alibaba/qwen-image/edit

image-vers-image

Supports multiple image inputs and outputs, allowing for precise modification of text within images, addition, deletion, or movement of objects, alteration of subject actions, transfer of image styles, and enhancement of image details.

Entrée

Chargement de la configuration des paramètres...

Sortie

Inactif

Les images générées apparaîtront ici

Configurez vos paramètres et cliquez sur exécuter pour commencer

Votre requête coûtera 0.032 par exécution. Avec $10, vous pouvez exécuter ce modèle environ 312 fois.

Vous pouvez continuer avec :

Image-vers-Vidéo Image-vers-Image

Paramètres

Exemple de code
import requests
import time

# Step 1: Start image generation
generate_url = "https://api.atlascloud.ai/api/v1/model/generateImage"
headers = {
    "Content-Type": "application/json",
    "Authorization": "Bearer $ATLASCLOUD_API_KEY"
}
data = {
    "model": "alibaba/qwen-image/edit",
    "prompt": "A beautiful landscape with mountains and lake",
    "width": 512,
    "height": 512,
    "steps": 20,
    "guidance_scale": 7.5,
}

generate_response = requests.post(generate_url, headers=headers, json=data)
generate_result = generate_response.json()
prediction_id = generate_result["data"]["id"]

# Step 2: Poll for result
poll_url = f"https://api.atlascloud.ai/api/v1/model/prediction/{prediction_id}"

def check_status():
    while True:
        response = requests.get(poll_url, headers={"Authorization": "Bearer $ATLASCLOUD_API_KEY"})
        result = response.json()

        if result["data"]["status"] == "completed":
            print("Generated image:", result["data"]["outputs"][0])
            return result["data"]["outputs"][0]
        elif result["data"]["status"] == "failed":
            raise Exception(result["data"]["error"] or "Generation failed")
        else:
            # Still processing, wait 2 seconds
            time.sleep(2)

image_url = check_status()

Installer

Installez le package requis pour votre langage.

bash

pip install requests

Authentification

Toutes les requêtes API nécessitent une authentification via une clé API. Vous pouvez obtenir votre clé API depuis le tableau de bord Atlas Cloud.

bash

export ATLASCLOUD_API_KEY="your-api-key-here"

En-têtes HTTP

python

import os

API_KEY = os.environ.get("ATLASCLOUD_API_KEY")
headers = {
    "Content-Type": "application/json",
    "Authorization": f"Bearer {API_KEY}"
}

Protégez votre clé API

N'exposez jamais votre clé API dans du code côté client ou dans des dépôts publics. Utilisez plutôt des variables d'environnement ou un proxy backend.

Soumettre une requête

import requests

url = "https://api.atlascloud.ai/api/v1/model/generateImage"
headers = {
    "Content-Type": "application/json",
    "Authorization": "Bearer $ATLASCLOUD_API_KEY"
}
data = {
    "model": "your-model",
    "prompt": "A beautiful landscape"
}

response = requests.post(url, headers=headers, json=data)
print(response.json())

Soumettre une requête

Soumettez une requête de génération asynchrone. L'API renvoie un identifiant de prédiction que vous pouvez utiliser pour vérifier le statut et récupérer le résultat.

POST/api/v1/model/generateImage

Corps de la requête

import requests

url = "https://api.atlascloud.ai/api/v1/model/generateImage"
headers = {
    "Content-Type": "application/json",
    "Authorization": "Bearer $ATLASCLOUD_API_KEY"
}

data = {
    "model": "alibaba/qwen-image/edit",
    "input": {
        "prompt": "A beautiful landscape with mountains and lake"
    }
}

response = requests.post(url, headers=headers, json=data)
result = response.json()

print(f"Prediction ID: {result['id']}")
print(f"Status: {result['status']}")

Réponse

{
  "id": "pred_abc123",
  "status": "processing",
  "model": "model-name",
  "created_at": "2025-01-01T00:00:00Z"
}

Vérifier le statut

Interrogez le point de terminaison de prédiction pour vérifier le statut actuel de votre requête.

GET/api/v1/model/prediction/{prediction_id}

Exemple d'interrogation

import requests
import time

prediction_id = "pred_abc123"
url = f"https://api.atlascloud.ai/api/v1/model/prediction/{prediction_id}"
headers = { "Authorization": "Bearer $ATLASCLOUD_API_KEY" }

while True:
    response = requests.get(url, headers=headers)
    result = response.json()
    status = result["data"]["status"]
    print(f"Status: {status}")

    if status in ["completed", "succeeded"]:
        output_url = result["data"]["outputs"][0]
        print(f"Output URL: {output_url}")
        break
    elif status == "failed":
        print(f"Error: {result['data'].get('error', 'Unknown')}")
        break

    time.sleep(3)

Valeurs de statut

processingLa requête est encore en cours de traitement.

completedLa génération est terminée. Les résultats sont disponibles.

succeededLa génération a réussi. Les résultats sont disponibles.

failedLa génération a échoué. Vérifiez le champ d'erreur.

