FLUX.1 Kontext 图像编辑实战从首次改图到 TensorRT 加速的完整路径【免费下载链接】fluxOfficial inference repo for FLUX.1 models项目地址: https://gitcode.com/GitHub_Trending/flux49/fluxFLUX.1 Kontext [dev] 是 Black Forest Labs 发布的 12B 参数开源图像编辑模型用一句自然语言指令就能直接修改现有图片无需微调即可保持角色、风格与物体一致。本文从给产品图换 Logo这个具体任务出发带你走通环境搭建、首次编辑、参数调优、内部机制与 TensorRT 加速最终用 flux 仓库的开源权重在本地完成闭环。模型定位与权重许可改图前先确认三件事先确认许可该权重遵循 FLUX.1 [dev] 非商用许可生成结果可用于个人、科研与商业场景展示但商用部署有附加约束详见文末合规一节。权重信息如下名称权重仓库许可sha256sumFLUX.1 Kontext [dev]black-forest-labs/FLUX.1-Kontext-devFLUX.1-dev 非商用许可843a26dc765d3105dba081c30bce7b14c65b0988f9e8d14e9fbc8856a6deebd5技术上它是一个 rectified flow transformer修正流 Transformer核心能力基于 model_cards/FLUX.1-kontext-dev.md 列出的五条按指令改图、免微调的角色/风格引用、连续多次编辑几乎不漂移、使用 guidance distillation引导蒸馏训练所以推理步数更少、权重开源。自编码器权重ae.safetensors随模型仓库一同发布。仓库在 src/flux/util.py 中以flux-dev-kontext注册模型配置DiT 主干与 FLUX.1 [dev] 完全一致in_channels64、hidden_size3072、depth19、depth_single_blocks38、guidance_embedTrue——编辑能力来自输入序列的组织方式而非新架构。环境搭建三步从克隆到权重就位仓库要求 Python 3.10见 pyproject.toml标准安装三步走git clone https://gitcode.com/GitHub_Trending/flux49/flux cd flux python3.10 -m venv .venv source .venv/bin/activate pip install -e .[all]权重无需手动操心首次运行任意 demo 时get_checkpoint_path会自动从 HuggingFace 下载到checkpoints/下按仓库名命名的子目录。由于FLUX.1-Kontext-dev是 gated 仓库首次需要认证——提前export HF_TOKENtoken或执行huggingface-cli login即可下载失败时程序也会交互式提示补填 token。另外两条手动路径直接把flux1-kontext-dev.safetensors与ae.safetensors放进checkpoints/对应目录或用环境变量指路export FLUX_MODEL模型权重路径 export FLUX_AE自编码器路径若要用 TensorRT需基于 NVIDIA PyTorch 容器安装enroot 导入nvidia/pytorch:25.01-py3镜像后进入容器再执行pip install -e .[tensorrt] --extra-index-url https://pypi.nvidia.com该可选依赖在 pyproject.toml 中声明了tensorrt-cu12、onnx、polygraphy等。跑通首次图像编辑单次生成与交互循环两条命令覆盖全部场景。单次生成python -m flux kontext \ --img_cond_path 输入图 --prompt replace the logo with the text Black Forest Labs \ --num_steps 30 --aspect_ratio 16:9 --guidance 2.5 --seed 1四个 flag 均可省略不指定--aspect_ratio时输出分辨率跟随输入图的训练偏好分辨率。结果落在output/img_{idx}.jpg目录已存在时自动续号。kontext是 src/flux/main.py 注册的子命令之一同族还有t2i、control、fill、redux实现入口在 src/flux/cli_kontext.py。交互模式适合反复试参数python -m flux kontext --loop每轮先输入编辑指令、再输入图片路径默认是assets/cup.png生成后可继续输入新指令与新图非常适合同一张图连环改的场景。输入图支持 jpg/jpeg/png/webp。采样参数全表与交互会话里的斜杠命令main()签名给出的关键参数参数默认值作用--img_cond_pathassets/cup.png待编辑的输入图--prompt换 Logo 示例指令编辑指令文本--num_steps30采样步数--guidance2.5引导强度蒸馏训练后的推荐起点--seedNone随机种子缺省自动随机--aspect_ratioNone输出宽高比缺省跟随输入图--devicecuda推理设备无 GPU 自动落cpu--offloadFalse低显存模式各模块在 CPU/GPU 间按需搬运--output_diroutput输出目录文件名自动续号--loopFalse进入交互会话--trt/--trt_transformer_precisionFalse/bf16TensorRT 后端及精度其余参数一句话带过--name只接受flux-dev-kontext传入其他值直接断言失败--add_sampling_metadata默认开启会把 prompt 写入 EXIF。