Flame:开源AI设计图转代码模型!生成React组件,精准还原UI+动态交互效果

本文涉及的产品
图像搜索,任选一个服务类型 1个月
简介: Flame 是一款开源的多模态 AI 模型,能够将 UI 设计图转换为高质量的现代前端代码,支持 React 等主流框架,具备动态交互、组件化开发等功能,显著提升前端开发效率。

❤️ 如果你也关注 AI 的发展现状,且对 AI 应用开发感兴趣,我会每日分享大模型与 AI 领域的开源项目和应用,提供运行实例和实用教程,帮助你快速上手AI技术!

🥦 AI 在线答疑 -> 智能检索历史文章和开源项目 -> 尽在微信公众号 -> 搜一搜:蚝油菜花 🥦


🎯 “设计师福音!Flame 开源 AI 模型:UI 设计图秒变高质量前端代码,React 开发效率翻倍!”

大家好,我是蚝油菜花。你是否也遇到过——

  • 👉 设计图与开发代码不一致,沟通成本高
  • 👉 手动编写前端代码耗时耗力,效率低下
  • 👉 复杂交互需求难以快速实现,开发周期长

今天介绍的 Flame,是一款开源的多模态 AI 模型,专为前端开发设计。它能够将 UI 设计图直接转换为高质量的现代前端代码,支持 React 等主流框架,具备动态交互、组件化开发等功能。无论是快速原型开发,还是复杂交互实现,Flame 都能显著提升开发效率。接下来,我们将深入解析 Flame 的核心功能、技术原理及使用方法,带你体验 AI 赋能前端开发的无限可能!

🚀 快速阅读

Flame 是一款开源的多模态 AI 模型,专注于前端代码生成。

  1. 核心功能:支持将 UI 设计图转换为高质量的前端代码,具备动态交互、组件化开发等功能。
  2. 技术原理:基于多模态视觉语言模型(VLM)和创新的数据合成方法,生成符合现代前端开发规范的代码。

Flame 是什么

Flame-Code-VLM-data-pipeline-augmentation

Flame 是一款开源的多模态 AI 模型,专注于将 UI 设计图转换为高质量的现代前端代码。它基于视觉语言建模、自动化数据合成和结构化训练流程,能够生成符合 React 等现代前端框架规范的代码,支持组件化、状态管理和动态交互。

Flame 的创新之处在于其数据合成方法,包括进化合成、瀑布模型合成和增量开发合成,这些方法显著提升了生成代码的质量和多样性。Flame 的训练数据、模型和测试集均已开源,为前端开发提供了高效的设计到代码转化工具。

Flame 的主要功能

  • 代码生成:将设计图(如 UI 界面截图)转换为符合现代前端开发规范的代码,支持 React 等主流前端框架。
  • 动态交互支持:生成的代码不仅包含静态布局,还支持动态交互、状态管理和数据驱动的渲染,满足复杂前端开发需求。
  • 组件化开发:生成的代码基于模块化组件结构,便于复用和扩展,符合现代前端开发的最佳实践。
  • 高代码质量:生成的代码逻辑清晰、结构规范,能通过编译验证,与设计图高度相似。

Flame 的技术原理

  • 多模态视觉语言模型(VLM):结合计算机视觉和自然语言处理技术,理解设计图的视觉元素,将其转换为对应的前端代码。模型基于视觉特征提取和文本生成模块,实现从图像到代码的转换。
  • 数据合成方法
    • 基于进化的数据合成:随机进化生成多样化代码,包括广度进化(改变功能和视觉风格)和深度进化(增加技术复杂度)。
    • 基于瀑布模型的数据合成:模拟传统软件开发流程,确保生成的代码结构清晰、逻辑一致,适合复杂功能开发。
    • 基于增量开发的数据合成:在现有代码基础上逐步增加功能和复杂性,生成符合最佳实践的代码。
  • 结构化训练流程:基于自反思的智能体工作流,从公共代码库中提取真实数据,自主合成高质量的训练数据。数据覆盖多种前端开发场景,确保模型生成符合实际需求的代码。
  • 模型优化:基于改进的 Pass@k 指标进行模型性能评估,确保生成代码的准确性和实用性。

如何运行 Flame

安装 Flame

要运行 Flame,您需要按照以下步骤进行安装:

1. 克隆代码仓库

git clone https://github.com/Flame-Code-VLM/Flame.git

2. 进入项目目录

cd Flame

3. 创建并激活 Conda 环境

conda env create -f environment.yml
conda activate flame

4. 安装 Node.js 依赖

npm install

使用 Flame

Flame 的使用流程包括数据准备、数据合成、模型训练和评估。以下是对每个步骤的详细说明。

数据准备

数据准备是 Flame 的核心部分,包含三个主要步骤:生成自包含的代码片段、将代码片段渲染为图像,以及生成代码片段的指令。

1. 生成自包含的代码片段

运行以下脚本以从 GitHub 仓库中提取前端组件代码:

bash scripts/collect_gh_code_run.sh

该脚本包含三个子步骤:

