AI ઇમેજ પ્રોમ્પ્ટ માર્ગદર્શિકા

મોટા ભાગના લોકો SDXL પર શીખેલી પ્રોમ્પ્ટ આદતો સાથે આવે છે: અલ્પવિરામથી છૂટા પડેલા સંજ્ઞાઓની હાર, ગુણવત્તા-ટોકનની પ્રસ્તાવના, કૌંસમાં થોડા વેઇટ, અને પોઝિટિવ જેટલો જ લાંબો નેગેટિવ પ્રોમ્પ્ટ. એ આદતો એ મોડેલો માટે સાચી હતી અને અહીં ઊલટી અસર કરે છે. અહીં ખરેખર જે કામ કરે છે તેની ટૂંકી આવૃત્તિ છે — અને કારણ કે Shannon તમારા માટે જનરેશન પ્રોમ્પ્ટ લખે છે અને કશું રેન્ડર થાય તે પહેલાં બતાવે છે, આ એટલી જ Shannon જે સૂચવે છે તે વાંચવા અને સુધારવાની માર્ગદર્શિકા પણ છે.

01ગદ્ય ટૅગ કરતાં કેમ ચડિયાતું છે: મોડેલ ભાષા મોડેલની જેમ વાંચે છે

જે જૂનાં ડિફ્યુઝન મોડેલો માટે મોટા ભાગની પ્રોમ્પ્ટ સલાહ લખાઈ હતી તે એવો ટેક્સ્ટ એન્કોડર વાપરતાં હતાં જે વ્યવહારમાં ખ્યાલોની થેલી જેવો વર્તતો: વ્યાકરણનું ભાગ્યે જ મહત્ત્વ હતું, અને જીતતી વ્યૂહરચના હતી સંબંધિત સંજ્ઞાઓ ખડકવી અને તેમને વેઇટથી વાળવી. એ એન્કોડર માટે ટૅગ-સૂપ જ પ્રોમ્પ્ટનો સાચો આકાર હતો.

Shannon નું ઇમેજ મોડેલ એ રીતે કામ કરતું નથી. તે પ્રોમ્પ્ટને એ જ રીતે વાંચે છે જેમ ભાષા મોડેલ લખાણ વાંચે, એટલે વાક્યરચના અર્થ વહન કરે છે. "તેના ખભા સામે છત્રી પકડીને" એ વ્યક્તિ, વસ્તુ અને શરીરના અંગ વચ્ચેનો સંબંધ છે; "છત્રી, ખભો" એ બે વસ્તુઓ છે જે માત્ર હાજર છે. નામયોગી અવ્યય વસ્તુઓને સ્થાન આપે છે. ક્રિયાપદો મુદ્રા બનાવે છે. ઉપવાક્યો વિગતને આખી ઇમેજ પર તરતી મૂકવાને બદલે સાચી સંજ્ઞા સાથે જોડે છે.

અહીં એક જ ચિત્ર બંને રીતે માગેલું છે.

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.

ટૅગ આવૃત્તિ શું વ્યક્ત કરી શકતી નથી તે જુઓ. તે ક્યારેય કહેતી નથી કે છત્રી પકડેલી છે, એટલે તે જમીન પર પડેલી પણ નીકળી શકે. તે ક્યારેય કહેતી નથી કે નિયોન ડામર પર પ્રતિબિંબિત થાય છે, ફક્ત એટલું કે બંને હાજર છે, એટલે તમને સાઇનબોર્ડ અને ભીની શેરી મળે છે જેમની વચ્ચે કોઈ પ્રકાશીય સંબંધ નથી. તે ક્યારેય કહેતી નથી કે સ્ત્રી ક્યાં જુએ છે, એટલે તેની મુદ્રા સિક્કાના ટૉસ જેવી છે. "Cinematic lighting" એ મૂડનું લેબલ છે, પ્રકાશનો સ્રોત નહીં. અને છેલ્લા પાંચ ટોકન અવાજ છે, જે નિયંત્રણ હેન્ડલને બદલે ફોટોગ્રાફી વિશેના અંગ્રેજી શબ્દો તરીકે વંચાય છે.

ગદ્ય આવૃત્તિ એટલા માટે લાંબી નથી કે તે અલંકારિક છે. તે એટલા માટે લાંબી છે કે તે એવા પ્રશ્નોના જવાબ આપે છે જે ટૅગ આવૃત્તિએ ખુલ્લા મૂક્યા હતા. આખી કરામત આટલી જ છે.

