המדריך להנחיות תמונות AI

רוב האנשים מגיעים עם הרגלי הנחיה שנלמדו על SDXL: מחרוזת שמות עצם מופרדים בפסיקים, פתיח של טוקני איכות, כמה משקלים בסוגריים, והנחיה שלילית ארוכה כמו החיובית. ההרגלים האלה היו נכונים למודלים ההם והם מזיקים כאן. זו הגרסה הקצרה של מה שבאמת עובד — ומכיוון ש-Shannon כותב עבורך את הנחיית היצירה ומציג אותה לפני שמשהו מרונדר, זה באותה מידה מדריך לקריאה ותיקון של מה ש-Shannon מציע.

01למה פרוזה מנצחת תגיות: המודל קורא כמו מודל שפה

מודלי הדיפוזיה הישנים יותר, שעבורם נכתבו רוב עצות ההנחיה, השתמשו במקודד טקסט שהתנהג בפועל כמו שק של מושגים: הדקדוק כמעט ולא היה חשוב, והאסטרטגיה המנצחת הייתה לערום שמות עצם רלוונטיים ולהטות אותם במשקלים. מרק תגיות היה צורת ההנחיה הנכונה למקודד ההוא.

מודל התמונות של Shannon אינו עובד כך. הוא קורא הנחיה כמו שמודל שפה קורא טקסט, ולכן התחביר נושא משמעות. Holding an umbrella against her shoulder הוא יחס בין אדם, עצם ואיבר גוף; umbrella, shoulder הוא שני דברים שבמקרה נמצאים. מילות יחס ממקמות דברים. פעלים יוצרים תנוחות. פסוקיות מצמידות פרטים לשם העצם הנכון במקום לתת להם לרחף על פני כל התמונה.

הנה אותה תמונה מתבקשת בשתי הדרכים.

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.

הסתכל על מה שגרסת התגיות אינה יכולה לבטא. היא לעולם אינה אומרת שהמטרייה מוחזקת, ולכן היא עלולה בסוף לשכב על הרצפה. היא לעולם אינה אומרת שהניאון משתקף באספלט, רק ששניהם קיימים, ולכן אתה מקבל שלטים ורחוב רטוב בלי שום יחס אופטי ביניהם. היא לעולם אינה אומרת לאן האישה מסתכלת, ולכן התנוחה שלה היא הטלת מטבע. cinematic lighting היא תווית מצב רוח, לא מקור אור. וחמשת הטוקנים האחרונים הם רעש, שנקראים כמילים אנגליות על צילום ולא כידיות שליטה.

גרסת הפרוזה אינה ארוכה יותר בגלל שהיא פרחונית. היא ארוכה יותר כי היא עונה על שאלות שגרסת התגיות השאירה פתוחות. זה כל הטריק.

02כמה ארוכה צריכה להיות הנחיה לתמונה?

כוון ל-30 עד 80 מילים. אל תעבור הרבה מעבר ל-100. זהו מנוף האיכות הפשוט ביותר שזמין לך, ושני קצות הטווח חשובים.

מתחת לכ-30 מילים הקומפוזיציה, האור והמסגור אינם מוגדרים, ולכן המודל בוחר את מה שהכי רגיל סטטיסטית. אישה בבית קפה היא הנחיה תקפה שמייצרת תמונה נשכחת, כי האצלת כל החלטה מעניינת.

מעל בערך 100 מילים מופיע כשל אחר: פסוקיות מאוחרות מתחרות במוקדמות על אותם אזורים בתמונה, ובמקום לצבור פרטים אתה מקבל דילול. תיאור התאורה השלישי מבטל את הראשון, והנושא שביססת בשמונה המילים הראשונות מקבל פחות תשומת לב יחסית עם כל משפט שאתה מוסיף. הנחיות ארוכות נקראות כיסודיות. הן אינן מרונדרות כיסודיות.

המשמעת: כתוב את ההנחיה שאתה רוצה, ואז קצץ אותה למשפטים שהיו משנים את התמונה אילו הוסרו.

