Intégration et utilisation de l'API Midjourney Tasks

La principale fonctionnalité de l’API Midjourney Tasks est de permettre la consultation de l’état d’exécution d’une tâche en utilisant l’ID de tâche généré par l’API Midjourney Imagine ou l’API Midjourney Describe. Ce document détaillera les instructions d’intégration de l’API Midjourney Tasks, vous aidant à intégrer facilement et à tirer pleinement parti de la puissance de cette API. Grâce à l’API Midjourney Tasks, vous pouvez facilement interroger l’état d’exécution des tâches de l’API Midjourney Imagine ou de l’API Midjourney Describe.

Processus de demande

Pour utiliser l’API Midjourney Imagine, commencez par obtenir votre token API sur le tableau de bord Ace Data Cloud pour le garder en réserve.

Si vous n’êtes pas encore connecté ou inscrit, vous serez automatiquement redirigé vers la page de connexion vous invitant à vous inscrire et à vous connecter, après quoi vous serez automatiquement renvoyé à la page actuelle. Un seul token API suffit pour appeler tous les services de la plateforme, sans avoir besoin de demander séparément pour chaque service. La première demande vous donnera un quota gratuit pour une expérience sans frais ; lorsque le quota est insuffisant, vous pouvez recharger le solde général sur le tableau de bord.

📘 Documentation complète : Midjourney Imagine API →

Exemples de demande

L’API Midjourney Tasks peut être utilisée pour interroger les résultats des API Midjourney Imagine et Midjourney Describe. Pour savoir comment utiliser l’API Midjourney Imagine, veuillez consulter la documentation Midjourney Imagine API. Pour savoir comment utiliser Midjourney Describe, veuillez consulter Midjourney Describe API. Prenons un exemple avec un ID de tâche retourné par le service Midjourney Imagine API. Supposons que nous ayons un ID de tâche : 7489df4c-ef03-4de0-b598-e9a590793434, nous allons maintenant démontrer comment procéder en passant cet ID de tâche.

Exemple d’image de tâche

Configuration des en-têtes de demande et du corps de la demande

Request Headers inclut :

accept : spécifie que la réponse doit être au format JSON, ici rempli avec application/json.
authorization : la clé pour appeler l’API, que vous pouvez sélectionner directement après la demande.

Request Body inclut :

id : l’ID de la tâche téléchargée.
ids : tableau d’IDs de tâches pour une requête en lot.
action : la méthode d’opération sur la tâche, prenant en charge retrieve (consultation unique) et retrieve_batch (consultation en lot).

Configuration comme illustré ci-dessous :

Exemple de code

Vous pouvez constater que divers langages de code ont déjà été générés automatiquement sur le côté droit, comme illustré :

Voici quelques exemples de code :

CURL

curl -X POST 'https://api.acedata.cloud/midjourney/tasks' \
-H 'accept: application/json' \
-H 'authorization: Bearer {token}' \
-H 'content-type: application/json' \
-d '{
  "id": "7489df4c-ef03-4de0-b598-e9a590793434",
  "action": "retrieve"
}'

Python

import requests

url = "https://api.acedata.cloud/midjourney/tasks"

headers = {
    "accept": "application/json",
    "authorization": "Bearer {token}",
    "content-type": "application/json"
}

payload = {
    "id": "7489df4c-ef03-4de0-b598-e9a590793434",
    "action": "retrieve"
}

response = requests.post(url, json=payload, headers=headers)
print(response.text)

Exemple de réponse

Après une demande réussie, l’API renverra les détails de la tâche d’image ici. Par exemple :

{
  "_id": "668aae3f550a4144a540803b",
  "id": "7489df4c-ef03-4de0-b598-e9a590793434",
  "application_id": "9dec7b2a-1cad-41ff-8536-d4ddaf2525d4",
  "created_at": 1720364607.967,
  "started_at": 1720364608.027,
  "finished_at": 1720364637.404,
  "elapsed": 29.377,
  "credential_id": "68253cc8-505d-47f4-97ad-0050a62e4975",
  "request": {
    "mode": "fast",
    "prompt": "Un chat assis sur une table",
    "action": "generate"
  },
  "type": "imagine",
  "hold": false,
  "image_id": "1259525319472185344",
  "job_id": "da317da6-f500-48e6-bf32-dd48b3e6f84f",
  "response": {
    "image_url": "https://platform.cdn.acedata.cloud/midjourney/7489df4c-ef03-4de0-b598-e9a590793434.png?imageMogr2/thumbnail/!50p",
    "image_width": 1024,
    "image_height": 1024,
    "actions": [
      "upscale1",
      "upscale2",
      "upscale3",
      "upscale4",
      "reroll",
      "variation1",
      "variation2",
      "variation3",
      "variation4"
    ],
    "raw_image_url": "https://platform.cdn.acedata.cloud/midjourney/7489df4c-ef03-4de0-b598-e9a590793434.png",
    "raw_image_width": 2048,
    "raw_image_height": 2048,
    "progress": 100,
    "image_id": "1259525319472185344",
    "task_id": "7489df4c-ef03-4de0-b598-e9a590793434",
    "success": true,
    "job_id": "da317da6-f500-48e6-bf32-dd48b3e6f84f",
    "hold": false
  }
}