  • 收集仓库:根据指定的参数(如语言、日期范围、关键词等)从 GitHub API 获取目标仓库。
  • 提取组件:从下载的仓库中提取前端组件代码。
  • 提取图像:从代码中提取使用的图像资源。

您可以根据需求在 collect_gh_code.sh 脚本中调整以下参数:

python3 -B data_collect/repo_collector/collect_info.py \
  --language 'JavaScript' \
  --start_date '2023-01-01' \
  --end_date '2023-12-31' \
  --per_page 100 \
  --sleep_time 5 \
  --star 100 \
  --output_repo_path './repos'

2. 将代码片段渲染为图像

首先设置代码目录和输出目录:

CODE_DIR='./repos/component_code'
SCREENSHOT_DIR='./output/screenshots'

然后运行以下命令:

bash scripts/renderer_run.sh

3. 生成代码片段的指令

设置输出路径和相关参数:

INST_PATH="./output/instructions"
nohup python -B -u data_collect/component_collector/describer/gen_inst.py \
  --screenshot_path './output/screenshots' \
  --code_path './repos/component_code' \
  --inst_path $INST_PATH \
  --ori_img_path $INST_PATH/ori_images \
  --cropped_img_path $INST_PATH/cropped_images >log/batch_inst.log 2>&1 &

运行以下命令以生成指令:

bash scripts/gen_inst.sh

数据合成

Flame 提供了两种数据合成方法:基于瀑布模型的合成和基于加法开发的合成。

1. 瀑布模型合成

run_batch_variation_no_code.sh 脚本中设置参数:

nohup python3 -B -u data_collect/component_collector/variater/variation_waterfall_no_code.py \
    --iter_num=5 \
    --max_system_infer=10 \
    --screenshot_path='./output/screenshots' \
    --repo_path='./repos' \
    --variation_path='./output/variations' >log/comp_variation_waterfall.log 2>&1 &

运行以下命令:

bash scripts/run_batch_variation_no_code.sh

2. 加法开发合成

run_batch_variation_with_code.sh 脚本中设置参数:

nohup python3 -B -u data_collect/component_collector/variater/variation_waterfall_with_init_code.py \
    --iter_num=5 \
    --screenshot_path='./output/screenshots' \
    --repo_path='./repos' \
    --variation_path='./output/variations' >log/comp_variation_waterfall_with_init_code.log 2>&1 &

运行以下命令:

bash scripts/run_batch_variation_with_code.sh

模型训练

Flame 通过连接 Siglip Vision Encoder 和 Deepseek Coder 模型构建。模型训练分为三个阶段:

  1. 视觉编码器预训练
  2. 图像布局解释训练
  3. 指令微调

要训练模型,请替换原始代码库中的相关文件,并运行训练脚本。

模型评估

评估 Flame 的性能需要以下步骤:

1. 生成代码

使用训练好的模型生成代码。

2. 渲染生成的代码

设置生成代码目录和截图目录:

GEN_CODE_DIR="./output/generated_code"
SCREENSHOT_DIR="./output/eval_screenshots"

运行以下命令:

bash scripts/batch_eval_renderer_run.sh

3. 计算 Pass@K 分数

eval_score.sh 脚本中添加模型名称:

MODEL_NAMES=("Flame-Model")

运行以下命令:

bash scripts/eval_score_run.sh

数据集

Flame 提供了多个开源数据集,用于训练和评估模型:

资源


❤️ 如果你也关注 AI 的发展现状,且对 AI 应用开发感兴趣,我会每日分享大模型与 AI 领域的开源项目和应用,提供运行实例和实用教程,帮助你快速上手AI技术!