02ઇમેજ પ્રોમ્પ્ટ કેટલો લાંબો હોવો જોઈએ?

30 થી 80 શબ્દોનું લક્ષ્ય રાખો. 100 થી બહુ આગળ ન જાઓ. તમારી પાસે ઉપલબ્ધ આ સૌથી સહેલો ગુણવત્તા-લિવર છે, અને શ્રેણીના બંને છેડા મહત્ત્વના છે.

લગભગ 30 શબ્દથી નીચે રચના, પ્રકાશ અને ફ્રેમિંગ અનિર્દિષ્ટ રહે છે, એટલે મોડેલ આંકડાકીય રીતે જે સૌથી સામાન્ય હોય તે પસંદ કરે છે. "કૉફી શૉપમાં એક સ્ત્રી" એ માન્ય પ્રોમ્પ્ટ છે જે ભુલાઈ જાય એવી ઇમેજ આપે છે, કારણ કે તમે દરેક રસપ્રદ નિર્ણય સોંપી દીધો.

લગભગ 100 શબ્દથી ઉપર જુદી નિષ્ફળતા દેખાય છે: પાછળનાં ઉપવાક્યો ઇમેજના એ જ પ્રદેશો માટે આગળનાં સાથે સ્પર્ધા કરે છે, અને વિગત ભેગી થવાને બદલે પાતળી પડે છે. ત્રીજું પ્રકાશવર્ણન પહેલાનું રદ કરે છે, અને પહેલા આઠ શબ્દોમાં તમે સ્થાપેલા વિષયને તમે ઉમેરો છો તે દરેક વાક્ય સાથે સાપેક્ષે ઓછું ધ્યાન મળે છે. લાંબા પ્રોમ્પ્ટ સંપૂર્ણ લાગે છે. તે સંપૂર્ણ રેન્ડર થતા નથી.

શિસ્ત આ છે: તમને જોઈતો પ્રોમ્પ્ટ લખો, પછી તેને એ વાક્યો સુધી કાપો જે દૂર થાય તો ચિત્ર બદલાઈ જાય.

03ક્રમની શિસ્ત: સૌથી મહત્ત્વની વસ્તુ પહેલાં

મોડેલ ક્રમશઃ વાંચતું હોવાથી સ્થાન એ ભાર છે: જે પહેલાં આવે તે ઇમેજને લંગર આપે છે, જે છેલ્લે આવે તે તેને ગોઠવે છે. મોડેલને જે ક્રમે જોઈએ તે ક્રમે વસ્તુઓ મૂકો:

1. વિષય — આ ચિત્ર કોનું કે શેનું છે, નક્કર રીતે.
2. ક્રિયા કે મુદ્રા — તેઓ શું કરી રહ્યાં છે, કેવી રીતે ધારણ કરાયેલાં છે.
3. શૈલી કે મૂડ — ફોટોગ્રાફ, તૈલચિત્ર, ટેકનિકલ ચિત્રણ, અને તેનો સૂર.
4. સ્થળ અને પ્રકાશ — આ ક્યાં થાય છે અને તેના પર કયો પ્રકાશ પડે છે.
5. ટેકનિકલ — ફ્રેમિંગ, લેન્સ, ડેપ્થ ઑફ ફીલ્ડ, રંગની ચોક્કસાઈ.

સૌથી સામાન્ય સ્વયં-કરેલો ઘા છે ટેકનિકલ ઉપવાક્યથી શરૂ કરવું. "સિનેમેટિક વાઇડ શૉટ, એનામોર્ફિક લેન્સ ફ્લેર, ટીલ અને ઓરેન્જ ગ્રેડ, અખબાર વાંચતા એક માણસનો" થી શરૂ કરવું મોડેલને કહે છે કે દેખાવ જ વિષય છે અને માણસ એક વિગત છે. તમને સુંદર, ખાલી ફ્રેમ મળે છે જેમાં નાની અસ્પષ્ટ આકૃતિ હોય છે.

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.