03משמעת הסדר: הדבר החשוב ביותר ראשון

מכיוון שהמודל קורא ברצף, מיקום הוא הדגשה: מה שבא ראשון מעגן את התמונה, מה שבא אחרון מכוונן אותה. סדר את הדברים לפי הסדר שהמודל צריך אותם:

1. נושא — מי או מה בתמונה הזו, במוחשיות.
2. פעולה או תנוחה — מה הם עושים, איך הם מוחזקים.
3. סגנון או מצב רוח — צילום, ציור שמן, איור טכני, והמשלב שהוא נמצא בו.
4. תפאורה ותאורה — איפה זה קורה ואיזה אור נופל על זה.
5. טכני — מסגור, עדשה, עומק שדה, פרטי צבע.

הפצע העצמי הנפוץ ביותר הוא להתחיל בפסוקית הטכנית. פתיחה ב-Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper אומרת למודל שהמראה הוא הנושא ושהגבר הוא פרט. אתה מקבל מסגרת מרהיבה וריקה עם דמות קטנה ומטושטשת בתוכה.

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.

כל רכיב מהגרסה הראשונה שורד בשנייה; שום דבר לא הושמט. המודל פשוט יודע עכשיו על מה התמונה לפני שאומרים לו איך לצלם אותה — והסידור מחדש הזה לבדו מעביר את הנושא מאגבי למרכזי.

04היה מוחשי לגבי הנושא

אדם אינו נושא, הוא מציין מקום — והמודל ממלא מציני מקום בממוצע של כל מה שראה, וזה בדיוק המקור למראה המבריק, חסר הגיל וחסר האופי. מוחשיות עולה חמש מילים וקונה בן אדם ספציפי:

שים לב לדפוס: גיל או תקופה, מאפיין מבני אחד, אי-שלמות מבדילה אחת. הפריט השלישי הוא מה שגורם לתוצאה להרגיש מצולמת ולא מיוצרת. שן שבורה, מכפלת בלויה, שילוט שנצבע עליו — אסימטריות קטנות הן האות האנטי-פלסטי החזק ביותר שזמין, והן עולות כמעט כלום בתקציב המילים שלך.

05פוטוריאליזם: כתוב את הבקשה כצילום

פוטוריאליזם הוא המשלב שהוא ברירת המחדל אלא אם אתה מבקש אמנות, איור או אנימה. אבל המילה photorealistic עושה מעט עבודה. מה שמייצר צילום הוא תיאור של פעולת הצילום: מצלמה אמיתית, עדשה אמיתית, ופילם אמיתי או מקור אור.

הסיבה פשוטה. כל תמונה שכותרתה Kodak Portra 400 נוצרה בתהליך מסוים עם מבנה גרעין מסוים, נפילת אורות מסוימת וגימור עור מסוים, ונקיבה בשם הפילם מגייסת את כל זה. 8k ultra detailed הופיע רק בספאם של אתרי סטוק, ולכן הוא מגייס ספאם של אתרי סטוק. כמה מתכונים אמינים, שכל אחד מייצר תמונה שונה בבירור של אותו נושא:

התאם את פרטי העיגון למתכון — מרקם עור ברמת נקבוביות אינו אומר דבר בזווית רחבה של 24mm שבה הפנים בגובה שמונים פיקסלים — ואז הוסף אותם. פרטי עיגון הם הראיה המרקמית לכך שעדשה באמת תיעדה את זה. נקבוביות עור נראות לעין ושיער פנים דק. אריגת חולצת פשתן. גרגרי אבק בקרן אור. שריטה על מגף עור. שערות פורחות מול רקע בהיר. שניים או שלושה מספיקים, והם ההבדל בין רינדור של אדם לצילום שלו.

06סצנות רב-שכבתיות: קדמה, אמצע, רקע

כשלסצנה יש עומק, תאר את שלושת המישורים בנפרד ולפי הסדר. זו הטכניקה היעילה ביותר לתמונות שאמורות להרגיש כמו מקומות ולא כמו רקעים, וכמעט אף אחד לא עושה אותה. בלעדיה אתה מקבל שטיחות: כל מה שההנחיה מזכירה נוחת בערך באותו מרחק, ומתחרה על אותה רצועה אמצעית של המסגרת. נקיבה בשמות המישורים נותנת למודל תקציב עומק לבזבז.

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.

שני חידודים. שים בקדמת התמונה משהו שמכוון להיות מחוץ לפוקוס — לצילומים אמיתיים של סצנות עמוקות כמעט תמיד יש כזה, והיעדרו הוא סימן נפוץ. ואמור באיזה מישור נמצא הנושא: אם השליחה על האופניים היא הנקודה של התמונה, מקומה באמצע התמונה, אחרת המגדל וכוס הקפה יילחמו בה על המסגרת.