交互会话里用斜杠命令实时调参见 cli_kontext.py 的parse_prompt/ar 16:9设宽高比、/ar auto恢复跟随输入图、/h 1024直接指定高度自动对齐 16 的倍数、/g设引导、/s设种子、/n设步数、/q退出。prompt 或图片路径直接回车表示沿用上一轮。原图如何变成编辑上下文prepare_kontext 的五步拆解Kontext 不走 img2img 的加噪重画路线而是把原图编码后拼进注意力序列模型看着原图去噪出新图。整个流程实现在 src/flux/sampling.py 的prepare_kontext()中对齐训练分辨率按输入图宽高比从PREFERED_KONTEXT_RESOLUTIONS17 种从672x1568到1568x672的分辨率定义在 util.py中选最近的一档LANCZOS 重采样到该尺寸——模型在这些分辨率上训练过用它们效果最佳编码进潜在空间ae.encode()后按 2x2 patch 打包成 token 序列rearrange(ph2, pw2)构造条件位置编码生成img_cond_seq_ids其第一维置 1 而目标图置 0让模型区分参考原图与待生成区域生成目标噪声get_noise()以指定 seed 在目标分辨率上初始化img序列拼接去噪denoise()循环里把img_cond_seq拼到输入 token 序列末尾、img_cond_seq_ids拼到位置编码上每步预测只取目标图对应的 token 前缀再按img (t_prev - t_curr) * pred推进。去噪结束后unpack()还原像素张量ae.decode()bfloat16 autocast解码回像素空间。时间步调度值得注意get_schedule()按图像 token 序列长度在 0.5 与 1.15 之间线性插值mu再对timesteps做 time shift——序列越长调度越偏向高时间步所以不同分辨率下的最优步数会有细微差异。落盘时save_image()还会嵌入 48 位隐形水印并写入 EXIFSoftwareAI generated;img2img;flux、Modelflux-dev-kontext、描述为 prompt以 JPEG quality95 保存。TensorRT 加速bf16、fp8 与 fp4 怎么选启用方式一条命令python -m flux kontext --loop --trt --trt_transformer_precision precision精度取值以文档为准是bf16、fp8、fp4_sdvd32而 trt_manager.py 内部校验集合为{bf16, fp8, fp4, fp4_svd32}T5 仅支持{bf16, fp8}通过环境变量TRT_T5_PRECISION设置默认bf16。选型经验bf16兼容性最好、速度基线fp8是精度与吞吐的平衡点fp4_sdvd32面向极限加速。开启--trt后 CLI 做三件事先由check_onnx_access_for_trt()从black-forest-labs/FLUX.1-Kontext-dev-onnx仓库按所选精度拉取 ONNX 模型同为 gated需先认证再由TRTManager.load_engines()为 CLIP、Transformer、T5 三个模块构建并加载 engine缓存目录默认checkpoints/trt_engines可用TRT_ENGINE_DIR覆盖之后走与 PyTorch 完全相同的采样循环只是主干换成了 TensorRT engine。注意 CLI 固定传trt_static_shapeFalse动态形状让同一 engine 可复用于不同宽高比。前提是按上文装好 TensorRT 环境与[tensorrt]依赖该仓库未提供其他加速后端。三层内容过滤与商用用量上报内容安全在三个检查点生效输入 prompt、输入图片、输出图片见 cli_kontext.py 主循环。过滤器PixtralContentFiltersrc/flux/content_filters.py基于mistral-community/pixtral-12b视觉语言模型判断是否涉及版权角色、商标或公众人物再叠加Falconsai/nsfw_image_detection分类器阈值 0.85拦截 NSFW 内容。命中时交互模式提示你换 prompt 或图片单次模式直接终止。⚠️ 该自动过滤不能替代人工审查——许可条款明确要求部署方配备过滤或人工审核机制官方会随机抽查已知部署方。商用需要单独向 Black Forest Labs 取得许可并开启用量上报export BFL_API_KEYyour_api_key_here python -m flux kontext --track_usage --loop底层track_usage_via_api()util.py把每次生成数 POST 到 BFL 许可 APIflux-dev-kontext对应的 slug 是flux-1-kontext-dev同一机制也覆盖 FLUX.1 [dev] 与 Tools 系列。【免费下载链接】fluxOfficial inference repo for FLUX.1 models项目地址: https://gitcode.com/GitHub_Trending/flux49/flux创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 FLUX.1 Kontext 图像编辑实战：从首次改图到 TensorRT 加速的完整路径
