对象存储
对象存储
对象存储
文档指南
请输入
产品动态
产品公告
产品计费
快速入门
用户指南
存储桶管理
基础设置
容错与容灾
ObjectSet
文件管理
监控与告警
权限配置
IAM 策略管理
典型配置场景
IAM 子用户授权
使用工具及 SDK 的授权说明
接入点
单区域接入点（SRAP）
内容感知与处理（SenseFlow）
TOS Agent
数据处理
分层命名空间（HNS）
TOS Vectors
API 参考
向量桶
SDK 参考
Python-Vectors
向量桶
向量索引
Java-Vectors
向量桶
向量索引
Node.js-Vectors
向量桶
向量索引
工具指南
tosutil
常用命令
辅助命令
TOS Browser
FSX
TOS PyTorch Connector
tosfsspec
API 参考
签名机制
存储桶
桶基础操作
自定义域名
数据处理
媒体处理
视频转码
音频转码
ObjectSet
生命周期
对象
基础操作
分片上传
SDK 参考
Java
存储桶接口
管理桶配置
ObjectSet
对象接口
下载对象
数据处理
视频处理
日志配置
分层命名空间
Python
数据处理
存储桶接口
对象接口
上传对象
C++
存储桶接口
对象接口
Go
对象接口
存储桶接口
管理桶配置
ObjectSet
数据处理
日志配置
Node.js
存储桶接口
对象接口
上传对象
数据处理
Browser.js
上传对象
.NET
对象接口
PHP
对象接口
异常处理
Android
对象接口
iOS
对象接口
Harmony
存储桶接口
对象接口
上传对象
Rust
存储桶接口
桶基础操作
桶清单
自定义域名
对象接口
基础操作
错误码
01-SERVICE_ERROR
02-AUTH
03-ACCESS_CONTROL
04-QOS
05-REQUEST
06-BUCKET
07-LIFECYCLE
08-ACL
09-CORS
10-POLICY
11-MIRROR
12-REPLICATION
13-WEBSITE
14-NOTIFICATION
15-ENCRYPT
16-CUSTOMDOMAIN
17-OBJECT
18-TAG
19-MULTIPART
20-STORAGE_CLASS
21-CALLBACK
22-DATA_PROCESS
23-BATCH
24-STORAGE_LENS
25-INVENTORY
26-DIRECTORY_BUCKET
32-WORM
常见问题
最佳实践
AIGC-豆包大模型最佳实践
校验数据一致性
- 文档首页
对象存储最佳实践AIGC-豆包大模型最佳实践TOS-豆包大模型最佳实践：视觉理解&生图模型&视频生成
复制全文
下载 pdfTOS-豆包大模型最佳实践：视觉理解&生图模型&视频生成
文档反馈
问问助手图片处理在众多领域如互联网、媒体、电商等都有着广泛的应用。火山方舟模型在视觉理解、生图和视频生成等方面展现出强大的能力，而对象存储凭借其高效的数据存储和灵活的数据处理能力，能够为火山方舟的模型提供有力支持。本文档旨在介绍如何充分利用对象存储的数据处理能力，优化火山方舟模型的预处理及后处理流程，提升处理效率和质量。
背景信息
火山方舟支持丰富的模型，例如：
- 视觉理解：多模态大模型，具备强大的图片理解与推理能力，以及精准的指令理解能力。模型在图像文本信息抽取、基于图像的推理任务上有展现出了强大的性能，能够应用于更复杂、更广泛的视觉问答任务。
- 图文生图：支持多种视觉风格。根据垂类场景，提供多种服务，可广泛应用于教育、娱乐、办公等场景。
- 视频生成：支持输入文本、图片生成视频，具备出色的语义理解能力，能快速生成优质的视频片段，可应用于影视创作、广告传媒等多个场景。
使用限制
由于模型类型等限制，在实际使用图片类型模型中，可能存在如下需求：
图片处理操作 | 说明 |
图片处理操作 | 说明 |
图片格式转换 | 模型支持传入的图片格式有限，例如您使用 iOS 系统拍摄的照片，由于是 .heic 格式，需要转换成模型支持的图片格式后再使用。 |
图片压缩 | 模型传入的文件大小有限制，如果您上传的图片超出限制，您需要先完成图片压缩后，再使用该模型。 |
图片缩放 | 模型理解图片，会将图片转化为 token ，再进行推理计算。token 用量是根据图片宽高像素计算得到。图片缩放后，可以支持更多的处理张数，节省使用成本。 |
省流 | 如果您需要传入的图片在本地，您需要将这个图片转化为 Base64 编码，再提交给大模型。Base64 编码会增大传输的流量。 |
视频 | 视觉理解模型本质上仅能对图片内容进行理解，如果您上传的是视频，您需要先获取视频截帧后的静图，再由视觉理解模型对静图内容进行理解。 |
模型结果处理 | 模型输出结果对应的图片需要进一步优化，如添加标注、水印等后处理，处理后按需提供给下游应用。 |
能力说明
通过接入对象存储服务，可以给您在使用大模型时带来更优的体验。对象存储服务在图片处理方面提供了高效、灵活且可扩展的解决方案，TOS 同时支持多种图片处理能力，可与火山方舟的视觉理解模型、文/图生图模型、视频生成模型等组合使用，支持的常见模型类型及说明请参见模型列表。
说明
方案说明
根据 TOS 现有能力及您的业务目标，我们提供了如下方案：
业务目标 | 操作步骤 |
业务目标 | 操作步骤 |
图片预处理 |
说明 您还可以将预处理后的图片保存在 TOS 中，方便后面多次使用。
|
图片后处理 |
|
方案优势
本文以视觉理解模型为例，介绍使用 TOS 组合方案的优势。
类型 | 自建图片处理+豆包大模型 | TOS + 豆包大模型组合方案 |
类型 | 自建图片处理+豆包大模型 | TOS + 豆包大模型组合方案 |
提升部分限制 |
| |
压缩方式 | 引入开源组件，自行实现压缩 | 专有图像处理服务。 |
算力 | 消耗本地算力 | 云端算力，专有芯片。 |
性能 | - | 相比 Base64 方案，传输数据较小。 |
费用成本 |
|
|
