FLUX.1 Kontext 本地图像编辑从零到 TensorRT 加速实战【免费下载链接】fluxOfficial inference repo for FLUX.1 models项目地址: https://gitcode.com/GitHub_Trending/flux49/flux场景速览把图里的 Logo 换成品牌文字任务很具体给你一张产品图用一条指令replace the logo with the text Black Forest Labs把它换成品牌字样。FLUX.1 Kontext [dev]就是为这类指令式图像编辑而生的 12B 参数 rectified flow transformer——它不微调就能引用图中的角色、物体与风格连续编辑同一张图几乎不漂移。它与 img2img加噪再重生成的做法不同原图被编码后直接作为上下文拼进 transformer 输入模型看着原图去噪出新图这也是它能保持稳定性的原因。输入支持 jpg/jpeg/png/webp它做的是指令级改动不是像素级精确替换。下文依次讲环境与权重、最小可运行命令、交互编辑、参数调优、机制拆解、TensorRT 加速与安全合规。环境与权重就位安装依赖仓库要求 Python 3.10见 pyproject.toml标准安装只需四步cd $HOME git clone https://gitcode.com/GitHub_Trending/flux49/flux cd $HOME/flux python3.10 -m venv .venv source .venv/bin/activatepip install -e .[all][all]可选依赖含 torch 2.6.0、gradio、streamlit在 pyproject.toml 中声明。需要 TensorRT 时按后文说明改用[tensorrt]。获取权重自动下载启动任意 demo 时权重会从 HuggingFace 拉到checkpoints/下按 repo 命名的子目录逻辑见 util.py 的get_checkpoint_path。FLUX.1-Kontext-dev是 gated 仓库需先登录 HuggingFace 并接受许可条款否则下载会失败并给出认证提示。手动放置把flux1-kontext-dev.safetensors与ae.safetensors放进checkpoints/对应目录或直接用环境变量指到已有文件免去下载export FLUX_MODELyour model path here export FLUX_AEyour autoencoder path here环境变量速查常用变量与是否必需见下表变量名作用是否必需HF_TOKENHuggingFace 认证gated 仓库下载用首次自动下载必需FLUX_MODEL手动指定模型权重路径否FLUX_AE手动指定自编码器路径否BFL_API_KEY商用许可的用量上报密钥商用时必需TRT_ENGINE_DIRTensorRT engine 缓存目录否TRT_T5_PRECISIONT5 的 TRT 精度默认 bf16否第一次生成最小可运行命令改两个参数就能跑输入图路径与编辑指令。python -m flux kontext \ --img_cond_path your_image.png \ --prompt replace the logo with the text Black Forest Labs \ --num_steps 30 --aspect_ratio 16:9 --guidance 2.5 --seed 1产物是output/img_0.jpgJPEG quality 95带 EXIF 与隐形水印文件名自动续号。默认参数与推荐起点--num_steps 30文档与源码给定的推荐步数--guidance 2.5模型经 guidance distillation 训练该值即起点不传--aspect_ratio时分辨率跟随输入图在 17 种训练分辨率里选最接近输入宽高比的一档。交互工作流连续编辑与斜杠命令反复试验时用--loop比每次拼命令省事python -m flux kontext --loop每轮先提示输入指令支持斜杠命令再提示输入图片路径直接回车分别沿用上一轮的 prompt 与图片。可调参数汇总如下命令参数说明/arw:h或auto设输出宽高比auto跟随输入图/hheight或auto指定输出高度自动对齐到 16 的倍数/gguidance设引导强度/sseed设随机种子/nsteps设采样步数/q无退出会话/h无打印帮助典型节奏先给一张目标图然后每轮只换指令想换图再输路径想调参插一条斜杠命令。实现见 cli_kontext.py 的parse_prompt与 parse_img_cond_path。参数调优影响效果的关键旋钮完整参数清单见 cli_kontext.py 的main()签名对效果影响最大的五个参数如下参数默认值调大/调小效果推荐区间--num_steps30大则细节更稳小则快但易糊20-40--guidance2.5大则更贴指令、易过饱和2.0-3.5--aspect_ratio跟随输入改变输出比例面积约 1MP16:9/1:1等--seed随机固定后结果可复现调试时固定--offload关省显存速度慢一档显存 24GB 时开三档推荐组合轻度改动换文字、调颜色用 20 步 guidance 2.0中度重构改元素、换局部对象用 30 步 guidance 2.5即默认值大幅替换换背景、改姿态用 40 步 guidance 3.0步数不够时先加步数而不是先抬 guidance。