打造你的私人 AI 照片艺术工作室：Ghibli At Home 使用指南
在数字艺术领域，将照片转化为具有独特风格的艺术作品一直是众多创作者追求的目标。今天，我要向大家介绍一款名为 Ghibli At Home 的强大工具，它能让你在本地轻松实现这一创意诉求。
一、初识 Ghibli At Home
Ghibli At Home 是一款基于先进 AI 技术的本地照片风格化工具，由 Flux.1 – Kontext – dev 和 DFloat11 模型驱动。它允许用户将普通图片转化为具有吉卜力风格、动漫风格、艺术风格甚至自定义风格的精美图像，整个过程都在本地计算机上完成，无需上传至云端，有效保障了用户隐私。
软件具备现代化的 Web UI 界面，提供多种预设风格档案，支持撤销 / 重做功能和高级控制选项。它能在消费级 GPU 上运行，例如 RTX 3090/4090 及以上型号，凭借 DFloat11 量化算法，将显存需求降低了约 30%，实现高质量图像生成的同时，对硬件要求更具亲和力。
不过，目前该工具仅支持 Linux 系统，Windows 支持正在开发中。
二、系统要求与安装步骤
（一）系统要求
- ◉
操作系统 ：仅限 Linux。 - ◉
Python 版本 ：3.11 及以上。 - ◉
GPU ：NVIDIA GPU，且显存需求约为 21GB（当前实现基于 DFloat11 量化）。 - ◉
浏览器 ：现代浏览器，如 Chrome、Firefox、Edge 等。
（二）安装步骤
-
克隆项目 ：打开终端，输入 “git clone https://github.com/TheAhmadOsman/4o – ghibli – at – home.git”，将项目克隆到本地，随后进入项目目录 “cd 4o – ghibli – at – home”。 -
创建并激活 Python 虚拟环境 ：推荐使用 uv 工具来管理虚拟环境。若未安装 uv，可运行 “curl – LsSf https://astral.sh/uv/install.sh | sh” 进行安装。接着，使用 “uv venv .venv –python 3.12” 创建虚拟环境，之后通过 “source.venv/bin/activate” 激活该环境。 -
安装依赖 ：激活虚拟环境后，执行 “uv sync” 命令，依据 pyproject.toml 文件安装所需的 Python 依赖项。 -
配置环境 ：将项目根目录下的 “.env_template” 文件复制并重命名为 “.env”，然后根据需要编辑其中的配置项。如果尚未使用 “huggingface – cli login” 登录，需要在 “.env” 文件中设置 “HUGGING_FACE_HUB_TOKEN”，以便从 Hugging Face 下载受限制的模型。
三、软件功能亮点
（一）多样化风格转换
Ghibli At Home 不仅仅局限于吉卜力风格转换。它内置了数十种风格档案，涵盖动画、艺术、复古等多个类别。用户可以借助它将照片转化为油画、漫画、赛博朋克城市景观、复古电影静帧等多种风格，甚至能够保存自定义风格，调整默认设置，无需登录账户，所有图像始终存储在本地设备中。
（二）高效模型管道
软件采用 black – forest – labs/FLUX.1 – Kontext – dev 模型，并结合 DFloat11 技术，确保在消费级硬件上也能流畅运行完整的、无损的模型。其独特的量化算法有效降低了显存占用，拓宽了硬件适用范围。
（三）便捷的前端操作体验
- ◉
风格档案管理 ：用户可以轻松保存、加载和删除自己喜欢的设置，方便快速应用特定风格。 - ◉
撤销 / 重做功能 ：支持迭代编辑过程中的操作撤销与重做，降低创作风险。 - ◉
高级控制选项 ：提供对提示词、推理步骤、引导尺度和种子等参数的细致调整，满足专业用户对创作细节的把控需求。
（四）环境配置与存储管理
通过 “.env” 文件，用户能够便捷地管理诸如队列大小、文件存储位置和设备选择等设置。同时，软件具备自动清理功能，会定期删除旧作业数据和文件，节省磁盘空间。
