AI Şəkil Prompt Bələdçisi

İnsanların çoxu SDXL-də öyrənilmiş prompt vərdişləri ilə gəlir: vergüllə ayrılmış isim sətri, keyfiyyət tokenlərindən ibarət giriş, mötərizədə bir neçə çəki və müsbət prompt qədər uzun neqativ prompt. Həmin vərdişlər o modellər üçün düzgün idi və burada zərərlidir. Bu, həqiqətən işləyənin qısa versiyasıdır — və Shannon generasiya promptunu sizin üçün yazıb render başlamazdan əvvəl göstərdiyi üçün, bu həm də Shannon-un təklif etdiyini oxumaq və düzəltmək bələdçisidir.

01Nəsr niyə teqləri üstələyir: model dil modeli kimi oxuyur

Prompt məsləhətlərinin çoxunun yazıldığı köhnə diffuziya modelləri praktikada anlayışlar torbası kimi davranan mətn kodlayıcısından istifadə edirdi: qrammatikanın demək olar ki, əhəmiyyəti yox idi və qalib strategiya uyğun isimləri yığıb onları çəkilərlə qərəzləndirmək idi. Teq şorbası həmin kodlayıcı üçün promptun doğru forması idi.

Shannon-un Şəkil Modeli belə işləmir. O, promptu dil modelinin mətn oxuduğu kimi oxuyur, ona görə sintaksis məna daşıyır. "Holding an umbrella against her shoulder" bir insan, bir obyekt və bir bədən hissəsi arasındakı münasibətdir; "umbrella, shoulder" isə sadəcə təsadüfən mövcud olan iki şeydir. Sözönləri əşyaları yerləşdirir. Fellər pozalar yaradır. Budaq cümlələr detalı bütün şəkil boyu üzməyə buraxmaq əvəzinə düzgün ismə bağlayır.

Eyni şəkil hər iki üsulla istənilib.

woman, 30s, tokyo, rain, night, crosswalk, neon signs, umbrella,
wet asphalt, reflections, masterpiece, best quality, 8k, ultra
detailed, (bokeh:1.3), cinematic lighting, photorealistic

A woman in her early thirties waits at a rain-soaked Tokyo
crosswalk at night, holding a clear vinyl umbrella against her
shoulder and glancing down the street. Neon storefront signs
bleed red and cyan into the wet asphalt at her feet. Shot on
Kodak Portra 400, 85mm f/1.4, shallow depth of field, the
traffic signal behind her thrown out of focus.

Teq versiyasının ifadə edə bilmədiklərinə baxın. O, çətirin tutulduğunu heç vaxt demir, ona görə çətir yerdə uzanmış da çıxa bilər. Neonun asfaltda əks olunduğunu heç vaxt demir, sadəcə hər ikisinin mövcud olduğunu deyir, beləliklə aralarında heç bir optik əlaqə olmayan lövhələr və yaş küçə alırsınız. Qadının hara baxdığını heç vaxt demir, ona görə pozası pul atmaqla müəyyən olunur. "Cinematic lighting" işıq mənbəyi deyil, əhval etiketidir. Son beş token isə küydür: idarəetmə tutacağı deyil, fotoqrafiya haqqında ingilis sözləri kimi oxunur.

Nəsr versiyası bəzəkli olduğu üçün uzun deyil. O, teq versiyasının açıq qoyduğu sualları cavablandırdığı üçün uzundur. Bütün sirr də elə budur.

02Şəkil promptu nə qədər uzun olmalıdır?

30-80 söz hədəfləyin. 100-dən çox uzağa getməyin. Bu, əlinizdə olan ən asan keyfiyyət qaldıracıdır və diapazonun hər iki ucu əhəmiyyətlidir.

Təxminən 30 sözdən aşağıda kompozisiya, işıq və kadrlama qeyd olunmamış qalır, ona görə model statistik baxımdan ən adi olanı seçir. "Kafedə bir qadın" düzgün promptdur və unudulan şəkil verir, çünki bütün maraqlı qərarları həvalə etmisiniz.