上图为 FLUX.1 [dev] 主干的文生图样例Kontext 复用了同一 DiT 主干in_channels64、depth19、depth_single_blocks38编辑能力来自输入序列的组织方式而非额外结构。原理速览输入图如何成为编辑条件核心流程在 prepare_kontext输入图按宽高比从 17 种推荐分辨率中选最接近的一档LANCZOS 重采样过自编码器得到 16 通道 latent按 2x2 patch 打包成 token 序列生成位置编码img_cond_seq_ids首维置 1与目标图首维 0区分在目标分辨率上生成初始噪声img编码 prompt 得到 T5/CLIP 特征denoise 每步把原图 token 拼到噪声序列前面送入 transformer只取前 n 个位置的预测更新噪声。去噪结束后unpack()还原像素张量ae.decode()在 bfloat16 autocast 下解码。时间步偏移mu按序列长度在 0.5 与 1.15 间线性插值见 sampling.py这解释了不同分辨率下推荐步数略有差异。进阶加速与安全合规推理加速TensorRT 引擎python -m flux kontext --loop --trt --trt_transformer_precision precisionTransformer 可选精度及取舍见下表T5 侧另有TRT_T5_PRECISION默认 bf16支持 bf16/fp8见 trt_manager.py精度适用场景显存要求bf16默认质量基线最高fp8速度/显存平衡新架构优先约为 bf16 一半fp4_sdvd32追求极限速度最低前提按 README 的 TensorRT 章节安装 NVIDIA PyTorch 容器并pip install -e .[tensorrt] --extra-index-url https://pypi.nvidia.com。ONNX 模型来自 gated 仓库black-forest-labs/FLUX.1-Kontext-dev-onnx同样需要 HuggingFace 认证engine 缓存默认checkpoints/trt_engines可用TRT_ENGINE_DIR覆盖动态形状默认开启以便不同宽高比复用。内容安全与水印CLI 在输入 prompt、输入图、输出图三个环节都接了过滤基于mistral-community/pixtral-12b判断版权角色、商标与公众人物叠加Falconsai/nsfw_image_detection分类器阈值 0.85实现见 content_filters.py。输出图嵌入 48 位隐形水印并写入 EXIFSoftwareAI generated;img2img;flux、Modelflux-dev-kontext、ImageDescriptionprompt由 util.py 的save_image落盘。许可与商用权重遵循 FLUX.1-dev 非商用许可。商用需向 Black Forest Labs 取得商业许可并开启用量上报export BFL_API_KEYyour_api_key_here随后在生成命令后加--track_usage每次生成数会 POST 到 BFL 许可 API机制见 util.py 的track_usage_via_api。常见问题下载卡在 gated 仓库提示gated repository说明还没通过 HuggingFace 认证。先在 HuggingFace 上接受FLUX.1-Kontext-dev的许可条款然后export HF_TOKENyour_hf_token或直接huggingface-cli login。显存不够加--offloadT5/CLIP/自编码器按需在 CPU/GPU 间搬运代价是速度下降12B 模型全精度常驻至少需要 24GB 级显存更低的显存建议直接走 TensorRT 的 fp8 路径。输出图模糊多半是分辨率档位问题Kontext 在 17 种特定分辨率上训练显式传--aspect_ratio时按约 1MP 面积计算想恢复跟随输入图的比例交互模式里用/ar auto。TensorRT 首次启动很慢首次运行要构建三个模块CLIP/Transformer/T5的 engine属正常耗时构建产物缓存在checkpoints/trt_engines同配置下后续启动直接加载。交互模式怎么退出提示符下输入/q即退出输入图片阶段直接回车表示沿用上一轮图片不是退出。参考资料官方使用文档docs/image-editing.md模型卡片与风险说明model_cards/FLUX.1-kontext-dev.mdCLI 入口与参数src/flux/cli_kontext.py采样与条件构造src/flux/sampling.py模型配置与分辨率表src/flux/util.pyTensorRT 管理src/flux/trt/trt_manager.py许可文本model_licenses/LICENSE-FLUX1-dev模型权重HuggingFace 仓库black-forest-labs/FLUX.1-Kontext-dev论文arXiv:2506.15742FLUX.1 Kontext, flow matching【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 