（五）简化架构与智能日志
软件架构简单，无需 Redis 或 Celery 等外部依赖，仅依赖 Python 及必要的机器学习库。采用 Loguru 日志记录工具，生成简洁、易读的日志文件，并自动过滤掉冗余的状态检查信息，保持控制台的整洁。
（六）异步任务队列
内置一个简单、线程安全的内存队列，负责按顺序处理图像生成任务，防止服务器过载，保障服务稳定运行。
四、软件运行与使用
（一）运行方式
- ◉
开发环境 ：在终端输入 “python3.12 app.py”，即可启动开发模式下的服务器。 - ◉
生产环境 ：需要借助生产级的 WSGI 服务器，如 Gunicorn。首先安装生产依赖 “uv sync –group prod”，然后运行 “gunicorn –workers 1 –threads 4 –timeout 600 – b 0.0.0.0:5000 app:app”，注意必须使用单个工作进程，因为任务队列是内存中的，无法在多个进程间共享。
（二）自定义端口
用户可通过 “–port” 选项指定服务器端口。例如，运行 “python3.12 app.py –port 5555” 可使服务器在 5555 端口上监听，默认端口为 5000。
（三）访问与使用
服务器启动后，打开浏览器，访问 “http://127.0.0.1:5000”，即可进入 Web 界面，上传图片并开始风格化处理。
五、API 端点说明
- ◉
“POST/process – image”：用于提交图像处理任务，返回一个 “job_id”。 - ◉
“GET/status/<job_id>”：查询特定任务的状态，可能的状态有 “queued”（排队中）、“processing”（处理中）、“completed”（已完成）、“failed”（失败）。如果任务在排队中，还会返回 “queue_position”（队列位置）。 - ◉
“GET/result/<job_id>”：当任务状态为 “completed” 时，通过此端点获取生成的 PNG 图像。
六、项目结构概览
- ◉
“app.py”：集成了 Flask 服务器、API 端点和后台图像处理工作线程。 - ◉
“pyproject.toml”：包含项目元数据和依赖项信息。 - ◉
“static/*”：存放完整的动态前端应用资源。 - ◉
“generated_images/”：默认存储生成图像的目录。 - ◉
“.env”：由用户根据 “.env_template” 创建，用于本地配置。
七、生产环境部署检查清单
- ◉
创建并配置生产服务器上的 “.env” 文件。 - ◉
若前端页面与后端服务分离部署，需在 “app.py” 中更新 “CORS(app)” 配置项，指定具体的前端域名。 - ◉
关键点！必须使用单个工作进程运行应用程序，例如 “gunicorn –workers 1”。 - ◉
在应用前端添加 Nginx 或 Apache 等反向代理，实现 SSL/TLS 加密、缓存和速率限制功能。 - ◉
为 WSGI 服务器的输出设置日志轮换机制。 - ◉
安装服务器健康状况和资源使用情况（CPU、GPU、内存）的监控工具。 - ◉
如有需要，可为私有部署添加身份验证层。
八、常见问题解答（FAQ）
Q1：Ghibli At Home 支持哪些操作系统？
目前 Ghibli At Home 仅支持 Linux 系统，Windows 系统的支持正在开发中。这意味着如果你使用的是 Windows 或 macOS，暂时无法直接安装和运行该软件。不过，开发团队已经将 Windows 支持列入未来计划，相信不久后会推出相应的安装和设置指南。
Q2：运行 Ghibli At Home 需要多强大的 GPU？
根据官方要求，Ghibli At Home 至少需要 NVIDIA GPU，并且显存需求约为 21GB（基于当前的 DFloat11 量化实现）。因此，类似 RTX 3090、4090 及以上型号的高端消费级 GPU 是推荐的硬件配置。不过，开发团队正在积极研究支持更多量化选项和 CPU 卸载功能，未来有望降低对 GPU 的显存要求，让更多用户能够使用该软件。
