AI ഇമേജ് പ്രോംപ്റ്റ് ഗൈഡ്
Shannon-ന്റെ ഇമേജ് മോഡൽ ഒരു പ്രോംപ്റ്റ് വായിക്കുന്നത് ഒരു ഭാഷാ മോഡലിനെപ്പോലെയാണ്. ആ ഒരൊറ്റ വസ്തുത, നിങ്ങൾ ഒരു പ്രോംപ്റ്റ് എങ്ങനെ എഴുതണം എന്നതിനെക്കുറിച്ചുള്ള എല്ലാം മാറ്റുന്നു — തുടങ്ങുന്നത് കോമ കൊണ്ട് വേർതിരിച്ച ടാഗുകൾ ഉപേക്ഷിക്കുന്നതിൽ നിന്ന്.
TL;DR
കീവേഡ് ടാഗുകളല്ല, പൂർണ്ണ വാക്യങ്ങളിലുള്ള ഒഴുകുന്ന ഗദ്യം എഴുതുക. 30–80 വാക്കുകൾ ലക്ഷ്യമിടുക. മോഡൽ വായിക്കുന്ന ക്രമത്തിൽ അടുക്കുക: വിഷയം → പ്രവൃത്തി → ശൈലി → പശ്ചാത്തലവും വെളിച്ചവും → സാങ്കേതികം, ഏറ്റവും പ്രധാനപ്പെട്ടത് ആദ്യം. വിഷയത്തെക്കുറിച്ച് കൃത്യമായിരിക്കുക. ഒരു ഫോട്ടോഗ്രാഫ് വേണമെങ്കിൽ അത് ഒരു ഫോട്ടോഗ്രാഫായി എഴുതുക — ഒരു ക്യാമറ, ഒരു ലെൻസ്, ഒരു ഫിലിം സ്റ്റോക്ക് അല്ലെങ്കിൽ ഒരു വെളിച്ചം പേരെടുത്ത് പറയുക. കൃത്യമായ നിറങ്ങൾ color #RRGGBB ആയി പേരുള്ള വസ്തുക്കളോട് ചേർക്കുക. അഞ്ച് വീക്ഷണാനുപാതങ്ങളിൽ ഒന്ന് തിരഞ്ഞെടുക്കുക. SDXL കാലത്തെ ശീലങ്ങൾ ഉപേക്ഷിക്കുക: "masterpiece, best quality, 8k" വേണ്ട, (word:1.3) വെയ്റ്റുകൾ വേണ്ട, ടെക്സ്റ്റ്-ടു-ഇമേജിൽ നെഗറ്റീവ് പ്രോംപ്റ്റ് വേണ്ട — നിങ്ങൾക്ക് വേണ്ടത് മാത്രം വിവരിക്കുക. എഡിറ്റിംഗും യോജിപ്പിക്കലും നെഗറ്റീവ് പ്രോംപ്റ്റ് സ്വീകരിക്കുന്നുണ്ട്.
മിക്കവരും എത്തുന്നത് SDXL-ൽ പഠിച്ച പ്രോംപ്റ്റ് ശീലങ്ങളുമായാണ്: കോമ കൊണ്ട് വേർതിരിച്ച നാമപദങ്ങളുടെ ഒരു നിര, ഒരു ക്വാളിറ്റി-ടോക്കൺ ആമുഖം, ഏതാനും ബ്രാക്കറ്റിലിട്ട വെയ്റ്റുകൾ, പോസിറ്റീവിനോളം നീളമുള്ള ഒരു നെഗറ്റീവ് പ്രോംപ്റ്റ്. ആ ശീലങ്ങൾ ആ മോഡലുകൾക്ക് ശരിയായിരുന്നു, ഇവിടെ അവ വിപരീത ഫലമുണ്ടാക്കുന്നു. യഥാർത്ഥത്തിൽ ഫലിക്കുന്നതിന്റെ ചെറിയ പതിപ്പാണ് ഇത് — ഒപ്പം, ജനറേഷൻ പ്രോംപ്റ്റ് Shannon നിങ്ങൾക്കായി എഴുതി ഒന്നും റെൻഡർ ചെയ്യും മുമ്പ് കാണിക്കുന്നതിനാൽ, Shannon നിർദ്ദേശിക്കുന്നത് വായിക്കാനും തിരുത്താനുമുള്ള ഒരു ഗൈഡ് കൂടിയാണിത്.
01ഗദ്യം ടാഗുകളെ തോൽപ്പിക്കുന്നത് എന്തുകൊണ്ട്: മോഡൽ ഒരു ഭാഷാ മോഡലിനെപ്പോലെ വായിക്കുന്നു
മിക്ക പ്രോംപ്റ്റ് ഉപദേശങ്ങളും എഴുതപ്പെട്ട പഴയ ഡിഫ്യൂഷൻ മോഡലുകൾ ഉപയോഗിച്ചിരുന്ന ടെക്സ്റ്റ് എൻകോഡർ പ്രായോഗികമായി ആശയങ്ങളുടെ ഒരു സഞ്ചി പോലെയാണ് പെരുമാറിയിരുന്നത്: വ്യാകരണത്തിന് കാര്യമായ പ്രസക്തിയില്ലായിരുന്നു, പ്രസക്തമായ നാമപദങ്ങൾ കൂട്ടിയിട്ട് വെയ്റ്റുകൾ കൊണ്ട് ചായ്വ് നൽകുന്നതായിരുന്നു ജയിക്കുന്ന തന്ത്രം. ആ എൻകോഡറിന് ടാഗ് സൂപ്പായിരുന്നു പ്രോംപ്റ്റിന്റെ ശരിയായ രൂപം.
Shannon-ന്റെ ഇമേജ് മോഡൽ അങ്ങനെയല്ല പ്രവർത്തിക്കുന്നത്. അത് ഒരു പ്രോംപ്റ്റ് വായിക്കുന്നത് ഒരു ഭാഷാ മോഡൽ ടെക്സ്റ്റ് വായിക്കുന്നതുപോലെയാണ്, അതിനാൽ വാക്യഘടന അർത്ഥം വഹിക്കുന്നു. "തോളിൽ ചാരി ഒരു കുട പിടിച്ചുകൊണ്ട്" എന്നത് ഒരു വ്യക്തിയും ഒരു വസ്തുവും ഒരു ശരീരഭാഗവും തമ്മിലുള്ള ബന്ധമാണ്; "കുട, തോൾ" എന്നത് വെറുതെ അവിടെയുള്ള രണ്ട് കാര്യങ്ങളാണ്. പൂർവ്വസർഗ്ഗങ്ങൾ വസ്തുക്കളെ സ്ഥാനപ്പെടുത്തുന്നു. ക്രിയകൾ ഭാവങ്ങൾ ഉണ്ടാക്കുന്നു. വാക്യഭാഗങ്ങൾ വിശദാംശത്തെ ചിത്രത്തിലുടനീളം ഒഴുകാൻ വിടാതെ ശരിയായ നാമപദത്തോട് ചേർക്കുന്നു.
ഒരേ ചിത്രം രണ്ട് വിധത്തിൽ ചോദിച്ചത് ഇതാ.
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.
ടാഗ് പതിപ്പിന് പ്രകടിപ്പിക്കാനാവാത്തത് നോക്കൂ. കുട പിടിച്ചിരിക്കുകയാണ് എന്ന് അത് ഒരിക്കലും പറയുന്നില്ല, അതിനാൽ അത് നിലത്ത് കിടക്കുന്നതായി വന്നേക്കാം. നിയോൺ ആസ്ഫാൽറ്റിൽ പ്രതിഫലിക്കുന്നു എന്ന് അത് പറയുന്നില്ല, രണ്ടും ഉണ്ട് എന്ന് മാത്രം; അതിനാൽ പരസ്പരം ഒരു ദൃശ്യബന്ധവുമില്ലാത്ത സൈൻബോർഡുകളും നനഞ്ഞ തെരുവും കിട്ടുന്നു. സ്ത്രീ എവിടേക്കാണ് നോക്കുന്നതെന്ന് അത് പറയുന്നില്ല, അതിനാൽ അവളുടെ ഭാവം ഒരു നറുക്കെടുപ്പാണ്. "Cinematic lighting" ഒരു ഭാവ ലേബലാണ്, ഒരു പ്രകാശസ്രോതസ്സല്ല. അവസാനത്തെ അഞ്ച് ടോക്കണുകൾ ശബ്ദമാലിന്യമാണ്, നിയന്ത്രണ പിടികളായല്ല, ഫോട്ടോഗ്രാഫിയെക്കുറിച്ചുള്ള ഇംഗ്ലീഷ് വാക്കുകളായാണ് വായിക്കപ്പെടുന്നത്.