长河君 · 2026/9/25 3:09:53 · 阅读 1.2k FLUX.1 Kontext 本地图像编辑：从零到 TensorRT 加速实战
FLUX.1 Kontext 本地图像编辑从零到 TensorRT 加速实战【免费下载链接】fluxOfficial inference repo for FLUX.1 models项目地址: https://gitcode.com/GitHub_Trending/flux49/flux场景速览把图里的 Logo 换成品牌文字任务很具体给你一张产品图用一条指令replace the logo with the text Black Forest Labs把它换成品牌字样。FLUX.1 Kontext [dev]就是为这类指令式图像编辑而生的 12B 参数 rectified flow transformer——它不微调就能引用图中的角色、物体与风格连续编辑同一张图几乎不漂移。它与 img2img加噪再重生成的做法不同原图被编码后直接作为上下文拼进 transformer 输入模型看着原图去噪出新图这也是它能保持稳定性的原因。输入支持 jpg/jpeg/png/webp它做的是指令级改动不是像素级精确替换。下文依次讲环境与权重、最小可运行命令、交互编辑、参数调优、机制拆解、TensorRT 加速与安全合规。环境与权重就位安装依赖仓库要求 Python 3.10见 pyproject.toml标准安装只需四步cd $HOME git clone https://gitcode.com/GitHub_Trending/flux49/flux cd $HOME/flux python3.10 -m venv .venv source .venv/bin/activatepip install -e .[all][all]可选依赖含 torch 2.6.0、gradio、streamlit在 pyproject.toml 中声明。需要 TensorRT 时按后文说明改用[tensorrt]。获取权重自动下载启动任意 demo 时权重会从 HuggingFace 拉到checkpoints/下按 repo 命名的子目录逻辑见 util.py 的get_checkpoint_path。FLUX.1-Kontext-dev是 gated 仓库需先登录 HuggingFace 并接受许可条款否则下载会失败并给出认证提示。手动放置把flux1-kontext-dev.safetensors与ae.safetensors放进checkpoints/对应目录或直接用环境变量指到已有文件免去下载export FLUX_MODELyour model path here export FLUX_AEyour autoencoder path here环境变量速查常用变量与是否必需见下表变量名作用是否必需HF_TOKENHuggingFace 认证gated 仓库下载用首次自动下载必需FLUX_MODEL手动指定模型权重路径否FLUX_AE手动指定自编码器路径否BFL_API_KEY商用许可的用量上报密钥商用时必需TRT_ENGINE_DIRTensorRT engine 缓存目录否TRT_T5_PRECISIONT5 的 TRT 精度默认 bf16否第一次生成最小可运行命令改两个参数就能跑输入图路径与编辑指令。python -m flux kontext \ --img_cond_path your_image.png \ --prompt replace the logo with the text Black Forest Labs \ --num_steps 30 --aspect_ratio 16:9 --guidance 2.5 --seed 1产物是output/img_0.jpgJPEG quality 95带 EXIF 与隐形水印文件名自动续号。默认参数与推荐起点--num_steps 30文档与源码给定的推荐步数--guidance 2.5模型经 guidance distillation 训练该值即起点不传--aspect_ratio时分辨率跟随输入图在 17 种训练分辨率里选最接近输入宽高比的一档。交互工作流连续编辑与斜杠命令反复试验时用--loop比每次拼命令省事python -m flux kontext --loop每轮先提示输入指令支持斜杠命令再提示输入图片路径直接回车分别沿用上一轮的 prompt 与图片。可调参数汇总如下命令参数说明/arw:h或auto设输出宽高比auto跟随输入图/hheight或auto指定输出高度自动对齐到 16 的倍数/gguidance设引导强度/sseed设随机种子/nsteps设采样步数/q无退出会话/h无打印帮助典型节奏先给一张目标图然后每轮只换指令想换图再输路径想调参插一条斜杠命令。实现见 cli_kontext.py 的parse_prompt与 parse_img_cond_path。参数调优影响效果的关键旋钮完整参数清单见 cli_kontext.py 的main()签名对效果影响最大的五个参数如下参数默认值调大/调小效果推荐区间--num_steps30大则细节更稳小则快但易糊20-40--guidance2.5大则更贴指令、易过饱和2.0-3.5--aspect_ratio跟随输入改变输出比例面积约 1MP16:9/1:1等--seed随机固定后结果可复现调试时固定--offload关省显存速度慢一档显存 24GB 时开三档推荐组合轻度改动换文字、调颜色用 20 步 guidance 2.0中度重构改元素、换局部对象用 30 步 guidance 2.5即默认值大幅替换换背景、改姿态用 40 步 guidance 3.0步数不够时先加步数而不是先抬 guidance。