FLUX.1 Kontext 图像编辑实战从首次改图到 TensorRT 加速的完整路径【免费下载链接】fluxOfficial inference repo for FLUX.1 models项目地址: https://gitcode.com/GitHub_Trending/flux49/fluxFLUX.1 Kontext [dev] 是 Black Forest Labs 发布的 12B 参数开源图像编辑模型用一句自然语言指令就能直接修改现有图片无需微调即可保持角色、风格与物体一致。本文从给产品图换 Logo这个具体任务出发带你走通环境搭建、首次编辑、参数调优、内部机制与 TensorRT 加速最终用 flux 仓库的开源权重在本地完成闭环。模型定位与权重许可改图前先确认三件事先确认许可该权重遵循 FLUX.1 [dev] 非商用许可生成结果可用于个人、科研与商业场景展示但商用部署有附加约束详见文末合规一节。权重信息如下名称权重仓库许可sha256sumFLUX.1 Kontext [dev]black-forest-labs/FLUX.1-Kontext-devFLUX.1-dev 非商用许可843a26dc765d3105dba081c30bce7b14c65b0988f9e8d14e9fbc8856a6deebd5技术上它是一个 rectified flow transformer修正流 Transformer核心能力基于 model_cards/FLUX.1-kontext-dev.md 列出的五条按指令改图、免微调的角色/风格引用、连续多次编辑几乎不漂移、使用 guidance distillation引导蒸馏训练所以推理步数更少、权重开源。自编码器权重ae.safetensors随模型仓库一同发布。仓库在 src/flux/util.py 中以flux-dev-kontext注册模型配置DiT 主干与 FLUX.1 [dev] 完全一致in_channels64、hidden_size3072、depth19、depth_single_blocks38、guidance_embedTrue——编辑能力来自输入序列的组织方式而非新架构。环境搭建三步从克隆到权重就位仓库要求 Python 3.10见 pyproject.toml标准安装三步走git clone https://gitcode.com/GitHub_Trending/flux49/flux cd flux python3.10 -m venv .venv source .venv/bin/activate pip install -e .[all]权重无需手动操心首次运行任意 demo 时get_checkpoint_path会自动从 HuggingFace 下载到checkpoints/下按仓库名命名的子目录。由于FLUX.1-Kontext-dev是 gated 仓库首次需要认证——提前export HF_TOKENtoken或执行huggingface-cli login即可下载失败时程序也会交互式提示补填 token。另外两条手动路径直接把flux1-kontext-dev.safetensors与ae.safetensors放进checkpoints/对应目录或用环境变量指路export FLUX_MODEL模型权重路径 export FLUX_AE自编码器路径若要用 TensorRT需基于 NVIDIA PyTorch 容器安装enroot 导入nvidia/pytorch:25.01-py3镜像后进入容器再执行pip install -e .[tensorrt] --extra-index-url https://pypi.nvidia.com该可选依赖在 pyproject.toml 中声明了tensorrt-cu12、onnx、polygraphy等。跑通首次图像编辑单次生成与交互循环两条命令覆盖全部场景。单次生成python -m flux kontext \ --img_cond_path 输入图 --prompt replace the logo with the text Black Forest Labs \ --num_steps 30 --aspect_ratio 16:9 --guidance 2.5 --seed 1四个 flag 均可省略不指定--aspect_ratio时输出分辨率跟随输入图的训练偏好分辨率。结果落在output/img_{idx}.jpg目录已存在时自动续号。kontext是 src/flux/main.py 注册的子命令之一同族还有t2i、control、fill、redux实现入口在 src/flux/cli_kontext.py。交互模式适合反复试参数python -m flux kontext --loop每轮先输入编辑指令、再输入图片路径默认是assets/cup.png生成后可继续输入新指令与新图非常适合同一张图连环改的场景。输入图支持 jpg/jpeg/png/webp。采样参数全表与交互会话里的斜杠命令main()签名给出的关键参数参数默认值作用--img_cond_pathassets/cup.png待编辑的输入图--prompt换 Logo 示例指令编辑指令文本--num_steps30采样步数--guidance2.5引导强度蒸馏训练后的推荐起点--seedNone随机种子缺省自动随机--aspect_ratioNone输出宽高比缺省跟随输入图--devicecuda推理设备无 GPU 自动落cpu--offloadFalse低显存模式各模块在 CPU/GPU 间按需搬运--output_diroutput输出目录文件名自动续号--loopFalse进入交互会话--trt/--trt_transformer_precisionFalse/bf16TensorRT 后端及精度其余参数一句话带过--name只接受flux-dev-kontext传入其他值直接断言失败--add_sampling_metadata默认开启会把 prompt 写入 EXIF。