ഗദ്യ പതിപ്പ് നീളമുള്ളത് അലങ്കാരം കൊണ്ടല്ല. ടാഗ് പതിപ്പ് തുറന്നിട്ട ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകുന്നതുകൊണ്ടാണ് അത് നീളമുള്ളത്. അതാണ് ആകെയുള്ള വിദ്യ.
02ഒരു ഇമേജ് പ്രോംപ്റ്റ് എത്ര നീളമുള്ളതായിരിക്കണം?
30 മുതൽ 80 വരെ വാക്കുകൾ ലക്ഷ്യമിടുക. 100-ന് അധികം കടക്കരുത്. നിങ്ങൾക്ക് ലഭ്യമായ ഏറ്റവും എളുപ്പമുള്ള ഗുണനിലവാര ലിവർ ഇതാണ്, ഈ പരിധിയുടെ രണ്ട് അറ്റങ്ങൾക്കും പ്രാധാന്യമുണ്ട്.
ഏകദേശം 30 വാക്കുകൾക്ക് താഴെ കോമ്പോസിഷനും വെളിച്ചവും ഫ്രെയിമിംഗും വ്യക്തമാക്കപ്പെടാതെ കിടക്കുന്നു, അതിനാൽ സ്ഥിതിവിവരപരമായി ഏറ്റവും സാധാരണമായത് മോഡൽ തിരഞ്ഞെടുക്കുന്നു. "ഒരു കോഫി ഷോപ്പിലെ ഒരു സ്ത്രീ" എന്നത് സാധുവായ ഒരു പ്രോംപ്റ്റാണ്, പക്ഷേ അത് മറന്നുപോകാവുന്ന ഒരു ചിത്രമുണ്ടാക്കുന്നു, കാരണം രസകരമായ എല്ലാ തീരുമാനവും നിങ്ങൾ ഏൽപ്പിച്ചുകൊടുത്തു.
ഏകദേശം 100 വാക്കുകൾക്ക് മുകളിൽ മറ്റൊരു പരാജയം പ്രത്യക്ഷപ്പെടുന്നു: പിന്നീടുള്ള വാക്യഭാഗങ്ങൾ ചിത്രത്തിന്റെ അതേ പ്രദേശങ്ങൾക്കായി ആദ്യത്തേവയോട് മത്സരിക്കുന്നു, വിശദാംശം കൂടിവരുന്നതിന് പകരം നേർപ്പിക്കൽ കിട്ടുന്നു. മൂന്നാമത്തെ വെളിച്ച വിവരണം ആദ്യത്തേതിനെ റദ്ദാക്കുന്നു, ആദ്യത്തെ എട്ട് വാക്കുകളിൽ നിങ്ങൾ സ്ഥാപിച്ച വിഷയത്തിന് ചേർക്കുന്ന ഓരോ വാക്യത്തിലും ആപേക്ഷിക ശ്രദ്ധ കുറയുന്നു. നീണ്ട പ്രോംപ്റ്റുകൾ സമഗ്രമായി വായിക്കപ്പെടുന്നു. അവ സമഗ്രമായി റെൻഡർ ചെയ്യപ്പെടുന്നില്ല.
അച്ചടക്കം ഇതാണ്: വേണ്ട പ്രോംപ്റ്റ് എഴുതുക, പിന്നെ നീക്കം ചെയ്താൽ ചിത്രം മാറുന്ന വാക്യങ്ങളിലേക്ക് അതിനെ വെട്ടിച്ചുരുക്കുക.
03ക്രമത്തിന്റെ അച്ചടക്കം: ഏറ്റവും പ്രധാനപ്പെട്ടത് ആദ്യം
മോഡൽ ക്രമാനുഗതമായി വായിക്കുന്നതിനാൽ സ്ഥാനം തന്നെ ഊന്നലാണ്: ആദ്യം വരുന്നത് ചിത്രത്തെ ഉറപ്പിക്കുന്നു, അവസാനം വരുന്നത് അതിനെ ക്രമീകരിക്കുന്നു. മോഡലിന് വേണ്ട ക്രമത്തിൽ കാര്യങ്ങൾ വയ്ക്കുക:
- വിഷയം — ഈ ചിത്രം ആരുടെ അല്ലെങ്കിൽ എന്തിന്റെയാണ്, കൃത്യമായി.
- പ്രവൃത്തി അല്ലെങ്കിൽ ഭാവം — അവർ എന്ത് ചെയ്യുന്നു, എങ്ങനെ നിൽക്കുന്നു.
- ശൈലി അല്ലെങ്കിൽ ഭാവം — ഫോട്ടോഗ്രാഫ്, എണ്ണച്ചായ ചിത്രം, സാങ്കേതിക ചിത്രീകരണം, ഒപ്പം അതിന്റെ സ്വരം.
- പശ്ചാത്തലവും വെളിച്ചവും — ഇത് എവിടെ നടക്കുന്നു, അതിൽ എന്ത് വെളിച്ചം വീഴുന്നു.
- സാങ്കേതികം — ഫ്രെയിമിംഗ്, ലെൻസ്, ഡെപ്ത് ഓഫ് ഫീൽഡ്, നിറ വിശദാംശങ്ങൾ.
ഏറ്റവും സാധാരണമായ സ്വയം വരുത്തിവയ്ക്കുന്ന മുറിവ് സാങ്കേതിക ഭാഗത്തിൽ തുടങ്ങുന്നതാണ്. "Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper" എന്ന് തുടങ്ങുന്നത് മോഡലിനോട് പറയുന്നത് രൂപഭംഗിയാണ് വിഷയമെന്നും ആ മനുഷ്യൻ ഒരു വിശദാംശമാണെന്നുമാണ്. നിങ്ങൾക്ക് കിട്ടുന്നത് മനോഹരവും ശൂന്യവുമായ ഒരു ഫ്രെയിമും അതിലൊരു ചെറിയ അവ്യക്തരൂപവുമാണ്.
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.
ആദ്യ പതിപ്പിലെ എല്ലാ ഘടകവും രണ്ടാമത്തേതിൽ അതിജീവിക്കുന്നു; ഒന്നും ഉപേക്ഷിച്ചിട്ടില്ല. എങ്ങനെ ചിത്രീകരിക്കണമെന്ന് പറയും മുമ്പ് ചിത്രം എന്തിന്റെയാണ് എന്ന് ഇപ്പോൾ മോഡലിന് അറിയാം — ആ ക്രമമാറ്റം മാത്രം മതി വിഷയത്തെ ആകസ്മികതയിൽ നിന്ന് കേന്ദ്രത്തിലേക്ക് കൊണ്ടുവരാൻ.
04വിഷയത്തെക്കുറിച്ച് കൃത്യമായിരിക്കുക
"ഒരു വ്യക്തി" ഒരു വിഷയമല്ല, ഒരു പ്ലേസ്ഹോൾഡറാണ് — മോഡൽ പ്ലേസ്ഹോൾഡറുകൾ നിറയ്ക്കുന്നത് താൻ കണ്ടതിന്റെയെല്ലാം ശരാശരി കൊണ്ടാണ്, ആ മിനുസമുള്ള, പ്രായമില്ലാത്ത, വ്യക്തിത്വമില്ലാത്ത രൂപം വരുന്നത് കൃത്യമായും അവിടെ നിന്നാണ്. കൃത്യത അഞ്ച് വാക്കുകൾ ചെലവാക്കി ഒരു നിർദ്ദിഷ്ട മനുഷ്യനെ വാങ്ങിത്തരുന്നു:
| അവ്യക്തം | കൃത്യം |
|---|---|
| ഒരു വ്യക്തി | നരച്ച താടിയും ആഴമുള്ള ചിരിവരകളുമുള്ള നാൽപ്പതുകളിലെ ഒരു പുരുഷൻ |
| ഒരു സ്ത്രീ | ഇരുണ്ട അണ്ടർകട്ട് മുടിയും ഒരു മുൻപല്ല് പൊട്ടിയതുമായ ഇരുപതുകളുടെ അവസാനത്തിലുള്ള ഒരു സ്ത്രീ |
| ഒരു പഴയ കെട്ടിടം | മായ്ച്ചു ചായമടിച്ച സൈൻബോർഡും അടച്ചുകെട്ടിയ മുകൾനില ജനലുകളുമുള്ള നാലുനില ഇഷ്ടിക ഗോഡൗൺ |
| ഭക്ഷണം | മുകളിൽ പകുതിയാക്കി മുറിച്ച പതുപതുത്ത മുട്ടയോടെ ആവി പറക്കുന്ന ഒരു പാത്രം റാമെൻ |
ഈ മാതൃക ശ്രദ്ധിക്കുക: പ്രായം അല്ലെങ്കിൽ കാലഘട്ടം, ഒരു ഘടനാപരമായ സവിശേഷത, വേറിട്ടുനിർത്തുന്ന ഒരു അപൂർണ്ണത. ഒരു ഫലം ജനറേറ്റ് ചെയ്തതുപോലെയല്ല, ഫോട്ടോയെടുത്തതുപോലെ തോന്നിപ്പിക്കുന്നത് ആ മൂന്നാമത്തെ ഇനമാണ്. പൊട്ടിയ ഒരു പല്ല്, തേഞ്ഞ ഒരു വിളുമ്പ്, മായ്ച്ചു ചായമടിച്ച സൈൻബോർഡ് — ചെറിയ അസമമിതികളാണ് ലഭ്യമായ ഏറ്റവും ശക്തമായ പ്ലാസ്റ്റിക്-വിരുദ്ധ സൂചന, നിങ്ങളുടെ വാക്ക് ബജറ്റിൽ അവയ്ക്ക് ഏതാണ്ട് ചെലവുമില്ല.