上图为 FLUX.1 [dev] 主干的文生图样例Kontext 复用了同一 DiT 主干in_channels64、depth19、depth_single_blocks38编辑能力来自输入序列的组织方式而非额外结构。原理速览输入图如何成为编辑条件核心流程在 prepare_kontext输入图按宽高比从 17 种推荐分辨率中选最接近的一档LANCZOS 重采样过自编码器得到 16 通道 latent按 2x2 patch 打包成 token 序列生成位置编码img_cond_seq_ids首维置 1与目标图首维 0区分在目标分辨率上生成初始噪声img编码 prompt 得到 T5/CLIP 特征denoise 每步把原图 token 拼到噪声序列前面送入 transformer只取前 n 个位置的预测更新噪声。去噪结束后unpack()还原像素张量ae.decode()在 bfloat16 autocast 下解码。时间步偏移mu按序列长度在 0.5 与 1.15 间线性插值见 sampling.py这解释了不同分辨率下推荐步数略有差异。进阶加速与安全合规推理加速TensorRT 引擎python -m flux kontext --loop --trt --trt_transformer_precision precisionTransformer 可选精度及取舍见下表T5 侧另有TRT_T5_PRECISION默认 bf16支持 bf16/fp8见 trt_manager.py精度适用场景显存要求bf16默认质量基线最高fp8速度/显存平衡新架构优先约为 bf16 一半fp4_sdvd32追求极限速度最低前提按 README 的 TensorRT 章节安装 NVIDIA PyTorch 容器并pip install -e .[tensorrt] --extra-index-url https://pypi.nvidia.com。ONNX 模型来自 gated 仓库black-forest-labs/FLUX.1-Kontext-dev-onnx同样需要 HuggingFace 认证engine 缓存默认checkpoints/trt_engines可用TRT_ENGINE_DIR覆盖动态形状默认开启以便不同宽高比复用。内容安全与水印CLI 在输入 prompt、输入图、输出图三个环节都接了过滤基于mistral-community/pixtral-12b判断版权角色、商标与公众人物叠加Falconsai/nsfw_image_detection分类器阈值 0.85实现见 content_filters.py。输出图嵌入 48 位隐形水印并写入 EXIFSoftwareAI generated;img2img;flux、Modelflux-dev-kontext、ImageDescriptionprompt由 util.py 的save_image落盘。许可与商用权重遵循 FLUX.1-dev 非商用许可。商用需向 Black Forest Labs 取得商业许可并开启用量上报export BFL_API_KEYyour_api_key_here随后在生成命令后加--track_usage每次生成数会 POST 到 BFL 许可 API机制见 util.py 的track_usage_via_api。常见问题下载卡在 gated 仓库提示gated repository说明还没通过 HuggingFace 认证。先在 HuggingFace 上接受FLUX.1-Kontext-dev的许可条款然后export HF_TOKENyour_hf_token或直接huggingface-cli login。显存不够加--offloadT5/CLIP/自编码器按需在 CPU/GPU 间搬运代价是速度下降12B 模型全精度常驻至少需要 24GB 级显存更低的显存建议直接走 TensorRT 的 fp8 路径。输出图模糊多半是分辨率档位问题Kontext 在 17 种特定分辨率上训练显式传--aspect_ratio时按约 1MP 面积计算想恢复跟随输入图的比例交互模式里用/ar auto。TensorRT 首次启动很慢首次运行要构建三个模块CLIP/Transformer/T5的 engine属正常耗时构建产物缓存在checkpoints/trt_engines同配置下后续启动直接加载。交互模式怎么退出提示符下输入/q即退出输入图片阶段直接回车表示沿用上一轮图片不是退出。参考资料官方使用文档docs/image-editing.md模型卡片与风险说明model_cards/FLUX.1-kontext-dev.mdCLI 入口与参数src/flux/cli_kontext.py采样与条件构造src/flux/sampling.py模型配置与分辨率表src/flux/util.pyTensorRT 管理src/flux/trt/trt_manager.py许可文本model_licenses/LICENSE-FLUX1-dev模型权重HuggingFace 仓库black-forest-labs/FLUX.1-Kontext-dev论文arXiv:2506.15742FLUX.1 Kontext, flow matching【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