Pygmalion - AI 图像生成系统

基于 Stable Diffusion 的自适应图像生成系统，使用 Qwen3-VL 多模态理解 + Optuna TPE 贝叶斯优化快速收敛到高质量结果。

---

✨ 核心特性

• 🧠 Qwen3-VL 多模态大脑：真正"看懂"参考图，智能推荐 LoRA/模型/参数
• 🎨 智能优化：Optuna TPE 贝叶斯优化，5-10 次试验快速收敛
• 🔒 参考图约束：ControlNet + IP-Adapter + FaceID 保持人物一致性
• 🤖 智能体协作：创意构思 + 多模态评分 + 动态优化
• ⚡ 自动剪枝：智能过滤低质量结果，节省 50% 时间

---

🚀 快速开始

# 1. 安装依赖
pip install -r requirements.txt

# 2. 配置环境变量
cp .env.example .env  # 填入 API 密钥

# 3. 启动系统 (Windows)
run_system.bat

访问 http://localhost:5000 使用 Web UI

详细教程：QUICKSTART.md

---

📖 文档

文档	说明
快速入门	5分钟上手教程
系统架构	技术架构与设计
PID迁移指南	Optuna TPE 升级说明

---

💡 使用示例

基础生成（纯文本）

from pkg.system.engine import DiffuServoV4

engine = DiffuServoV4(theme="动漫女孩，粉色头发")
result = engine.run_with_optuna(n_trials=8, target_score=0.90)

print(f"最优分数: {result['best_score']}")
# Qwen3-VL 自动分析主题并推荐 ANIME 模型 + ANIME_LINEART LoRA

参考图智能生成（Qwen3-VL 深度理解）

engine = DiffuServoV4(
    theme="保持人物不变，修改为兔女郎装",
    reference_image_path="reference.jpg"
)
result = engine.run_with_optuna(n_trials=8, target_score=0.90)
# Qwen3-VL 分析参考图风格/色彩/构图，推荐最佳 LoRA 组合
# 自动应用 ControlNet + IP-Adapter 保持人脸一致性

---

📊 性能

配置	耗时	质量
快速模式 (3 trials)	~20秒	0.70-0.80
平衡模式 (8 trials)	~40秒	0.85-0.92
精细模式 (15 trials)	~60秒	0.90+

---

🤝 贡献

欢迎提交 Issue 和 Pull Request！

git clone https://github.com/yourusername/Pygmalion.git
cd Pygmalion
pip install -r requirements.txt
pytest tests/

---

📄 许可证

MIT License - 详见 LICENSE