展开本页目录
开始前准备什么
- 下载并解压独立练习包，先读 README 的实际执行范围。
- 使用原创或获授权输入，保留原文件、软件版本与失败记录。
- 模型和在线渠道需要单独准备；不包含权重、真实密钥或付费额度。
- 先确认图像分层的目标
- 准备正确模型与算力
- 设定层数与分辨率
- 逐张保存真实 RGBA 输出
- 在编辑器逐层开关
- 只移动目标层再合成
- 归档层与可编辑性边界
原创输入、操作脚本、来源与验收说明；未运行范围逐项标明。
1. 先确认图像分层的目标
poster-input.png 为本站原创商品海报，含杯子、价签、装饰和背景；original-layers/ 是本站绘制时保存的已知源图层，仅作人工真值参考，不是 Qwen 输出。
2. 准备正确模型与算力
使用官方 Qwen/Qwen-Image-Layered，20B BF16，按官方 Diffusers/CUDA 样例准备环境。HF 自动生成的 MPS 代码不等于小内存 Mac 实测通过；本包不含权重，本页未推理。
3. 设定层数与分辨率
使用 QwenImageLayeredPipeline，image 转 RGBA，先用官方推荐 640 分辨率和 layers:4。层数是语义拆分目标，不能保证与设计源文件完全一一对应。
4. 逐层保存模型真实返回的 RGBA
真实推理完成后遍历 output.images[0]，为每层保存独立 PNG，并读取模式、尺寸和 Alpha 极值。不能把同一张 RGB 复制四份当分层，也不能凭白底预览判断透明。
在棋盘格上逐层开关，检查背景、商品、价签与遮挡补全。语义层数不必等同原设计源文件层数；未推理时保留待运行状态和作者源图身份。
model-example.py
from diffusers import QwenImageLayeredPipeline
from PIL import Image
import torch
pipe = QwenImageLayeredPipeline.from_pretrained("Qwen/Qwen-Image-Layered").to("cuda", torch.bfloat16)
result = pipe(image=Image.open("poster-input.png").convert("RGBA"), layers=4, resolution=640, num_inference_steps=50).images[0]
for i, image in enumerate(result):
image.save(f"actual-layer-{i}.png")5. 在编辑器逐层开关
以棋盘格检查背景、主体、价签边缘和被遮挡内容，区分生成补全与原图可见部分。官方示例为作者结果，本站源图层不是其推理结果。
6. 只移动目标层再合成
选中价签层偏移，其他图层保持不变，再按原画布大小重新合成；包内 compose.py 可真实合成人工真值层，作用是验 alpha/顺序，不能证明模型分层质量。
7. 归档层与可编辑性边界
保存实际输出与原图差异；拆出的文字通常仍为像素，不是可编辑字体。错误层、边缘漏色与重建差异都应记录，不承诺一张 PNG 还原原始 PSD。
怎样确认已经完成
- 7 个步骤使用同一明确输入，真实结果与人工/官方参考分别标识。
- 实际输出重新打开，核对文字、时间码、尺寸、图层或剪点；结构通过不代替内容验收。
- 保留原始输入、版本、参数、输出和失败样本，正式任务先做小样。
常见问题
Qwen Image Layered 图片分层怎么操作？
选择正确的 Layered 模型和分层数量，将实际返回逐层保存为 RGBA。到编辑器逐层开关，只移动目标商品层再合成，检查边缘补全；练习材料不是目标模型分层输出。
Qwen Image Layered 图片分层教程需要哪些输入，本站实际运行了什么？
已完成原创输入、可下载材料和文件预检；未运行本页工具的模型、TTS、付费 API 或外部生成。 输入与脚本在本页 ZIP，详细来源、命令和未运行范围见 README。
AI 图片怎么拆图层，练习包能直接得到工具生成结果吗？
请按7步区分输入、官方示例、人工参考和真实输出。未运行模型的页面没有代造结果；免费代码也可能需要下载权重、硬件或外部服务额度。