Təxminən 100 sözdən yuxarıda isə başqa bir uğursuzluq görünür: sonrakı ifadələr şəklin eyni bölgələri uğrunda əvvəlkilərlə rəqabət aparır və detal toplanmaq əvəzinə durulaşır. Üçüncü işıq təsviri birincini ləğv edir və ilk səkkiz sözdə qurduğunuz subyekt əlavə etdiyiniz hər cümlə ilə nisbətən az diqqət alır. Uzun promptlar hərtərəfli oxunur. Hərtərəfli render olunmur.

İntizam belədir: istədiyiniz promptu yazın, sonra onu çıxarıldıqda şəkli dəyişəcək cümlələrə qədər kəsin.

03Sıralama intizamı: ən vacib şey əvvəldə

Model ardıcıl oxuduğu üçün mövqe vurğudur: əvvəldə gələn şəkli lövbərləyir, sonda gələn onu tənzimləyir. Əşyaları modelin ehtiyac duyduğu ardıcıllıqla düzün:

1. Subyekt — bu şəklin konkret olaraq kimin və ya nəyin şəkli olduğu.
2. Hərəkət və ya poza — nə etdikləri, necə dayandıqları.
3. Üslub və ya əhval — fotoşəkil, yağlı boya, texniki illüstrasiya və onun registri.
4. Məkan və işıq — bunun harada baş verdiyi və üzərinə hansı işığın düşdüyü.
5. Texniki detallar — kadrlama, obyektiv, sahə dərinliyi, rəng təfərrüatları.

Ən çox rast gəlinən özünə vurulan zərbə texniki ifadə ilə başlamaqdır. "Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper" ilə başlamaq modelə görünüşün subyekt, kişinin isə detal olduğunu deyir. Nəticədə içində kiçik, seçilməyən bir fiqur olan gözəl, boş kadr alırsınız.

Cinematic wide shot, anamorphic lens flare, teal and orange
color grade, shallow depth of field, golden hour, of a man
reading a newspaper on a park bench.

A man in his sixties in a gray wool overcoat sits on a park
bench reading a folded broadsheet newspaper, one ankle crossed
over his knee. Late golden-hour sun rakes across him from the
left through bare plane trees. Photographed wide on a 35mm
anamorphic lens, shallow depth of field, warm highlights and
cool shadows.

Birinci versiyadakı hər element ikincidə də var; heç nə atılmayıb. Sadəcə model artıq necə çəkiləcəyini eşitməzdən əvvəl şəklin nəyin şəkli olduğunu bilir — və təkcə bu yenidən sıralama subyekti ikinci dərəcəlidən mərkəzi mövqeyə keçirir.

04Subyekt barədə konkret olun

"Bir adam" subyekt deyil, doldurucudur — model isə doldurucuları gördüyü hər şeyin ortalaması ilə doldurur və o parlaq, yaşsız, xarakteri olmayan görünüş də məhz oradan gəlir. Konkretlik beş sözə başa gəlir və sizə konkret bir insan qazandırır:

Naxışa diqqət edin: yaş və ya dövr, bir struktur əlaməti, bir fərqləndirici qüsur. Nəticəni yaradılmış deyil, çəkilmiş kimi hiss etdirən məhz üçüncü maddədir. Sınıq diş, yeyilmiş ətək, üstündən boya çəkilmiş lövhə — kiçik asimmetriyalar əlçatan ən güclü plastik-əleyhinə siqnaldır və söz büdcənizə demək olar ki, heç nəyə başa gəlmir.

05Fotorealizm: sorğunu fotoşəkil kimi yazın

İncəsənət, illüstrasiya və ya anime istəmədiyiniz halda fotorealizm standart registrdir. Amma "photorealistic" sözü az iş görür. Fotoşəkil yaradan şey fotoqrafiya aktını təsvir etməkdir: real kamera, real obyektiv və real kadr növü yaxud işıq mənbəyi.

