执行命令并返回结果

检查当前目录是否是 Git 仓库

日志输出函数

获取当前分支名

获取远程仓库地址

配置远程仓库地址

将张量转换为PIL图像

获取唯一的文件名，如果文件已存在则添加编号

检查是否有未提交的更改

PIL图片转张量 - 确保正确的格式和数据类型

PIL图片转张量 - 确保正确的格式和数据类型

PIL图片转张量 - 确保正确的格式和数据类型

只填充真正的内部空洞，不处理连接到边界的开口区域 参数： binary_mask (numpy.ndarray): 二值mask图像 [H, W] 返回： f

智能处理文件名后缀 参数： - filename: 原始文件名 - format: 目标格式（png或jpg） 返回： - 带有正确后缀的文件名

获取下一个可用的计数器值

填充到目标尺寸

解析文本中的令牌 Args: text (str): 包含令牌的文本 Returns: str: 解析后的文本

* 安全地将张量转换为PIL图像 * @param {torch.Tensor} tensor - 输入张量 * @return {PIL.Image} PIL图像对象

提交本地更改

获取文件夹中所有图片文件

获取文件夹中所有图片文件

获取文件夹中所有图片文件

自然排序的键函数 将文本分割成数字和非数字部分，数字部分转换为整数进行比较 例如: file1.txt, file2.txt, file10.txt 会按正确顺序排序

解析名称列表字符串，每行一个名称

运行GUI程序

构建操作结果报告 Args: result (dict): 操作结果数据 target_prefix (str): 目标前缀 Returns:

检测所有连通区域

根据目标尺寸和对齐方式裁切图像。 @param image {PIL.Image} 输入图像 @param mask {PIL.Image|None} 输入mask @param target_width {int} 目标宽度

裁切模式：保持比例，裁切多余部分

* 计算两个数的最大公约数 * @param {int} a - 第一个数 * @param {int} b - 第二个数 * @return {int} 最大公约数

生成唯一的文件名 Args: name (str): 文件名前缀，空则不加前缀 number_padding (int): 数字填充位数 number_start (bool)

生成结果消息

获取下一个可用的计数器值

检查文件是否为图片格式 Args: file_path (str): 文件路径 Returns: bool: 是否为图片文件

* 加载字体，优先从 fonts 目录加载 * @param {int} font_size - 字体大小 * @param {str} font_file - 字体文件名 * @return {ImageFont} 字体对象

填充模式：保持比例，添加填充

将HEX字符串解析为RGB元组

将PIL mask转换为张量。 @param mask {PIL.Image} PIL mask对象 @returns {torch.Tensor} mask张量，形状为 (H, W)

将PIL图像转换为张量。 @param image {PIL.Image} PIL图像对象 @returns {torch.Tensor} 图像张量，形状为 (H, W, C)

* 将PIL图像转换为张量 * @param {PIL.Image} image - PIL图像对象 * @return {torch.Tensor} 图像张量 (1, H, W, C)

* 将PIL图像转换为张量 * @param {PIL.Image} image - PIL图像对象 * @return {torch.Tensor} 图像张量 (1, H, W, C)

处理图片：调整尺寸和格式转换 Args: input_path (str): 输入文件路径 output_path (str): 输出文件路径 format_convert (

调整图片尺寸，保持宽高比 Args: img: PIL图片对象 max_size (int): 最长边尺寸 Returns: PIL.

私有方法：将图像保存到指定目录（覆盖模式） 参数： - images: 图像数组，张量形状为 B H W C - filename: 文件名（可能含或不含扩展名） - output_dir: 输出目录

私有方法：将图像保存到指定目录 参数： - images: 图像数组 - name: 文件名前缀，空则不加前缀 - output_dir: 输出目录路径 - 其他参数: 各种保存选项

私有方法：将图像保存到指定目录

强制拉伸图像到指定尺寸。 @param image {PIL.Image} 输入图像 @param mask {PIL.Image|None} 输入mask @param target_width {int} 目标宽度

将张量转换为PIL图像。 @param tensor {torch.Tensor} 输入张量，形状为 (H, W, C) @returns {PIL.Image} PIL图像对象

* 将张量转换为PIL图像 * @param {torch.Tensor} tensor - 输入张量 * @return {PIL.Image} PIL图像对象

将mask张量转换为PIL图像。 @param tensor {torch.Tensor} 输入张量，形状为 (H, W) @returns {PIL.Image} PIL图像对象

批量重命名文件函数 参数: source_dir (str): 源文件夹路径 target_dir (str): 目标文件夹路径 old_keyword (str): 要被替换的关键词 new_keyword

图像混合函数 Args: image1: 背景图像 (PIL Image) image2: 前景图像 (PIL Image) blend_mode: 混合模式 opacity: 透明度 (0-100) Ret

Create sorting key based on index and available metadata.

从图像中识别所有白色区域的mask（包括内部白色区域）

裁切单张图片的边框

按指定方式裁切图片到目标尺寸 @param {torch.Tensor} img - 输入图片 (B, H, W, C) @param {int} target_h - 目标高度 @param {int} target_w - 目标宽

检测图像边缘连接的边框区域 - 简化版本

检测图像边缘连接的边框区域 - 简化版本

检测文本语言 返回语言代码：en(英文), zh(中文), ja(日文) 等

从文件名中提取日期（支持多种格式）

Extract the first alphabetic sequence from text.

Extract the first number from text with intelligent zero-padding detection. Returns tuple: (number_value, padding_length, original_st

提取图片的元数据信息 Args: image_path: 图片路径 Returns: tuple: (prompt_text, model_info, lor

从文件名中提取第一个数字

基于文件名进行匹配（智能匹配：同时支持前缀、后缀和中间位置匹配） Args: folder1_dict: 文件夹1的文件字典 {文件名(无扩展名): 完整文件名} folder2_dict: 文件夹2的文件字典 {文件

基于文件名进行匹配（智能匹配：同时支持前缀、后缀和中间位置匹配） Args: folder1_dict: 文件夹1的文件字典 {文件名(无扩展名): 完整文件名} folder2_dict: 文件夹2的文件字典 {文件

基于文件名进行精确匹配

基于文件名进行匹配逻辑

纯粹的远程覆盖本地（不保留本地未推送的修改）

纯粹的本地覆盖远程（不拉取，直接强制推送）