05ഫോട്ടോറിയലിസം: അഭ്യർത്ഥന ഒരു ഫോട്ടോഗ്രാഫായി എഴുതുക
കല, ചിത്രീകരണം അല്ലെങ്കിൽ ആനിമേ ചോദിക്കാത്തിടത്തോളം ഫോട്ടോറിയലിസമാണ് സ്ഥിരസ്ഥിതി സ്വരം. പക്ഷേ "photorealistic" എന്ന വാക്ക് കാര്യമായൊന്നും ചെയ്യുന്നില്ല. ഒരു ഫോട്ടോഗ്രാഫ് ഉണ്ടാക്കുന്നത് ഫോട്ടോഗ്രാഫി എന്ന പ്രവൃത്തിയെ വിവരിക്കുന്നതാണ്: ഒരു യഥാർത്ഥ ക്യാമറ, ഒരു യഥാർത്ഥ ലെൻസ്, ഒരു യഥാർത്ഥ ഫിലിം സ്റ്റോക്ക് അല്ലെങ്കിൽ പ്രകാശസ്രോതസ്സ്.
കാരണം ലളിതമാണ്. "Kodak Portra 400" എന്ന് അടിക്കുറിപ്പിട്ട എല്ലാ ചിത്രവും ഒരു നിർദ്ദിഷ്ട ഗ്രെയിൻ ഘടനയും ഹൈലൈറ്റ് റോൾ-ഓഫും ത്വക്ക് ചിത്രീകരണവുമുള്ള ഒരു നിർദ്ദിഷ്ട പ്രക്രിയയിലൂടെ ഉണ്ടാക്കിയതാണ്, ആ സ്റ്റോക്കിന്റെ പേര് പറയുന്നത് അതെല്ലാം ഒപ്പം കൊണ്ടുവരുന്നു. "8k ultra detailed" എന്നത് സ്റ്റോക്ക്-സൈറ്റ് സ്പാമിൽ മാത്രമേ എന്നെങ്കിലും പ്രത്യക്ഷപ്പെട്ടിട്ടുള്ളൂ, അതിനാൽ അത് സ്റ്റോക്ക്-സൈറ്റ് സ്പാം കൊണ്ടുവരുന്നു. ഒരേ വിഷയത്തിന്റെ വ്യക്തമായി വ്യത്യസ്തമായ ചിത്രങ്ങൾ ഉണ്ടാക്കുന്ന ഏതാനും വിശ്വസനീയമായ പാചകക്കുറിപ്പുകൾ:
| പാചകക്കുറിപ്പ് | അത് നിങ്ങൾക്ക് നൽകുന്നത് |
|---|---|
| Kodak Portra 400, 85mm f/1.4, soft window light | ഊഷ്മളവും ക്ഷമിക്കുന്നതുമായ ത്വക്ക് നിറങ്ങൾ; മൃദുവായ വേർതിരിവ്; എഡിറ്റോറിയൽ പോർട്രെയ്റ്റ് |
| Ilford HP5 pushed to 1600, 35mm, available light | ഗ്രെയിൻ നിറഞ്ഞ കറുപ്പും വെളുപ്പും, കോൺട്രാസ്റ്റ് കൂടിയത്, തെരുവ്-ഡോക്യുമെന്ററി ഊർജ്ജം |
| Digital medium format, 80mm, single softbox at 45° | വൃത്തിയുള്ള കൊമേഴ്സ്യൽ സ്റ്റുഡിയോ രൂപം, നിയന്ത്രിത ഫോൾഓഫ്, ഉൽപ്പന്ന നിലവാരം |
| 135mm f/2, backlit at golden hour, atmospheric haze | ഞെരുക്കിയ പശ്ചാത്തലം, റിം ലൈറ്റ്, കാൽപ്പനിക ടെലിഫോട്ടോ രൂപം |
അടിത്തറ പാചകക്കുറിപ്പിനോട് ചേരണം — മുഖം എൺപത് പിക്സൽ ഉയരമുള്ള ഒരു 24mm വൈഡിൽ സുഷിര നിലവാരത്തിലുള്ള ത്വക്ക് ഘടനയ്ക്ക് അർത്ഥമില്ല — ചേരുന്നെങ്കിൽ അത് ചേർക്കുക. അടിത്തറ വിശദാംശം എന്നാൽ ഒരു ലെൻസ് ഇത് യഥാർത്ഥത്തിൽ പകർത്തി എന്നതിന്റെ ഘടനാപരമായ തെളിവാണ്. കാണാവുന്ന ത്വക്ക് സുഷിരങ്ങളും നേർത്ത മുഖരോമവും. ഒരു ലിനൻ ഷർട്ടിന്റെ നെയ്ത്ത്. ഒരു പ്രകാശധാരയിലെ പൊടിത്തരികൾ. ഒരു തുകൽ ബൂട്ടിലെ ഉരഞ്ഞ പാട്. തിളങ്ങുന്ന പശ്ചാത്തലത്തിൽ പറന്നുനിൽക്കുന്ന മുടിയിഴകൾ. രണ്ടോ മൂന്നോ മതി, ഒരു വ്യക്തിയുടെ റെൻഡറിംഗും ഒരു വ്യക്തിയുടെ ഫോട്ടോഗ്രാഫും തമ്മിലുള്ള വ്യത്യാസം അവയാണ്.
06പാളികളുള്ള രംഗങ്ങൾ: മുൻഭാഗം, മധ്യഭാഗം, പശ്ചാത്തലം
ഒരു രംഗത്തിന് ആഴമുള്ളപ്പോൾ, മൂന്ന് തലങ്ങളും വെവ്വേറെ, ക്രമത്തിൽ വിവരിക്കുക. പശ്ചാത്തലച്ചിത്രങ്ങളല്ല, യഥാർത്ഥ സ്ഥലങ്ങളാണെന്ന് തോന്നേണ്ട ചിത്രങ്ങൾക്കുള്ള ഏറ്റവും ഫലപ്രദമായ വിദ്യയാണിത്, ഏതാണ്ട് ആരും ഇത് ചെയ്യുന്നുമില്ല. ഇതില്ലാതെ പരന്ന ചിത്രം കിട്ടും: പ്രോംപ്റ്റ് പറയുന്നതെല്ലാം ഏകദേശം ഒരേ അകലത്തിൽ വന്നുവീഴുന്നു, ഫ്രെയിമിന്റെ ഒരേ മധ്യഭാഗത്തിനായി മത്സരിക്കുന്നു. തലങ്ങൾക്ക് പേരിടുന്നത് ചെലവാക്കാൻ ഒരു ആഴ ബജറ്റ് മോഡലിന് നൽകുന്നു.
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.
രണ്ട് പരിഷ്കാരങ്ങൾ. മുൻഭാഗത്ത് മനഃപൂർവ്വം ഫോക്കസിന് പുറത്തുള്ള എന്തെങ്കിലും വയ്ക്കുക — ആഴമുള്ള രംഗങ്ങളുടെ യഥാർത്ഥ ഫോട്ടോഗ്രാഫുകളിൽ എപ്പോഴും ഒന്നുണ്ടാകും, അതിന്റെ അഭാവം ഒരു സാധാരണ വെളിപ്പെടുത്തലാണ്. ഒപ്പം വിഷയം ഏത് തലത്തിലാണെന്ന് പറയുക: ആ സൈക്കിൾ കൊറിയറാണ് ചിത്രത്തിന്റെ കാര്യമെങ്കിൽ അവൾ മധ്യഭാഗത്താണ് വേണ്ടത്, അല്ലാത്തപക്ഷം ആ ടവറും കോഫി കപ്പും ഫ്രെയിമിനായി അവളോട് മത്സരിക്കും.