Səbəb sadədir. "Kodak Portra 400" başlığı ilə işarələnmiş hər şəkil özünəməxsus dənəvərlik quruluşu, işıqlı sahə keçidi və dəri təsviri olan konkret bir prosesin məhsuludur və kadr növünü adlandırmaq bunların hamısını cəlb edir. "8k ultra detailed" isə yalnız stok saytı spamında görünüb, ona görə stok saytı spamı cəlb edir. Eyni subyektin fərqli şəkillərini verən bir neçə etibarlı resept:

Dayaqlandırmanı reseptə uyğunlaşdırın — üzün səksən piksel hündürlüyündə olduğu 24mm enli kadrda məsamə səviyyəsində dəri toxuması heç nə demir — və sonra onu əlavə edin. Dayaq detalı obyektivin bunu həqiqətən qeydə aldığına dair toxuma sübutudur. Görünən dəri məsamələri və nazik üz tükləri. Kətan köynəyin toxunuşu. İşıq şüasındakı toz zərrələri. Dəri çəkmədəki cızıq. İşıqlı fonda dağılmış saç telləri. İki-üçü kifayətdir və bunlar insanın rəsmi ilə insanın fotoşəkli arasındakı fərqdir.

06Təbəqəli səhnələr: ön plan, orta plan, arxa fon

Səhnənin dərinliyi olanda üç planı ayrıca və sırayla təsvir edin. Bu, fon deyil, məkan kimi hiss olunmalı şəkillər üçün ən effektiv üsuldur və demək olar ki, heç kim belə etmir. Onsuz yastılıq alırsınız: promptun qeyd etdiyi hər şey təxminən eyni məsafədə düşür və kadrın eyni orta zolağı uğrunda rəqabət aparır. Planları adlandırmaq modelə xərcləyəcəyi dərinlik büdcəsi verir.

In the foreground, a cracked concrete ledge with a half-empty
paper coffee cup and a scattering of cigarette ash, slightly out
of focus. In the midground, a bicycle courier in a yellow rain
jacket wheels her bike across a wet plaza, caught mid-stride. In
the background, a glass office tower dissolves into low fog.
Shot on a 50mm lens at f/2.8, flat overcast light.

İki incəlik. Ön plana qəsdən fokusdan kənar bir şey qoyun — dərin səhnələrin real fotoşəkillərində demək olar ki, həmişə belə bir şey olur və onun yoxluğu yayğın bir işarədir. Və subyektin hansı planda olduğunu deyin: kuryer şəklin mövzusudursa, onun yeri orta plandır, əks halda qüllə və qəhvə stəkanı kadr uğrunda onunla vuruşacaq.

07Dəqiq rənglər: obyektlərə bağlanmış hex kodları

Brend işi, kostyum ardıcıllığı və ya "qırmızı"nın kifayət qədər dəqiq olmadığı hər yerdə hex kodunu color #RRGGBB şəklində yazın və onu adı çəkilən obyektə bağlayın:

...wearing a heavy wool peacoat, color #8B0000, over a cream
turtleneck, against a studio backdrop, color #1E3A5F.

...#8B0000, #1E3A5F, dark red and navy color palette, moody...

Üç praktik qayda. Hex-i həqiqətən əhəmiyyət daşıyan iki-üç rəng üçün, qalanı üçün isə adi sözlər işlədin — altı hex kodu olan prompt büdcəsinin çoxunu boya nümunələrinə xərcləyir. Kodu "işığa" və ya "əhvala" deyil, kənarları olan obyektə bağlayın. Və yadda saxlayın ki, o, son piksel dəyərini deyil, obyektin rəngini göstərir: qızılı saat işığında arxadan işıqlanmış #8B0000 palto nümunədən daha isti render olunur, tam da həyatda olduğu kimi.

08En-boy nisbətinin seçilməsi

Beş nisbət mövcuddur və doğru olanı adətən subyektdən irəli gəlir, lakin sizin açıq istəyiniz həmişə qalib gəlir — divar kağızı istəyin, məzmunun nə təklif etməsindən asılı olmayaraq tall alacaqsınız.