07צבעים מדויקים: קודים הקסדצימליים, מוצמדים לעצמים

לעבודת מותג, לרציפות תלבושות, או בכל מקום שבו אדום אינו מספיק ספציפי, כתוב את הקוד ההקסדצימלי בצורה color #RRGGBB והצמד אותו לעצם נקוב בשם:

...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...

שלושה כללי אצבע. השתמש בהקסדצימלי לשניים או שלושה הצבעים שבאמת חשובים ובמילים רגילות לשאר — הנחיה עם שישה קודים הקסדצימליים מבזבזת את רוב התקציב שלה על שבבי צבע. קשור את הקוד לעצם עם קצוות, לעולם לא לתאורה או למצב הרוח. וזכור שהוא מציין את צבע העצם, לא את ערך הפיקסל הסופי: מעיל #8B0000 באור אחורי של שעת הזהב מרונדר חם יותר מהדגימה, בדיוק כפי שהיה קורה במציאות.

08בחירת יחס הגובה-רוחב

חמישה יחסים זמינים והנכון בדרך כלל משתמע מהנושא, אבל בקשה מפורשת ממך תמיד מנצחת — בקש טפט ותקבל tall ללא קשר למה שהתוכן מרמז.

טעות כאן מזיקה יותר משנראה. דמות עומדת במלוא גובהה במסגרת wide אינה נותנת לך דמות קטנה במסגרת גדולה — היא בדרך כלל נותנת לך דמות חתוכה, כי המודל ממלא את הרוחב והראש או כפות הרגליים יוצאים מהמסגרת. התאם את המסגרת לציר הדומיננטי של הנושא ורוב תלונות הקומפוזיציה נעלמות.

שתי התנהגויות ששווה לזכור: עריכה שומרת אוטומטית על יחס הגובה-רוחב של תמונת המקור, כך שאי אפשר למסגר מחדש דרך עריכה, בעוד שילוב מאפשר לך לבחור בד ציור חדש — לעיתים קרובות הדרך הנקייה ביותר לשנות את הצורה של משהו שכבר יש לך.

09אנטי-דפוסים: מה להפסיק לעשות

טוקני איכות: masterpiece, best quality, 8k, ultra detailed

אלה היו ידיות שהתגלו בקהילה עבור התפלגות אימון ישנה וספציפית, שבה ביטויי כיתוב מסוימים היו במתאם עם מקורות תמונה מסוימים. הם אינם עוברים. כאן הם נקראים כמילים אנגליות רגילות, אינם תורמים דבר, ואוכלים חלק מתקציב מילים שכבר נאמר לך שהוא צפוף. התחליף הוא לומר איזה פרט אתה רוצה: לא ultra detailed אלא אריגה נראית לעין בבד המעיל וזיפים דקים לאורך הלסת — אותה כוונה, מבוטאת כמשהו שהמודל יכול לרנדר.

תחביר משקלים: (word:1.3), [word], {{word}}

אינו מפורש. הסוגריים, הסוגריים המרובעים, הנקודתיים והמספרים נוחתים כטקסט מילולי, ואם כבר, מקשים על קריאת הפסוקית סביבם. אם אתה רוצה יותר הדגשה על משהו, השתמש בשני המנופים שכן עובדים: הזז אותו מוקדם יותר בהנחיה, ותן לו יותר מילים. A crimson silk scarf, its fringed ends lifting in the wind גובר על (red scarf:1.4) בכל מדד שחשוב.

כיוונים סותרים

ערבוב הוראות שאינן מתיישבות אינו ממזג אותן; הוא מייצר ממוצע לא יציב שבדרך כלל אינו מספק אף אחת מהן. העבריינים התכופים:

• מדיום — photorealistic בתוספת watercolor; oil painting בתוספת shot on 85mm. בחר אחד והתחייב.
• מסגור — wide establishing shot בתוספת extreme close-up on her eyes; full body בתוספת detailed facial pores.
• תאורה — harsh midday sun בתוספת soft golden hour glow; low key, deep shadows בתוספת bright and airy.
• תקופה — אסתטיקת פילם משנות ה-70 בתוספת מינימליזם מודרני בתוספת סייברפאנק.
• ערימת סגנונות — ארבעה אמנים או ארבעה ז'אנרים בבת אחת. שתי הפניות קרובות יכולות לעבוד; ארבע מבטלות זו את זו לכדי גנרי.
• פיזור — דלת עץ כפרית, בלויה, עתיקה, שחוקת שנים היא רעיון אחד שנכתב ארבע פעמים, וכל חזרה מדללת את שאר ההנחיה.

