring_1.1-1_all.deb sudo dpkg -i cuda-keyring_1.1-1_all.deb sudo apt update # 安装CUDA Toolkit 12.4 sudo apt install cuda-toolkit-12-4安装完成后需要配置环境变量。编辑你的~/.bashrc文件nano ~/.bashrc在文件末尾添加export PATH/usr/local/cuda-12.4/bin${PATH::${PATH}} export LD_LIBRARY_PATH/usr/local/cuda-12.4/lib64${LD_LIBRARY_PATH::${LD_LIBRARY_PATH}}保存后使配置生效source ~/.bashrc验证CUDA安装nvcc --version你应该能看到CUDA 12.4的版本信息。2.4 安装cuDNNcuDNN是深度学习的加速库也需要安装# 下载cuDNN需要先注册NVIDIA开发者账号 # 这里以8.9.7版本为例你可以去官网下载最新版 # 假设你已经下载了cudnn-linux-x86_64-8.9.7.29_cuda12-archive.tar.xz # 解压并安装 tar -xvf cudnn-linux-x86_64-8.9.7.29_cuda12-archive.tar.xz sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda-12.4/include/ sudo cp -P cudnn-*-archive/lib/libcudnn* /usr/local/cuda-12.4/lib64/ sudo chmod ar /usr/local/cuda-12.4/include/cudnn*.h /usr/local/cuda-12.4/lib64/libcudnn*3. Python环境与基础依赖安装接下来我们要配置Python环境。建议使用conda或者venv创建虚拟环境避免污染系统环境。3.1 安装Miniconda可选但推荐如果你还没有conda先安装Miniconda# 下载Miniconda安装脚本 wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh # 运行安装脚本 bash Miniconda3-latest-Linux-x86_64.sh # 按照提示完成安装通常一路回车就行 # 安装完成后重启终端或者运行 source ~/.bashrc3.2 创建虚拟环境创建一个专门的Python环境conda create -n qwen-edit python3.10 -y conda activate qwen-edit这里用Python 3.10因为这个版本比较稳定各种库的兼容性也好。3.3 安装PyTorchPyTorch是必须的深度学习框架。根据你的CUDA版本选择合适的PyTorchpip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124这里用的是CUDA 12.4对应的PyTorch。安装完成后验证一下python -c import torch; print(fPyTorch版本: {torch.__version__}); print(fCUDA可用: {torch.cuda.is_available()}); print(fCUDA版本: {torch.version.cuda})如果一切正常你应该能看到CUDA是可用的状态。4. Qwen-Image-Edit-F2P环境搭建现在开始安装Qwen-Image-Edit-F2P相关的依赖。4.1 安装diffusers和transformersQwen-Image-Edit-F2P基于Hugging Face的diffusers库需要安装特定版本# 先升级pip pip install --upgrade pip # 安装diffusers从源码安装最新版 pip install githttps://github.com/huggingface/diffusers # 安装transformers pip install transformers4.51.34.2 安装其他依赖还需要一些额外的库pip install accelerate safetensors pillow requestsaccelerate用于分布式训练和推理加速safetensors模型的安全存储格式pillow图像处理requestsHTTP请求4.3 验证基础环境创建一个简单的测试脚本看看基础环境是否正常# test_env.py import torch from PIL import Image import requests from io import BytesIO print( 环境测试 ) print(fPyTorch版本: {torch.__version__}) print(fCUDA可用: {torch.cuda.is_available()}) print(f显卡数量: {torch.cuda.device_count()}) print(f当前显卡: {torch.cuda.get_device_name(0)}) print(f显存总量: {torch.cuda.get_device_properties(0).total_memory / 1024**3:.2f} GB) # 测试图像处理 try: # 下载一张测试图片 url https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/diffusers/cat.png response requests.get(url) img Image.open(BytesIO(response.content)) print(f图像测试: 成功加载图片尺寸: {img.size}) except Exception as e: print(f图像测试失败: {e}) print( 测试完成 )运行测试python test_env.py如果所有测试都通过说明基础环境没问题了。5. 模型下载与配置环境搭好了现在来下载模型文件。