07കൃത്യമായ നിറങ്ങൾ: വസ്തുക്കളോട് ചേർത്ത ഹെക്സ് കോഡുകൾ
ബ്രാൻഡ് ജോലിക്ക്, വസ്ത്ര തുടർച്ചയ്ക്ക്, അല്ലെങ്കിൽ "ചുവപ്പ്" മതിയാകാത്ത എവിടെയും, ഹെക്സ് കോഡ് color #RRGGBB എന്ന രൂപത്തിൽ എഴുതി പേരുള്ള ഒരു വസ്തുവിനോട് ചേർക്കുക:
...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...
മൂന്ന് പ്രായോഗിക നിയമങ്ങൾ. യഥാർത്ഥത്തിൽ പ്രധാനമായ രണ്ടോ മൂന്നോ നിറങ്ങൾക്ക് ഹെക്സ് ഉപയോഗിക്കുക, ബാക്കിക്ക് സാധാരണ വാക്കുകൾ — ആറ് ഹെക്സ് കോഡുകളുള്ള ഒരു പ്രോംപ്റ്റ് അതിന്റെ ബജറ്റിന്റെ ഭൂരിഭാഗവും പെയിന്റ് ചിപ്പുകൾക്കായി ചെലവാക്കുന്നു. കോഡിനെ അതിരുകളുള്ള ഒരു വസ്തുവിനോട് ബന്ധിപ്പിക്കുക, ഒരിക്കലും "വെളിച്ചത്തോടോ" "ഭാവത്തോടോ" അല്ല. ഇത് വസ്തുവിന്റെ നിറമാണ് വ്യക്തമാക്കുന്നത്, അന്തിമ പിക്സൽ മൂല്യമല്ല എന്ന് ഓർക്കുക: ഗോൾഡൻ അവർ പിൻവെളിച്ചത്തിലുള്ള ഒരു #8B0000 കോട്ട് സ്വാച്ചിനെക്കാൾ ഊഷ്മളമായി റെൻഡർ ചെയ്യപ്പെടും, ജീവിതത്തിൽ എങ്ങനെയോ അതുപോലെതന്നെ.
08വീക്ഷണാനുപാതം തിരഞ്ഞെടുക്കൽ
അഞ്ച് അനുപാതങ്ങൾ ലഭ്യമാണ്, ശരിയായത് സാധാരണയായി വിഷയം തന്നെ സൂചിപ്പിക്കുന്നു, പക്ഷേ നിങ്ങളുടെ വ്യക്തമായ ഒരു അഭ്യർത്ഥന എപ്പോഴും ജയിക്കുന്നു — ഒരു വാൾപേപ്പർ ചോദിച്ചാൽ ഉള്ളടക്കം എന്ത് സൂചിപ്പിച്ചാലും നിങ്ങൾക്ക് tall കിട്ടും.
| അനുപാതം | ഏറ്റവും അനുയോജ്യം | എന്തുകൊണ്ട് |
|---|---|---|
| square | സ്ഥിരസ്ഥിതി. ഒറ്റ കേന്ദ്രീകൃത വസ്തുക്കൾ, ഐക്കണുകൾ, സമമിതി കോമ്പോസിഷനുകൾ, സോഷ്യൽ പോസ്റ്റുകൾ | പ്രബലമായ അക്ഷമില്ല, അതിനാൽ ഫ്രെയിമിന്റെ സ്വന്തം ചായ്വ് ഒന്നിനെയും മുറിക്കുന്നില്ല |
| portrait | ആളുകൾ, മുഴുവനോ പാതിയോ ശരീരം; ഗോപുരങ്ങൾ, മരങ്ങൾ, കുപ്പികൾ പോലുള്ള ഉയരമുള്ള വിഷയങ്ങൾ | നിൽക്കുന്ന ഒരു രൂപത്തിന് ചെറുതാക്കാതെ തലമുതൽ കാൽവരെ ഇടം നൽകുന്നു |
| landscape | പ്രകൃതിദൃശ്യങ്ങൾ, അകത്തളങ്ങൾ, ആൾക്കൂട്ടങ്ങൾ, സന്ദർഭത്തിലുള്ള ഉൽപ്പന്ന ചിത്രങ്ങൾ | പശ്ചാത്തലം യഥാർത്ഥത്തിൽ ഒരു പശ്ചാത്തലമാകാൻ വേണ്ട തിരശ്ചീന ഇടം |
| wide | സിനിമാറ്റിക് ഫ്രെയിമുകൾ, ഫിലിം സ്റ്റില്ലുകൾ, ബാനറുകൾ, ഹെഡർ ചിത്രങ്ങൾ | ഏറ്റവും വീതിയേറിയ ഓപ്ഷൻ; ശക്തമായ നെഗറ്റീവ് സ്പേസ്, അനാമോർഫിക് പ്രതീതി |
| tall | പോസ്റ്ററുകൾ, പുസ്തക കവറുകൾ, ഫോൺ വാൾപേപ്പറുകൾ, ലംബ സോഷ്യൽ ഫോർമാറ്റുകൾ | portrait-നെക്കാൾ ഉയരം; ടൈപ്പിനോ ആകാശത്തിനോ മനഃപൂർവ്വം ഇടം വിടുന്നു |
ഇത് തെറ്റിക്കുന്നത് തോന്നുന്നതിനെക്കാൾ ദോഷകരമാണ്. ഒരു wide ഫ്രെയിമിലെ മുഴുനീള നിൽക്കുന്ന രൂപം നിങ്ങൾക്ക് വലിയ ഫ്രെയിമിലെ ചെറിയ രൂപം തരുന്നില്ല — സാധാരണയായി മുറിഞ്ഞ ഒരു രൂപമാണ് തരുന്നത്, കാരണം മോഡൽ വീതി നിറയ്ക്കുന്നു, തലയോ കാലുകളോ ഫ്രെയിമിന് പുറത്താകുന്നു. ഫ്രെയിമിനെ വിഷയത്തിന്റെ പ്രബല അക്ഷത്തോട് ചേർത്താൽ മിക്ക കോമ്പോസിഷൻ പരാതികളും അപ്രത്യക്ഷമാകും.
ഓർത്തിരിക്കേണ്ട രണ്ട് സ്വഭാവങ്ങൾ: എഡിറ്റിംഗ് സ്രോത ചിത്രത്തിന്റെ വീക്ഷണാനുപാതം സ്വയമേവ നിലനിർത്തുന്നു, അതിനാൽ എഡിറ്റ് ചെയ്ത് റീഫ്രെയിം ചെയ്യാനാവില്ല; യോജിപ്പിക്കൽ പുതിയ ഒരു കാൻവാസ് തിരഞ്ഞെടുക്കാൻ അനുവദിക്കുന്നു — നിങ്ങളുടെ പക്കലുള്ള ഒന്നിന്റെ ആകൃതി മാറ്റാനുള്ള ഏറ്റവും വൃത്തിയുള്ള വഴി പലപ്പോഴും അതാണ്.
09ആന്റി-പാറ്റേണുകൾ: നിർത്തേണ്ടത് എന്ത്
ക്വാളിറ്റി ടോക്കണുകൾ: "masterpiece, best quality, 8k, ultra detailed"
ചില അടിക്കുറിപ്പ് പ്രയോഗങ്ങൾ ചില ചിത്ര സ്രോതസ്സുകളുമായി ബന്ധപ്പെട്ടിരുന്ന, ഒരു നിർദ്ദിഷ്ട പഴയ പരിശീലന വിതരണത്തിനായി കമ്യൂണിറ്റി കണ്ടെത്തിയ പിടികളായിരുന്നു ഇവ. അവ ഇങ്ങോട്ട് കൈമാറ്റം ചെയ്യപ്പെടുന്നില്ല. ഇവിടെ അവ സാധാരണ ഇംഗ്ലീഷ് വാക്കുകളായി വായിക്കപ്പെടുന്നു, ഒന്നും സംഭാവന ചെയ്യുന്നില്ല, ഇറുകിയതാണെന്ന് ഇതിനകം പറഞ്ഞ ഒരു വാക്ക് ബജറ്റിന്റെ ഭാഗം തിന്നുതീർക്കുന്നു. പകരം ഏത് വിശദാംശമാണ് വേണ്ടതെന്ന് പറയുക: "ultra detailed" അല്ല, "കോട്ട് തുണിയിലെ കാണാവുന്ന നെയ്ത്തും താടിയെല്ലിലെ നേർത്ത കുറ്റിരോമവും" — അതേ ഉദ്ദേശ്യം, മോഡലിന് റെൻഡർ ചെയ്യാവുന്ന രൂപത്തിൽ.