પહેલી આવૃત્તિનું દરેક તત્ત્વ બીજીમાં ટકે છે; કશું છોડાયું નથી. મોડેલને હવે ફક્ત એટલી ખબર પડે છે કે ચિત્ર શેનું છે તે તેને કેવી રીતે શૂટ કરવું તે કહેવાય તે પહેલાં — અને એ પુનર્ગોઠવણી એકલી જ વિષયને આકસ્મિકમાંથી કેન્દ્રીય બનાવે છે.

04વિષય વિશે નક્કર બનો

"એક વ્યક્તિ" એ વિષય નથી, એ પ્લેસહોલ્ડર છે — અને મોડેલ પ્લેસહોલ્ડરને તેણે જોયેલી દરેક વસ્તુની સરેરાશથી ભરે છે, અને ચમકતો, ઉંમર વગરનો, ચરિત્ર વગરનો દેખાવ ત્યાંથી જ આવે છે. નક્કરતા પાંચ શબ્દ ખર્ચે છે અને ચોક્કસ માણસ ખરીદે છે:

પેટર્ન નોંધો: ઉંમર કે યુગ, એક રચનાત્મક લક્ષણ, એક વિશિષ્ટ ખામી. એ ત્રીજી વસ્તુ જ પરિણામને જનરેટ કરેલું નહીં પણ ફોટોગ્રાફ કરેલું અનુભવાવે છે. તૂટેલો દાંત, ઘસાયેલી કિનાર, રંગથી ઢંકાયેલું સાઇનબોર્ડ — નાની અસમમિતિઓ પ્લાસ્ટિક-વિરોધી સૌથી મજબૂત સંકેત છે, અને તે તમારા શબ્દ-બજેટમાં લગભગ કશું ખર્ચતી નથી.

05ફોટોરિયલિઝમ: વિનંતીને ફોટોગ્રાફ તરીકે લખો

જ્યાં સુધી તમે કળા, ચિત્રણ કે એનિમે ન માગો ત્યાં સુધી ફોટોરિયલિઝમ ડિફોલ્ટ સૂર છે. પણ "photorealistic" શબ્દ ઝાઝું કામ કરતો નથી. ફોટોગ્રાફ જે બનાવે છે તે ફોટોગ્રાફીની ક્રિયાનું વર્ણન છે: સાચો કૅમેરા, સાચો લેન્સ, અને સાચો ફિલ્મ સ્ટોક કે પ્રકાશ સ્રોત.

કારણ સીધું છે. "Kodak Portra 400" કૅપ્શન ધરાવતી દરેક ઇમેજ ચોક્કસ ગ્રેન રચના, હાઇલાઇટ રોલ-ઑફ અને ત્વચા-રજૂઆત ધરાવતી ચોક્કસ પ્રક્રિયાથી બની હતી, અને સ્ટોકનું નામ લેવાથી એ બધું ભરતી થાય છે. "8k ultra detailed" ફક્ત સ્ટોક-સાઇટ સ્પામ પર જ દેખાયું હતું, એટલે તે સ્ટોક-સાઇટ સ્પામ ભરતી કરે છે. થોડી ભરોસાપાત્ર રેસિપી, દરેક એક જ વિષયની સ્પષ્ટપણે જુદી ઇમેજ આપતી:

ગ્રાઉન્ડિંગને રેસિપી સાથે મેળવો — 24mm વાઇડમાં જ્યાં ચહેરો એંસી પિક્સેલ ઊંચો હોય ત્યાં છિદ્ર-સ્તરની ત્વચા રચનાનો કોઈ અર્થ નથી — અને પછી તે ઉમેરો. ગ્રાઉન્ડિંગ વિગત એટલે — એ રચનાત્મક પુરાવો કે લેન્સે ખરેખર આ નોંધ્યું હતું. દેખાતાં ત્વચાનાં છિદ્રો અને ચહેરાના ઝીણા વાળ. લિનનના શર્ટની વણાટ. પ્રકાશના કિરણમાં ધૂળના કણ. ચામડાના બૂટ પરનો ઘસરકો. તેજસ્વી પૃષ્ઠભૂમિ સામે ઊડતા વાળ. બે કે ત્રણ પૂરતાં છે, અને એ જ વ્યક્તિના રેન્ડરિંગ અને વ્યક્તિના ફોટોગ્રાફ વચ્ચેનો તફાવત છે.