Réponse terminée

{
  "data": {
    "id": "pred_abc123",
    "status": "completed",
    "outputs": [
      "https://storage.atlascloud.ai/outputs/result.png"
    ],
    "metrics": {
      "predict_time": 8.3
    },
    "created_at": "2025-01-01T00:00:00Z",
    "completed_at": "2025-01-01T00:00:10Z"
  }
}

Télécharger des fichiers

Téléchargez des fichiers vers le stockage Atlas Cloud et obtenez une URL utilisable dans vos requêtes API. Utilisez multipart/form-data pour le téléchargement.

POST/api/v1/model/uploadMedia

Exemple de téléchargement

import requests

url = "https://api.atlascloud.ai/api/v1/model/uploadMedia"
headers = { "Authorization": "Bearer $ATLASCLOUD_API_KEY" }

with open("image.png", "rb") as f:
    files = {"file": ("image.png", f, "image/png")}
    response = requests.post(url, headers=headers, files=files)

result = response.json()
download_url = result["data"]["download_url"]
print(f"File URL: {download_url}")

Réponse

{
  "data": {
    "download_url": "https://storage.atlascloud.ai/uploads/abc123/image.png",
    "file_name": "image.png",
    "content_type": "image/png",
    "size": 1024000
  }
}

Schema d'entrée

Les paramètres suivants sont acceptés dans le corps de la requête.

Total: 0Requis: 0Optionnel: 0

Aucun paramètre disponible.

Exemple de corps de requête

json

{
  "model": "alibaba/qwen-image/edit"
}

Schema de sortie

L'API renvoie une réponse de prédiction avec les URL des résultats générés.

idstringrequired

Unique identifier for the prediction.

statusstringrequired

Current status of the prediction.

processingcompletedsucceededfailed

modelstringrequired

The model used for generation.

outputsarray[string]

Array of output URLs. Available when status is "completed".

errorstring

Error message if status is "failed".

metricsobject

Performance metrics.

predict_timenumber

Time taken for image generation in seconds.

created_atstringrequired

ISO 8601 timestamp when the prediction was created.

Format: date-time

completed_atstring

ISO 8601 timestamp when the prediction was completed.

Format: date-time

Exemple de réponse

json

{
  "id": "pred_abc123",
  "status": "completed",
  "model": "model-name",
  "outputs": [
    "https://storage.atlascloud.ai/outputs/result.png"
  ],
  "metrics": {
    "predict_time": 8.3
  },
  "created_at": "2025-01-01T00:00:00Z",
  "completed_at": "2025-01-01T00:00:10Z"
}

Atlas Cloud Skills

Atlas Cloud Skills intègre plus de 300 modèles d'IA directement dans votre assistant de codage IA. Une seule commande pour installer, puis utilisez le langage naturel pour générer des images, des vidéos et discuter avec des LLM.

Clients pris en charge

Claude Code

OpenAI Codex

Gemini CLI

Cursor

Windsurf

VS Code

Trae

GitHub Copilot

Cline

Roo Code

Amp

Goose

Replit

40+ clients pris en charge

Installer

bash

npx skills add AtlasCloudAI/atlas-cloud-skills

Configurer la clé API

Obtenez votre clé API depuis le tableau de bord Atlas Cloud et définissez-la comme variable d'environnement.

bash

export ATLASCLOUD_API_KEY="your-api-key-here"

Fonctionnalités

Une fois installé, vous pouvez utiliser le langage naturel dans votre assistant IA pour accéder à tous les modèles Atlas Cloud.

Génération d'imagesGénérez des images avec des modèles comme Nano Banana 2, Z-Image, et plus encore.

Création de vidéosCréez des vidéos à partir de texte ou d'images avec Kling, Vidu, Veo, etc.

Chat LLMDiscutez avec Qwen, DeepSeek et d'autres grands modèles de langage.

Téléchargement de médiasTéléchargez des fichiers locaux pour l'édition d'images et les workflows image-vers-vidéo.

En savoir plus

github.com/AtlasCloudAI/atlas-cloud-skills

Serveur MCP

Le serveur MCP Atlas Cloud connecte votre IDE avec plus de 300 modèles d'IA via le Model Context Protocol. Compatible avec tout client compatible MCP.

