目录
项目地址
环境配置
1.创建虚拟环境
2.安装依赖项
3.下载检查点：
4.设置环境变量：
Linux中：
windows手动设置
5.运行推理脚本：
SSH 连接到远程服务器，并访问运行在该服务器上的 Web 应用程序
1. 连接到远程服务器
2. 检查 Web 应用程序的运行状态
3. 访问 Web 应用程序
方法 1：使用服务器的 IP 地址
方法 2：使用服务器的域名
4. 配置端口转发（可选）
5. 创建公共链接（可选）
虽然在README中，流程写的很清楚了，但本人在六月份实操的时候还是遇到了一系列问题，故在此记录一下。
项目地址
GitHub – bytedance/UNO: [ICCV 2025] 🔥🔥 UNO: A Universal Customization Method for Both Single and Multi-Subject Conditioning
环境配置
在`README`里面写的很清楚了，相关指令直接参考的源项目
1.创建虚拟环境
conda create -n uno_env python=3.10 -y
conda activate uno_env
2.安装依赖项
pip install -r requirements.txt
pip install -e . # for who wanna to run the demo/inference only
pip install -e .[train] # for who also want to train the model
3.下载检查点：
在README中提到有三种方法下载检查点，但由于检查点文件过大，这里可以参考YouTube上的视频：[反馈与教程] YouTube 视频：UNO 本地部署 (模型准备方法3, 环境变量修正, 快速启动), WebUI 演示与多图上下文应用 · Issue #30 · bytedance/UNO
大致翻译如下：
可以参考如下方法下载，或者直接去官网单独下载（文件真的很大）：
pip install huggingface-cli
huggingface-cli download black-forest-labs/FLUX.1-dev –local-dir ./checkpoints/flux1-dev
huggingface-cli download xlabs-ai/xflux_text_encoders –local-dir ./checkpoints/xflux_text_encoders
huggingface-cli download openai/clip-vit-large-patch14 –local-dir ./checkpoints/clip
huggingface-cli download bytedance-research/UNO –local-dir ./checkpoints/uno
4.设置环境变量：
这里路径根据实际存放路径设置
Linux中：
export LOCAL_DIR='checkpoints'
export AE='checkpoints/flux1-dev/ae.safetensors'
export FLUX_DEV='checkpoints/flux1-dev/flux1-dev.safetensors'
export T5='checkpoints/xflux_text_encoders/xflux_text_encoders'
export CLIP='checkpoints/clip/clip-vit-large-patch14'
export LORA='checkpoints/uno/dit_lora.safetensors'
export FLUX_DEV_FP8='checkpoints/flux1-dev/flux1-dev.safetensors'
windows手动设置
set AE=UNO/checkpoints/flux1-dev/ae.safetensors
set FLUX_DEV=UNO/checkpoints/flux1-dev/flux1-dev.safetensors
set T5=UNO/checkpoints/xflux_text_encoders/xflux_text_encoders
set CLIP=UNO/checkpoints/clip/clip-vit-large-patch14
set LORA=UNO/checkpoints/uno/dit_lora.safetensors
set FLUX_DEV_FP8= checkpoints/flux1-dev/flux1-dev.safetensors
5.运行推理脚本：
在app.py最后加上
demo.launch(server_port = args.port,server_name = "0.0.0.0")
如果你需要从外部网络访问该服务器，可以在代码中设置 share=True 生成公共链接：
demo.launch(server_name="0.0.0.0", server_port=args.port, share=True)
这将生成一个公共链接，你可以通过该链接从外部网络访问服务器。
运行推理：
python app.py
如果需要降低内存使用，可以运行：
python app.py –offload –name flux-dev-fp8
SSH 连接到远程服务器，并访问运行在该服务器上的 Web 应用程序
这里是本人用租用的服务器跑代码时遇到无法访问gradio后的解决方法，如果成功运行项目后无法打开链接，可以参考一下。
1. 连接到远程服务器
使用以下命令通过 SSH 连接到远程服务器：
ssh -p <port> <username>@<服务器的域名>
2. 检查 Web 应用程序的运行状态
连接到服务器后，检查 Web 应用程序是否正在运行。你可以通过以下命令检查端口 7860 是否被监听：
netstat -tuln | grep 7860
如果看到类似以下输出，说明 Web 应用程序正在运行：
tcp 0 0 0.0.0.0:7860 0.0.0.0:* LISTEN
3. 访问 Web 应用程序
由于 Web 应用程序运行在远程服务器上，你需要通过远程服务器的 IP 地址或域名来访问它。你可以使用以下方法之一：
方法 1：使用服务器的 IP 地址
获取服务器的 IP 地址：
hostname -I
这将输出服务器的 IP 地址，例如 192.168.1.100。
在浏览器中访问：
http://192.168.1.100:7860
方法 2：使用服务器的域名
如果你有服务器的域名，可以直接在浏览器中访问：
http://<服务器域名>
4. 配置端口转发（可选）
如果你无法直接访问远程服务器的 IP 地址或域名，可以通过 SSH 端口转发将远程服务器的端口映射到本地端口。这样，你可以在本地浏览器中访问远程服务器上的 Web 应用程序
- -L 7860:localhost:7860 将远程服务器的 7860 端口映射到本地的 7860 端口。
-
在浏览器中访问：http://localhost:7860
5. 创建公共链接（可选）
如果你需要从外部网络访问该服务器，可以在代码中设置 share=True 生成公共链接：
demo.launch(server_name="0.0.0.0", server_port=args.port, share=True)
这将生成一个公共链接，你可以通过该链接从外部网络访问服务器。
如果在访问过程中遇到问题，请检查服务器的防火墙设置和网络配置。