06સ્તરવાળાં દૃશ્યો: અગ્રભૂમિ, મધ્યભૂમિ, પૃષ્ઠભૂમિ

જ્યારે દૃશ્યમાં ઊંડાણ હોય, ત્યારે ત્રણેય સ્તરોનું અલગ અલગ અને ક્રમમાં વર્ણન કરો. જે ઇમેજ પડદા નહીં પણ સ્થળ જેવી લાગવી જોઈએ તેના માટે આ સૌથી અસરકારક તકનીક છે, અને લગભગ કોઈ તે કરતું નથી. તેના વગર તમને સપાટપણું મળે છે: પ્રોમ્પ્ટ જે કંઈ જણાવે તે લગભગ એક જ અંતરે આવે છે, ફ્રેમના એ જ મધ્ય પટ્ટા માટે સ્પર્ધા કરતું. સ્તરોનું નામ આપવાથી મોડેલને ખર્ચવા માટે ઊંડાણનું બજેટ મળે છે.

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.

બે સુધારા. અગ્રભૂમિમાં કંઈક એવું મૂકો જે ઇરાદાપૂર્વક ફોકસની બહાર હોય — ઊંડાં દૃશ્યોના સાચા ફોટોગ્રાફમાં લગભગ હંમેશાં એક હોય છે, અને તેની ગેરહાજરી સામાન્ય ચાડી છે. અને કહો કે વિષય કયા સ્તરમાં છે: જો સાઇકલ કુરિયર ચિત્રનો મુદ્દો હોય તો તે મધ્યભૂમિમાં હોવી જોઈએ, નહીં તો ટાવર અને કૉફીનો કપ ફ્રેમ માટે તેની સાથે લડશે.

07ચોક્કસ રંગો: હેક્સ કોડ, વસ્તુઓ સાથે જોડેલા

બ્રાન્ડ કામ, પોશાકની સાતત્યતા, કે જ્યાં "લાલ" પૂરતું ચોક્કસ ન હોય ત્યાં હેક્સ કોડ color #RRGGBB તરીકે લખો અને તેને નામ આપેલી વસ્તુ સાથે જોડો:

...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...

ત્રણ અંગૂઠાના નિયમો. જે બે કે ત્રણ રંગો ખરેખર મહત્ત્વના હોય તેમના માટે હેક્સ વાપરો અને બાકીના માટે સાદા શબ્દો — છ હેક્સ કોડવાળો પ્રોમ્પ્ટ પોતાનું મોટા ભાગનું બજેટ પેઇન્ટ ચિપ્સ પર ખર્ચે છે. કોડને કિનારીઓવાળી વસ્તુ સાથે બાંધો, ક્યારેય "પ્રકાશ" કે "મૂડ" સાથે નહીં. અને યાદ રાખો કે તે વસ્તુનો રંગ સ્પષ્ટ કરે છે, અંતિમ પિક્સેલ મૂલ્ય નહીં: ગોલ્ડન અવરના બૅકલાઇટમાં #8B0000 કોટ સ્વૉચ કરતાં વધુ ગરમ રેન્ડર થાય છે, બરાબર જેમ વાસ્તવિક જીવનમાં થાય.

08એસ્પેક્ટ રેશિયો પસંદ કરવો

પાંચ રેશિયો ઉપલબ્ધ છે અને સાચો સામાન્ય રીતે વિષય પરથી સૂચિત થાય છે, પણ તમારી સ્પષ્ટ વિનંતી હંમેશાં જીતે છે — વૉલપેપર માગો તો સામગ્રી ગમે તે સૂચવે, તમને tall મળે છે.

આ ખોટું કરવું દેખાય તેના કરતાં વધુ નુકસાનકારક છે. wide ફ્રેમમાં પૂરી લંબાઈની ઊભી આકૃતિ તમને મોટા ફ્રેમમાં નાની આકૃતિ આપતી નથી — સામાન્ય રીતે તે કપાયેલી આપે છે, કારણ કે મોડેલ પહોળાઈ ભરે છે અને માથું કે પગ ફ્રેમ છોડી દે છે. ફ્રેમને વિષયના પ્રભાવી અક્ષ સાથે મેળવો અને રચના અંગેની મોટા ભાગની ફરિયાદો અદૃશ્ય થઈ જાય છે.