വെയ്റ്റ് സിന്റാക്സ്: (word:1.3), [word], {{word}}
പാഴ്സ് ചെയ്യപ്പെടുന്നില്ല. ബ്രാക്കറ്റുകളും ചതുര ബ്രാക്കറ്റുകളും കോളനുകളും അക്കങ്ങളും അക്ഷരാർത്ഥ ടെക്സ്റ്റായി വന്നുവീഴുന്നു, എന്തെങ്കിലുമുണ്ടെങ്കിൽ ചുറ്റുമുള്ള വാക്യഭാഗം വായിക്കാൻ കൂടുതൽ പ്രയാസമാക്കുന്നു. എന്തിനെങ്കിലും കൂടുതൽ ഊന്നൽ വേണമെങ്കിൽ, ഫലിക്കുന്ന രണ്ട് ലിവറുകൾ ഉപയോഗിക്കുക: പ്രോംപ്റ്റിൽ അതിനെ നേരത്തെയാക്കുക, ഒപ്പം അതിന് കൂടുതൽ വാക്കുകൾ നൽകുക. "കാറ്റിൽ ഉയരുന്ന തൊങ്ങലുകളുള്ള ഒരു കടുംചുവപ്പ് പട്ടു ഷാൾ" എന്നത് പ്രധാനപ്പെട്ട എല്ലാ അളവുകോലിലും "(red scarf:1.4)" എന്നതിനെ കവിഞ്ഞുനിൽക്കുന്നു.
പരസ്പര വിരുദ്ധമായ നിർദ്ദേശങ്ങൾ
പൊരുത്തമില്ലാത്ത നിർദ്ദേശങ്ങൾ കൂട്ടിക്കലർത്തുന്നത് അവയെ യോജിപ്പിക്കുന്നില്ല; അസ്ഥിരമായ ഒരു ശരാശരിയാണ് അത് ഉണ്ടാക്കുന്നത്, അത് സാധാരണയായി രണ്ടിനെയും തൃപ്തിപ്പെടുത്തുന്നില്ല. പതിവ് കുറ്റവാളികൾ:
- മാധ്യമം — "photorealistic" ഒപ്പം "watercolor"; "oil painting" ഒപ്പം "shot on 85mm". ഒന്ന് തിരഞ്ഞെടുത്ത് അതിൽ ഉറച്ചുനിൽക്കുക.
- ഫ്രെയിമിംഗ് — "wide establishing shot" ഒപ്പം "extreme close-up on her eyes"; "full body" ഒപ്പം "detailed facial pores".
- വെളിച്ചം — "harsh midday sun" ഒപ്പം "soft golden hour glow"; "low key, deep shadows" ഒപ്പം "bright and airy".
- കാലഘട്ടം — "1970s film aesthetic" ഒപ്പം "modern minimalist" ഒപ്പം "cyberpunk".
- ശൈലി കൂട്ടിവയ്ക്കൽ — ഒരേസമയം നാല് കലാകാരന്മാർ അല്ലെങ്കിൽ നാല് വിഭാഗങ്ങൾ. ബന്ധപ്പെട്ട രണ്ട് പരാമർശങ്ങൾ ഫലിച്ചേക്കാം; നാലെണ്ണം പരസ്പരം റദ്ദാക്കി പൊതുവായതായി മാറുന്നു.
- പരത്തിപ്പറയൽ — "rustic, weathered, ancient, timeworn wooden door" എന്നത് ഒരേ ആശയം നാല് തവണ എഴുതിയതാണ്, ഓരോ ആവർത്തനവും പ്രോംപ്റ്റിന്റെ ബാക്കി ഭാഗത്തെ നേർപ്പിക്കുന്നു.
10ടെക്സ്റ്റ്-ടു-ഇമേജിൽ നെഗറ്റീവ് പ്രോംപ്റ്റ് ഇല്ല
പരിചയസമ്പന്നരായ ഉപയോക്താക്കളെ ഏറ്റവും കടുപ്പത്തിൽ പിടികൂടുന്ന ആന്റി-പാറ്റേൺ ഇതാണ്, കാരണം പഴയ സ്റ്റാക്കുകളിൽ നെഗറ്റീവ് പ്രോംപ്റ്റ് ആയിരുന്നു വൈദഗ്ധ്യത്തിന്റെ പകുതി.
| പ്രവർത്തനം | നെഗറ്റീവ് പ്രോംപ്റ്റ് | എന്ത് ചെയ്യണം |
|---|---|---|
| ടെക്സ്റ്റ്-ടു-ഇമേജ് (ജനറേറ്റ്) | പിന്തുണയ്ക്കുന്നില്ല | നിങ്ങൾക്ക് വേണ്ടത് മാത്രം വിവരിക്കുക. ഒരിക്കലും "X വേണ്ട" എന്ന് എഴുതരുത്. |
| ഒരു ചിത്രം എഡിറ്റ് ചെയ്യൽ | പിന്തുണയ്ക്കുന്നു | അനാവശ്യ ആർട്ടിഫാക്ടുകൾ അവിടെ ഇടുക, നിർദ്ദേശം പോസിറ്റീവായി വയ്ക്കുക. |
| രണ്ടോ അതിലധികമോ യോജിപ്പിക്കൽ | പിന്തുണയ്ക്കുന്നു | അതുതന്നെ — ആർട്ടിഫാക്ടുകൾ നെഗറ്റീവിൽ, പങ്കുകൾ പോസിറ്റീവിൽ. |
ജനറേഷന് ഈ നിയമം സമ്പൂർണ്ണവും അൽപ്പം വിരുദ്ധാത്മകവുമാണ്: "no text, no watermark, no extra fingers" എന്ന് പ്രോംപ്റ്റിൽ എഴുതുന്നത് ആ കാര്യങ്ങൾ കുറയ്ക്കുകയല്ല, കൂട്ടുകയാണ് ചെയ്യുന്നത്. "no text" എന്നത് മോഡൽ വായിക്കുന്നത് text എന്ന ആശയം അടങ്ങിയ ഒരു വാക്യമായാണ്; നിഷേധം ദുർബലമായ ഒരു സൂചനയാണ്, നാമപദം ശക്തമായതും. ഫലത്തിൽ നിങ്ങൾ ടെക്സ്റ്റ് ചോദിച്ചു. പകരം എപ്പോഴും പോസിറ്റീവ് രൂപം പറയുക:
| ഇതിന് പകരം | ഇത് എഴുതുക |
|---|---|
| പശ്ചാത്തലത്തിൽ കുഴപ്പം വേണ്ട | വൃത്തിയുള്ള തടസ്സമില്ലാത്ത ചാരനിറ പശ്ചാത്തലം |
| മങ്ങിയതാകരുത് | കണ്ണുകളിൽ മൂർച്ചയോടെ, f/8 |
| മറ്റ് ആളുകൾ വേണ്ട | പുലർച്ചെ ഒഴിഞ്ഞ തെരുവിൽ ഒറ്റയ്ക്ക് |
| ആധുനിക വസ്തുക്കൾ വേണ്ട | ഇനാമൽ പാത്രങ്ങളും വാർപ്പിരുമ്പ് അടുപ്പുമുള്ള 1930-കളിലെ ഒരു അടുക്കള |
| കാർട്ടൂൺ ശൈലി വേണ്ട | shot on Kodak Portra 400, 85mm, natural skin texture |
എഡിറ്റിംഗിനും യോജിപ്പിക്കലിനും നെഗറ്റീവ് പ്രോംപ്റ്റ് ഉണ്ട്, അത് ഉപയോഗിക്കുകയും വേണം — പക്ഷേ ആർട്ടിഫാക്ടുകൾക്കാണ്, ഉള്ളടക്കത്തിനല്ല. നല്ല സാമഗ്രി: വാട്ടർമാർക്ക്, ടെക്സ്റ്റ് ഓവർലേ, ഇരട്ടിച്ച കൈകാലുകൾ, വളഞ്ഞ കൈകൾ, ഓവർഷാർപ്പനിംഗ് വലയങ്ങൾ, JPEG ബ്ലോക്കിംഗ്, ഒരു കോമ്പോസിറ്റ് അതിരിലെ തുന്നൽ വരകൾ. മോശം സാമഗ്രി: ചിത്രം എന്തിന്റെയാണ് എന്നതിനെക്കുറിച്ചുള്ള എന്തും — അത് നിർദ്ദേശത്തിലാണ് വരേണ്ടത്.
