Z-Image-Turbo负载均衡实验：多实例并行处理请求-开发者社区

Z-Image-Turbo负载均衡实验：多实例并行处理请求

Z-Image-Turbo_UI界面设计简洁直观，功能布局清晰，适合图像生成任务的快速操作。界面左侧为参数设置区，包含图像尺寸、生成步数、采样方法、提示词输入等核心控制选项；中间区域用于预览生成结果，支持缩放与对比查看；右侧则集成了模型切换、输出路径配置及历史记录访问等功能模块。整个UI基于Gradio框架构建，响应迅速，交互流畅，即便是初次使用者也能在短时间内上手完成高质量图像生成。

在浏览器中通过访问127.0.0.1:7860地址即可使用该服务。只要本地或远程服务器成功启动了Z-Image-Turbo的Gradio应用，用户无需安装额外插件，打开任意现代浏览器（如Chrome、Edge、Firefox）输入对应地址，即可进入图形化操作界面。页面加载后会自动显示当前运行状态、模型加载信息以及可用资源情况，确保用户对系统运行环境有基本掌握。

1. Z-Image-Turbo 模型在 UI 界面中使用

1.1 启动服务加载模型

要开始使用Z-Image-Turbo进行图像生成，首先需要在终端执行启动脚本：

python /Z-Image-Turbo_gradio_ui.py

当命令行输出如下图所示的日志内容时，表示模型已成功加载，并且Gradio服务正在监听本地7860端口：

此时可以看到类似Running on local URL: http://127.0.0.1:7860的提示，说明服务已经就绪。接下来就可以通过浏览器访问UI界面，开始提交图像生成请求。

1.2 访问UI界面的两种方式

方法一：手动输入地址

最直接的方式是在浏览器地址栏中输入以下链接：

http://localhost:7860/

回车后即可跳转至Z-Image-Turbo的主操作界面。这种方式适用于所有操作系统和部署环境，尤其适合远程SSH连接场景下的本地端口映射访问。

方法二：点击启动日志中的HTTP按钮

如果是在图形桌面环境中运行，或者使用的是Jupyter Notebook、VS Code远程开发等支持超链接渲染的终端工具，可以直接点击启动日志中高亮显示的http://127.0.0.1:7860链接。系统将自动调用默认浏览器打开UI界面。

如下图所示，Gradio会在启动完成后提供一个可点击的“Launch”按钮或URL链接，方便用户一键进入操作面板：

这种交互方式极大提升了用户体验，减少了手动输入错误的可能性。

2. 历史生成图片的查看与管理

每次通过UI界面生成的图像都会自动保存到指定输出目录中，默认路径为~/workspace/output_image/。为了便于后续检索、复用或分析，系统会对每张图片按时间戳命名，格式如img_20250405_142312.png，避免文件覆盖问题。

2.1 查看历史生成图片

你可以通过命令行快速浏览已生成的图像列表：

ls ~/workspace/output_image/

执行该命令后，终端将列出该目录下所有图片文件名，帮助你确认生成数量和命名规律。例如：

img_20250405_142312.png img_20250405_142545.png img_20250405_143001.png

此外，也可以结合find或ls -lt命令按时间排序查看最新生成的内容：

ls -lt ~/workspace/output_image/ | head -5

这在调试多轮生成流程或评估不同参数组合效果时非常有用。

2.2 删除历史生成图片

随着使用频率增加，输出目录可能积累大量临时图像，占用磁盘空间。因此定期清理无用文件是必要的维护操作。

首先进入输出目录：

cd ~/workspace/output_image/

然后根据需求选择删除方式：

删除单张图片：

rm -rf img_20250405_142312.png

适用于只想移除某次特定生成结果的情况。

清空所有历史图片：

rm -rf *

此命令会删除该目录下所有文件，请务必确认当前路径正确，以免误删重要数据。

建议做法：可在删除前先运行ls查看文件列表，确认无误后再执行清除操作。对于生产环境，推荐设置定时任务自动归档并压缩旧文件，而非直接删除。

3. 多实例部署与负载均衡实验设计

Z-Image-Turbo不仅支持单实例运行，还能通过启动多个独立服务实例实现并发处理能力扩展。这一特性为开展负载均衡实验提供了基础条件。

3.1 启动多个服务实例

在同一台机器上，可以通过绑定不同端口来运行多个Z-Image-Turbo实例。例如：

# 实例1 - 端口7860 python /Z-Image-Turbo_gradio_ui.py --port 7860 # 实例2 - 端口7861 python /Z-Image-Turbo_gradio_ui.py --port 7861 # 实例3 - 端口7862 python /Z-Image-Turbo_gradio_ui.py --port 7862

每个实例独立加载模型并监听各自的端口，互不干扰。前提是系统具备足够的GPU显存和内存资源以支撑多模型并行驻留。

3.2 配置反向代理实现负载分发

为了统一对外暴露服务接口，可以使用Nginx作为反向代理服务器，将 incoming 请求按轮询或其他策略分发到后端多个实例。

示例 Nginx 配置如下：

upstream zimageturo_backend { server 127.0.0.1:7860; server 127.0.0.1:7861; server 127.0.0.1:7862; } server { listen 80; server_name your-domain-or-ip; location / { proxy_pass http://zimageturo_backend; proxy_set_header Host $host; proxy_set_header X-Real-IP $remote_addr; proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for; proxy_set_header X-Forwarded-Proto $scheme; } }

配置完成后重启Nginx服务，外部请求访问http://your-domain-or-ip时，将会被自动分配到三个实例之一，从而实现简单的负载均衡。