复杂性 | 便于本地调试 | 控制台配置，一次配置，永久生效。 注意 虽然是自动化配置，但首次配置可能会出错。配置前您需要确认所需的图片处理样式。 |
操作准备
TOS 侧配置
火山方舟侧配置
- 创建存储桶并获取存储桶的内网访问域名。使用控制台创建存储桶的操作步骤，请参见创建存储桶。
说明
通过火山方舟访问 TOS 服务为内网访问，因此不会产生公网流出流量费用。
-
- （可选）把需要的图片或视频上传至 TOS。
- 本文以 Python SDK 为例，介绍将本地图片或视频上传至 TOS 的示例代码。Python SDK 详细说明，请参见 概述（Python SDK）。
- import osimport tos# 从环境变量获取 AK 和 SK 信息。ak = os.getenv('TOS_ACCESS_KEY')sk = os.getenv('TOS_SECRET_KEY')# your endpoint 和 your region 填写Bucket 所在区域对应的Endpoint。# 以华北2(北京)为例，your endpoint 填写 tos-cn-beijing.ivolces.com，your region 填写 cn-beijing。endpoint = "your endpoint"region = "your region"bucket_name = "bucket-test"# 对象名称，例如 example_dir 下的 example_object.jpg 文件，则填写为 example_dir/example_object.jpgobject_key = "object-test"# 本地文件路径file_name = "/usr/local/test.jpg"try:# 创建 TosClientV2 对象，对桶和对象的操作都通过 TosClientV2 实现client = tos.TosClientV2(ak, sk, endpoint, region)# 将本地文件上传到目标桶中# file_name为本地文件的完整路径。client.put_object_from_file(bucket_name, object_key, file_name)except tos.exceptions.TosClientError as e:# 操作失败，捕获客户端异常，一般情况为非法请求参数或网络异常print('fail with client error, message:{}, cause: {}'.format(e.message, e.cause))except tos.exceptions.TosServerError as e:# 操作失败，捕获服务端异常，可从返回信息中获取详细错误信息print('fail with server error, code: {}'.format(e.code))# request id 可定位具体问题，强烈建议日志中保存print('error with request id: {}'.format(e.request_id))print('error with message: {}'.format(e.message))print('error with http code: {}'.format(e.status_code))print('error with ec: {}'.format(e.ec))print('error with request url: {}'.format(e.request_url))except Exception as e:print('fail with unknown error: {}'.format(e))
- 获取 base_url，例如 https://ark.cn-beijing.volces.com/api/v3。
- 获取 model，例如 p-2024**********-****m。
格式转换
压缩（图片缩放）
压缩（质量变换）
水印（文字/图片水印）
视频截帧
图片持久化
原图保护
- 能力说明：转换图片格式。
- 参考文档：格式转换
- 示例：
- 处理参数：image/format,png
- 处理示例：https://tos-tools.tos-cn-beijing.volces.com/misc/sample.png?x-tos-process=image/format,png
- 图形化样例：
- 能力说明：将图片缩放至指定大小。
- 参考文档：图片缩放
- 示例：将图片限制宽高为200 px*200 px。
- 处理参数：image/resize,m_fixed,w_200,h_200
- 处理示例：https://tos-tools.tos-cn-beijing.volces.com/misc/sample.png?x-tos-process=image/resize,w_200,h_200,m_fixed
- 图形化样例：
- 能力说明：调整 jpg/jpeg 和 webp 格式图片的质量。
- 参考文档：质量变换
- 示例：将图片限制宽高为200 px*200 px。
- 处理参数：image/auto-orient,1/quality,Q_60
- 图形化样例：
- 能力说明：为图片添加图片或文字水印。
- 参考文档：图片水印
- 示例：添加文字水印，文字内容为 Hello，文字大小设置为 72，颜色设置为红色，字体设置为方正书宋。
- 处理参数：image/watermark,text_aGVsbG8gd29ybGQ,type_ZmFuZ3poZW5nc2h1c29uZw,size_72,color_ff0000
- 图形化样例：
- 能力说明：从视频流中截取指定时刻的单帧画面，并按指定大小缩放成图片。
- 参考文档：视频截帧
- 示例：使用默认模式截取 26000ms 处的帧，缩放宽度 400 px、高度 200 px，且图片输出格式为 jpg。
- 能力说明：将处理后的图片保存至指定的存储桶。
- 参考文档：图片处理持久化
