Leiðbeiningar um myndfyrirmæli

Flestir mæta með fyrirmælavenjur sem lærðust á SDXL: kommuaðgreindan streng af nafnorðum, gæðaorðaformála, nokkur vægi innan sviga og neikvæð fyrirmæli jafnlöng þeim jákvæðu. Þessar venjur voru réttar fyrir þau líkön og vinna gegn þér hér. Þetta er stutta útgáfan af því sem raunverulega virkar — og af því að Shannon skrifar myndgerðarfyrirmælin fyrir þig og sýnir þau áður en nokkuð er teiknað eru þetta jafnframt leiðbeiningar um að lesa og leiðrétta það sem Shannon leggur til.

01Hvers vegna texti slær merki út: líkanið les eins og mállíkan

Eldri dreifilíkönin, sem flest fyrirmælaráð voru skrifuð fyrir, notuðu textahjúpara sem hegðaði sér í reynd eins og poki af hugtökum: málfræði skipti varla máli og vinningsaðferðin var að hrúga upp viðeigandi nafnorðum og hliðra þeim með vægi. Merkjasúpa var rétta lögunin á fyrirmælum fyrir þann hjúpara.

Myndlíkan Shannon vinnur ekki þannig. Það les fyrirmæli eins og mállíkan les texta, svo setningaskipan ber merkingu. „Holding an umbrella against her shoulder“ er samband milli manneskju, hlutar og líkamshluta; „umbrella, shoulder“ eru tveir hlutir sem eru til staðar fyrir tilviljun. Forsetningar staðsetja hluti. Sagnir búa til stellingar. Setningarhlutar festa smáatriði við rétt nafnorð í stað þess að láta þau svífa yfir alla myndina.

Hér er sama myndin beðin um á báða vegu.

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.

Sjáðu hvað merkjaútgáfan getur ekki tjáð. Hún segir aldrei að regnhlífinni sé haldið, svo hún gæti endað liggjandi á jörðinni. Hún segir aldrei að neonljósin speglist í malbikinu, aðeins að hvort tveggja sé til staðar, svo þú færð skilti og blauta götu án nokkurs ljósfræðilegs sambands á milli. Hún segir aldrei hvert konan horfir, svo stelling hennar er hrein tilviljun. „Cinematic lighting“ er stemningsmerki, ekki birtugjafi. Og síðustu fimm orðin eru suð, lesin sem ensk orð um ljósmyndun en ekki sem stýrihandföng.

Textaútgáfan er ekki lengri af því að hún sé skrautleg. Hún er lengri af því að hún svarar spurningum sem merkjaútgáfan skildi eftir opnar. Það er allt trikkið.

02Hversu löng eiga myndfyrirmæli að vera?

Stefndu á 30 til 80 orð. Farðu ekki mikið yfir 100. Þetta er langauðveldasta gæðastillingin sem þú hefur aðgang að, og báðir endar bilsins skipta máli.

Undir um það bil 30 orðum eru myndbygging, birta og römmun ótilgreind, svo líkanið velur það sem er tölfræðilega hversdagslegast. „A woman in a coffee shop“ eru gild fyrirmæli sem gefa gleymanlega mynd, því þú fólst öðrum hverja einustu áhugaverðu ákvörðun.

Yfir um það bil 100 orðum birtist önnur bilun: síðari setningarhlutar keppa við þá fyrri um sömu svæði myndarinnar, og í stað þess að smáatriðum fjölgi þynnast þau út. Þriðja lýsingin á birtunni afturkallar þá fyrstu, og viðfangsefnið sem þú komst á fót í fyrstu átta orðunum fær hlutfallslega minni athygli með hverri setningu sem þú bætir við. Löng fyrirmæli lesast sem vandvirkni. Þau teiknast ekki sem vandvirkni.

Aginn: skrifaðu fyrirmælin sem þú vilt og styttu þau svo niður í þær setningar sem myndu breyta myndinni ef þær væru teknar burt.

03Röðunaraginn: það mikilvægasta fyrst

Af því að líkanið les í röð er staðsetning áhersla: það sem kemur fyrst festir myndina, það sem kemur síðast fínstillir hana. Settu hlutina í þá röð sem líkanið þarf þá:

1. Viðfangsefni — hver eða hvað þessi mynd er af, áþreifanlega.
2. Athöfn eða stelling — hvað viðkomandi er að gera, hvernig hann heldur sér.
3. Stíll eða stemning — ljósmynd, olíumálverk, tæknileg teikning, og í hvaða tóntegund.
4. Umhverfi og lýsing — hvar þetta gerist og hvaða birta fellur á það.
5. Tæknileg atriði — römmun, linsa, dýptarskerpa, litaskilgreiningar.