Le résultat de la réponse contient plusieurs champs, le champ request est le corps de la demande lors de l’initiation de la tâche, tandis que le champ response est le corps de la réponse retourné après l’achèvement de la tâche. Si type = imagine, son résultat est cohérent avec la demande et la réponse de l’API Midjourney Imagine. Si type = describe, son résultat est cohérent avec la demande et la réponse de l’API Midjourney Describe. Les champs sont décrits comme suit.

id, l’ID de la tâche de génération de cette image, utilisé pour identifier de manière unique cette tâche de génération d’image.
type, si type = imagine cela représente le résultat de l’API Midjourney Imagine, si type = describe cela représente le résultat de l’API Midjourney Describe.
job_id, l’ID de la tâche de consultation de cette image, utilisé pour identifier de manière unique cette tâche de consultation d’image.
image_id, l’identifiant unique de la tâche d’image consultée, nécessaire pour effectuer des opérations de transformation sur l’image lors de la prochaine demande.
request, les informations de demande dans la tâche d’image consultée.
response, les informations de réponse dans la tâche d’image consultée.
created_at, l’heure de création de la tâche, horodatage Unix (secondes, flottant).
started_at, l’heure de début d’exécution de la tâche, horodatage Unix (secondes, flottant).
finished_at, l’heure de fin de la tâche, horodatage Unix (secondes, flottant). Ce champ n’est pas retourné si la tâche n’est pas terminée.
elapsed, le temps d’exécution de la tâche, en secondes (flottant, avec 3 décimales). Ce champ n’est pas retourné si la tâche n’est pas terminée.

Opération de requête en lot

Ceci est destiné à interroger les détails des tâches d’image pour plusieurs ID de tâches, contrairement à ce qui précède, il est nécessaire de sélectionner l’action comme retrieve_batch. Request Body inclut :

ids : tableau des ID de tâches téléchargées.
action : mode d’opération sur la tâche.

Réglez comme indiqué dans l’image ci-dessous :

Exemple de code

On peut constater que, sur le côté droit de la page, divers langages de code ont déjà été générés automatiquement, comme le montre l’image :

Quelques exemples de code sont les suivants :

Exemple de réponse

Après un appel réussi, l’API renverra les détails spécifiques de toutes les tâches d’images en lot. Par exemple :

{
  "items": [
    {
      "_id": "668aae3f550a4144a540803b",
      "id": "7489df4c-ef03-4de0-b598-e9a590793434",
      "application_id": "9dec7b2a-1cad-41ff-8536-d4ddaf2525d4",
      "created_at": 1720364607.967,
      "started_at": 1720364608.027,
      "finished_at": 1720364637.404,
      "elapsed": 29.377,
      "credential_id": "68253cc8-505d-47f4-97ad-0050a62e4975",
      "request": {
        "mode": "fast",
        "prompt": "Un chat assis sur une table",
        "action": "generate"
      },
      "type": "imagine",
      "hold": false,
      "image_id": "1259525319472185344",
      "job_id": "da317da6-f500-48e6-bf32-dd48b3e6f84f",
      "response": {
        "image_url": "https://platform.cdn.acedata.cloud/midjourney/7489df4c-ef03-4de0-b598-e9a590793434.png?imageMogr2/thumbnail/!50p",
        "image_width": 1024,
        "image_height": 1024,
        "actions": [
          "upscale1",
          "upscale2",
          "upscale3",
          "upscale4",
          "reroll",
          "variation1",
          "variation2",
          "variation3",
          "variation4"
        ],
        "raw_image_url": "https://platform.cdn.acedata.cloud/midjourney/7489df4c-ef03-4de0-b598-e9a590793434.png",
        "raw_image_width": 2048,
        "raw_image_height": 2048,
        "progress": 100,
        "image_id": "1259525319472185344",
        "task_id": "7489df4c-ef03-4de0-b598-e9a590793434",
        "success": true,
        "job_id": "da317da6-f500-48e6-bf32-dd48b3e6f84f",
        "hold": false
      }
    },
    {
      "_id": "668b41d6550a4144a551d996",
      "id": "807f62de-c63e-4add-8345-7f0ae6dd18e7",
      "application_id": "9dec7b2a-1cad-41ff-8536-d4ddaf2525d4",
      "created_at": 1720402390.341,
      "started_at": 1720402390.401,
      "finished_at": 1720402419.813,
      "elapsed": 29.412,
      "credential_id": "6fd3e1d5-4bd6-47e8-8872-fab89a183b53",
      "request": {
        "mode": "fast",
        "prompt": "Une belle fille",
        "action": "generate"
      },
      "type": "imagine",
      "hold": false,
      "image_id": "1259683790612070400",
      "job_id": "ede5c805-e231-498c-8f74-3aa76d5d6d12",
      "response": {
        "image_url": "https://platform.cdn.acedata.cloud/midjourney/807f62de-c63e-4add-8345-7f0ae6dd18e7.png?imageMogr2/thumbnail/!50p",
        "image_width": 1024,
        "image_height": 1024,
        "actions": [
          "upscale1",
          "upscale2",
          "upscale3",
          "upscale4",
          "reroll",
          "variation1",
          "variation2",
          "variation3",
          "variation4"
        ],
        "raw_image_url": "https://platform.cdn.acedata.cloud/midjourney/807f62de-c63e-4add-8345-7f0ae6dd18e7.png",
        "raw_image_width": 2048,
        "raw_image_height": 2048,
        "progress": 100,
        "image_id": "1259683790612070400",
        "task_id": "807f62de-c63e-4add-8345-7f0ae6dd18e7",
        "success": true,
        "job_id": "ede5c805-e231-498c-8f74-3aa76d5d6d12",
        "hold": false
      }
    }
  ],
  "count": 2
}