Bunu səhv seçmək göründüyündən daha zərərlidir. wide kadrda tamboy ayaq üstə fiqur sizə böyük kadrda kiçik fiqur vermir — adətən kəsilmiş fiqur verir, çünki model eni doldurur və baş ya ayaqlar kadrdan çıxır. Kadrı subyektin dominant oxuna uyğunlaşdırın və kompozisiya şikayətlərinin çoxu yox olacaq.

Yadda saxlamağa dəyər iki davranış: redaktə mənbə şəklin en-boy nisbətini avtomatik saxlayır, ona görə redaktə ilə yenidən kadrlaya bilməzsiniz; birləşdirmə isə yeni kətan seçməyə imkan verir — çox vaxt artıq əlinizdə olan bir şeyin formasını dəyişməyin ən təmiz yolu budur.

09Anti-nümunələr: nəyi dayandırmalı

Keyfiyyət tokenləri: "masterpiece, best quality, 8k, ultra detailed"

Bunlar müəyyən başlıq ifadələrinin müəyyən şəkil mənbələri ilə korrelyasiya etdiyi köhnə təlim paylanması üçün icma tərəfindən kəşf edilmiş tutacaqlar idi. Onlar ötürülmür. Burada adi ingilis sözləri kimi oxunur, heç nə vermir və sizə artıq dar olduğu deyilmiş söz büdcəsinin bir hissəsini yeyir. Əvəzedici isə hansı detalı istədiyinizi deməkdir: "ultra detailed" yox, "paltonun parçasında görünən toxunuş və çənə boyunca nazik tük" — eyni niyyət, modelin render edə biləcəyi şəkildə ifadə olunub.

Çəki sintaksisi: (word:1.3), [word], {{word}}

Oxunmur. Mötərizələr, kvadrat mötərizələr, iki nöqtə və rəqəmlər hərfi mətn kimi düşür və hətta ətrafdakı ifadəni oxumağı çətinləşdirir. Nəyəsə daha çox vurğu istəyirsinizsə, həqiqətən işləyən iki qaldıracdan istifadə edin: onu promptda daha əvvələ çəkin və ona daha çox söz verin. "A crimson silk scarf, its fringed ends lifting in the wind" əhəmiyyət daşıyan hər ölçüdə "(red scarf:1.4)"-ü üstələyir.

Ziddiyyətli göstərişlər

Uyuşmayan göstərişləri qarışdırmaq onları birləşdirmir; adətən heç birini təmin etməyən qeyri-sabit ortalama yaradır. Tez-tez rast gəlinənlər:

• Medium — "photorealistic" üstəgəl "watercolor"; "oil painting" üstəgəl "shot on 85mm". Birini seçin və ona sadiq qalın.
• Kadrlama — "wide establishing shot" üstəgəl "extreme close-up on her eyes"; "full body" üstəgəl "detailed facial pores".
• İşıq — "harsh midday sun" üstəgəl "soft golden hour glow"; "low key, deep shadows" üstəgəl "bright and airy".
• Dövr — "1970s film aesthetic" üstəgəl "modern minimalist" üstəgəl "cyberpunk".
• Üslub yığını — eyni anda dörd rəssam və ya dörd janr. Bir-biri ilə əlaqəli iki istinad işləyə bilər; dördü isə bir-birini ləğv edib ümumiləşir.
• Yayılma — "kobud, aşınmış, qədim, zamanın yeyib-yıprandığı taxta qapı" dörd dəfə yazılmış bir fikirdir və hər təkrar promptun qalanını durulaşdırır.

10Mətndən-şəklə neqativ prompt yoxdur

Təcrübəli istifadəçiləri ən çox bu anti-nümunə tutur, çünki köhnə yığınlarda neqativ prompt sənətin yarısı idi.

