Wan 2.2 14B Image Trainer

ஒருங்கிணை

மாடல் id wan-22-image-trainer

# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.ru/v1/run/wan-22-image-trainer?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "training_data_url": "https://example.com/your-file.zip",
    "trigger_phrase": "example"
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.ru/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

const API = "https://api.doitong.ru/v1";
const headers = {
  "Authorization": "Bearer " + process.env.DOITONG_API_KEY,
  "Content-Type": "application/json",
};

// Run the model; wait up to 20 s for the finished result in the same call
let res = await fetch(API + "/run/wan-22-image-trainer?wait=20", {
  method: "POST",
  headers,
  body: JSON.stringify({
    "training_data_url": "https://example.com/your-file.zip",
    "trigger_phrase": "example"
  }),
});
let request = await res.json();
if (!res.ok) throw new Error(request.error.code + ": " + request.error.message);

// Not finished yet: long-poll until it is
while (request.status === "queued" || request.status === "running") {
  res = await fetch(API + "/requests/" + request.id + "?wait=20", { headers });
  request = await res.json();
}
if (request.status !== "succeeded") throw new Error(JSON.stringify(request.error));
console.log(request.outputs.map((o) => o.url), request.cost.credits + " API credits ($" + request.cost.usd + ")");

import os
import requests

API = "https://api.doitong.ru/v1"
headers = {"Authorization": "Bearer " + os.environ["DOITONG_API_KEY"]}

payload = {
    "training_data_url": "https://example.com/your-file.zip",
    "trigger_phrase": "example",
}

# Run the model; wait up to 20 s for the finished result in the same call
r = requests.post(API + "/run/wan-22-image-trainer", params={"wait": 20}, json=payload, headers=headers)
request = r.json()
if not r.ok:
    raise RuntimeError(request["error"]["code"] + ": " + request["error"]["message"])

# Not finished yet: long-poll until it is
while request["status"] in ("queued", "running"):
    request = requests.get(API + "/requests/" + request["id"], params={"wait": 20}, headers=headers).json()
if request["status"] != "succeeded":
    raise RuntimeError(request["error"])
print([o["url"] for o in request["outputs"]], request["cost"]["credits"], "API credits", "$" + request["cost"]["usd"])

# 1. Connect once (Claude Code; Cursor, VS Code, Claude Desktop: https://doitong.com/ta/developers/docs/mcp)
claude mcp add --transport http doitong-models https://api.doitong.ru/v1/mcp \
  --header "Authorization: Bearer $DOITONG_API_KEY"

# 2. Your agent calls the "run" tool with:
{
  "model_id": "wan-22-image-trainer",
  "input": {
    "training_data_url": "https://example.com/your-file.zip",
    "trigger_phrase": "example"
  }
}

Doitong API மூலம் Wan 2.2 14B Image Trainer மாதிரியை (wan-22-image-trainer) அழைக்கவும். முகவர்களுக்கான ஆவணங்கள்: https://doitong.com/ta/developers/models/wan-22-image-trainer.md

POST https://api.doitong.ru/v1/run/wan-22-image-trainer?wait=20
Authorization: Bearer $DOITONG_API_KEY
Content-Type: application/json

{
  "training_data_url": "https://example.com/your-file.zip",
  "trigger_phrase": "example"
}

பதிலின் நிலை "queued" அல்லது "running" எனில், அது "succeeded" ஆகும் வரை GET https://api.doitong.ru/v1/requests/REQUEST_ID?wait=20 மூலம் தொடர்ந்து சரிபார்க்கவும்; கோப்புகள் outputs[].url இல் உள்ளன. அதே body-யுடன் POST https://api.doitong.ru/v1/quote/wan-22-image-trainer அனுப்பினால், இயக்கத்திற்கு முன் துல்லியமான விலை கிடைக்கும்.

