Edits and recomposes images with Wan 2.7 image pro using text instructions and multi-image references for higher quality outputs.
WEJŚCIE
Ładowanie konfiguracji parametrów...
WYJŚCIE
BezczynnyTwoje wygenerowane obrazy pojawią się tutaj
Skonfiguruj ustawienia i kliknij Uruchom, aby rozpocząć
Każde uruchomienie będzie kosztować 0.075. Za $10 możesz uruchomić ten model około 133 razy.
Co możesz zrobić dalej:
Przykład kodu
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/wan-2.7-pro/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()Instalacja
Zainstaluj wymagany pakiet dla swojego języka programowania.
bash
pip install requestsUwierzytelnianie
Wszystkie żądania API wymagają uwierzytelnienia za pomocą klucza API. Klucz API możesz uzyskać z panelu Atlas Cloud.
bash
export ATLASCLOUD_API_KEY="your-api-key-here"Nagłówki HTTP
python
import os
API_KEY = os.environ.get("ATLASCLOUD_API_KEY")
headers = {
"Content-Type": "application/json",
"Authorization": f"Bearer {API_KEY}"
}Chroń swój klucz API
Nigdy nie ujawniaj swojego klucza API w kodzie po stronie klienta ani w publicznych repozytoriach. Zamiast tego użyj zmiennych środowiskowych lub proxy backendowego.
Wyślij żądanie
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())Wyślij żądanie
Wyślij asynchroniczne żądanie generowania. API zwróci identyfikator predykcji, którego możesz użyć do sprawdzania statusu i pobierania wyniku.
POST
/api/v1/model/generateImageTreść żądania
import requests
url = "https://api.atlascloud.ai/api/v1/model/generateImage"
headers = {
"Content-Type": "application/json",
"Authorization": "Bearer $ATLASCLOUD_API_KEY"
}
data = {
"model": "alibaba/wan-2.7-pro/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']}")Odpowiedź
{
"id": "pred_abc123",
"status": "processing",
"model": "model-name",
"created_at": "2025-01-01T00:00:00Z"
}Sprawdź status
Odpytuj endpoint predykcji, aby sprawdzić bieżący status żądania.
GET
/api/v1/model/prediction/{prediction_id}Przykład odpytywania
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)Wartości statusu
processingŻądanie jest wciąż przetwarzane.completedGenerowanie zakończone. Wyniki są dostępne.succeededGenerowanie powiodło się. Wyniki są dostępne.failedGenerowanie nie powiodło się. Sprawdź pole błędu.Odpowiedź ukończona
{
"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"
}
}Prześlij pliki
Prześlij pliki do magazynu Atlas Cloud i uzyskaj URL, którego możesz użyć w swoich żądaniach API. Użyj multipart/form-data do przesyłania.
POST
/api/v1/model/uploadMediaPrzykład przesyłania
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}")Odpowiedź
{
"data": {
"download_url": "https://storage.atlascloud.ai/uploads/abc123/image.png",
"file_name": "image.png",
"content_type": "image/png",
"size": 1024000
}
}Schema wejściowy
Następujące parametry są akceptowane w treści żądania.
Łącznie: 0Wymagane: 0Opcjonalne: 0
Brak dostępnych parametrów.
Przykładowa treść żądania
json
{
"model": "alibaba/wan-2.7-pro/image-edit"
}Schema wyjściowy
API zwraca odpowiedź predykcji z URL-ami wygenerowanych wyników.
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.
completed_atstring
ISO 8601 timestamp when the prediction was completed.
Przykładowa odpowiedź
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 integruje ponad 300 modeli AI bezpośrednio z Twoim asystentem kodowania AI. Jedno polecenie do instalacji, a następnie używaj języka naturalnego do generowania obrazów, filmów i rozmów z LLM.