Generasiya üçün qayda mütləq və bir qədər gözlənilməzdir: prompta "mətn yoxdur, su nişanı yoxdur, artıq barmaq yoxdur" yazmaq bu şeyləri daha az deyil, daha çox ehtimallı edir. Model "mətn yoxdur" ifadəsini mətn anlayışını ehtiva edən cümlə kimi oxuyur; inkar zəif siqnal, isim isə güclü siqnaldır. Faktiki olaraq mətn istəmisiniz. Həmişə onun əvəzinə müsbət formanı yazın:

Redaktə və birləşdirmə üçün neqativ prompt mövcuddur və ondan istifadə etməlisiniz — amma məzmun üçün yox, artefaktlar üçün. Yaxşı material: su nişanı, mətn örtüyü, təkrarlanmış ətraflar, əyilmiş əllər, həddindən artıq itiləşdirmə haləsi, JPEG bloklaşması, kompozit kənarı boyunca tikiş xətləri. Pis material: şəklin nə barədə olduğuna dair hər şey — onun yeri göstərişdədir.

11Shannon-un sizin üçün yazdığı promptu oxumaq

Bu bələdçini nəzəri deyil, dərhal istifadəyə yararlı edən şey budur. Generasiya promptunu özünüz yazmaq məcburiyyətində deyilsiniz. Siz istənilən dildə, adi dillə soruşursunuz; Shannon şəkil tələb olunduğunu tanıyır, ingiliscə generasiya promptunu qurur və render başlamazdan əvvəl onu sizə təsdiq kartında göstərir. Siz təsdiqləməyincə heç nə yaradılmır və heç nə hesablanmır.

Ona görə də ən çox fayda verən bacarıq promptu sıfırdan yazmaq deyil — kartdakını oxumaqdır. Bu siyahını gözdən keçirin:

1. Subyekt konkretdirmi? Kartda "bir adam" və ya "bir qadın" yazılıbsa, əlçatan ən böyük yaxşılaşdırmanı tapmısınız. Ona yaş, bədən quruluşu, bir əlamət verin.
2. Subyekt əvvəldədirmi? Prompt üslub və ya kamera ilə başlayırsa, onun əvəzinə subyektlə başlamasını istəyin.
3. Diapazondadırmı? 30 sözdən azdırsa, işıq və məkan barədə daha çox dəqiqlik istəyin. 100-dən çoxdursa, kəsilməsini istəyin.
4. İşıq mənbəyi varmı? Əhval sözü yox — real işıq: pəncərə, küçə lampası, çaxma işığı, buludlu səma, softbox.
5. Ziddiyyət varmı? Eyni promptda iki medium, iki kadrlama və ya iki işıq şəraiti axtarın.
6. Gizli inkar varmı? Kartda "olmadan", "yoxdur" və ya "çəkinin" varsa, bu, adlandırdığı şeyi istəyən mətndən-şəklə promptudur.
7. Nisbət subyektə uyğundurmu? wide kadrda tamboy fiqur klassik uyğunsuzluqdur.

Düzəlişlər söhbət şəklindədir: "onu otuz yaşlarında et, qaşının birində çapıq olsun, Portra ilə 85mm-də çək və portrait istifadə et" tamamilə yaxşı bir göstərişdir. Yeni kart alırsınız və onu təsdiqləyirsiniz. Təkrar cəhd üçün cərimə yoxdur, çünki hələ heç nə render olunmayıb.

Shannon dəvətsiz generasiya etmir. Salamlaşma, sual və ya müzakirə üçün əlavə etdiyiniz foto render başlatmır. Shannon-dan şəklə baxmasını istəmək — təsvir et, oxu, təhlil et — adi görmə işidir, generasiya deyil və əlavə heç nəyə başa gəlmir.

12Redaktə və birləşdirmə üçün sənət necə dəyişir

Yuxarıdakı qaydalar generasiya üçün yazılıb. Yanaşı duran iki rejim promptun formasını dəyişir.

Bir şəklin redaktəsi

Redaktə promptu təsvir deyil, göstərişdir: nəyin dəyişdiyini və nəyin qaldığını bildirin. Dəyişməyən hissələri adlandırmaq məhsuldakı ən böyük keyfiyyət qaldıracıdır — "Arxa fonu neon əksləri olan yağışlı gecə şəhər küçəsi ilə dəyiş, qadını olduğu kimi saxla" bütöv qalır, həmin ifadə olmadan eyni sorğu isə səssizcə onun üzünü yenidən çəkir. Lövbər barədə konkret olun: üzü, pozanı, saçı və geyimi eyni saxla. Dəqiq bir mənbə şəkildən istifadə olunur və çıxış onun en-boy nisbətini saxlayır.