- 示例：将处理后的图片命名为 abc.png，并保存至名为 arctic 的存储桶
- 处理后的 URL：https://tos-tools.tos-cn-beijing.volces.com/misc/sample.png?x-tos-process=image/resize,w_100
- 处理示例：https://tos-tools.tos-cn-beijing.volces.com/misc/sample.png?x-tos-process=image/resize,w_100&x-tos-save-object=YWJjLnBuZw==&x-tos-save-bucket=YXJjdGlj
- 能力说明：只能通过携带图片样式参数的 URL 或预签名 URL 访问图片。
- 参考文档：原图保护--对象存储-火山引擎
- 开启原图保护后，匿名用户可以通过以下方式访问图片：
- 使用携带图片样式参数的 URL 访问图片，格式为 https://<存储桶的名称>.<Endpoint>/<图片的名称>?x-tos-process=style/<样式的名称>。关于图片样式的介绍，请参见使用图片样式。
- 使用预签名 URL 访问图片，格式为 https://<存储桶的名称>.<Endpoint>/<图片的名称>?<签名>。关于预签名的介绍，请参见预签名概述。
场景示例
本文根据 TOS 数据处理能力及方舟模型类型，介绍不同场景下的示例代码。
TOS + 视觉理解模型
在线推理
场景说明如下：
- 场景 1：TOS 不保存处理后的图片或视频截帧文件，即处理后的结果只作为模型的单次输入，无法重复使用。如您后续还想继续使用该图片，需要重新调用 TOS 处理，可能会产生一部分数据处理及请求等费用，详情请参见计费概述。
- 场景 2：使用图片处理持久化功能，将处理后的图片或视频截帧文件保存至 TOS，保存后即可重复使用。
场景1
场景2
# coding:utf-8
"""
该代码示例展示了如何使用火山引擎的TOS（对象存储服务）进行图片和视频的处理及URL生成，
并结合火山方舟视觉理解大模型进行图像相关的问答。
在运行此代码前，请确保已安装相应的SDK：
1. `pip install --upgrade 'volcengine-python-sdk[ark]'`
2. `pip install tos`
注意：请妥善保管您的密钥信息，避免泄露。
"""
import tos
from volcenginesdkarkruntime import Ark
# TOS服务的访问密钥
TOS_ACCESS_KEY = "Your Access Key"
TOS_SECRET_KEY = "Your Secret Key"
# 火山方舟的API密钥
ARK_API_KEY = "Your API Key"
if __name__ == "__main__":
"""
主函数，执行主要的业务逻辑，包括TOS操作和火山方舟模型调用。
"""
# TOS服务的相关配置
endpoint = "Your Endpoint"
region = "Your Region"
bucket_name = "Your Bucket"
image_key = "test.jpeg"
video_key = "test.mp4"
# 定义图片处理方式
image_process_style = "image/resize,h_100/format,jpg"
# 定义视频处理方式
video_process_style = "video/snapshot,t_2000"
# 创建TOS客户端
tos_client = tos.TosClientV2(TOS_ACCESS_KEY, TOS_SECRET_KEY, endpoint, region)
# 预签名图片处理URL，供方舟调用
image_url = tos_client.pre_signed_url(tos.HttpMethodType.Http_Method_Get, bucket=bucket_name, key=image_key,
query={"x-tos-process": image_process_style}, expires=3600)
print("----- Generate Image PreSignedURL Success ------")
print(f"PreSignedURL: {image_url.signed_url}")
# 预签名视频截帧URL，供方舟调用
snapshot_url = tos_client.pre_signed_url(tos.HttpMethodType.Http_Method_Get, bucket=bucket_name, key=video_key,
query={"x-tos-process": video_process_style}, expires=3600)
print("----- Generate Video Snapshot PreSignedURL Success ------")
print(f"PreSignedURL: {snapshot_url.signed_url}")
# 创建火山方舟客户端
client = Ark(
api_key=ARK_API_KEY,
base_url="https://ark.cn-beijing.volces.com/api/v3",
)
print("----- Streaming Request -----")
stream = client.chat.completions.create(
model="ep-xxxxx-kxzmn", # 替换 model，填入 准备操作-在线推理 获取的 model
messages=[
{
"role": "system",
"content": "你是豆包，是由字节跳动开发的AI人工智能助手",
},
{
"role": "user",
"content": [
{
"type": "text",