યાદ રાખવા જેવાં બે વર્તન: એડિટિંગ સ્રોત ઇમેજનો એસ્પેક્ટ રેશિયો આપોઆપ જાળવે છે, એટલે તમે એડિટ કરીને ફરીથી ફ્રેમ કરી શકતા નથી, જ્યારે જોડવાનું તમને નવો કૅનવાસ પસંદ કરવા દે છે — તમારી પાસે પહેલેથી હોય તે વસ્તુનો આકાર બદલવાનો ઘણી વાર આ સૌથી સ્વચ્છ રસ્તો છે.

09એન્ટિ-પેટર્ન: શું કરવાનું બંધ કરવું

ગુણવત્તા ટોકન: "masterpiece, best quality, 8k, ultra detailed"

એ ચોક્કસ જૂના તાલીમ વિતરણ માટે સમુદાયે શોધેલા હેન્ડલ હતા, જ્યાં અમુક કૅપ્શન વાક્યાંશો અમુક ઇમેજ સ્રોતો સાથે સહસંબંધિત હતાં. તે અહીં લાગુ પડતા નથી. અહીં તે સામાન્ય અંગ્રેજી શબ્દો તરીકે વંચાય છે, કશું ઉમેરતા નથી, અને એવા શબ્દ-બજેટનો ભાગ ખાય છે જે તંગ છે એવું તમને પહેલેથી કહેવાયું છે. તેનો વિકલ્પ છે એ કહેવું કે તમને કઈ વિગત જોઈએ છે: "ultra detailed" નહીં પણ "કોટના કાપડમાં દેખાતી વણાટ અને જડબા પરની ઝીણી દાઢી" — એ જ ઇરાદો, એવી રીતે વ્યક્ત કરેલો જે મોડેલ રેન્ડર કરી શકે.

વેઇટ સિન્ટેક્સ: (word:1.3), [word], {{word}}

પાર્સ થતું નથી. કૌંસ, ચોરસ કૌંસ, કોલન અને આંકડા શાબ્દિક લખાણ તરીકે આવે છે અને, જો કંઈ થાય તો, આસપાસના ઉપવાક્યને વાંચવું અઘરું બનાવે છે. જો તમને કશા પર વધુ ભાર જોઈએ, તો જે બે લિવર કામ કરે છે તે વાપરો: પ્રોમ્પ્ટમાં તેને વહેલો ખસેડો, અને તેને વધુ શબ્દો આપો. "કિરમજી રેશમી સ્કાર્ફ, જેના ઝાલરવાળા છેડા પવનમાં ઊંચકાય છે" દરેક મહત્ત્વના માપદંડે "(red scarf:1.4)" કરતાં ભારે પડે છે.

વિરોધાભાસી સૂચનાઓ

અસંગત સૂચનાઓ ભેળવવાથી તે ભળતી નથી; તેનાથી અસ્થિર સરેરાશ બને છે જે સામાન્ય રીતે એકેયને સંતોષતી નથી. વારંવારના ગુનેગારો:

• માધ્યમ — "photorealistic" વત્તા "watercolor"; "તૈલચિત્ર" વત્તા "85mm પર શૂટ કરેલું". એક પસંદ કરો અને વળગી રહો.
• ફ્રેમિંગ — "વાઇડ એસ્ટાબ્લિશિંગ શૉટ" વત્તા "તેની આંખો પર અતિ ક્લોઝ-અપ"; "પૂરું શરીર" વત્તા "ચહેરાનાં વિગતવાર છિદ્રો".
• પ્રકાશ — "કઠોર બપોરનો તડકો" વત્તા "નરમ ગોલ્ડન અવરની આભા"; "લો કી, ઊંડા પડછાયા" વત્તા "તેજસ્વી અને હવાદાર".
• યુગ — "1970 ના દાયકાની ફિલ્મી સૌંદર્યદૃષ્ટિ" વત્તા "આધુનિક મિનિમલિસ્ટ" વત્તા "સાયબરપંક".
• શૈલીનો ઢગલો — એકસાથે ચાર કલાકારો કે ચાર શૈલીઓ. બે સંબંધિત સંદર્ભ કામ કરી શકે; ચાર એકબીજાને રદ કરીને સામાન્ય બની જાય છે.
• ફેલાવો — "ગ્રામીણ, ઘસાયેલો, પ્રાચીન, સમયથી જર્જરિત લાકડાનો દરવાજો" એ એક જ વિચાર ચાર વાર લખેલો છે, અને દરેક પુનરાવર્તન બાકીના પ્રોમ્પ્ટને પાતળો કરે છે.

