MFLUX 使用教程

MFLUX 使用教程

mflux A MLX port of FLUX based on the Huggingface Diffusers implementation. 项目地址: https://gitcode.com/gh_mirrors/mf/mflux

1. 项目介绍

MFLUX 是一个基于 Huggingface Diffusers 库的 FLUX 模型的 MLX 端口实现。它旨在保持最小化和明确性，网络架构是硬编码的，除了分词器外不使用任何配置文件。MFLUX 的目的是拥有一个单一目的的小型代码库，即表达这些模型（从而避免过多的抽象）。虽然 MFLUX 优先考虑可读性而不是通用性和性能，但它仍然可以非常快速，甚至量化后的版本更快。

2. 项目快速启动

安装

对于用户来说，最简单的方法是使用 uv 工具进行安装：如果你已经安装了 uv，只需运行以下命令：

uv tool install --upgrade mflux

这将获取 mflux-generate 和相关的命令行可执行文件。

或者，你可以通过以下步骤手动创建一个用户虚拟环境：

mkdir -p mflux && cd mflux && python3 -m venv .venv && source .venv/bin/activate

这将创建并激活一个位于 mflux 文件夹中的虚拟环境。之后，通过 pip 安装 MFLUX：

pip install -U mflux

运行

运行 mflux-generate 命令，指定一个提示词、模型和一些可选参数。例如，以下使用量化版的 schnell 模型进行 2 步生成：

mflux-generate --model snel --prompt "豪华食物摄影" --steps 2 --seed 2 -q 8

如果你想使用更强大的 dev 模型并运行 25 个时间步：

mflux-generate --model dev --prompt "豪华食物摄影" --steps 25 --seed 2 -q 8

注意：如果特定模型尚未下载到你的机器上，它将开始下载过程并获取模型权重（schnell 或 dev 模型分别约为 34GB 大小）。有关运行压缩版模型的更多信息，请参阅量化部分。

3. 应用案例和最佳实践

生成图像

以下是一个生成图像的例子：

mflux-generate --model schnell --prompt "一个宁静的湖面" --steps 10 --seed 42

• --prompt：描述要生成的图像的文本。
• --model：用于生成的模型。
• --steps：生成过程中的步骤数。
• --seed：随机数生成的种子。

图像填充

MFLUX 还支持图像填充功能，以下是一个简单的填充示例：

mflux-generate --model snel --prompt "填充图像" --fill "path/to/image.jpg" --seed 42

• --fill：指定要填充的图像路径。

Dreambooth 微调

Dreambooth 是一种微调技术，用于根据特定图像集调整模型。以下是一个基本的微调命令：

mflux-generate --model dev --prompt "微调图像" --dreambooth "path/to/dataset" --steps 100 --seed 42

• --dreambooth：指定数据集路径。

4. 典型生态项目

目前，MFLUX 社区正在开发多种相关项目，包括但不限于：

• 图像到图像的生成。
• 使用 LoRA（Low-Rank Adaptation）进行模型适应。
• 实时风格迁移。

这些项目可以在 MFLUX 的 GitHub 仓库相关 issues 和 pull requests 中找到。社区欢迎贡献者和用户分享他们的经验和项目。

mflux A MLX port of FLUX based on the Huggingface Diffusers implementation. 项目地址: https://gitcode.com/gh_mirrors/mf/mflux