"text": "请用几个关键词解释一下这张图帮我解释一下这张图",
},
{"type": "image_url", "image_url": {"url": image_url.signed_url}}, # 传入TOS预签名后图片处理URL或者视频截帧URL
],
},
],
stream=True,
)
for chunk in stream:
if not chunk.choices:
continue
print(chunk.choices[0].delta.content, end="")
print()
# coding:utf-8
"""
该代码示例展示了如何使用火山引擎的TOS（对象存储服务）进行图片和视频截帧的处理，将处理结果转存，
并结合火山方舟视觉理解大模型进行图像相关的问答。
在运行此代码前，请确保已安装相应的SDK：
1. `pip install --upgrade 'volcengine-python-sdk[ark]'`
2. `pip install tos`
注意：请妥善保管您的密钥信息，避免泄露。
"""
import base64
import tos
from volcenginesdkarkruntime import Ark
# TOS服务的访问密钥
TOS_ACCESS_KEY = "Your Access Key"
TOS_SECRET_KEY = "Your Secret Key"
# 火山方舟的API密钥
ARK_API_KEY = "Your API Key"
if __name__ == "__main__":
"""
主函数，执行主要的业务逻辑，包括TOS操作和火山方舟模型调用。
"""
# TOS服务的相关配置
endpoint = "Your Endpoint"
region = "Your Region"
bucket_name = "Your Bucket"
image_key = "test.jpeg"
video_key = "test.mp4"
save_bucket = "Your Save Bucket"
save_object = "Your Save Object"
# 定义图片处理方式
image_process_style = "image/resize,h_100/format,jpg"
# 定义视频截帧处理方式
video_process_style = "video/snapshot,t_2000"
# 创建TOS客户端
tos_client = tos.TosClientV2(TOS_ACCESS_KEY, TOS_SECRET_KEY, endpoint, region)
# 处理图片并转存
object_stream = tos_client.get_object(
bucket=bucket_name,
key=image_key,
process=image_process_style,
save_bucket=base64.b64encode(save_bucket.encode("utf-8")).decode("utf-8"),
save_object=base64.b64encode(save_object.encode("utf-8")).decode("utf-8"),
)
print(f"----- Process Image And Save To Bucket {save_bucket} Object {save_object} Success ------")
# 预签名转存后的图片url，供方舟调用
image_url = tos_client.pre_signed_url(tos.HttpMethodType.Http_Method_Get, bucket=save_bucket, key=save_object,
expires=3600)
print("----- Generate Image PreSignedURL Success ------")
print(f"PreSignedURL: {image_url.signed_url}")
# 处理视频截帧结果并转存
object_stream = tos_client.get_object(
bucket=bucket_name,
key=video_key,
process=video_process_style,
save_bucket=base64.b64encode(save_bucket.encode("utf-8")).decode("utf-8"),
save_object=base64.b64encode(save_object.encode("utf-8")).decode("utf-8"),
)
print(f"----- Process Video Snapshot And Save To Bucket {save_bucket} Object {save_object} Success ------")
# 生成视频截帧url
snapshot_url = tos_client.pre_signed_url(tos.HttpMethodType.Http_Method_Get, bucket=save_bucket, key=save_object,
expires=3600)
print("----- Generate Video Snapshot PreSignedURL Success ------")
print(f"PreSignedURL: {snapshot_url.signed_url}")
# 创建火山方舟客户端
client = Ark(
api_key=ARK_API_KEY,
base_url="https://ark.cn-beijing.volces.com/api/v3",
)
print("----- Streaming Request -----")
stream = client.chat.completions.create(