Qwen-Image-Edit-F2P需要几个不同的模型文件。5.1 创建模型目录先创建存放模型的目录结构mkdir -p ~/qwen-edit/models cd ~/qwen-edit/models mkdir -p text_encoders diffusion_models vae loras5.2 下载模型文件需要下载以下几个文件文本编码器qwen_2.5_vl_7b_fp8_scaled.safetensors扩散模型qwen_image_edit_2509_fp8_e4m3fn.safetensorsVAE模型qwen_image_vae.safetensorsLoRA加速模型Qwen-Image-Lightning-8steps-V2.0.safetensorsF2P面部保持模型edit_0928_lora_step40000.safetensors你可以从Hugging Face或者ModelScope下载这些文件。这里我写一个下载脚本# download_models.py import os import requests from tqdm import tqdm def download_file(url, save_path): 下载大文件显示进度条 os.makedirs(os.path.dirname(save_path), exist_okTrue) response requests.get(url, streamTrue) total_size int(response.headers.get(content-length, 0)) with open(save_path, wb) as file, tqdm( descos.path.basename(save_path), totaltotal_size, unitiB, unit_scaleTrue, unit_divisor1024, ) as bar: for data in response.iter_content(chunk_size1024): size file.write(data) bar.update(size) # 模型文件URL这里需要替换成实际的下载链接 models { text_encoders/qwen_2.5_vl_7b_fp8_scaled.safetensors: https://huggingface.co/Qwen/Qwen-Image-Edit-2509/resolve/main/text_encoder/qwen_2.5_vl_7b_fp8_scaled.safetensors, diffusion_models/qwen_image_edit_2509_fp8_e4m3fn.safetensors: https://huggingface.co/Qwen/Qwen-Image-Edit-2509/resolve/main/diffusion_pytorch_model.safetensors, vae/qwen_image_vae.safetensors: https://huggingface.co/Qwen/Qwen-Image-Edit-2509/resolve/main/vae/diffusion_pytorch_model.safetensors, } print(开始下载模型文件...) for save_path, url in models.items(): full_path os.path.join(os.path.expanduser(~/qwen-edit/models), save_path) if not os.path.exists(full_path): print(f下载: {save_path}) download_file(url, full_path) else: print(f已存在: {save_path}) print(模型下载完成)运行这个脚本下载基础模型。对于LoRA文件你可能需要从其他渠道获取比如ModelScope或者社区分享。5.3 验证模型文件下载完成后检查一下文件是否完整cd ~/qwen-edit/models find . -name *.safetensors -type f | xargs ls -lh你应该能看到类似这样的输出-rw-r--r-- 1 user user 2.1G text_encoders/qwen_2.5_vl_7b_fp8_scaled.safetensors -rw-r--r-- 1 user user 3.8G diffusion_models/qwen_image_edit_2509_fp8_e4m3fn.safetensors -rw-r--r-- 1 user user 345M vae/qwen_image_vae.safetensors6. 运行测试示例现在环境都准备好了我们来跑一个简单的测试看看模型能不能正常工作。6.1 创建测试脚本创建一个简单的测试脚本# test_qwen_edit.py import os import torch from PIL import Image from diffusers import QwenImageEditPlusPipeline import sys # 设置模型路径 model_dir os.path.expanduser(~/qwen-edit/models) text_encoder_path os.path.join(model_dir, text_encoders/qwen_2.5_vl_7b_fp8_scaled.safetensors) diffusion_path os.path.join(model_dir, diffusion_models/qwen_image_edit_2509_fp8_e4m3fn.safetensors) vae_path os.path.join(model_dir, vae/qwen_image_vae.safetensors) print( 加载模型 ) print(f文本编码器: {text_encoder_path}) print(f扩散模型: {diffusion_path}) print(fVAE模型: {vae_path}) try: # 加载pipeline print(正在加载pipeline...) pipeline QwenImageEditPlusPipeline.from_pretrained( Qwen/Qwen-Image-Edit-2509, text_encoder_pathtext_encoder_path, diffusion_model_pathdiffusion_path, vae_pathvae_path, torch_dtypetorch.bfloat16, local_files_onlyTrue # 使用本地文件 ) print(pipeline加载成功) # 移动到GPU if torch.cuda.is_available(): pipeline.to(cuda) print(已移动到GPU) else: print(警告未检测到GPU使用CPU模式会很慢) # 创建一个简单的测试图像 print(\n 创建测试图像 ) test_image Image.new(RGB, (512, 512), colorred) test_path test_input.png test_image.save(test_path) print(f创建测试图像: {test_path}) # 简单的编辑提示 prompt 将红色背景改为蓝色 print(f\n 开始图像编辑 ) print(f提示词: {prompt}) inputs { image: [test_image], prompt: prompt, generator: torch.manual_seed(42), true_cfg_scale: 4.0, negative_prompt: , num_inference_steps: 20, # 测试时用较少的步数 guidance_scale: 1.0, num_images_per_prompt: 1, } with torch.inference_mode(): output pipeline(**inputs) output_image output.images[0] output_path test_output.png output_image.save(output_path) print(f图像编辑完成保存到: {output_path}) # 显示图像信息 print(f输入图像尺寸: {test_image.size}) print(f输出图像尺寸: {output_image.size}) print(\n 测试成功 ) except Exception as e: print(f\n 测试失败 ) print(f错误类型: {type(e).__name__}) print(f错误信息: {str(e)}) # 提供一些常见错误的解决建议 if CUDA out of memory in str(e): print(\n建议显存不足尝试以下方法) print(1. 降低图像分辨率) print(2. 减少num_inference_steps) print(3. 使用CPU模式很慢) elif No such file or directory in str(e): print(\n建议模型文件缺失请检查文件路径) elif version in str(e).lower(): print(\n建议版本不兼容请检查库版本) sys.exit(1)6.2 运行测试运行测试脚本cd ~/qwen-edit python test_qwen_edit.py第一次运行可能会比较慢因为需要加载模型。如果一切正常你应该能看到模型成功加载并且生成了一个编辑后的图像。6.3 常见问题解决如果测试失败这里有一些常见问题和解决方法问题1CUDA内存不足RuntimeError: CUDA out of memory.解决减小图像尺寸或者减少推理步数# 修改测试脚本中的参数 inputs { # ... 其他参数 num_inference_steps: 10, # 减少步数 } # 或者使用更小的图像 test_image Image.new(RGB, (256, 256), colorred)问题2模型文件找不到FileNotFoundError: [Errno 2] No such file or directory解决检查模型文件路径是否正确文件名是否完整。问题3版本冲突ImportError: cannot import name xxx from diffusers解决确保安装的是最新版diffuserspip install --upgrade githttps://github.com/huggingface/diffusers7. 完整使用示例测试通过后我们来一个更实际的例子使用真实的人脸图像进行编辑。7.1 准备人脸图像首先你需要一张人脸图像。最好是正面照脸部清晰背景简单。你可以用自己的照片或者从网上下载一张测试图片。假设你有一张名为face.jpg的人脸图像放在~/qwen-edit/examples目录下。7.2 创建完整的工作流脚本# face_edit_example.py import os import torch from PIL import Image from diffusers import QwenImageEditPlusPipeline import argparse def main(): parser argparse.ArgumentParser(descriptionQwen-Image-Edit-F2P人脸编辑示例) parser.add_argument(--face_image, typestr, requiredTrue, help输入的人脸图像路径) parser.add_argument(--prompt, typestr, requiredTrue, help编辑提示词) parser.add_argument(--output, typestr, defaultoutput.png, help输出图像路径) parser.add_argument(--steps, typeint, default40, help推理步数) parser.add_argument(--seed, typeint, default42, help随机种子) args