11Shannon നിങ്ങൾക്കായി എഴുതുന്ന പ്രോംപ്റ്റ് വായിക്കൽ
ഈ ഗൈഡിനെ സൈദ്ധാന്തികമല്ല, ഉടനടി ഉപയോഗയോഗ്യമാക്കുന്നത് ഇതാണ്. ജനറേഷൻ പ്രോംപ്റ്റ് നിങ്ങൾ തന്നെ എഴുതേണ്ടതില്ല. ഏത് ഭാഷയിലും സാധാരണ വാക്കുകളിൽ നിങ്ങൾ ചോദിക്കുന്നു; ഒരു ചിത്രമാണ് ചോദിക്കുന്നതെന്ന് Shannon തിരിച്ചറിഞ്ഞ്, ഇംഗ്ലീഷ് ജനറേഷൻ പ്രോംപ്റ്റ് രചിച്ച്, ഒന്നും റെൻഡർ ചെയ്യും മുമ്പ് ഒരു സ്ഥിരീകരണ കാർഡിൽ അത് നിങ്ങൾക്ക് കാണിക്കുന്നു. നിങ്ങൾ സ്ഥിരീകരിക്കും വരെ ഒന്നും ഉണ്ടാക്കപ്പെടുന്നില്ല, ഒന്നും ബില്ല് ചെയ്യപ്പെടുന്നുമില്ല.
അതിനാൽ ഏറ്റവും പ്രയോജനം ചെയ്യുന്ന കഴിവ് ആദ്യം മുതൽ പ്രോംപ്റ്റ് എഴുതുന്നതല്ല — കാർഡിലുള്ളത് വായിക്കുന്നതാണ്. ഈ പട്ടിക ഓടിച്ചുനോക്കുക:
- വിഷയം കൃത്യമാണോ? കാർഡിൽ "a person" അല്ലെങ്കിൽ "a woman" എന്നാണെങ്കിൽ, ലഭ്യമായ ഏറ്റവും വലിയ മെച്ചപ്പെടുത്തൽ നിങ്ങൾ കണ്ടെത്തി. അതിന് ഒരു പ്രായം, ഒരു ശരീരഘടന, ഒരു സവിശേഷത നൽകുക.
- വിഷയം ആദ്യമാണോ? പ്രോംപ്റ്റ് ഒരു ശൈലിയിലോ ക്യാമറയിലോ തുടങ്ങുന്നെങ്കിൽ, പകരം വിഷയത്തിൽ തുടങ്ങാൻ ആവശ്യപ്പെടുക.
- അത് പരിധിക്കുള്ളിലാണോ? 30 വാക്കുകൾക്ക് താഴെയെങ്കിൽ വെളിച്ചത്തെയും പശ്ചാത്തലത്തെയും കുറിച്ച് കൂടുതൽ കൃത്യത ചോദിക്കുക. 100-ന് മുകളിലെങ്കിൽ വെട്ടിച്ചുരുക്കാൻ ആവശ്യപ്പെടുക.
- ഒരു പ്രകാശസ്രോതസ്സുണ്ടോ? ഒരു ഭാവ വാക്കല്ല — ഒരു യഥാർത്ഥ വെളിച്ചം: ജനൽ, തെരുവുവിളക്ക്, ഫ്ലാഷ്, മേഘാവൃതമായ ആകാശം, സോഫ്റ്റ്ബോക്സ്.
- എന്തെങ്കിലും വൈരുദ്ധ്യമുണ്ടോ? ഒരേ പ്രോംപ്റ്റിൽ രണ്ട് മാധ്യമങ്ങൾ, രണ്ട് ഫ്രെയിമിംഗുകൾ, അല്ലെങ്കിൽ രണ്ട് വെളിച്ച സാഹചര്യങ്ങൾ ഉണ്ടോ എന്ന് നോക്കുക.
- ഒളിച്ചുകടത്തിയ നിഷേധങ്ങളുണ്ടോ? കാർഡിൽ "without", "no", അല്ലെങ്കിൽ "avoid" ഉണ്ടെങ്കിൽ, അത് താൻ പേരിടുന്ന കാര്യം ചോദിക്കുന്ന ഒരു ടെക്സ്റ്റ്-ടു-ഇമേജ് പ്രോംപ്റ്റാണ്.
- അനുപാതം വിഷയത്തിന് ശരിയാണോ?
wide-ലെ മുഴുനീള രൂപമാണ് ക്ലാസിക് പൊരുത്തക്കേട്.
തിരുത്തലുകൾ സംഭാഷണരൂപത്തിലാണ്: "അവളെ മുപ്പതുകളുടെ തുടക്കത്തിലാക്കൂ, ഒരു പുരികത്തിൽ ഒരു മുറിപ്പാടോടെ, 85mm-ൽ Portra-യിൽ ചിത്രീകരിക്കൂ, portrait ഉപയോഗിക്കൂ" എന്നത് തികച്ചും നല്ല ഒരു നിർദ്ദേശമാണ്. നിങ്ങൾക്ക് പുതിയൊരു കാർഡ് കിട്ടും, അത് സ്ഥിരീകരിക്കുക. ആവർത്തിക്കുന്നതിന് പിഴയില്ല, കാരണം ഇതുവരെ ഒന്നും റെൻഡർ ചെയ്തിട്ടില്ല.
ഒപ്പം Shannon ക്ഷണിക്കപ്പെടാതെ ചിത്രം ഉണ്ടാക്കുന്നില്ല. ഒരു അഭിവാദ്യമോ ചോദ്യമോ ചർച്ചയ്ക്കായി ചേർക്കുന്ന ഒരു ഫോട്ടോയോ ഒരു റെൻഡർ ആരംഭിക്കുന്നില്ല. ഒരു ചിത്രം നോക്കാൻ Shannon-നോട് പറയുന്നത് — വിവരിക്കാൻ, വായിക്കാൻ, വിശകലനം ചെയ്യാൻ — സാധാരണ വിഷൻ ജോലിയാണ്, ജനറേഷനല്ല, അതിന് അധിക ചെലവുമില്ല.
12എഡിറ്റിംഗിനും യോജിപ്പിക്കലിനും വൈദഗ്ധ്യം എങ്ങനെ മാറുന്നു
മുകളിലുള്ള നിയമങ്ങൾ ജനറേഷനുവേണ്ടി എഴുതിയതാണ്. അടുത്തുകിടക്കുന്ന രണ്ട് രീതികൾ പ്രോംപ്റ്റിന്റെ രൂപം മാറ്റുന്നു.
ഒരു ചിത്രം എഡിറ്റ് ചെയ്യൽ
ഒരു എഡിറ്റ് പ്രോംപ്റ്റ് ഒരു വിവരണമല്ല, ഒരു നിർദ്ദേശമാണ്: എന്ത് മാറുന്നു, എന്ത് അതേപടി നിൽക്കുന്നു എന്ന് പറയുക. മാറാത്ത ഭാഗങ്ങൾക്ക് പേരിടുന്നതാണ് ഈ ഉൽപ്പന്നത്തിലെ ഏറ്റവും വലിയ ഗുണനിലവാര ലിവർ — "പശ്ചാത്തലം നിയോൺ പ്രതിഫലനങ്ങളുള്ള മഴയുള്ള രാത്രി നഗരവീഥിയാക്കി മാറ്റുക, സ്ത്രീയെ കൃത്യമായി അതേപടി നിലനിർത്തുക" എന്നത് ഉറച്ചുനിൽക്കുന്നു; ആ ഭാഗമില്ലാത്ത അതേ അഭ്യർത്ഥന നിശ്ശബ്ദമായി അവളുടെ മുഖം വീണ്ടും വരയ്ക്കും. ഉറപ്പിക്കുന്ന ഭാഗത്തെക്കുറിച്ച് കൃത്യമായിരിക്കുക: മുഖം, ഭാവം, മുടി, വസ്ത്രം എന്നിവ അതേപടി നിലനിർത്തുക. കൃത്യമായി ഒരു സ്രോത ചിത്രമാണ് ഉപയോഗിക്കുന്നത്, ഔട്ട്പുട്ട് അതിന്റെ വീക്ഷണാനുപാതം നിലനിർത്തുന്നു.