model="ep-xxxxx-kxzmn", # 替换 model，填入 准备操作-在线推理 获取的 model
messages=[
{
"role": "system",
"content": "你是豆包，是由字节跳动开发的AI人工智能助手",
},
{
"role": "user",
"content": [
{
"type": "text",
"text": "请用几个关键词解释一下这张图帮我解释一下这张图",
},
{"type": "image_url", "image_url": {"url": image_url.signed_url}}, # 传入TOS预签名后的图片url
],
},
],
stream=True,
)
for chunk in stream:
if not chunk.choices:
continue
print(chunk.choices[0].delta.content, end="")
print()
批量推理
注意
场景说明如下：
- 场景 1：TOS 不保存处理后的图片或视频截帧文件，即处理后的结果只作为模型的单次输入，无法重复使用。如您后续还想继续使用该图片，需要重新调用 TOS 处理，可能会产生一部分数据处理及请求等费用，详情请参见计费概述。
- 场景 2：使用图片处理持久化功能，将处理后的图片或视频截帧文件保存至 TOS，保存后即可重复使用。
场景 1
场景 2
import base64
import json
import tos
import uvloop
from bytedance_ark_batch_inference.client import BatchInferenceClient
def generate_image_urls(tos_client, bucket_name, image_keys, style, save_bucket, save_objects):
image_urls = []
for image_key, save_object in zip(image_keys, save_objects):
tos_client.get_object(
bucket=bucket_name,
key=image_key,
process=style,
save_bucket=base64.b64encode(save_bucket.encode("utf-8")).decode("utf-8"),
save_object=base64.b64encode(save_object.encode("utf-8")).decode("utf-8"),
)
image_url = tos_client.pre_signed_url(
http_method=tos.HttpMethodType.Http_Method_Get,
bucket=save_bucket,
key=save_object,
expires=3600
)
image_urls.append(image_url.signed_url)
return image_urls
def create_requests_json(image_urls):
requests = []
for i, image_url in enumerate(image_urls, start=1):
request = {
"custom_id": f"request-{i}",
"body": {
"messages": [
{
"role": "system",
"content": "你是豆包，是由字节跳动开发的 AI 人工智能助手",
},
{
"role": "user",
"content": [
{
"type": "text",
"text": "请用几个关键词解释一下这张图帮我解释一下这张图",
},
{
"type": "image_url",
"image_url": {"url": image_url},
},
],
},
],
"max_tokens": 1000,
"top_p": 1
}
}
requests.append(request)
return requests
def create_tos_client(ak, sk, endpoint, region):
return tos.TosClientV2(ak, sk, endpoint, region)
def upload_json_to_tos(tos_client, input_bucket_name, object_key, json_data):
json_bytes = json.dumps(json_data, ensure_ascii=False).encode('utf-8')
tos_client.put_object(bucket=input_bucket_name, key=object_key, content=json_bytes)
async def run_batch_inference(input_bucket_name, output_bucket_name, object_key, output_key):
batch_inference_client = BatchInferenceClient()
response = await batch_inference_client.create_batch_inference_job(input_bucket_name, output_bucket_name, object_key, output_key)
response = await batch_inference_client.ListBatchInferenceJobs(['Running'])
print('done')
async def main():
TOS_ACCESS_KEY = "Your Access Key"
TOS_SECRET_KEY = "Your Secret Key"