Obsługiwani klienci
Claude Code
OpenAI Codex
Gemini CLI
Cursor
Windsurf
VS Code
Trae
GitHub Copilot
Cline
Roo Code
Amp
Goose
Replit
40+ obsługiwani klienci
Instalacja
bash
npx skills add AtlasCloudAI/atlas-cloud-skillsSkonfiguruj klucz API
Uzyskaj klucz API z panelu Atlas Cloud i ustaw go jako zmienną środowiskową.
bash
export ATLASCLOUD_API_KEY="your-api-key-here"Możliwości
Po zainstalowaniu możesz używać języka naturalnego w swoim asystencie AI, aby uzyskać dostęp do wszystkich modeli Atlas Cloud.
Generowanie obrazówGeneruj obrazy za pomocą modeli takich jak Nano Banana 2, Z-Image i inne.
Tworzenie wideoTwórz filmy z tekstu lub obrazów za pomocą Kling, Vidu, Veo itp.
Chat LLMRozmawiaj z Qwen, DeepSeek i innymi dużymi modelami językowymi.
Przesyłanie mediówPrześlij lokalne pliki do edycji obrazów i przepływów pracy obraz-do-wideo.
Dowiedz się więcej
Serwer MCP
Serwer MCP Atlas Cloud łączy Twoje IDE z ponad 300 modelami AI za pośrednictwem Model Context Protocol. Działa z każdym klientem kompatybilnym z MCP.
Obsługiwani klienci
Cursor
VS Code
Windsurf
Claude Code
OpenAI Codex
Gemini CLI
Cline
Roo Code
100+ obsługiwani klienci
Instalacja
bash
npx -y atlascloud-mcpKonfiguracja
Dodaj następującą konfigurację do pliku ustawień MCP w swoim IDE.
json
{
"mcpServers": {
"atlascloud": {
"command": "npx",
"args": [
"-y",
"atlascloud-mcp"
],
"env": {
"ATLASCLOUD_API_KEY": "your-api-key-here"
}
}
}
}Dostępne narzędzia
atlas_generate_imageGeneruj obrazy z promptów tekstowych.
atlas_generate_videoTwórz filmy z tekstu lub obrazów.
atlas_chatRozmawiaj z dużymi modelami językowymi.
atlas_list_modelsPrzeglądaj ponad 300 dostępnych modeli AI.
atlas_quick_generateTworzenie treści w jednym kroku z automatycznym wyborem modelu.
atlas_upload_mediaPrześlij lokalne pliki do przepływów pracy API.
Dowiedz się więcej
API Schema
Schema niedostępnaZaloguj się, aby wyświetlić historię zapytań
Musisz być zalogowany, aby uzyskać dostęp do historii zapytań modelu.
Zaloguj sięAlibaba WAN 2.7 Pro Image Edit
Alibaba WAN 2.7 Pro Image Edit is the higher-fidelity image editing tier in the Wan 2.7 family. It is designed for instruction-guided edits and multi-image composition when output quality matters more than raw turnaround speed.
Why creators love it
- Higher-quality edits: Better fit for texture transfer, material changes, and polished visual refinement.
- Multi-image composition: Use one or more reference images alongside a text instruction.
- Instruction-first workflow: Good for scene restyling, object replacement, and composition-guided editing.
- Practical control surface: Supports flexible sizing, multiple variations, and consistent exploration with seed control.
Perfect for
- Premium campaign and commercial design edits.
- Product photography refinement and compositing.
- Creative teams building polished before/after variations from source assets.
- Professional creative teams that need stronger edit quality than the standard tier.
Recommended size guidance:
- Prefer
1Kor2Kfor edit scenarios. - Even though the Pro family supports
4Kfor text-only generation, image-involved scenarios should stay on the lower supported sizes.
How to Use
- Provide the source image and add extra references when needed.
- Write a direct instruction describing the transformation you want.
- Choose the target
size, usually1Kor2K. - Review the edited outputs and keep the version with the best balance of fidelity and polish.
Pro tips
- Ask for one controlled edit at a time when you want stable, premium output.
- Add more references only when they serve a clear visual purpose.