രണ്ടോ അതിലധികമോ ചിത്രങ്ങൾ യോജിപ്പിക്കൽ
ഘടകങ്ങൾ ഒന്നിലധികം ചിത്രത്തിൽ നിന്ന് വരുമ്പോഴെല്ലാം — വസ്ത്ര കൈമാറ്റം, ഒരു വസ്തുവിനെ ഒരു രംഗത്തിലേക്ക്, ഒരേ ഫ്രെയിമിൽ രണ്ട് പേർ, ഉൽപ്പന്നം വ്യക്തിയിൽ, ഒരു ചിത്രത്തിൽ നിന്നുള്ള ശൈലിയും മറ്റൊന്നിൽ നിന്നുള്ള വിഷയവും — പ്രോംപ്റ്റ് ഓരോ ചിത്രത്തിന്റെയും പങ്ക് ക്രമത്തിൽ പേരെടുത്ത് പറയണം: "ആദ്യ ചിത്രത്തിലെ സ്ത്രീ രണ്ടാമത്തെ ചിത്രത്തിലെ ചുവന്ന നെയ്ത്ത് സ്വെറ്റർ ധരിച്ച്, അതേ പാർക്കിൽ നിൽക്കുന്നു." ആദ്യ ചിത്രം പ്രധാന വിഷയമോ രംഗമോ ആണ്; പിന്നീടുള്ള ചിത്രങ്ങൾ കൊണ്ടുവരുന്ന ഭാഗങ്ങൾ നൽകുന്നു. ഒന്നിലധികം ചിത്രങ്ങളുള്ള ഒരു അഭ്യർത്ഥനയെ ഒരു സ്രോതസ്സും ഒരു ടെക്സ്റ്റ് വിവരണവുമാക്കി ചുരുക്കരുത് — ആ വസ്തുക്കൾ യഥാർത്ഥത്തിൽ എങ്ങനെയിരിക്കുന്നു എന്നത് നിലനിർത്തുന്നത് യഥാർത്ഥ ചിത്രങ്ങൾ യോജിപ്പിക്കുന്നതാണ്.
13സെൻസർ ചെയ്യാത്ത പ്രോംപ്റ്റിംഗ്: ഉദ്ദേശിക്കുന്നത് പറയുക
ജനറേഷൻ പാതയിൽ ഉള്ളടക്ക ഫിൽട്ടറില്ല, പ്രോംപ്റ്റ് എഴുതുന്ന മോഡലിൽ നിരസന പാളിയുമില്ല. അതാണ് ഈ ഉൽപ്പന്നത്തിന്റെ ആകെ കാര്യം: ഫിൽട്ടർ ചെയ്ത ജനറേറ്ററുകൾ നിയമാനുസൃതമായ ജോലി പതിവായി നിരസിക്കുന്നു — കലാ നഗ്നചിത്രങ്ങൾ, മെഡിക്കൽ, ഫോറൻസിക് ചിത്രീകരണം, സുരക്ഷാ-ഗവേഷണ ചിത്രങ്ങൾ, കഥാസാഹിത്യത്തിലെ അക്രമം, രാഷ്ട്രീയ ആക്ഷേപഹാസ്യം, അവകാശിയുടെ തന്നെ ബ്രാൻഡ്, രൂപസാദൃശ്യ ജോലി. ഫിൽട്ടർ ചെയ്ത പ്ലാറ്റ്ഫോമുകളിലെ പ്രോംപ്റ്റ് വൈദഗ്ധ്യത്തിന്റെ പകുതിയും ഭംഗിവാക്ക് നിർമ്മാണമാണ്, ഭംഗിവാക്ക് ഒരു കൃത്യമായ ചിത്രത്തിന്റെ ശത്രുവുമാണ്.
അതിനാൽ കാർഡിൽ പരിശോധിക്കാൻ ഒരു കാര്യം കൂടിയുണ്ട്: ഫിൽട്ടർ ചെയ്ത ഉപകരണങ്ങളിൽ നിന്ന് ആളുകൾ പഠിക്കുന്ന ഒളിച്ചുവയ്ക്കുന്ന പദാവലിയല്ല, യഥാർത്ഥ വിഷയത്തെ സാധാരണ വാക്കുകളിൽ അത് വിവരിക്കുന്നുണ്ടോ എന്ന്. ഒരു മുറിവിന്റെ ഫോറൻസിക് ചിത്രീകരണം ആ മുറിവ് എന്താണെന്ന് പറയണം. ഒളിച്ചുവയ്ക്കുന്ന ഭാഷ എവിടെയും മോശം ചിത്രമുണ്ടാക്കുന്നു, കാരണം വാക്കുകൾ പറയുന്നതാണ് മോഡൽ റെൻഡർ ചെയ്യുന്നത്.
ശേഷിയും വിവേചനബുദ്ധിയും രണ്ട് കാര്യങ്ങളാണ്. Shannon Lab LLC ഇത് പ്രവർത്തിപ്പിക്കുന്നത് പ്രസിദ്ധീകരിച്ച ഒരു ഉത്തരവാദിത്ത ഉപയോഗ നയത്തിന് കീഴിലാണ്: ഫിൽട്ടറില്ലാത്ത ജനറേഷൻ ഒരു പ്രൊഫഷണൽ ഉപകരണമാണ്, നിങ്ങൾ ഉണ്ടാക്കുന്നതിന് സമ്മതവും അവകാശങ്ങളും നിയമവും ഇപ്പോഴും ബാധകമാണ്.
ഒറ്റപ്പേജ് ചെക്ക്ലിസ്റ്റ്
- കോമ കൊണ്ട് വേർതിരിച്ച ടാഗുകളല്ല, പൂർണ്ണ വാക്യങ്ങളിലുള്ള ഗദ്യം.
- 30–80 വാക്കുകൾ. ചിത്രം മാറ്റാത്തതെല്ലാം വെട്ടുക.
- വിഷയം → പ്രവൃത്തി → ശൈലി → പശ്ചാത്തലവും വെളിച്ചവും → സാങ്കേതികം.
- കൃത്യമായ വിഷയം: പ്രായം, ഒരു ഘടനാപരമായ സവിശേഷത, ഒരു അപൂർണ്ണത.
- ഫോട്ടോകൾ: ഒരു ക്യാമറ, ലെൻസ്, ഫിലിം സ്റ്റോക്ക് അല്ലെങ്കിൽ പ്രകാശസ്രോതസ്സ് പേരെടുത്ത് പറയുക.
- ആഴമുള്ള രംഗങ്ങൾ: മുൻഭാഗം, മധ്യഭാഗം, പശ്ചാത്തലം — വെവ്വേറെ പേരിട്ട്.
- കൃത്യമായ നിറങ്ങൾ
color #RRGGBBആയി, പേരുള്ള ഒരു വസ്തുവിനോട് ബന്ധിപ്പിച്ച്. - വിഷയത്തിന്റെ പ്രബല അക്ഷം നോക്കി അനുപാതം തിരഞ്ഞെടുക്കുക.
- ഫ്രെയിമിംഗിനോട് ചേരുന്ന രണ്ടോ മൂന്നോ അടിത്തറ ഘടനകൾ.
- ക്വാളിറ്റി ടോക്കണുകളില്ല, വെയ്റ്റ് സിന്റാക്സില്ല, പരസ്പര വിരുദ്ധ നിർദ്ദേശങ്ങളില്ല.
- ടെക്സ്റ്റ്-ടു-ഇമേജിൽ നിഷേധങ്ങളില്ല. നിഷേധങ്ങൾ എഡിറ്റിംഗിനും യോജിപ്പിക്കലിനും മാത്രം, അതും ആർട്ടിഫാക്ടുകൾക്ക് മാത്രം.
14API എവിടെ ചേരുന്നു
ഒരു API തിരച്ചിലിൽ നിന്ന് എത്തുന്ന വായനക്കാർക്കുള്ള ഒരു കൃത്യതാ കുറിപ്പ്: ഇമേജ് നിർമ്മാണം, എഡിറ്റിംഗ്, യോജിപ്പിക്കൽ എന്നിവ Shannon ചാറ്റ് ആപ്പിലാണ്, /v1 API-യിലല്ല. API ടെക്സ്റ്റും വിഷനും നൽകുന്നു — നിങ്ങൾ അയയ്ക്കുന്ന ചിത്രങ്ങൾ മൂന്ന് ശൈലികളിലും (/v1/chat/completions, /v1/messages, /v1/responses, എല്ലാം സ്ട്രീമിംഗ്) വായിക്കാനും വിവരിക്കാനും വിശകലനം ചെയ്യാനും അതിന് കഴിയും — പക്ഷേ അത് അവ ഉണ്ടാക്കുന്നില്ല. ചിത്രങ്ങൾ മനസ്സിലാക്കേണ്ട ഒരു പൈപ്പ്ലൈൻ നിർമ്മിക്കുകയാണെങ്കിൽ, API ഡോക്യുമെന്റേഷനിൽ തുടങ്ങുക. ചിത്രങ്ങൾ ഉണ്ടാക്കണമെങ്കിൽ അത് ചാറ്റ് ആപ്പിലാണ്, ഈ ഗൈഡിലുള്ളതെല്ലാം അവിടെ ബാധകമാണ്. ചിത്രങ്ങൾ റെൻഡർ ചെയ്യുന്നത് ഞങ്ങളുടെ സ്വന്തം GPU ക്ലസ്റ്ററിലാണ്.