# 配置参数
endpoint = "Your Endpoint"
region = "Your Region"
bucket_name = "Your Bucket"
image_keys = ["image1.jpeg", "image2.jpeg", "image3.jpeg"] # 文件列表
style = "image/resize,h_100/format,jpg"
save_bucket = "Save Bucket" # 图片处理转存的桶名
save_objects = ["temp1.jpeg", "temp2.jpeg", "temp3.jpeg"] # 对应的保存文件名列表
input_key = "input.jsonl" # 批量推理输入文件，在TOS中存储的Key
output_key = "output.jsonl" # 批量推理输出文件，在TOS中存储的Key
tos_client = create_tos_client(TOS_ACCESS_KEY, TOS_SECRET_KEY, endpoint, region)
# 生成图像URL
image_urls = generate_image_urls(tos_client, bucket_name, image_keys, style, save_bucket, save_objects)
# 创建请求JSON数据
requests_data = create_requests_json(image_urls)
# 上传JSON数据至TOS
upload_json_to_tos(tos_client, bucket_name, input_key, requests_data)
# 运行批量推理
await run_batch_inference(bucket_name, bucket_name, input_key, output_key)
if __name__ == '__main__':
uvloop.run(main())
import base64
import json
import tos
import uvloop
from bytedance_ark_batch_inference.client import BatchInferenceClient
def generate_image_urls(tos_client, bucket_name, image_keys, style, save_bucket, save_objects):
image_urls = []
for image_key, save_object in zip(image_keys, save_objects):
image_url = tos_client.pre_signed_url(
http_method=tos.HttpMethodType.Http_Method_Get,
bucket=bucket_name,
key=image_key,
query={"x-tos-process": style},
expires=3600
)
image_urls.append(image_url.signed_url)
return image_urls
def create_requests_json(image_urls):
requests = []
for i, image_url in enumerate(image_urls, start=1):
request = {
"custom_id": f"request-{i}",
"body": {
"messages": [
{
"role": "system",
"content": "你是豆包，是由字节跳动开发的 AI 人工智能助手",
},
{
"role": "user",
"content": [
{
"type": "text",
"text": "请用几个关键词解释一下这张图帮我解释一下这张图",
},
{
"type": "image_url",
"image_url": {"url": image_url},
},
],
},
],
"max_tokens": 1000,
"top_p": 1
}
}
requests.append(request)
return requests
def create_tos_client(ak, sk, endpoint, region):
return tos.TosClientV2(ak, sk, endpoint, region)
def upload_json_to_tos(tos_client, input_bucket_name, object_key, json_data):
json_bytes = json.dumps(json_data, ensure_ascii=False).encode('utf-8')
tos_client.put_object(bucket=input_bucket_name, key=object_key, content=json_bytes)
async def run_batch_inference(input_bucket_name, output_bucket_name, object_key, output_key):
batch_inference_client = BatchInferenceClient()
response = await batch_inference_client.create_batch_inference_job(input_bucket_name, output_bucket_name, object_key, output_key)
response = await batch_inference_client.ListBatchInferenceJobs(['Running'])
print('done')
async def main():
TOS_ACCESS_KEY = "Your Access Key"