Algengasta sjálfskaparvítið er að byrja á tæknilega hlutanum. Að byrja á „Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper“ segir líkaninu að útlitið sé viðfangsefnið og maðurinn sé smáatriði. Þú færð glæsilegan, tóman ramma með lítilli óskýrri mannveru í.

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.

Hver einasti þáttur úr fyrri útgáfunni lifir af í þeirri seinni; engu var sleppt. Líkanið veit nú einfaldlega af hverju myndin er áður en því er sagt hvernig eigi að taka hana — og sú endurröðun ein færir viðfangsefnið úr því að vera tilfallandi í að vera miðlægt.

04Vertu áþreifanleg um viðfangsefnið

„A person“ er ekki viðfangsefni, það er staðgengill — og líkanið fyllir staðgengla með meðaltali alls sem það hefur séð, sem er einmitt þaðan sem gljáandi, aldurslausa, sviplausa útlitið kemur. Áþreifanleiki kostar fimm orð og kaupir tiltekna manneskju:

Taktu eftir mynstrinu: aldur eða tímabil, eitt byggingarlegt einkenni, einn aðgreinandi ófullkomleiki. Þriðja atriðið er það sem lætur útkomuna virðast ljósmynduð fremur en tilbúna. Brotin tönn, slitinn faldur, yfirmálað skilti — smáar ósamhverfur eru sterkasta mótvægið gegn plastáferð sem völ er á, og þær kosta nánast ekkert af orðaskammtinum þínum.

05Ljósmyndaraunsæi: skrifaðu beiðnina sem ljósmynd

Ljósmyndaraunsæi er sjálfgefna tóntegundin nema þú biðjir um list, myndskreytingu eða anime. En orðið „photorealistic“ vinnur lítið verk. Það sem framleiðir ljósmynd er að lýsa athöfninni að ljósmynda: raunverulegri myndavél, raunverulegri linsu og raunverulegri filmu eða birtugjafa.

Ástæðan er einföld. Hver einasta mynd sem merkt var „Kodak Portra 400“ var gerð með tilteknu ferli með tiltekinni kornabyggingu, hástigsmýkt og húðlitameðferð, og að nefna filmuna kallar allt það fram. „8k ultra detailed“ birtist aldrei nema á ruslefni myndasölusíðna, svo það kallar fram ruslefni myndasölusíðna. Nokkrar áreiðanlegar uppskriftir, hver með greinilega ólíka mynd af sama viðfangsefni:

Láttu jarðtenginguna passa við uppskriftina — húðáferð niður í svitaholur skiptir engu í 24mm víðmynd þar sem andlitið er áttatíu myndeiningar á hæð — og bættu henni svo við. Jarðtengjandi smáatriði eru áferðarvitnisburðurinn um að linsa hafi raunverulega tekið þessa mynd. Sýnilegar svitaholur og fín andlitshár. Vefnaður í línskyrtu. Rykkorn í ljósgeisla. Núningsfar á leðurstígvéli. Lausir hárlokkar á móti björtum bakgrunni. Tvö eða þrjú duga, og þau eru munurinn á teiknaðri manneskju og ljósmynd af manneskju.

06Margskipt myndrými: forgrunnur, miðgrunnur, bakgrunnur

Þegar mynd hefur dýpt skaltu lýsa plönunum þremur hverju fyrir sig og í réttri röð. Þetta er áhrifaríkasta aðferðin fyrir myndir sem eiga að virka eins og staðir en ekki leiktjöld, og næstum enginn gerir það. Án hennar færðu flatneskju: allt sem fyrirmælin nefna lendir í svipaðri fjarlægð og keppir um sama miðbelti rammans. Að nefna plönin gefur líkaninu dýptarskammt til að ráðstafa.

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.

Tvær fínstillingar. Settu eitthvað í forgrunninn sem er viljandi óskarpt — raunverulegar ljósmyndir af djúpum myndrýmum hafa nánast alltaf slíkan þátt, og fjarvera hans er algengt merki. Og segðu í hvaða plani viðfangsefnið er: ef hjólasendillinn er kjarni myndarinnar á hún heima í miðgrunninum, annars munu turninn og kaffibollinn keppa við hana um rammann.