parser.parse_args() # 检查输入文件 if not os.path.exists(args.face_image): print(f错误输入文件不存在 - {args.face_image}) return # 设置模型路径 model_dir os.path.expanduser(~/qwen-edit/models) text_encoder_path os.path.join(model_dir, text_encoders/qwen_2.5_vl_7b_fp8_scaled.safetensors) diffusion_path os.path.join(model_dir, diffusion_models/qwen_image_edit_2509_fp8_e4m3fn.safetensors) vae_path os.path.join(model_dir, vae/qwen_image_vae.safetensors) print( Qwen-Image-Edit-F2P 人脸编辑 ) print(f输入图像: {args.face_image}) print(f提示词: {args.prompt}) print(f输出路径: {args.output}) print(f推理步数: {args.steps}) print(f随机种子: {args.seed}) # 加载图像 print(\n1. 加载输入图像...) try: face_image Image.open(args.face_image).convert(RGB) print(f 图像尺寸: {face_image.size}) print(f 图像模式: {face_image.mode}) except Exception as e: print(f 错误无法加载图像 - {e}) return # 加载pipeline print(\n2. 加载模型...) try: pipeline QwenImageEditPlusPipeline.from_pretrained( Qwen/Qwen-Image-Edit-2509, text_encoder_pathtext_encoder_path, diffusion_model_pathdiffusion_path, vae_pathvae_path, torch_dtypetorch.bfloat16, local_files_onlyTrue ) if torch.cuda.is_available(): pipeline.to(cuda) print( 已移动到GPU) else: print( 警告使用CPU模式) print( 模型加载成功) except Exception as e: print(f 错误模型加载失败 - {e}) return # 设置推理参数 print(\n3. 开始图像编辑...) inputs { image: [face_image], prompt: args.prompt, generator: torch.manual_seed(args.seed), true_cfg_scale: 4.0, negative_prompt: 低分辨率低画质肢体畸形手指畸形画面过饱和蜡像感人脸无细节过度光滑画面具有AI感。, num_inference_steps: args.steps, guidance_scale: 1.0, num_images_per_prompt: 1, } # 执行编辑 try: with torch.inference_mode(): print( 正在生成...这可能需要几分钟) output pipeline(**inputs) output_image output.images[0] # 保存结果 output_image.save(args.output) print(f\n4. 完成) print(f 输出图像: {args.output}) print(f 输出尺寸: {output_image.size}) # 显示一些提示 print(\n 提示 ) print(1. 如果效果不理想可以调整提示词) print(2. 增加推理步数可能提高质量但会更慢) print(3. 尝试不同的随机种子可能得到不同结果) except torch.cuda.OutOfMemoryError: print(\n错误显存不足) print(建议) print(1. 减小输入图像尺寸) print(2. 减少推理步数--steps 20) print(3. 关闭其他占用显存的程序) except Exception as e: print(f\n错误生成失败 - {e}) if __name__ __main__: main()7.3 运行示例现在我们可以用这个脚本来编辑人脸图像了。这里有几个示例提示词你可以试试示例1生成花田中的照片python face_edit_example.py \ --face_image ~/qwen-edit/examples/face.jpg \ --prompt 摄影。一个年轻女性穿着黄色连衣裙站在花田中背景是五颜六色的花朵和绿色的草地。 \ --output flower_field.png \ --steps 40示例2生成古风照片python face_edit_example.py \ --face_image ~/qwen-edit/examples/face.jpg \ --prompt 摄影。一位年轻漂亮的女子身着淡绿色和白色相间的古装衣带飘飘手执长剑立于古风长廊光影斑驳典雅婉约。 \ --output ancient_style.png \ --steps 50示例3生成都市风格python face_edit_example.py \ --face_image ~/qwen-edit/examples/face.jpg \ --prompt 一位年轻女子身穿黑色皮夹克和蓝色牛仔裤站在红砖墙与金属结构的工业风建筑中阳光洒落神情自然。 \ --output urban_style.png \ --steps 407.4 效果优化技巧如果生成的效果不理想可以尝试以下技巧提示词要具体越具体的描述生成的效果越好。包括服装、场景、光线、表情等细节。使用负面提示词好的负面提示词可以避免很多常见问题比如低分辨率、肢体畸形、AI感等。调整推理步数一般40-50步效果比较好太少可能质量不高太多又浪费时间。尝试不同种子同样的提示词不同的随机种子可能产生完全不同的结果。图像预处理输入的人脸图像最好是正面、清晰、光线均匀的。如果背景复杂可以先抠图。8. 进阶配置与优化如果你想让模型运行得更快更好这里有一些进阶的配置和优化方法。8.1 使用LoRA加速Qwen-Image-Edit有专门的加速LoRA可以大幅减少推理时间# 在pipeline加载后添加LoRA from diffusers import StableDiffusionXLPipeline import torch # 加载基础pipeline pipeline QwenImageEditPlusPipeline.from_pretrained(...) # 加载LoRA权重 lora_path ~/qwen-edit/models/loras/Qwen-Image-Lightning-8steps-V2.0.safetensors pipeline.load_lora_weights(lora_path) # 现在推理步数可以大大减少 inputs { # ... 其他参数 num_inference_steps: 8, # 使用LoRA后只需要8步 }8.2 内存优化如果显存不够可以尝试以下优化使用CPU卸载# 启用CPU卸载减少显存占用 pipeline.enable_model_cpu_offload()使用注意力切片# 减少注意力层的显存占用 pipeline.enable_attention_slicing()使用VAE切片# 减少VAE的显存占用 pipeline.enable_vae_slicing()8.3 批量处理如果你需要处理多张图像可以使用批量处理# 准备多张输入图像 image1 Image.open(face1.jpg).convert(RGB) image2 Image.open(face2.jpg).convert(RGB) inputs { image: [image1, image2], # 多张图像 prompt: 将这些人放在同一个公园场景中, # ... 其他参数 num_images_per_prompt: 2, # 每张输入生成2个输出 }8.4 自定义模型路径如果你想把模型放在其他位置可以修改环境变量# 在.bashrc中添加 export QWEN_MODEL_PATH/path/to/your/models然后在代码中读取import os model_dir os.getenv(QWEN_MODEL_PATH, ~/qwen-edit/models)9. 故障排除与常见问题在配置和使用过程中你可能会遇到各种问题。这里整理了一些常见问题和解决方法。9.1 驱动相关问题问题nvidia-smi命令找不到或者显示No devices were found解决检查显卡是否正确安装重新安装驱动sudo apt install --reinstall nvidia-driver-550检查BIOS设置确保显卡已启用问题CUDA版本不匹配解决检查nvidia-smi显示的CUDA版本安装对应版本的CUDA Toolkit确保PyTorch版本与CUDA版本匹配9.2 模型加载问题问题模型文件损坏或下载不完整解决重新下载模型文件检查文件大小是否与官方一致使用md5sum或sha256sum验证文件完整性问题内存不足无法加载模型解决使用量化版本的模型FP8或INT8使用CPU卸载升级显卡或使用云GPU9.3 生成质量问题问题生成的人脸不像输入图像解决确保输入的是裁剪后的人脸图像不要包含太多背景使用F2P LoRA模型增强人脸保持调整提示词强调保持原有人脸特征问题图像质量差有 artifacts解决增加推理步数40-50步使用负面提示词排除常见问题调整CFG scale通常4.0效果较好9.4 性能问题问题生成速度太慢解决使用LoRA加速模型减少推理步数使用更小的图像尺寸确保使用GPU而不是CPU问题显存占用太高解决启用注意力切片和VAE切片使用CPU卸载降低图像分辨率使用梯度检查点如果训练9.5 其他问题问题Python包版本冲突解决# 创建新的虚拟环境 conda create -n qwen-new python3.10 conda activate qwen-new # 重新安装所有依赖 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124 pip install githttps://github.com/huggingface/diffusers pip install transformers4.51.3 accelerate safetensors pillow requests问题权限问题解决# 确保有读写权限 sudo chown -R $USER:$USER ~/qwen-edit # 如果使用Docker确保挂载目录有正确权限10. 总结与后续建议整个环境配置下来感觉最关键的还是驱动和CUDA的版本匹配。一旦这个基础打好了后面的步骤其实都比较顺利。Qwen-Image-Edit-F2P这个模型确实挺强大的特别是对于人脸特征的保持做得不错不像有些换脸工具那样容易产生违和感。实际用下来有几点感受比较深一是提示词真的很重要同样的模型不同的提示词出来的效果天差地别二是显存够大真的很省心不然各种优化技巧都得用上三是社区资源很丰富各种LoRA和工作流可以玩出很多花样。如果你刚接触这个建议先从简单的例子开始熟悉了整个流程后再尝试更复杂的场景。遇到问题多查查社区讨论很多坑别人已经踩过了。另外记得定期更新驱动和库版本新版本通常修复了不少问题性能也有提升。后续如果想深入玩的话可以试试训练自己的LoRA或者结合其他工具比如ComfyUI搭建更复杂的工作流。不过那就是另一个话题了需要更多的时间和精力去研究。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。