10ટેક્સ્ટ-ટુ-ઇમેજમાં કોઈ નેગેટિવ પ્રોમ્પ્ટ નથી

આ એ એન્ટિ-પેટર્ન છે જે અનુભવી વપરાશકર્તાઓને સૌથી વધુ પકડે છે, કારણ કે જૂનાં સ્ટૅક પર નેગેટિવ પ્રોમ્પ્ટ અડધી કારીગરી હતી.

જનરેશન માટે નિયમ સંપૂર્ણ અને થોડો વિપરીત-સહજ છે: પ્રોમ્પ્ટમાં "કોઈ લખાણ નહીં, કોઈ વૉટરમાર્ક નહીં, વધારાની આંગળીઓ નહીં" લખવાથી એ વસ્તુઓ ઓછી નહીં, વધુ સંભવિત બને છે. મોડેલ "કોઈ લખાણ નહીં" ને એવા વાક્ય તરીકે વાંચે છે જેમાં લખાણ ખ્યાલ છે; નકાર નબળો સંકેત છે અને સંજ્ઞા મજબૂત. તમે અસરકારક રીતે લખાણ માગ્યું છે. તેને બદલે હંમેશાં હકારાત્મક સ્વરૂપ જણાવો:

એડિટિંગ અને જોડવા માટે નેગેટિવ પ્રોમ્પ્ટ અસ્તિત્વમાં છે અને તમારે તે વાપરવો જોઈએ — પણ આર્ટિફેક્ટ માટે, સામગ્રી માટે નહીં. સારી સામગ્રી: વૉટરમાર્ક, લખાણનું ઓવરલે, બેવડાયેલા અંગો, વળી ગયેલા હાથ, ઓવરશાર્પનિંગ હાલો, JPEG બ્લોકિંગ, કમ્પોઝિટ કિનારી પરની સીમરેખા. ખરાબ સામગ્રી: ચિત્ર શેનું છે તે અંગેનું કંઈ પણ, જે સૂચનામાં આવે છે.

11Shannon તમારા માટે લખે છે તે પ્રોમ્પ્ટ વાંચવો

આ માર્ગદર્શિકાને સૈદ્ધાંતિક નહીં પણ તરત ઉપયોગી બનાવે છે તે આ છે. તમારે જનરેશન પ્રોમ્પ્ટ જાતે લખવાનો નથી. તમે સાદી ભાષામાં, કોઈપણ ભાષામાં પૂછો છો; Shannon ઓળખે છે કે ઇમેજ માગવામાં આવી રહી છે, અંગ્રેજી જનરેશન પ્રોમ્પ્ટ રચે છે, અને કશું રેન્ડર થાય તે પહેલાં તે તમને પુષ્ટિકરણ કાર્ડ પર બતાવે છે. તમે પુષ્ટિ ન કરો ત્યાં સુધી કશું બનતું નથી અને કશું બિલ થતું નથી.

એટલે જે કૌશલ્ય સૌથી વધુ ફળ આપે છે તે શરૂઆતથી પ્રોમ્પ્ટ લખવાનું નથી — તે કાર્ડ પરનો પ્રોમ્પ્ટ વાંચવાનું છે. આ યાદી પર નજર ફેરવો:

1. વિષય નક્કર છે? જો કાર્ડ પર "એક વ્યક્તિ" કે "એક સ્ત્રી" લખ્યું હોય, તો તમને ઉપલબ્ધ સૌથી મોટો સુધારો મળી ગયો. તેને ઉંમર, બાંધો, લક્ષણ આપો.
2. વિષય પહેલાં છે? જો પ્રોમ્પ્ટ શૈલી કે કૅમેરાથી શરૂ થાય, તો તેને બદલે વિષયથી શરૂ કરવા કહો.
3. તે શ્રેણીમાં છે? 30 શબ્દથી ઓછું હોય તો પ્રકાશ અને સ્થળ પર વધુ ચોક્કસાઈ માગો. 100 થી વધુ હોય તો કાપવા કહો.
4. પ્રકાશનો સ્રોત છે? મૂડનો શબ્દ નહીં — ખરેખરનો પ્રકાશ: બારી, શેરીનો દીવો, ફ્લેશ, વાદળછાયું આકાશ, સૉફ્ટબોક્સ.
5. કોઈ વિરોધાભાસ? એક જ પ્રોમ્પ્ટમાં બે માધ્યમ, બે ફ્રેમિંગ, કે બે પ્રકાશ સ્થિતિ માટે તપાસો.
6. કોઈ છુપાયેલા નકાર? જો કાર્ડમાં "વગર", "નહીં", કે "ટાળો" હોય, તો એ ટેક્સ્ટ-ટુ-ઇમેજ પ્રોમ્પ્ટ છે જે પોતે નામ આપેલી વસ્તુ જ માગી રહ્યો છે.
7. રેશિયો વિષય માટે સાચો છે? wide માં પૂરી લંબાઈની આકૃતિ એ ઉત્તમ ઉદાહરણ છે ખોટા મેળનું.