எடுத்துக்காட்டு போன்ற கோப்புகள்: $4.50 4,500 API கிரெடிட்கள் · ≈ ₽471.15 இயக்குவதற்கு முன் உங்கள் கோப்புகள் அளவிடப்படும் இந்தப் பக்கத்தில் இயக்குங்கள்

API விசையைப் பெறுக

Alibaba பயிற்சி #lora#personalization

உங்கள் படங்களில் ஒரு பொருள் அல்லது பாணிக்காக Wan 2.2 14B LoRA-வைப் பயிற்றுவித்து, குறைந்த மற்றும் அதிக இரைச்சல் LoRA கோப்புகளைத் திருப்பி வழங்குகிறது

OpenAPI Markdown

Doitong இல் உருவாக்கப்பட்டது

Doitong சமூகத்தினரால் Wan 2.2 14B Image Trainer மூலம் உருவாக்கப்பட்ட பொதுப் படைப்புகள். ஒரே கிளிக்கில் ப்ராம்ப்ட்டை மீண்டும் பயன்படுத்தவும்.

காட்டப்படும் பொதுப் படைப்புகள்: 2

ஒவ்வொரு இயக்கத்துக்கான விலை

உங்கள் உள்ளீட்டின் அடிப்படையிலான விலை

$4.50ஒரு இயக்கத்திற்கு

4,500 API கிரெடிட்கள் · ≈ ₽471.15

விலை: $0.45 முதல்

1 இயக்கம் × $4.50 இயக்கு · $4.50

வெற்றி பெற்றால் மட்டுமே வசூலிக்கப்படும்; தோல்வியுற்றால் தானாகத் திருப்பியளிக்கப்படும்.

steps இயல்புநிலை 1000

இயக்கத்திற்கு முன் உங்கள் கோப்புகள் (நீளம், தெளிவுத்திறன், ஃப்ரேம் வீதம்) அளவிடப்படுகின்றன; மேற்கோள் சரியான விலையைத் திருப்பி வழங்கும், மேலும் இயக்கத்திற்கு அதே தொகை வசூலிக்கப்படும்.

விலைமதிப்பீட்டு முனையம்: POST /quote/{id}

கோரிக்கையை உருவாக்கு

மாடல் ஸ்கீமாவிலிருந்து கட்டுப்பாடுகள் உருவாக்கப்படுகின்றன. அவற்றை மாற்றும்போது குறியீடும் விலையும் புதுப்பிக்கப்படும்.

training_data_url •தேவை

URL ஆக வழங்கப்படும் பயிற்சித் தரவின் இருப்பிடம்.

trigger_phrase •தேவை

மாதிரியைத் தூண்டப் பயன்படுத்தப்படும் சொற்றொடர்.

steps இயல்புநிலை 1000

பயிற்சிப் படிகளின் மொத்த எண்ணிக்கை.

மேம்பட்டவை learning_rate · include_synthetic_captions · use_face_detection · use_face_cropping · use_masks · is_style

learning_rate இயல்புநிலை 0.0007

பயிற்சியின் போது கற்றல் விகிதம்.

POST /run/wan-22-image-trainer?wait=20 விலை → $4.50

# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.ru/v1/run/wan-22-image-trainer?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "training_data_url": "https://example.com/your-file.zip",
    "trigger_phrase": "example"
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.ru/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

const API = "https://api.doitong.ru/v1";
const headers = {
  "Authorization": "Bearer " + process.env.DOITONG_API_KEY,
  "Content-Type": "application/json",
};

// Run the model; wait up to 20 s for the finished result in the same call
let res = await fetch(API + "/run/wan-22-image-trainer?wait=20", {
  method: "POST",
  headers,
  body: JSON.stringify({
    "training_data_url": "https://example.com/your-file.zip",
    "trigger_phrase": "example"
  }),
});
let request = await res.json();
if (!res.ok) throw new Error(request.error.code + ": " + request.error.message);

// Not finished yet: long-poll until it is
while (request.status === "queued" || request.status === "running") {
  res = await fetch(API + "/requests/" + request.id + "?wait=20", { headers });
  request = await res.json();
}
if (request.status !== "succeeded") throw new Error(JSON.stringify(request.error));
console.log(request.outputs.map((o) => o.url), request.cost.credits + " API credits ($" + request.cost.usd + ")");

import os
import requests

API = "https://api.doitong.ru/v1"
headers = {"Authorization": "Bearer " + os.environ["DOITONG_API_KEY"]}

payload = {
    "training_data_url": "https://example.com/your-file.zip",
    "trigger_phrase": "example",
}