TOS_SECRET_KEY = "Your Secret Key"
# 配置参数
endpoint = "Your Endpoint"
region = "Your Region"
bucket_name = "Your Bucket"
image_keys = ["image1.jpeg", "image2.jpeg", "image3.jpeg"] # 文件列表
style = "image/resize,h_100/format,jpg"
save_bucket = "Save Bucket" # 图片处理转存的桶名
save_objects = ["temp1.jpeg", "temp2.jpeg", "temp3.jpeg"] # 对应的保存文件名列表
input_key = "input.jsonl" # 批量推理输入文件，在TOS中存储的Key
output_key = "output.jsonl" # 批量推理输出文件，在TOS中存储的Key
tos_client = create_tos_client(TOS_ACCESS_KEY, TOS_SECRET_KEY, endpoint, region)
# 生成图像URL
image_urls = generate_image_urls(tos_client, bucket_name, image_keys, style, save_bucket, save_objects)
# 创建请求JSON数据
requests_data = create_requests_json(image_urls)
# 上传JSON数据至TOS
upload_json_to_tos(tos_client, bucket_name, input_key, requests_data)
# 运行批量推理
await run_batch_inference(bucket_name, bucket_name, input_key, output_key)
if __name__ == '__main__':
uvloop.run(main())
TOS + 智能绘图模型
下文以方舟图片生成模型 Doubao-Seedream 5.0 为例，介绍如何通过文生图模型生成图片，并将图片保存到 TOS 桶中，再进行图片处理。
说明
# coding:utf-8
"""
该代码示例展示了使用火山方舟图片生成模型【Doubao-Seedream 5.0】进行文字生成图片，
并使用火山引擎的 TOS（对象存储服务）进行图片的存储、处理及 URL 生成。
在运行此代码前，请确保已安装相应的 SDK，并开通方舟图片生成模型：
1. `pip install --upgrade 'volcengine-python-sdk[ark]'`
2. `pip install tos`
3. `pip install requests`
注意：请妥善保管您的密钥信息，避免泄露。
"""
from __future__ import print_function
import requests
import tos
from volcenginesdkarkruntime import Ark
# TOS 服务的访问密钥
TOS_ACCESS_KEY = "Your Access Key"
TOS_SECRET_KEY = "Your Secret Key"
# 火山方舟的 API 密钥
ARK_API_KEY = "Your ARK API Key"
# 图片生成模型 ID，如 doubao-seedream-5-0-260128 / doubao-seedream-4-5-251128 / doubao-seedream-4-0-250828
MODEL = "Your ARK Model"
if __name__ == '__main__':
# TOS 服务的相关配置
endpoint = "Your Endpoint"
region = "Your Region"
bucket_name = "Your Bucket"
image_obj_key = "test.jpeg"
# 定义图片处理方式
image_process_style = "image/resize,h_100/format,jpg"
# 1. 调用方舟图片生成模型，文字生成图片
client = Ark(
api_key=ARK_API_KEY,
base_url="https://ark.cn-beijing.volces.com/api/v3",
)
images_response = client.images.generate(
model=MODEL,
prompt="千军万马过独木桥，水墨意境，国风插画",
size="2K",
response_format="url",
watermark=False,
)
origin_image_url = images_response.data[0].url
print('Origin image url: ', origin_image_url)
# 2. 将图片保存至 TOS
# 创建 TOS 客户端并上传图片
tos_client = tos.TosClientV2(TOS_ACCESS_KEY, TOS_SECRET_KEY, endpoint, region)
# requests.get 获取网络流，python sdk 支持上传网络流
# requests 返回的是一个可迭代对象（Iterable），此时 Python SDK 会通过 Chunked Encoding 方式上传。
content = requests.get(origin_image_url, stream=True)
result = tos_client.put_object(bucket_name, image_obj_key, content=content.raw)
content.close()