İki və ya daha çox şəklin birləşdirilməsi

Elementlər birdən çox şəkildən gələndə — geyim köçürməsi, obyektin səhnəyə salınması, bir kadrda iki nəfər, məhsul insan üzərində, bir şəklin subyekti digərinin üslubu ilə — prompt hər şəklin rolunu sıra ilə adlandırmalıdır: "Birinci şəkildəki qadın ikinci şəkildəki qırmızı toxunma sviteri geyinib, eyni parkda dayanıb." Birinci şəkil əsas subyekt və ya səhnədir; sonrakı şəkillər gətirilən hissələri təmin edir. Çoxşəkilli sorğunu bir mənbə üstəgəl mətn təsvirinə yığmayın — həmin şeylərin əslində necə göründüyünü qoruyan şey real şəkillərin birləşdirilməsidir.

13Senzurasız prompt yazmaq: nə nəzərdə tutursunuzsa, onu deyin

Generasiya yolunda məzmun filtri, promptu yazan modeldə isə imtina qatı yoxdur. Məhsulun bütün mənası da budur: filtrli generatorlar müntəzəm olaraq qanuni işdən imtina edir — art nüdləri, tibbi və məhkəmə-tibbi illüstrasiya, təhlükəsizlik tədqiqatı şəkilləri, bədii ədəbiyyatda zorakılıq, siyasi satira, hüquq sahibinin öz brend və oxşarlıq işi. Filtrli platformalarda prompt sənətinin yarısı evfemizm mühəndisliyidir, evfemizm isə dəqiq şəklin düşmənidir.

Ona görə kartda yoxlanacaq bir şey də var: o, insanların filtrli alətlərdən öyrəndiyi ehtiyatlı lüğətlə deyil, əsl subyekti adi sözlərlə təsvir edirmi. Yaranın məhkəmə-tibbi illüstrasiyası yaranın nə olduğunu deməlidir. Ehtiyatlı dil hər yerdə daha pis şəkil verir, çünki model sözlərin dediyini render edir.

Qabiliyyət və mühakimə ayrı şeylərdir. Shannon Lab LLC bunu dərc olunmuş Məsuliyyətli İstifadə Siyasəti çərçivəsində idarə edir: filtrsiz generasiya peşəkar alətdir və razılıq, hüquqlar və qanun yaratdığınız hər şeyə yenə də şamil olunur.

14API buraya harada uyğunlaşır

API axtarışından gələn oxucular üçün bir dəqiqləşdirmə: şəkil yaratma, redaktə və birləşdirmə /v1 API-da deyil, Shannon çat tətbiqindədir. API mətnə və görməyə xidmət edir — göndərdiyiniz şəkilləri hər üç dialektdə (/v1/chat/completions, /v1/messages, /v1/responses, hamısı axın dəstəkli) oxuya, təsvir edə və təhlil edə bilir — amma onları yaratmır. Şəkilləri başa düşməli olan bir konveyer qurursunuzsa, başlanğıc nöqtəniz API sənədləridir. Şəkil yaratmaq istəyirsinizsə, bu, çat tətbiqidir və bu bələdçidəki hər şey orada tətbiq olunur. Şəkillər öz GPU klasterimizdə render olunur.

15Tez-tez verilən suallar

Əlaqəli oxu: Senzurasız AI şəkil yaratma · Senzurasız AI şəkil redaktəsi · Məsuliyyətli İstifadə Siyasəti · API sənədləri · Bütün Shannon tədqiqatları. Buradakı tövsiyələr Shannon-un Şəkil Modelini öz sınaqlarımızdan çıxarmaqla əldə edilib; əvvəlki diffuziya yığınları üçün yazılmış məsləhətlər adətən ötürülmür.