Q3：如何快速上手 Ghibli At Home？
首先，确保你的 Linux 系统满足软件的运行要求，包括安装 Python 3.11 及以上版本和 NVIDIA GPU 驱动等。接着，按照之前的安装步骤克隆项目、创建并激活虚拟环境、安装依赖和配置环境。在运行过程中，如果遇到问题，可以查看软件的日志文件，或者在 GitHub 上搜索类似问题的解决方案。另外，熟悉软件的前端界面和功能选项，尝试不同的风格档案和参数设置，有助于你更快地掌握其使用方法。
Q4：Ghibli At Home 是否支持批量处理图片？
目前，Ghibli At Home 的主要操作方式是通过 Web 界面逐张上传和处理图片。不过，在 API 端点部分，软件提供了 “POST/process – image” 等接口，理论上可以通过编写脚本调用这些 API，实现批量处理图片的功能。如果你熟悉编程，可以利用 Python 等语言编写脚本，循环调用 API 进行批量图片风格化处理。当然，这种方式需要你对 API 的使用和脚本编写有一定的了解，并且要注意控制请求频率，避免对服务器造成过大压力。
Q5：生成的图片质量如何？
Ghibli At Home 采用先进的 AI 模型和量化算法，在高端消费级 GPU 上能够生成高质量的风格化图片。得益于 DFloat11 量化技术，它在降低显存占用的同时，尽量减少了对图像质量的影响。实际生成效果因输入图片的质量、选择的风格档案以及参数设置等因素而有所不同。一般来说，输入图片越清晰、细节越丰富，生成的风格化图片质量也会越高。此外，合理调整软件提供的高级控制选项，如提示词、推理步骤等，也有助于提升生成图片的质量。
Q6：软件是否支持自定义模型或风格？
Ghibli At Home 提供了多种预设风格档案供用户选择，同时也支持自定义风格的保存和应用。用户可以在软件中调整风格参数，形成独特的风格设置，并将其保存为自定义风格档案。不过，关于自定义模型的导入和使用，目前软件主要基于 black – forest – labs/FLUX.1 – Kontext – dev 模型和 DFloat11 技术进行开发，暂未明确说明是否支持用户完全自定义的模型导入。如果你有特定的模型需求，可以关注软件的更新动态或者在 GitHub 上提出相关功能建议。
Q7：如何在生产环境中稳定运行 Ghibli At Home？
在生产环境中运行 Ghibli At Home，首先要确保按照部署检查清单完成各项配置，包括正确设置 “.env” 文件、使用单个工作进程运行服务器、添加反向代理等。此外，定期监控服务器的资源使用情况，如 CPU、GPU 和内存占用，以及磁盘空间使用情况，及时调整服务器配置或清理不必要的文件，以维持系统的稳定运行。同时，设置日志轮换机制，避免日志文件过大导致的问题。如果有条件，还可以考虑添加负载均衡和故障转移机制，进一步提高服务的可用性和可靠性。
Q8：如何参与 Ghibli At Home 的开发或贡献功能？
Ghibli At Home 的源代码托管在 GitHub 上，你可以通过访问其项目仓库页面，查看项目的开发进度、提交问题报告或者功能建议。如果你具备编程技能，也可以 fork 项目代码，按照项目的贡献指南提交代码更改或新增功能。开发团队通常会定期审查社区的贡献，并将有价值的改进整合到主线版本中。参与开源项目的开发不仅可以帮助你提升编程能力，还能为更多用户带来更好的使用体验。
九、结语
Ghibli At Home 作为一款功能强大的本地 AI 照片风格化工具，凭借其丰富的风格选项、高效的模型管道和便捷的操作界面，为数字艺术创作者提供了一个全新的创作平台。尽管目前它在操作系统支持和硬件要求等方面存在一些限制，但随着开发团队的不断努力，这些问题有望逐步得到解决。对于追求隐私保护和高质量图像生成的用户来说，Ghibli At Home 值得一试。希望本文的介绍和使用指南能够帮助你更好地了解和上手这款软件，开启你的 AI 照片艺术创作之旅！如果在使用过程中遇到任何问题，欢迎在 GitHub 上寻求帮助或与其他用户交流经验。