# Run the model; wait up to 20 s for the finished result in the same call
r = requests.post(API + "/run/wan-22-image-trainer", params={"wait": 20}, json=payload, headers=headers)
request = r.json()
if not r.ok:
    raise RuntimeError(request["error"]["code"] + ": " + request["error"]["message"])

# Not finished yet: long-poll until it is
while request["status"] in ("queued", "running"):
    request = requests.get(API + "/requests/" + request["id"], params={"wait": 20}, headers=headers).json()
if request["status"] != "succeeded":
    raise RuntimeError(request["error"])
print([o["url"] for o in request["outputs"]], request["cost"]["credits"], "API credits", "$" + request["cost"]["usd"])

{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "tools/call",
  "params": {
    "name": "run",
    "arguments": {
      "model_id": "wan-22-image-trainer",
      "input": {
        "training_data_url": "https://example.com/your-file.zip",
        "trigger_phrase": "example"
      },
      "wait_seconds": 20
    }
  }
}

இந்தக் கோரிக்கையை இயக்கு

API விசை

உங்கள் key இந்த உலாவியில் மட்டுமே இருக்கும்: அது Doitong API-க்கு மட்டும் அனுப்பப்படும்; Remember-ஐத் தேர்ந்தெடுத்தால் மட்டுமே (localStorage)-ல் சேமிக்கப்படும். இந்த உலாவியில் நினைவில் கொள்க API விசையைப் பெறுங்கள்

Wan 2.2 14B Image Trainer பற்றி

`training_data_url`-இல் உள்ள தரவுத்தொகுப்பிலிருந்து Wan 2.2 உரை-முதல்-படத்திற்கான LoRA-வை நுணுக்கமாகப் பயிற்றுவிக்கிறது; தேவையான `trigger_phrase` மூலம் அடையாளப்படுத்தப்படுகிறது. `steps` 10 முதல் 6000 வரை, `learning_rate` 1e-6 முதல் 0.1 வரை இருக்கும். முகக் கண்டறிதல், முக வெட்டுதல் மற்றும் மாஸ்க்குகளை இயக்கலாம் அல்லது முடக்கலாம்; `is_style` முகம் சார்ந்த விருப்பங்களை முடக்குகிறது. வெளியீடுகளில் ஒரு கட்டமைப்பு கோப்பும், குறைந்த இரைச்சல் மற்றும் அதிக இரைச்சலுக்கான தனித்தனி LoRA கோப்புகளும் அடங்கும்.

அளவுருக்கள்

பெயர்வகை இயல்புநிலைஅனுமதிக்கப்பட்டது விளக்கம்

training_data_urlதேவை

வகைstring

URL ஆக வழங்கப்படும் பயிற்சித் தரவின் இருப்பிடம்.

trigger_phraseதேவை

வகைstring

மாதிரியைத் தூண்டப் பயன்படுத்தப்படும் சொற்றொடர்.

include_synthetic_captionsவிருப்பத்தேர்வு

வகைboolean

இயல்புநிலைfalse

செயற்கை தலைப்புகளைச் சேர்ப்பதைக் கட்டுப்படுத்தும்.

use_face_detectionவிருப்பத்தேர்வு

வகைboolean

இயல்புநிலைtrue

பயிற்சிப் படங்களுக்கான முகத்தை மையப்படுத்திய அளவுமாற்ற நிலைமாற்றி: முகக் கண்டறிதலை இயக்கினால், அளவுமாற்றத்தின் போது கண்டறியப்பட்ட முகத்தின் மையம் படத்தின் மையமாக்கப்படும்.

use_face_croppingவிருப்பத்தேர்வு

வகைboolean

இயல்புநிலைfalse

பயிற்சிப் படங்களுக்கான முகம்-வெட்டும் நிலைமாற்றி; இயக்கப்பட்டால், அளவுமாற்றப் படிக்கு முன் முகத்தைச் சுற்றி ஒரு வெட்டு சேர்க்கப்படும்.

use_masksவிருப்பத்தேர்வு

வகைboolean

இயல்புநிலைtrue

பயிற்சித் தரவுக்கான மாஸ்க் பயன்பாட்டைக் கட்டுப்படுத்தும்.