સુધારા વાતચીતના રૂપમાં થાય છે: "તેને ત્રીસીની શરૂઆતમાં બનાવો, એક ભમર પર ડાઘ સાથે, તેને Portra પર 85mm માં શૂટ કરો, અને portrait વાપરો" એ સંપૂર્ણ સારી સૂચના છે. તમને નવું કાર્ડ મળે છે અને તમે તેની પુષ્ટિ કરો છો. ફરી ફરી પ્રયત્ન કરવાનો કોઈ દંડ નથી, કારણ કે હજી કશું રેન્ડર થયું નથી.

અને Shannon વગર માગ્યે બનાવતું નથી. અભિવાદન, પ્રશ્ન, કે ચર્ચા માટે તમે જોડેલો ફોટો રેન્ડર શરૂ કરતો નથી. Shannon ને ઇમેજ જોવા કહેવું — તેનું વર્ણન કરવું, વાંચવું, વિશ્લેષણ કરવું — એ સામાન્ય વિઝન કામ છે, જનરેશન નહીં, અને તેનો કોઈ વધારાનો ખર્ચ નથી.

12એડિટિંગ અને જોડવા માટે કારીગરી કેવી રીતે બદલાય છે

ઉપરના નિયમો જનરેશન માટે લખાયા છે. બે નજીકના મોડ પ્રોમ્પ્ટનો આકાર બદલે છે.

એક ઇમેજ એડિટ કરવી

એડિટ પ્રોમ્પ્ટ સૂચના છે, વર્ણન નહીં: શું બદલાય છે અને શું રહે છે તે જણાવો. અપરિવર્તિત ભાગોનું નામ આપવું એ પ્રોડક્ટમાં સૌથી મોટો ગુણવત્તા-લિવર છે — "પૃષ્ઠભૂમિ બદલીને નિયોન પ્રતિબિંબવાળી વરસાદી રાતની શહેરી શેરી કરો, સ્ત્રીને બરાબર જેમ છે તેમ રાખો" ટકી રહે છે જ્યાં એ જ વિનંતી એ ઉપવાક્ય વગર ચૂપચાપ તેનો ચહેરો ફરીથી દોરી નાખે છે. એન્કર વિશે ચોક્કસ બનો: ચહેરો, મુદ્રા, વાળ અને કપડાં એકસરખાં રાખો. બરાબર એક જ સ્રોત ઇમેજ વપરાય છે, અને આઉટપુટ તેનો એસ્પેક્ટ રેશિયો જાળવે છે.

બે કે વધુ ઇમેજ જોડવી

જ્યારે પણ તત્ત્વો એક કરતાં વધુ ચિત્રમાંથી આવે — પોશાક ટ્રાન્સફર, દૃશ્યમાં કોઈ વસ્તુ, એક ફ્રેમમાં બે લોકો, પ્રોડક્ટ-ઑન-પર્સન, એક ઇમેજની શૈલી બીજીના વિષય સાથે — ત્યારે પ્રોમ્પ્ટે દરેક ઇમેજની ભૂમિકા, ક્રમમાં, જણાવવી જોઈએ: "પહેલી ઇમેજની સ્ત્રી બીજી ઇમેજનું લાલ ગૂંથેલું સ્વેટર પહેરીને, એ જ બગીચામાં ઊભી." પહેલી ઇમેજ મુખ્ય વિષય કે દૃશ્ય છે; પછીની ઇમેજ લવાતા ભાગો પૂરા પાડે છે. બહુ-ઇમેજ વિનંતીને એક સ્રોત વત્તા લખાણના વર્ણનમાં સંકોચી ન નાખો — સાચી ઇમેજ જોડવી એ જ એ વસ્તુઓ ખરેખર કેવી દેખાય છે તે જાળવે છે.