07Nákvæmir litir: hex-kóðar, festir við hluti

Fyrir vörumerkjavinnu, samfellu í búningum, eða hvar sem „rautt“ er ekki nógu nákvæmt, skrifaðu hex-kóðann sem color #RRGGBB og festu hann við nafngreindan hlut:

...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...

Þrjár þumalputtareglur. Notaðu hex fyrir þá tvo eða þrjá liti sem raunverulega skipta máli og venjuleg orð fyrir hina — fyrirmæli með sex hex-kóðum eyða mestum hluta skammtsins í litaspjöld. Bittu kóðann við hlut sem hefur brúnir, aldrei við „lýsinguna“ eða „stemninguna“. Og mundu að hann tilgreinir lit hlutarins, ekki endanlegt gildi myndeiningarinnar: #8B0000 frakki í baklýsingu við sólsetur teiknast hlýrri en litaspjaldið, nákvæmlega eins og hann gerði í raunveruleikanum.

08Að velja myndhlutfallið

Fimm hlutföll standa til boða og viðfangsefnið gefur venjulega rétta hlutfallið í skyn, en skýr ósk frá þér ræður alltaf — biddu um veggfóður og þú færð tall óháð því hvað innihaldið gefur til kynna.

Að hafa þetta rangt er skaðlegra en það lítur út fyrir að vera. Standandi mannvera í fullri lengd í wide ramma gefur þér ekki litla mannveru í stórum ramma — hún gefur þér venjulega afklippta mannveru, því líkanið fyllir breiddina og höfuðið eða fæturnir fara út úr rammanum. Láttu rammann passa við ríkjandi ás viðfangsefnisins og flestar kvartanir um myndbyggingu hverfa.

Tvennt sem vert er að muna: myndvinnsla heldur myndhlutfalli upprunamyndarinnar sjálfkrafa, svo þú getur ekki rammað upp á nýtt með vinnslu, á meðan samsetning leyfir þér að velja nýjan striga — oft snyrtilegasta leiðin til að breyta lögun einhvers sem þú átt þegar.

09Algeng mistök: hvað ber að hætta að gera

Gæðaorð: „masterpiece, best quality, 8k, ultra detailed“

Þetta voru handföng sem samfélagið uppgötvaði fyrir tiltekna eldri þjálfunardreifingu, þar sem ákveðnar myndatextasetningar tengdust ákveðnum myndaheimildum. Þau flytjast ekki yfir. Hér eru þau lesin sem venjuleg ensk orð, leggja ekkert til og éta hluta af orðaskammti sem þér hefur þegar verið sagt að sé þröngur. Í staðinn skaltu segja hvaða smáatriði þú vilt: ekki „ultra detailed“ heldur „visible weave in the coat fabric and fine stubble along the jaw“ — sama ætlun, sett fram sem eitthvað sem líkanið getur teiknað.

Vægisritháttur: (word:1.3), [word], {{word}}

Er ekki lesinn. Sviginn, hornklofarnir, tvípunktarnir og tölurnar lenda sem beinn texti og gera, ef eitthvað er, setningarhlutann í kring torlesnari. Ef þú vilt meiri áherslu á eitthvað skaltu nota þær tvær stillingar sem virka: færðu það framar í fyrirmælunum og gefðu því fleiri orð. „A crimson silk scarf, its fringed ends lifting in the wind“ vegur þyngra en „(red scarf:1.4)“ á hverjum þeim mælikvarða sem skiptir máli.

Andstæð fyrirmæli

Að blanda ósamrýmanlegum fyrirmælum blandar þeim ekki; það framleiðir óstöðugt meðaltal sem fullnægir yfirleitt hvorugu. Algengustu brotamennirnir:

• Miðill — „photorealistic“ ásamt „watercolor“; „oil painting“ ásamt „shot on 85mm“. Veldu eitt og stattu við það.
• Römmun — „wide establishing shot“ ásamt „extreme close-up on her eyes“; „full body“ ásamt „detailed facial pores“.
• Lýsing — „harsh midday sun“ ásamt „soft golden hour glow“; „low key, deep shadows“ ásamt „bright and airy“.
• Tímabil — „1970s film aesthetic“ ásamt „modern minimalist“ ásamt „cyberpunk“.
• Stílhrúga — fjórir listamenn eða fjórar stefnur í einu. Tvær skyldar tilvísanir geta virkað; fjórar eyða hver annarri út í meðalmennsku.
• Útþensla — „rustic, weathered, ancient, timeworn wooden door“ er ein hugmynd skrifuð fjórum sinnum, og hver endurtekning þynnir út afganginn af fyrirmælunum.