print('put object result code:{}'.format(result.status_code))
# 3. 通过图片处理服务，处理生成的图片
image_url = tos_client.pre_signed_url(tos.HttpMethodType.Http_Method_Get, bucket=bucket_name, key=image_obj_key,
query={"x-tos-process": image_process_style}, expires=3600)
print("----- Generate Image PreSignedURL Success ------")
print(f"PreSignedURL: {image_url.signed_url}")
TOS + 视频生成模型
下文以方舟视频生成模型 Doubao-Seedance 2.0 为例，介绍将本地图片保存到 TOS 桶中，并进行图片处理，最后将处理后的图片通过方舟的 Doubao-视频生成-Seedance 视觉大模型，生成 5 秒的视频。
# coding:utf-8
"""
该代码示例展示了使用火山方舟-【Doubao-视频生成-Seedance】进行图片生成视频，
并使用火山引擎的 TOS（对象存储服务）进行图片的处理及 URL 生成。
在运行此代码前，请确保已安装相应的 SDK，并开通火山方舟服务以及【Doubao-Seedance 2.0】视频生成大模型：
1. `pip install --upgrade 'volcengine-python-sdk[ark]'`
2. `pip install tos`
注意：请妥善保管您的密钥信息，避免泄露。
"""
import time
import tos
from volcenginesdkarkruntime import Ark
# 火山方舟的 API 密钥
ARK_API_KEY = "Your ARK API Key"
# 视频生成模型 ID，如 doubao-seedance-2-0-260128 / doubao-seedance-2-0-fast-260128 /
# doubao-seedance-1-5-pro-251215 / doubao-seedance-1-0-pro-250528
MODEL = "Your ARK Model"
# 用户的访问密钥
ACCESS_KEY = "Your Access Key"
SECRET_KEY = "Your Secret Key"
if __name__ == '__main__':
# TOS 服务的相关配置
endpoint = "Your Endpoint"
region = "Your Region"
bucket_name = "Your Bucket"
image_obj_key = "test.jpeg"
file_name = "test.jpeg"
# 定义图片处理方式
image_process_style = "image/resize,h_500/format,jpg"
# 1. 初始化 tos client，并将图片上传到 tos 桶中
tos_client = tos.TosClientV2(ACCESS_KEY, SECRET_KEY, endpoint, region)
result = tos_client.put_object_from_file(bucket_name, image_obj_key, file_name)
print('put object result code:{}'.format(result.status_code))
# 2. 图片处理后获取文件下载预签名链接
image_url = tos_client.pre_signed_url(tos.HttpMethodType.Http_Method_Get, bucket=bucket_name, key=image_obj_key,
query={"x-tos-process": image_process_style}, expires=3600)
print('image url after data process handle:{}'.format(image_url.signed_url))
# 3. 将处理后的图片调用方舟视频生成模型生成视频
client = Ark(api_key=ARK_API_KEY)
create_result = client.content_generation.tasks.create(
model=MODEL,
content=[
{
# 文本提示词与参数组合
"type": "text",
"text": "千军万马过独木桥，大军缓缓走过桥梁，镜头缓缓拉出，桥下的水面波光粼粼 --ratio 16:9 --dur 5"
},
{
# 图片 URL，作为首帧
"type": "image_url",
"image_url": {
"url": image_url.signed_url
},
}
]
)
print(create_result)
print("----- get request -----")
# 获取任务详情，一直等待任务完成，任务完成后视频地址在 content.video_url 中
while True:
get_result = client.content_generation.tasks.get(task_id=create_result.id)
if get_result.status == "succeeded":
print(get_result)
break
if get_result.status == "failed":
print("视频生成失败：", get_result)
break
# sleep 一段时间
print("火山方舟仍在生成视频，稍等...")
time.sleep(5)
最近更新时间：2026.09.10 19:06:23
这个页面对您有帮助吗？
有用
有用
无用
无用