交互会话里用斜杠命令实时调参见 cli_kontext.py 的parse_prompt/ar 16:9设宽高比、/ar auto恢复跟随输入图、/h 1024直接指定高度自动对齐 16 的倍数、/g设引导、/s设种子、/n设步数、/q退出。prompt 或图片路径直接回车表示沿用上一轮。原图如何变成编辑上下文prepare_kontext 的五步拆解Kontext 不走 img2img 的加噪重画路线而是把原图编码后拼进注意力序列模型看着原图去噪出新图。整个流程实现在 src/flux/sampling.py 的prepare_kontext()中对齐训练分辨率按输入图宽高比从PREFERED_KONTEXT_RESOLUTIONS17 种从672x1568到1568x672的分辨率定义在 util.py中选最近的一档LANCZOS 重采样到该尺寸——模型在这些分辨率上训练过用它们效果最佳编码进潜在空间ae.encode()后按 2x2 patch 打包成 token 序列rearrange(ph2, pw2)构造条件位置编码生成img_cond_seq_ids其第一维置 1 而目标图置 0让模型区分参考原图与待生成区域生成目标噪声get_noise()以指定 seed 在目标分辨率上初始化img序列拼接去噪denoise()循环里把img_cond_seq拼到输入 token 序列末尾、img_cond_seq_ids拼到位置编码上每步预测只取目标图对应的 token 前缀再按img (t_prev - t_curr) * pred推进。去噪结束后unpack()还原像素张量ae.decode()bfloat16 autocast解码回像素空间。时间步调度值得注意get_schedule()按图像 token 序列长度在 0.5 与 1.15 之间线性插值mu再对timesteps做 time shift——序列越长调度越偏向高时间步所以不同分辨率下的最优步数会有细微差异。落盘时save_image()还会嵌入 48 位隐形水印并写入 EXIFSoftwareAI generated;img2img;flux、Modelflux-dev-kontext、描述为 prompt以 JPEG quality95 保存。TensorRT 加速bf16、fp8 与 fp4 怎么选启用方式一条命令python -m flux kontext --loop --trt --trt_transformer_precision precision精度取值以文档为准是bf16、fp8、fp4_sdvd32而 trt_manager.py 内部校验集合为{bf16, fp8, fp4, fp4_svd32}T5 仅支持{bf16, fp8}通过环境变量TRT_T5_PRECISION设置默认bf16。选型经验bf16兼容性最好、速度基线fp8是精度与吞吐的平衡点fp4_sdvd32面向极限加速。开启--trt后 CLI 做三件事先由check_onnx_access_for_trt()从black-forest-labs/FLUX.1-Kontext-dev-onnx仓库按所选精度拉取 ONNX 模型同为 gated需先认证再由TRTManager.load_engines()为 CLIP、Transformer、T5 三个模块构建并加载 engine缓存目录默认checkpoints/trt_engines可用TRT_ENGINE_DIR覆盖之后走与 PyTorch 完全相同的采样循环只是主干换成了 TensorRT engine。注意 CLI 固定传trt_static_shapeFalse动态形状让同一 engine 可复用于不同宽高比。前提是按上文装好 TensorRT 环境与[tensorrt]依赖该仓库未提供其他加速后端。三层内容过滤与商用用量上报内容安全在三个检查点生效输入 prompt、输入图片、输出图片见 cli_kontext.py 主循环。过滤器PixtralContentFiltersrc/flux/content_filters.py基于mistral-community/pixtral-12b视觉语言模型判断是否涉及版权角色、商标或公众人物再叠加Falconsai/nsfw_image_detection分类器阈值 0.85拦截 NSFW 内容。命中时交互模式提示你换 prompt 或图片单次模式直接终止。⚠️ 该自动过滤不能替代人工审查——许可条款明确要求部署方配备过滤或人工审核机制官方会随机抽查已知部署方。商用需要单独向 Black Forest Labs 取得许可并开启用量上报export BFL_API_KEYyour_api_key_here python -m flux kontext --track_usage --loop底层track_usage_via_api()util.py把每次生成数 POST 到 BFL 许可 APIflux-dev-kontext对应的 slug 是flux-1-kontext-dev同一机制也覆盖 FLUX.1 [dev] 与 Tools 系列。【免费下载链接】fluxOfficial inference repo for FLUX.1 models项目地址: https://gitcode.com/GitHub_Trending/flux49/flux创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考