Qwen-Image-2.1部署实战基于vLLM-Omni搭建图像生成 API 服务摘要Qwen-Image-2.1一、环境说明二、创建 Conda 环境三、下载模型四、安装 vLLM-Omni五、启动 API 服务六、验证服务七、接口调用7.1 文生图八、性能参考摘要本文记录了使用 vLLM-Omni 部署 Qwen-Image-2.1 图像生成模型的完整过程包括环境准备、源码安装、模型下载、服务启动、OpenAI 兼容 API 调用Qwen-Image-2.1Qwen-Image-2.1 是通义千问推出的图像生成与编辑模型支持文生图、参考图编辑原生支持多张参考图和透明背景。本文使用 vLLM-Omni 将其部署为 OpenAI 兼容的 API 服务方便其他程序调用。一、环境说明项目内容操作系统UbuntuGPUNVIDIA RTX A6000 48GBCUDA13.2Python3.12Conda 环境模型Qwen/Qwen-Image-2.1推理框架vLLM-Omni服务端口8000二、创建 Conda 环境conda create-nvllm-omnipython3.12-yconda activate vllm-omni安装 PyTorch 和 vLLMpipinstalltorch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu130 pipinstallvllm0.29.0配置国内 pip 镜像加速依赖下载pip configsetglobal.index-url https://pypi.tuna.tsinghua.edu.cn/simple pip configsetglobal.trusted-host pypi.tuna.tsinghua.edu.cn三、下载模型使用 ModelScope 下载pipinstall-Umodelscope modelscope download--modelQwen/Qwen-Image-2.1--local_dir/data/models/Qwen-Image-2.1下载完成后确认目录包含model_index.json transformer/ vae/ text_encoder/ scheduler/ tokenizer/四、安装 vLLM-Omnimkdir-p/data/appsgitclone https://github.com/vllm-project/vllm-omni.git /data/apps/vllm-omnicd/data/apps/vllm-omnigitfetch origin pull/7759/head:qwen-image-2.1gitcheckout qwen-image-2.1 conda activate vllm-omni pipinstall-e.验证安装python-cimport vllm_omni; print(vllm_omni.__file__)输出应指向/data/apps/vllm-omni/vllm_omni/__init__.py。五、启动 API 服务推荐用 tmux 挂后台避免终端关闭导致服务中断。tmux new-svllm-serve conda activate vllm-omnicd/data/apps/vllm-omni vllm serve /data/models/Qwen-Image-2.1\--omni\--host0.0.0.0\--port8000\--served-model-name qwen-image启动成功后按 CtrlB 再按 D 退出 tmux服务继续运行。查看日志tmux attach -t vllm-serve六、验证服务健康检查curlhttp://localhost:8000/health查看模型列表curl-shttp://localhost:8000/v1/models|python-mjson.tool应看到{id:qwen-image,...}七、接口调用7.1 文生图接口POST /v1/images/editscurl 示例curl-XPOSThttp://localhost:8000/v1/images/edits\-Fmodelqwen-image\-Fimageinput.png\-Fprompt把背景换成海滩\-Fsize1024x1024\-Fnum_inference_steps40\-oedited_output.png当前 vLLM-Omni 分支限制单次最多 4 张参考图模型原生支持 10 张。八、性能参考项目数值分辨率1024×1024推理步数40单张耗时约 35 秒显存占用约 30GB硬件RTX A6000 48GB