🥦 AI 在线答疑 -> 智能检索历史文章和开源项目 -> 尽在微信公众号 -> 搜一搜:蚝油菜花 🥦

相关文章
|
1月前
|
人工智能 自然语言处理 IDE
模型微调不再被代码难住!PAI和Qwen3-Coder加速AI开发新体验
通义千问 AI 编程大模型 Qwen3-Coder 正式开源,阿里云人工智能平台 PAI 支持云上一键部署 Qwen3-Coder 模型,并可在交互式建模环境中使用 Qwen3-Coder 模型。
345 109
|
6天前
|
人工智能 Java API
AI 超级智能体全栈项目阶段一:AI大模型概述、选型、项目初始化以及基于阿里云灵积模型 Qwen-Plus实现模型接入四种方式(SDK/HTTP/SpringAI/langchain4j)
本文介绍AI大模型的核心概念、分类及开发者学习路径,重点讲解如何选择与接入大模型。项目基于Spring Boot,使用阿里云灵积模型(Qwen-Plus),对比SDK、HTTP、Spring AI和LangChain4j四种接入方式,助力开发者高效构建AI应用。
312 122
AI 超级智能体全栈项目阶段一:AI大模型概述、选型、项目初始化以及基于阿里云灵积模型 Qwen-Plus实现模型接入四种方式(SDK/HTTP/SpringAI/langchain4j)
|
18天前
|
机器学习/深度学习 数据采集 人工智能
PyTorch学习实战:AI从数学基础到模型优化全流程精解
本文系统讲解人工智能、机器学习与深度学习的层级关系,涵盖PyTorch环境配置、张量操作、数据预处理、神经网络基础及模型训练全流程,结合数学原理与代码实践,深入浅出地介绍激活函数、反向传播等核心概念,助力快速入门深度学习。
71 1
|
2月前
|
人工智能 自然语言处理 搜索推荐
AI Compass前沿速览:Qoder Agentic编程、vivo Vision头显、AIRI桌面伴侣、RM-Gallery奖励模型平台
AI Compass前沿速览:Qoder Agentic编程、vivo Vision头显、AIRI桌面伴侣、RM-Gallery奖励模型平台
AI Compass前沿速览:Qoder Agentic编程、vivo Vision头显、AIRI桌面伴侣、RM-Gallery奖励模型平台
|
8天前
|
机器学习/深度学习 人工智能 自然语言处理
AI Compass前沿速览:Qwen3-Max、Mixboard、Qwen3-VL、Audio2Face、Vidu Q2 AI视频生成模型、Qwen3-LiveTranslate-全模态同传大模型
AI Compass前沿速览:Qwen3-Max、Mixboard、Qwen3-VL、Audio2Face、Vidu Q2 AI视频生成模型、Qwen3-LiveTranslate-全模态同传大模型
102 13
AI Compass前沿速览:Qwen3-Max、Mixboard、Qwen3-VL、Audio2Face、Vidu Q2 AI视频生成模型、Qwen3-LiveTranslate-全模态同传大模型
|
9天前
|
人工智能 负载均衡 API
Vercel 发布 AI Gateway 神器!可一键访问数百个模型,助力零门槛开发 AI 应用
大家好,我是Immerse,独立开发者、AGI实践者。分享编程、AI干货、开源项目与个人思考。关注公众号“沉浸式趣谈”,获取独家内容。Vercel新推出的AI Gateway,统一多模型API,支持自动切换、负载均衡与零加价调用,让AI开发更高效稳定。一行代码切换模型,告别接口烦恼!
106 1
Vercel 发布 AI Gateway 神器!可一键访问数百个模型,助力零门槛开发 AI 应用
|
27天前
|
人工智能 监控 Kubernetes
稳定支撑大规模模型调用,携程旅游的 AI 网关实践
为了进一步提升服务水平和服务质量,携程很早就开始在人工智能大模型领域进行探索。而随着工作的深入,大模型服务的应用领域不断扩大,公司内部需要访问大模型服务的应用也越来越多,不可避免的就遇到了几个问题,我们自然就会想到使用网关来对这些服务接入进行统一管理,并增加各种切面上的流量治理功能。
131 35
|
13天前
|
机器学习/深度学习 人工智能 自然语言处理
如何让AI更“聪明”?VLM模型的优化策略与测试方法全解析​
本文系统解析视觉语言模型(VLM)的核心机制、推理优化、评测方法与挑战。涵盖多模态对齐、KV Cache优化、性能测试及主流基准,助你全面掌握VLM技术前沿。建议点赞收藏,深入学习。
201 8
|
2月前
|
人工智能 自然语言处理 机器人
AI Compass前沿速览:Jetson Thor英伟达AI计算、Gemini 2.5 Flash Image、Youtu腾讯智能体框架、Wan2.2-S2V多模态视频生成、SpatialGen 3D场景生成模型
AI Compass前沿速览:Jetson Thor英伟达AI计算、Gemini 2.5 Flash Image、Youtu腾讯智能体框架、Wan2.2-S2V多模态视频生成、SpatialGen 3D场景生成模型
AI Compass前沿速览:Jetson Thor英伟达AI计算、Gemini 2.5 Flash Image、Youtu腾讯智能体框架、Wan2.2-S2V多模态视频生成、SpatialGen 3D场景生成模型
|
25天前
|
Linux Go iOS开发
IDA 9.2 发布:Golang 改进、新 UI 组件、类型解析等
IDA Pro 9.2 (macOS, Linux, Windows) - 强大的反汇编程序、反编译器和多功能调试器
258 0

热门文章

最新文章