10אין הנחיה שלילית בטקסט-לתמונה

זה האנטי-דפוס שתופס את המשתמשים המנוסים הכי חזק, כי במחסניות ישנות יותר ההנחיה השלילית הייתה חצי מהמלאכה.

ליצירה הכלל מוחלט ומעט מנוגד לאינטואיציה: כתיבת no text, no watermark, no extra fingers בתוך ההנחיה הופכת את הדברים האלה לסבירים יותר, לא פחות. המודל קורא no text כמשפט שמכיל את המושג text; השלילה היא אות חלש ושם העצם הוא אות חזק. למעשה ביקשת טקסט. תמיד נסח את הצורה החיובית במקום:

לעריכה ולשילוב ההנחיה השלילית קיימת וכדאי להשתמש בה — אבל לארטיפקטים, לא לתוכן. חומר טוב: סימן מים, שכבת טקסט, איברים כפולים, ידיים מעוותות, הילות חידוד יתר, בלוקים של JPEG, קווי תפר לאורך קצה של הרכבה. חומר גרוע: כל דבר לגבי מה יש בתמונה, ששייך להוראה.

11קריאת ההנחיה ש-Shannon כותב עבורך

הנה מה שהופך את המדריך הזה לשמיש מיד ולא תיאורטי. אינך צריך לכתוב את הנחיית היצירה בעצמך. אתה מבקש בשפה רגילה, בכל שפה; Shannon מזהה שמתבקשת תמונה, מחבר את הנחיית היצירה באנגלית, ומציג לך אותה בכרטיס אישור לפני שמשהו מרונדר. שום דבר לא נוצר ושום דבר לא מחויב עד שתאשר.

אז המיומנות שמשתלמת יותר מכול אינה כתיבת הנחיות מאפס — היא קריאת זו שעל הכרטיס. עבור על הרשימה הזו:

1. האם הנושא מוחשי? אם הכרטיס אומר a person או a woman, מצאת את השיפור הגדול ביותר שזמין. תן לו גיל, מבנה גוף, מאפיין.
2. האם הנושא ראשון? אם ההנחיה נפתחת בסגנון או במצלמה, בקש שהיא תפתח בנושא במקום.
3. האם היא בטווח? מתחת ל-30 מילים, בקש יותר ספציפיות על אור ותפאורה. מעל 100, בקש לקצץ.
4. האם יש מקור אור? לא מילת מצב רוח — אור ממשי: חלון, פנס רחוב, פלאש, שמיים מעוננים, סופטבוקס.
5. יש סתירות? סרוק אחר שני מדיומים, שני מסגורים, או שני מצבי תאורה באותה הנחיה.
6. יש שליליות מוברחות? אם הכרטיס מכיל without, no או avoid, זו הנחיית טקסט-לתמונה שמבקשת את הדבר שהיא נוקבת בשמו.
7. האם היחס נכון לנושא? דמות במלוא גובהה ב-wide היא אי-ההתאמה הקלאסית.

התיקונים הם שיחתיים: תעשה אותה בת שלושים ומשהו עם צלקת דרך גבה אחת, תצלם על Portra ב-85mm, ותשתמש ב-portrait היא הוראה מצוינת. אתה מקבל כרטיס חדש ומאשר אותו במקום. אין קנס על איטרציה, כי שום דבר עדיין לא רונדר.

ו-Shannon אינו יוצר בלי שביקשת. ברכה, שאלה, או תמונה שאתה מצרף לדיון אינן מפעילות רינדור. לבקש מ-Shannon להסתכל על תמונה — לתאר אותה, לקרוא אותה, לנתח אותה — זו עבודת ראייה רגילה, לא יצירה, והיא אינה עולה דבר נוסף.

12איך המלאכה משתנה לעריכה ולשילוב

הכללים שלמעלה נכתבו ליצירה. שני מצבים סמוכים משנים את צורת ההנחיה.