Clients pris en charge

Cursor

VS Code

Windsurf

Claude Code

OpenAI Codex

Gemini CLI

Cline

Roo Code

100+ clients pris en charge

Installer

bash

npx -y atlascloud-mcp

Configuration

Ajoutez la configuration suivante au fichier de paramètres MCP de votre IDE.

json

{
  "mcpServers": {
    "atlascloud": {
      "command": "npx",
      "args": [
        "-y",
        "atlascloud-mcp"
      ],
      "env": {
        "ATLASCLOUD_API_KEY": "your-api-key-here"
      }
    }
  }
}

Outils disponibles

atlas_generate_imageGénérez des images à partir de prompts textuels.

atlas_generate_videoCréez des vidéos à partir de texte ou d'images.

atlas_chatDiscutez avec de grands modèles de langage.

atlas_list_modelsParcourez plus de 300 modèles d'IA disponibles.

atlas_quick_generateCréation de contenu en une étape avec sélection automatique du modèle.

atlas_upload_mediaTéléchargez des fichiers locaux pour les workflows API.

En savoir plus

github.com/AtlasCloudAI/mcp-server

Schéma API

Schéma non disponible

Veuillez vous connecter pour voir l'historique des requêtes

Vous devez vous connecter pour accéder à l'historique de vos requêtes de modèle.

Se Connecter

Alibaba Qwen-Image Edit

An advanced image editing model from Alibaba Cloud, offering precise control and high-quality results. Qwen-Image Edit is designed to handle common editing tasks, allowing users to modify images with natural language prompts. It supports single-image editing and multi-image blending.

Overview

Purpose: Perform image edits using text instructions.
Core Capability: Supports single-image editing and multi-image blending.
Foundation: Powered by Alibaba's advanced multi-modal generative AI technology.
Typical Output: High-quality edited image (1 per request) that blends changes with the original content.
Use Cases: Social media content adjustment, basic photo retouching, and creative experimentation.

Key Features

Multi-image Blending:
- Example: Combine a girl from Image 1, wearing a skirt from Image 2, sitting in a pose from Image 3.
- Example: Combine a girl from Image 1, a necklace from Image 2, and a bag from Image 3.
Single-image Editing:
- Generate depth-compliant images.
- Replace text (e.g., "HEALTH INSURANCE" -> "明天会更好").
- Replace shirt color.
- Change background (e.g., to Antarctica).
High Fidelity: Preserves the quality of the original image while applying edits.
Smart Inpainting: Fills gaps or replaces objects based on the surrounding context.

Designed For

Content Creators: Quickly adjust visuals for social platforms.
General Users: Easily modify personal photos or creative projects.
Developers: Integrate image editing capabilities into applications.

Input Requirements

To achieve the best results, follow these guidelines:

Inputs

Structure:
- messages array with role: user.
- content array: 1-3 images ({"image": "..."}) + 1 text instruction ({"text": "..."}).
Image Format: JPG, JPEG, PNG, BMP, TIFF, WEBP, GIF (first frame).
Resolution: Recommended 384px - 3072px.
Size Limit: Max 10MB per image.
Text Limit: Max 800 characters.

Parameters

n: Number of output images. Fixed at 1.
negative_prompt: Description of content to exclude (max 500 characters).
size: Not customizable. Output resolution maintains the aspect ratio of the input (or last input image), typically around 1024x1024.
watermark: Boolean to add "Qwen-Image" watermark. Default is false.
seed: Integer for reproducibility.

Pricing

Billing Logic: Pay-as-you-go based on the number of successful output images.
Tier: Standard tier offering a balance of performance and cost.

Limitations & FAQ

Conversation: Does not support multi-turn conversation (single turn only).
Languages: Chinese and English are supported; other languages are unverified.
Aspect Ratio: Output follows the aspect ratio of the input image (or the last image if multiple are provided).
Resolution: Does not support custom output resolution.
Output Quantity: Only supports generating 1 image per request.

Version

Model: Alibaba Qwen-Image Edit
Family: Qwen-Image
Technical Context: Standard version with essential editing capabilities.

Découvrir des modèles similaires

Wan-2.7 Pro Image-to-image

Edits and recomposes images with Wan 2.7 image pro using text instructions and multi-image references for higher quality outputs.

Wan-2.7 Pro Text-to-image

Generates images from text prompts with Wan 2.7 image pro, supporting higher fidelity outputs and 4K-ready workflows.

Wan-2.7 Image-to-image

Edits and recomposes images with Wan 2.7 image using text instructions, multi-image references, and optional interaction boxes.

Wan-2.7 Text-to-image

Generates images from text prompts with Wan 2.7 image, supporting fast iteration and strong prompt fidelity for illustration and photorealistic outputs.

$0.03/IMAGE

Commencez avec Plus de 300 Modèles,

Explorer tous les modèles