Le résultat de retour contient plusieurs champs, où items inclut les détails spécifiques des tâches d’images en lot, chaque information de tâche d’image étant identique aux champs mentionnés ci-dessus. Les informations des champs sont les suivantes.

items, tous les détails spécifiques des tâches d’images en lot. C’est un tableau, chaque élément du tableau ayant le même format que le résultat de la requête d’une seule tâche ci-dessus.
count, le nombre de tâches d’images en lot dans cette requête.

CURL

curl -X POST 'https://api.acedata.cloud/midjourney/tasks' \
-H 'accept: application/json' \
-H 'authorization: Bearer {token}' \
-H 'content-type: application/json' \
-d '{
  "action": "retrieve_batch",
  "id": "",
  "ids": ["7489df4c-ef03-4de0-b598-e9a590793434","807f62de-c63e-4add-8345-7f0ae6dd18e7"]
}'

Python

import requests

url = "https://api.acedata.cloud/midjourney/tasks"

headers = {
    "accept": "application/json",
    "authorization": "Bearer {token}",
    "content-type": "application/json"
}

payload = {
    "action": "retrieve_batch",
    "id": "",
    "ids": ["7489df4c-ef03-4de0-b598-e9a590793434","807f62de-c63e-4add-8345-7f0ae6dd18e7"]
}

response = requests.post(url, json=payload, headers=headers)
print(response.text)

Gestion des erreurs

Lors de l’appel de l’API, si une erreur se produit, l’API renverra le code d’erreur et les informations correspondantes. Par exemple :

400 token_mismatched : Mauvaise requête, probablement en raison de paramètres manquants ou invalides.
400 api_not_implemented : Mauvaise requête, probablement en raison de paramètres manquants ou invalides.
401 invalid_token : Non autorisé, jeton d’autorisation invalide ou manquant.
429 too_many_requests : Trop de requêtes, vous avez dépassé la limite de taux.
500 api_error : Erreur interne du serveur, quelque chose s’est mal passé sur le serveur.

Exemple de réponse d’erreur

{
  "success": false,
  "error": {
    "code": "api_error",
    "message": "échec de la récupération"
  },
  "trace_id": "2cf86e86-22a4-46e1-ac2f-032c0f2a4e89"
}

Conclusion

Grâce à ce document, vous avez compris comment utiliser l’API Midjourney Tasks pour interroger les détails spécifiques d’une tâche d’image unique ou en lot. Nous espérons que ce document vous aidera à mieux intégrer et utiliser cette API. Si vous avez des questions, n’hésitez pas à contacter notre équipe de support technique.

Démarrage

Chat IA

Image IA

Vidéo IA

Audio IA

Web & Données

CAPTCHA

Identité

Proxy

Avancé

Coding

Intégration et utilisation de l'API Midjourney Tasks

Processus de demande

Exemples de demande

Exemple d’image de tâche

Configuration des en-têtes de demande et du corps de la demande

Exemple de code

CURL

Python

Exemple de réponse

Opération de requête en lot

Exemple de code

Exemple de réponse

CURL

Python

Gestion des erreurs

Exemple de réponse d’erreur

Conclusion

​Processus de demande

​Exemples de demande

​Exemple d’image de tâche

​Configuration des en-têtes de demande et du corps de la demande

​Exemple de code

​CURL

​Python

​Exemple de réponse

​Opération de requête en lot

​Exemple de code

​Exemple de réponse

​CURL

​Python

​Gestion des erreurs

​Exemple de réponse d’erreur

​Conclusion

Processus de demande

Exemples de demande

Exemple d’image de tâche

Configuration des en-têtes de demande et du corps de la demande

Exemple de code

CURL

Python

Exemple de réponse

Opération de requête en lot

Exemple de code

Exemple de réponse

CURL

Python

Gestion des erreurs

Exemple de réponse d’erreur

Conclusion