10Það eru engin neikvæð fyrirmæli í texta-í-mynd

Þetta eru mistökin sem bíta reynda notendur harðast, því á eldri stöflum voru neikvæðu fyrirmælin helmingurinn af handverkinu.

Fyrir myndgerð er reglan fortakslaus og örlítið á skjön við innsæið: að skrifa „no text, no watermark, no extra fingers“ inn í fyrirmælin gerir þessa hluti líklegri, ekki ólíklegri. Líkanið les „no text“ sem setningu sem inniheldur hugtakið text; neitunin er veikt merki og nafnorðið sterkt. Þú hefur í raun beðið um texta. Settu alltaf jákvæða formið fram í staðinn:

Fyrir myndvinnslu og samsetningu eru neikvæð fyrirmæli til og þú átt að nota þau — en fyrir aukaverkanir, ekki innihald. Gott efni: vatnsmerki, textalag, tvöfaldir útlimir, aflagaðar hendur, ofskerpubaugar, JPEG-blokkir, saumlínur meðfram samskeytum. Slæmt efni: hvað sem er um það af hverju myndin er, sem á heima í fyrirmælunum sjálfum.

11Að lesa fyrirmælin sem Shannon skrifar fyrir þig

Hér er það sem gerir þessar leiðbeiningar strax nothæfar fremur en fræðilegar. Þú þarft ekki að skrifa myndgerðarfyrirmælin sjálf. Þú biður um á venjulegu máli, á hvaða tungumáli sem er; Shannon þekkir að verið sé að biðja um mynd, semur ensku myndgerðarfyrirmælin og sýnir þér þau á staðfestingarspjaldi áður en nokkuð er teiknað. Ekkert er búið til og ekkert rukkað fyrr en þú staðfestir.

Þannig að kunnáttan sem borgar sig mest er ekki að skrifa fyrirmæli frá grunni — hún er að lesa þau sem eru á spjaldinu. Farðu yfir þennan lista:

1. Er viðfangsefnið áþreifanlegt? Ef spjaldið segir „a person“ eða „a woman“ þá hefurðu fundið stærstu mögulegu framförina. Gefðu því aldur, líkamsbyggingu, eitt einkenni.
2. Er viðfangsefnið fremst? Ef fyrirmælin byrja á stíl eða myndavél skaltu biðja um að viðfangsefnið leiði í staðinn.
3. Er lengdin innan marka? Undir 30 orðum skaltu biðja um meiri nákvæmni um birtu og umhverfi. Yfir 100 skaltu biðja um styttingu.
4. Er þar birtugjafi? Ekki stemningsorð — raunverulegt ljós: gluggi, götuljós, flass, skýjaður himinn, ljóskassi.
5. Eru einhverjar mótsagnir? Skimaðu eftir tveimur miðlum, tveimur römmunum eða tveimur birtuskilyrðum í sömu fyrirmælum.
6. Læðast þarna inn neitanir? Ef spjaldið inniheldur „without“, „no“ eða „avoid“ þá eru það texta-í-mynd fyrirmæli sem eru að biðja um það sem þau nefna.
7. Er hlutfallið rétt fyrir viðfangsefnið? Mannvera í fullri lengd í wide er klassíska misræmið.

Leiðréttingar fara fram í samtali: „gerðu hana rétt rúmlega þrítuga með ör gegnum aðra augabrúnina, taktu það á Portra með 85mm, og notaðu portrait“ eru fullkomlega góð fyrirmæli. Þú færð nýtt spjald og staðfestir það í staðinn. Það er engin refsing fyrir að ítra, því ekkert hefur verið teiknað enn.

Og Shannon býr ekki til mynd óumbeðið. Kveðja, spurning eða ljósmynd sem þú hengir með til umræðu kveikir ekki á teiknun. Að biðja Shannon að skoða mynd — lýsa henni, lesa hana, greina hana — er venjuleg sjónvinna, ekki myndgerð, og kostar ekkert aukalega.