stepsவிருப்பத்தேர்வு

வகைinteger

இயல்புநிலை1000

10 – 6,000

பயிற்சிப் படிகளின் மொத்த எண்ணிக்கை.

learning_rateவிருப்பத்தேர்வு

வகைnumber

இயல்புநிலை0.0007

0.000001 – 0.1

பயிற்சியின் போது கற்றல் விகிதம்.

is_styleவிருப்பத்தேர்வு

வகைboolean

இயல்புநிலைfalse

பயிற்சிக்கான பாணித் தரவுக் குறிப்பு; இதை true என அமைத்தால், மாஸ்கிங் மற்றும் முகக் கண்டறிதல் உட்பட முகம் சார்ந்த அம்சங்கள் முடக்கப்படும்.

தேவை

வெளியீடு

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t

{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "wan-22-image-trainer",
  "status": "succeeded",
  "created_at": "2026-10-20T12:00:00Z",
  "started_at": "2026-10-20T12:00:02Z",
  "completed_at": "2026-10-20T12:00:09Z",
  "queue_position": null,
  "cost": {
    "credits": 4500,
    "usd": "4.50",
    "charged": 4500,
    "refunded": 0
  },
  "input": {
    "training_data_url": "https://example.com/your-file.zip",
    "trigger_phrase": "example"
  },
  "output": {
    "diffusers_lora_file": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_name": "0-output.jpeg",
      "file_size": 1843200
    },
    "high_noise_lora": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_name": "0-output.jpeg",
      "file_size": 1843200
    },
    "config_file": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_name": "0-output.jpeg",
      "file_size": 1843200
    }
  },
  "outputs": [
    {
      "type": "file",
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_size": 1843200,
      "stored": true
    }
  ],
  "error": null,
  "metrics": {
    "inference_seconds": 6.8
  },
  "urls": {
    "self": "https://api.doitong.ru/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t",
    "cancel": "https://api.doitong.ru/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t/cancel"
  }
}

உங்கள் கோப்புகள், உங்கள் தேர்வுஒவ்வொரு outputs[].url-ம் எங்கள் சேமிப்பகத்தில் உள்ள ஒரு நகல்: நிரந்தரமாக (GB-மாதத்திற்கு கட்டணம்) அல்லது உங்கள் கணக்கு அமைப்பு அல்லது ?storage= மூலம் இலவசமாக 7 நாட்கள் வைக்கப்படும்.

ஒவ்வொரு மாடலிலும் ஒரே வடிவம்படங்கள், வீடியோ மற்றும் ஆடியோ ஆகிய அனைத்திற்குமான type, url, content_type, width, height மற்றும் duration. output என்பது மாதிரியின் சொந்த முடிவு பொருளாகும்.

வெளியீட்டின் புலங்கள்

diffusers_lora_file: object {url, content_type, file_name, file_size}குறைந்த சத்தத்திற்கான LoRA கோப்பு.
high_noise_lora: object {url, content_type, file_name, file_size}அதிக சத்தத்திற்கான LoRA கோப்பு.
config_file: object {url, content_type, file_name, file_size}பயிற்சிக்குப் பிந்தைய ஊக முனையங்களை ஆதரிக்கும் உள்ளமைவுக் கோப்பு.

AI ஏஜெண்டுகளுக்கு: இந்தப் பக்கம் Markdown வடிவில் இங்கே உள்ளது https://doitong.com/ta/developers/models/wan-22-image-trainer.md. அனைத்து மாடல்களும் வழிகாட்டிகளும்: https://doitong.com/developers/llms.txt

Doitong இல் உருவாக்கப்பட்டது

கோரிக்கையை உருவாக்கு

இந்தக் கோரிக்கையை இயக்கு

Wan 2.2 14B Image Trainer பற்றி

அளவுருக்கள்

வெளியீடு

மேலும் மாதிரிகள்: பயிற்சி

Qwen Image 2512 Trainer

Qwen Image Edit 2509 Trainer

Wan-2.1 LoRA Trainer · I2V 720p மாறுபாடுகள்: 3

Wan-2.1 LoRA Trainer · T2V மாறுபாடுகள்: 3