עריכת תמונה אחת

הנחיית עריכה היא הוראה, לא תיאור: נסח מה משתנה ומה נשאר. נקיבה בשמם של החלקים שאינם משתנים היא מנוף האיכות הגדול ביותר במוצר — שנה את הרקע לרחוב עירוני בלילה גשום עם השתקפויות ניאון, השאר את האישה בדיוק כפי שהיא מחזיק מעמד במקום שבו אותה בקשה בלי הפסוקית הזו משרטטת מחדש בשקט את פניה. היה ספציפי לגבי העוגן: השאר את הפנים, התנוחה, השיער והבגדים זהים. משתמשים בדיוק בתמונת מקור אחת, והפלט שומר על יחס הגובה-רוחב שלה.

שילוב שתי תמונות או יותר

בכל פעם שרכיבים מגיעים מיותר מתמונה אחת — העברת לבוש, עצם לתוך סצנה, שני אנשים במסגרת אחת, מוצר על אדם, סגנון מתמונה אחת עם נושא מאחרת — ההנחיה חייבת לנקוב בתפקיד של כל תמונה, לפי הסדר: The woman from the first image wearing the red knitted sweater from the second image, standing in the same park. התמונה הראשונה היא הנושא או הסצנה הראשית; התמונות המאוחרות יותר מספקות את החלקים שמוכנסים. אל תכווץ בקשה מרובת תמונות למקור אחד בתוספת תיאור מילולי — שילוב התמונות האמיתיות הוא מה שמשמר איך הדברים האלה באמת נראים.

13הנחיות ללא צנזורה: אמור מה שאתה מתכוון

אין מסנן תוכן בנתיב היצירה ואין שכבת סירוב על המודל שכותב את ההנחיה. זו כל הנקודה של המוצר: מחוללים מסוננים מסרבים באופן שגרתי לעבודה לגיטימית — עירום אמנותי, איור רפואי ופורנזי, תמונות למחקר אבטחה, אלימות בסיפורת, סאטירה פוליטית, ועבודת מותג ודמות על ידי בעל הזכויות. חצי ממלאכת ההנחיה בפלטפורמות מסוננות היא הנדסת לשון נקייה, ולשון נקייה היא האויב של תמונה מדויקת.

אז יש עוד דבר אחד לבדוק בכרטיס: שהוא מתאר את הנושא האמיתי במילים פשוטות ולא באוצר המילים המגודר שאנשים לומדים מכלים מסוננים. איור פורנזי של פצע צריך לומר מה הפצע. שפה מגודרת מייצרת תמונה גרועה יותר בכל מקום, כי המודל מרנדר את מה שהמילים אומרות.

יכולת ושיקול דעת הם דברים נפרדים. Shannon Lab LLC מפעילה את זה תחת מדיניות שימוש אחראי מפורסמת: יצירה בלי סינון היא כלי מקצועי, והסכמה, זכויות והחוק כולם עדיין חלים על מה שאתה יוצר.

14איפה ה-API משתלב

נקודת דיוק אחת לקוראים שמגיעים מחיפוש על API: יצירת תמונות, עריכה ושילוב נמצאים באפליקציית הצ'אט של Shannon, לא ב-API של /v1. ה-API מגיש טקסט וראייה — הוא יכול לקרוא, לתאר ולנתח תמונות שאתה שולח לו בכל שלושת הניבים (/v1/chat/completions, /v1/messages, /v1/responses, כולם בסטרימינג) — אבל הוא אינו יוצר אותן. אם אתה בונה צינור שצריך להבין תמונות, תיעוד ה-API הוא המקום להתחיל בו. אם אתה רוצה ליצור תמונות, זו אפליקציית הצ'אט, וכל מה שבמדריך הזה חל שם. תמונות מרונדרות על אשכול ה-GPU שלנו.

15שאלות נפוצות

קריאה קשורה: יצירת תמונות AI ללא צנזורה · עריכת תמונות AI ללא צנזורה · מדיניות שימוש אחראי · תיעוד ה-API · כל המחקר של Shannon. ההנחיות כאן נובעות מהבדיקות שלנו של מודל התמונות של Shannon; עצות שנכתבו למחסניות דיפוזיה מוקדמות יותר בדרך כלל אינן עוברות.