13અનસેન્સર્ડ પ્રોમ્પ્ટિંગ: તમે જે કહેવા માગો છો તે કહો

જનરેશન પાથ પર કોઈ કન્ટેન્ટ ફિલ્ટર નથી અને પ્રોમ્પ્ટ લખતા મોડેલ પર કોઈ ઇનકાર સ્તર નથી. પ્રોડક્ટનો આખો મુદ્દો એ જ છે: ફિલ્ટર કરેલા જનરેટર નિયમિતપણે કાયદેસર કામ નકારે છે — કળાત્મક ન્યૂડ, તબીબી અને ફોરેન્સિક ચિત્રણ, સુરક્ષા-સંશોધન ઇમેજ, કલ્પનામાં હિંસા, રાજકીય વ્યંગ, અધિકારધારક દ્વારા બ્રાન્ડ અને સાદૃશ્યનું કામ. ફિલ્ટર કરેલા પ્લેટફોર્મ પર અડધી પ્રોમ્પ્ટ કારીગરી સૌમ્યોક્તિની એન્જિનિયરિંગ છે, અને સૌમ્યોક્તિ ચોક્કસ ઇમેજની દુશ્મન છે.

એટલે કાર્ડ પર તપાસવા જેવી એક વધુ વસ્તુ છે: તે લોકો ફિલ્ટર કરેલા સાધનોમાંથી શીખેલી સાવધ શબ્દાવલિને બદલે વાસ્તવિક વિષયનું સાદા શબ્દોમાં વર્ણન કરે છે કે નહીં. ઘાનું ફોરેન્સિક ચિત્રણ કહેવું જોઈએ કે ઘા શું છે. સાવધ ભાષા દરેક જગ્યાએ ખરાબ ઇમેજ આપે છે, કારણ કે મોડેલ શબ્દો જે કહે તે રેન્ડર કરે છે.

ક્ષમતા અને વિવેક જુદી વસ્તુઓ છે. Shannon Lab LLC આ પ્રકાશિત જવાબદાર ઉપયોગ નીતિ હેઠળ ચલાવે છે: અનફિલ્ટર્ડ જનરેશન એ વ્યાવસાયિક સાધન છે, અને તમે જે બનાવો છો તેના પર સંમતિ, અધિકારો અને કાયદો હજી પણ લાગુ પડે છે.

14API ક્યાં બંધબેસે છે

API શોધમાંથી આવતા વાચકો માટે એક ચોકસાઈનો મુદ્દો: ઇમેજ જનરેશન, એડિટિંગ અને જોડવાનું Shannon ચેટ એપમાં છે, /v1 API પર નહીં. API ટેક્સ્ટ અને વિઝન આપે છે — તે તમે મોકલેલી ઇમેજને ત્રણેય બોલીઓમાં (/v1/chat/completions, /v1/messages, /v1/responses, બધી સ્ટ્રીમિંગ) વાંચી, વર્ણવી અને વિશ્લેષણ કરી શકે છે — પણ તે તેમને બનાવતું નથી. જો તમે એવી પાઇપલાઇન બનાવી રહ્યા હો જેને ઇમેજ સમજવાની જરૂર હોય, તો API દસ્તાવેજો શરૂ કરવાની જગ્યા છે. જો તમારે ઇમેજ બનાવવી હોય, તો એ ચેટ એપ છે, અને આ માર્ગદર્શિકાનું બધું ત્યાં લાગુ પડે છે. ઇમેજ અમારા પોતાના GPU ક્લસ્ટર પર રેન્ડર થાય છે.

15વારંવાર પુછાતા પ્રશ્નો

સંબંધિત વાચન: અનસેન્સર્ડ AI ઇમેજ જનરેશન · અનસેન્સર્ડ AI ઇમેજ એડિટિંગ · જવાબદાર ઉપયોગ નીતિ · API દસ્તાવેજો · બધું Shannon સંશોધન. અહીંનું માર્ગદર્શન Shannon ના ઇમેજ મોડેલના અમારા પોતાના પરીક્ષણમાંથી લેવાયું છે; અગાઉનાં ડિફ્યુઝન સ્ટૅક માટે લખાયેલી સલાહ સામાન્ય રીતે અહીં લાગુ પડતી નથી.