15പതിവ് ചോദ്യങ്ങൾ
ഒരു AI ഇമേജ് പ്രോംപ്റ്റ് എത്ര നീളമുള്ളതായിരിക്കണം?
30 മുതൽ 80 വരെ വാക്കുകൾ ലക്ഷ്യമിടുക, 100-ന് അധികം കടക്കാതിരിക്കുക. 30 വാക്കുകൾക്ക് താഴെയാണെങ്കിൽ കോമ്പോസിഷനും വെളിച്ചവും ഫ്രെയിമിംഗും നിങ്ങൾ യാദൃച്ഛികതയ്ക്ക് വിട്ടുകൊടുക്കുകയാണ്. 100 വാക്കുകൾക്ക് ശേഷം പിന്നീടുള്ള വാക്യഭാഗങ്ങൾ ആദ്യത്തേവയോട് മത്സരിക്കാൻ തുടങ്ങുന്നു, വിശദാംശം കൂടിവരുന്നതിന് പകരം മങ്ങാൻ തുടങ്ങുന്നു.
ഞാൻ കീവേഡ് ടാഗുകളാണോ പൂർണ്ണ വാക്യങ്ങളാണോ എഴുതേണ്ടത്?
പൂർണ്ണ വാക്യങ്ങൾ. Shannon-ന്റെ ഇമേജ് മോഡൽ ഒരു പ്രോംപ്റ്റ് വായിക്കുന്നത് ഒരു ഭാഷാ മോഡൽ ടെക്സ്റ്റ് വായിക്കുന്നതുപോലെയാണ്, അതിനാൽ വ്യാകരണം വിവരം വഹിക്കുന്നു. "രാത്രിയിൽ മഴ നനഞ്ഞ ഒരു ടോക്യോ ക്രോസ്വാക്കിൽ മുപ്പതുകളിലുള്ള ഒരു സ്ത്രീ" എന്നത് ഒരു യോജിപ്പുള്ള രംഗം ഉണ്ടാക്കുന്നു; "സ്ത്രീ, 30-കൾ, ടോക്യോ, മഴ, രാത്രി" എന്നത് പരസ്പര ബന്ധമില്ലാത്ത അയഞ്ഞ സവിശേഷതകളുടെ ഒരു കൂമ്പാരം ഉണ്ടാക്കുന്നു.
ടെക്സ്റ്റ്-ടു-ഇമേജിന് എനിക്ക് നെഗറ്റീവ് പ്രോംപ്റ്റ് ഉപയോഗിക്കാമോ?
ഇല്ല. Shannon-ലെ ടെക്സ്റ്റ്-ടു-ഇമേജ് നെഗറ്റീവ് പ്രോംപ്റ്റ് സ്വീകരിക്കുന്നില്ല, അതിനാൽ നിങ്ങൾക്ക് വേണ്ടത് മാത്രം വിവരിക്കുക, പ്രോംപ്റ്റിൽ ഒരിക്കലും "X വേണ്ട" എന്ന് എഴുതരുത് — ഒരു കാര്യത്തിന് പേരിടുന്നത് അതിനെ വിളിച്ചുവരുത്തുകയാണ് ചെയ്യുക. ഇമേജ് എഡിറ്റിംഗും ഇമേജ് യോജിപ്പിക്കലും നെഗറ്റീവ് പ്രോംപ്റ്റ് പിന്തുണയ്ക്കുന്നു, വാട്ടർമാർക്കുകൾ, ടെക്സ്റ്റ് ഓവർലേകൾ, ഇരട്ടിച്ച കൈകാലുകൾ പോലുള്ള അനാവശ്യ ആർട്ടിഫാക്ടുകൾക്ക് പറ്റിയ ഇടം അതാണ്.
"masterpiece, best quality, 8k" പോലുള്ള ടോക്കണുകൾ ചിത്രം മെച്ചപ്പെടുത്തുമോ?
ഇല്ല. അവ പഴയ തലമുറ മോഡലുകൾക്കുള്ള പിടികളായിരുന്നു, ഇവിടെ അവ ഒരു വിവരവും വഹിക്കുന്നില്ല — അവ വെറും വാക്കുകളായി വായിക്കപ്പെടുന്നു, ഒന്നും പറയാതെ നിങ്ങളുടെ 30–80 വാക്ക് ബജറ്റിന്റെ ഒരു ഭാഗം ചെലവാക്കുന്നു. (word:1.3) പോലുള്ള വെയ്റ്റ് സിന്റാക്സും പാഴ്സ് ചെയ്യപ്പെടുന്നില്ല; അത് അക്ഷരാർത്ഥ ടെക്സ്റ്റായി വന്നുവീഴുന്നു. പകരം നിങ്ങൾക്ക് വേണ്ട യഥാർത്ഥ വിശദാംശം വിവരിക്കുക.
കൃത്യമായ ഒരു നിറം എനിക്ക് എങ്ങനെ കിട്ടും?
ഹെക്സ് കോഡ് color #RRGGBB എന്ന രൂപത്തിൽ എഴുതി അത് പേരുള്ള ഒരു നിർദ്ദിഷ്ട വസ്തുവിനോട് ചേർക്കുക, ഉദാഹരണത്തിന് "a wool jacket, color #8B0000". ഒരു വസ്തുവുമായി ബന്ധമില്ലാതെ ഒഴുകിനടക്കുന്ന ഒരു ഹെക്സ് കോഡിന് ചേരാൻ ഒന്നുമില്ല. യഥാർത്ഥത്തിൽ പ്രധാനമായ രണ്ടോ മൂന്നോ നിറങ്ങൾക്ക് ഇത് ഉപയോഗിക്കുക, ബാക്കിയുള്ളവ വാക്കുകളിൽ വിവരിക്കുക.
Shannon API വഴി എനിക്ക് ചിത്രങ്ങൾ ഉണ്ടാക്കാമോ?
ഇല്ല. ഇമേജ് നിർമ്മാണം, എഡിറ്റിംഗ്, യോജിപ്പിക്കൽ എന്നിവ Shannon ചാറ്റ് ആപ്പിലാണ് നടക്കുന്നത്. /v1 API ടെക്സ്റ്റും വിഷനും നൽകുന്നു — നിങ്ങൾ അയയ്ക്കുന്ന ചിത്രങ്ങൾ അതിന് വായിക്കാനും വിശകലനം ചെയ്യാനും കഴിയും, പക്ഷേ അത് അവ ഉണ്ടാക്കുന്നില്ല. ഈ ഗൈഡിലുള്ളതെല്ലാം ചാറ്റ് ആപ്പിന് ബാധകമാണ്.
ഒരു യഥാർത്ഥ പ്രോംപ്റ്റിൽ പരീക്ഷിക്കൂ
ഏത് ഭാഷയിലും ചോദിക്കൂ. കാർഡ് വായിക്കൂ. ക്രമീകരിക്കൂ. പിന്നെ സ്ഥിരീകരിക്കൂ.
Shannon ചാറ്റ് തുറക്കുക കൂടുതൽ ഗവേഷണംനിങ്ങൾ പ്രോംപ്റ്റ് സ്ഥിരീകരിക്കും വരെ ഒന്നും റെൻഡർ ചെയ്യപ്പെടുന്നില്ല, ഒന്നും ബില്ല് ചെയ്യപ്പെടുന്നുമില്ല
അനുബന്ധ വായന: സെൻസർ ചെയ്യാത്ത AI ഇമേജ് നിർമ്മാണം · സെൻസർ ചെയ്യാത്ത AI ഇമേജ് എഡിറ്റിംഗ് · ഉത്തരവാദിത്ത ഉപയോഗ നയം · API ഡോക്യുമെന്റേഷൻ · എല്ലാ Shannon ഗവേഷണവും. ഇവിടത്തെ മാർഗ്ഗനിർദ്ദേശം Shannon-ന്റെ ഇമേജ് മോഡലിലുള്ള ഞങ്ങളുടെ സ്വന്തം പരീക്ഷണങ്ങളിൽ നിന്ന് എടുത്തതാണ്; പഴയ ഡിഫ്യൂഷൻ സ്റ്റാക്കുകൾക്കായി എഴുതിയ ഉപദേശം സാധാരണയായി ഇങ്ങോട്ട് കൈമാറ്റം ചെയ്യപ്പെടുന്നില്ല.