Imagen3 API by Google
Google's highest quality text-to-image model, capable of generating images with detail, rich lighting and beauty.
Inmatning
Utmatning
VilandeVarje körning kostar $0.04. För $10 kan du köra cirka 250 gånger.
Du kan fortsätta med:
Kodexempel
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": "google/imagen3",
"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()Installera
Installera det nödvändiga paketet för ditt programmeringsspråk.
pip install requestsAutentisering
Alla API-förfrågningar kräver autentisering via en API key. Du kan hämta din API key från Atlas Cloud-instrumentpanelen.
export ATLASCLOUD_API_KEY="your-api-key-here"HTTP Headers
import os
API_KEY = os.environ.get("ATLASCLOUD_API_KEY")
headers = {
"Content-Type": "application/json",
"Authorization": f"Bearer {API_KEY}"
}Exponera aldrig din API key i klientkod eller publika arkiv. Använd miljövariabler eller en backend-proxy istället.
Skicka en förfrågan
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())Skicka en förfrågan
Skicka en asynkron genereringsförfrågan. API:et returnerar ett prediction ID som du kan använda för att kontrollera statusen och hämta resultatet.
/api/v1/model/generateImageFörfrågningsinnehåll
import requests
url = "https://api.atlascloud.ai/api/v1/model/generateImage"
headers = {
"Content-Type": "application/json",
"Authorization": "Bearer $ATLASCLOUD_API_KEY"
}
data = {
"model": "google/imagen3",
"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']}")Svar
{
"id": "pred_abc123",
"status": "processing",
"model": "model-name",
"created_at": "2025-01-01T00:00:00Z"
}Kontrollera status
Polla prediction-endpointen för att kontrollera den aktuella statusen för din förfrågan.
/api/v1/model/prediction/{prediction_id}Polling-exempel
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)Statusvärden
processingFörfrågan bearbetas fortfarande.completedGenereringen är klar. Utdata är tillgängliga.succeededGenereringen lyckades. Utdata är tillgängliga.failedGenereringen misslyckades. Kontrollera error-fältet.Slutfört svar
{
"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"
}
}Ladda upp filer
Ladda upp filer till Atlas Cloud-lagring och få en URL som du kan använda i dina API-förfrågningar. Använd multipart/form-data för uppladdning.
/api/v1/model/uploadMediaUppladdningsexempel
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}")Svar
{
"data": {
"download_url": "https://storage.atlascloud.ai/uploads/abc123/image.png",
"file_name": "image.png",
"content_type": "image/png",
"size": 1024000
}
}Input Schema
Följande parametrar accepteras i förfrågningsinnehållet.
Inga parametrar tillgängliga.
Exempel på förfrågningsinnehåll
{
"model": "google/imagen3"
}Output Schema
API:et returnerar ett prediction-svar med de genererade utdata-URL:erna.
Exempelsvar
{
"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 integrerar 300+ AI-modeller direkt i din AI-kodassistent. Ett kommando för att installera, sedan använd naturligt språk för att generera bilder, videor och chatta med LLM.
Stödda klienter
Installera
npx skills add AtlasCloudAI/atlas-cloud-skillsKonfigurera API Key
Hämta din API key från Atlas Cloud-instrumentpanelen och ställ in den som en miljövariabel.
export ATLASCLOUD_API_KEY="your-api-key-here"Funktioner
När det är installerat kan du använda naturligt språk i din AI-assistent för att komma åt alla Atlas Cloud-modeller.
MCP Server
Atlas Cloud MCP Server ansluter din IDE med 300+ AI-modeller via Model Context Protocol. Fungerar med alla MCP-kompatibla klienter.
Stödda klienter
Installera
npx -y atlascloud-mcpKonfiguration
Lägg till följande konfiguration i din IDE:s MCP-inställningsfil.
{
"mcpServers": {
"atlascloud": {
"command": "npx",
"args": [
"-y",
"atlascloud-mcp"
],
"env": {
"ATLASCLOUD_API_KEY": "your-api-key-here"
}
}
}
}Tillgängliga verktyg
API Schema
Schema ej tillgängligtLogga in för att visa förfrågningshistorik
Du måste vara inloggad för att få tillgång till din modellförfrågningshistorik.
Logga InImagen 3
Imagen 3 is DeepMind’s latest text-to-image generative model, focusing on high-quality image generation with improved detail, lighting, and reduced artifacts.
Core Capabilities
-
Enhanced prompt understanding for complex image generation tasks
-
Improved text rendering for applications like presentations and typography
-
Support for diverse artistic styles from photorealism to animation
-
Better handling of lighting, textures, and fine details
-
Natural language prompt processing without requiring complex prompt engineering
Technical Improvements
Image Quality
-
Enhanced color balance and vibrancy
-
Improved texture rendering
-
Better detail preservation in complex scenes
-
Reduced artifact generation
-
More accurate style reproduction across different artistic genres
Prompt Processing
-
Support for longer, more detailed prompts
-
Better understanding of camera angles and composition requirements
-
Improved handling of specific style requests
-
Enhanced text rendering capabilities
Benchmarks
Performance metrics based on human evaluation using GenAI-Bench:
-
Highest score for visual quality among compared models
-
High accuracy in prompt response adherence
-
Strong performance in overall preference benchmarks
Detailed benchmark methodology and results are available in Appendix D of the technical report.
Security Features
-
Built-in content filtering system
-
Dataset filtering to minimize harmful content
-
SynthID watermarking integration for image identification
-
Extensive red teaming and evaluations for: Fairness, Bias, Content safety
Technical Documentation
For detailed technical specifications and methodology, refer to the full technical report.