12Hvernig handverkið breytist við vinnslu og samsetningu

Reglurnar hér að ofan eru skrifaðar fyrir myndgerð. Tvö skyld vinnsluform breyta lögun fyrirmælanna.

Vinnsla á einni mynd

Vinnslufyrirmæli eru skipun, ekki lýsing: segðu hvað breytist og hvað stendur. Að nefna óbreyttu hlutana er langstærsta gæðastillingin í vörunni — „Breyttu bakgrunninum í regnvota borgargötu að næturlagi með neonspeglunum, hafðu konuna nákvæmlega eins og hún er“ heldur saman þar sem sama beiðni án þeirrar setningar teiknar andlit hennar hljóðlega upp á nýtt. Vertu nákvæm um festinguna: haltu andliti, stellingu, hári og fatnaði óbreyttum. Nákvæmlega ein upprunamynd er notuð, og útkoman heldur myndhlutfalli hennar.

Samsetning tveggja eða fleiri mynda

Alltaf þegar þættir koma úr fleiri en einni mynd — flutningur á fatnaði, hlutur inn í umhverfi, tvær manneskjur í einum ramma, vara á manneskju, stíll úr einni mynd með viðfangsefni úr annarri — verða fyrirmælin að nefna hlutverk hverrar myndar, í réttri röð: „Konan úr fyrstu myndinni klædd rauðu prjónapeysunni úr annarri myndinni, standandi í sama garðinum.“ Fyrsta myndin er aðalviðfangsefnið eða umhverfið; seinni myndirnar leggja til þá hluta sem sóttir eru inn. Ekki þjappa fjölmyndabeiðni niður í eina upprunamynd auk textalýsingar — það að sameina raunverulegu myndirnar er það sem varðveitir hvernig þessir hlutir líta raunverulega út.

13Óritskoðuð fyrirmæli: segðu það sem þú átt við

Það er engin efnissía á myndgerðarleiðinni og ekkert neitunarlag á líkaninu sem skrifar fyrirmælin. Það er allur tilgangur vörunnar: síaðir myndgervlar hafna reglulega löglegri vinnu — listrænum nektarmyndum, læknisfræðilegri og réttarfræðilegri myndskreytingu, myndefni fyrir öryggisrannsóknir, ofbeldi í skáldskap, pólitískum skopmyndum, vörumerkja- og ásýndarvinnu rétthafans sjálfs. Helmingurinn af fyrirmælahandverkinu á síuðum kerfum er orðskrúðsverkfræði, og orðskrúð er óvinur nákvæmrar myndar.

Svo það er eitt í viðbót til að athuga á spjaldinu: að það lýsi raunverulega viðfangsefninu með berum orðum fremur en með varfærna orðaforðanum sem fólk lærir af síuðum verkfærum. Réttarfræðileg myndskreyting af áverka á að segja hvað áverkinn er. Varfærið orðalag gefur verri mynd alls staðar, því líkanið teiknar það sem orðin segja.

Geta og dómgreind eru sitt hvor hluturinn. Shannon Lab LLC rekur þetta samkvæmt birtri stefnu um ábyrga notkun: ósíuð myndgerð er fagverkfæri, og samþykki, réttindi og lög gilda áfram um það sem þú býrð til.

14Hvar API-ið kemur inn

Eitt nákvæmnisatriði fyrir lesendur sem koma úr API-leit: myndgerð, myndvinnsla og samsetning búa í Shannon-spjallforritinu, ekki í /v1 API-inu. API-ið þjónar texta og sjón — það getur lesið, lýst og greint myndir sem þú sendir því á öllum þremur mállýskunum (/v1/chat/completions, /v1/messages, /v1/responses, allar með streymi) — en það býr þær ekki til. Ef þú ert að byggja ferli sem þarf að skilja myndir eru API-skjölin rétti staðurinn til að byrja á. Ef þú vilt búa til myndir er það spjallforritið, og allt í þessum leiðbeiningum á við þar. Myndir eru teiknaðar á okkar eigin GPU-klasa.

15Algengar spurningar

Tengt lesefni: Óritskoðuð myndgerð með gervigreind · Óritskoðuð myndvinnsla með gervigreind · Stefna um ábyrga notkun · API-skjölin · Allar rannsóknir Shannon. Ráðin hér byggja á okkar eigin prófunum á myndlíkani Shannon; ráð sem skrifuð voru fyrir eldri dreifistafla flytjast almennt ekki yfir.