Mwongozo wa Vidokezo vya Picha za AI

Watu wengi wanafika na mazoea ya vidokezo waliyojifunza kwenye SDXL: mfululizo wa nomino uliotenganishwa kwa mikato, utangulizi wa tokeni za ubora, uzito kadhaa ndani ya mabano, na kidokezo hasi kirefu kama chanya. Mazoea hayo yalikuwa sahihi kwa modeli zile na yanadhuru hapa. Hili ni toleo fupi la kile kinachofanya kazi kweli — na kwa kuwa Shannon inakuandikia kidokezo cha kutengeneza na kukionyesha kabla ya chochote kuchorwa, ni vilevile mwongozo wa kusoma na kurekebisha kile Shannon inachopendekeza.

01Kwa nini maandishi ya mtiririko yanashinda lebo: modeli inasoma kama modeli ya lugha

Modeli za zamani za usambaaji ambazo ushauri mwingi wa vidokezo uliandikwa kwa ajili yake zilitumia kisimbaji cha maandishi kilichofanya kazi, kivitendo, kama gunia la dhana: sarufi haikuwa na maana kubwa, na mkakati ulioshinda ulikuwa kurundika nomino husika na kuzipa uzito. Mchuzi wa lebo ndilo lilikuwa umbo sahihi la kidokezo kwa kisimbaji hicho.

Modeli ya Picha ya Shannon haifanyi kazi hivyo. Inasoma kidokezo jinsi modeli ya lugha inavyosoma maandishi, hivyo sintaksia inabeba maana. "Holding an umbrella against her shoulder" ni uhusiano kati ya mtu, kitu na kiungo cha mwili; "umbrella, shoulder" ni vitu viwili vilivyopo tu. Vihusishi vinaweka vitu mahali. Vitenzi vinaunda mikao. Vishazi vinaambatisha undani kwenye nomino sahihi badala ya kuuacha uelee kwenye picha nzima.

Hapa kuna picha ileile ikiombwa kwa njia zote mbili.

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.

Angalia kile ambacho toleo la lebo haliwezi kueleza. Halisemi kamwe kwamba mwavuli umeshikwa, hivyo unaweza kuishia umelala chini. Halisemi kamwe kwamba neoni inaakisiwa ndani ya lami, linasema tu kwamba vyote viwili vipo, hivyo unapata alama za maduka na barabara yenye maji bila uhusiano wowote wa kimwanga kati yake. Halisemi kamwe mwanamke anaangalia wapi, hivyo mkao wake ni bahati nasibu. "Cinematic lighting" ni lebo ya hisia, si chanzo cha mwanga. Na tokeni tano za mwisho ni kelele, zinazosomwa kama maneno ya Kiingereza kuhusu upigaji picha badala ya vishikizo vya udhibiti.

Toleo la mtiririko si refu kwa sababu ya urembo. Ni refu kwa sababu linajibu maswali ambayo toleo la lebo liliyaacha wazi. Hiyo ndiyo hila nzima.

02Kidokezo cha picha kinapaswa kuwa kirefu kiasi gani?

Lenga maneno 30 hadi 80. Usizidi sana 100. Hiki ndicho kinara rahisi zaidi cha ubora unachopata, na pande zote mbili za kipimo ni muhimu.

Chini ya maneno 30 hivi, muundo, mwanga na umbo la fremu havijaelezwa, hivyo modeli inachagua kilicho cha kawaida zaidi kitakwimu. "A woman in a coffee shop" ni kidokezo halali kinachozalisha picha isiyokumbukika, kwa sababu umekabidhi kila uamuzi wa kuvutia.

Juu ya maneno 100 hivi kasoro tofauti inajitokeza: vishazi vya baadaye vinashindana na vya awali kwa maeneo yaleyale ya picha, na badala ya kujilimbikiza undani unapata upunguaji. Maelezo ya tatu ya mwanga yanabatilisha ya kwanza, na mhusika uliyemweka ndani ya maneno nane ya kwanza anapata umakini mdogo zaidi kwa kila sentensi unayoiongeza. Vidokezo virefu vinasomeka kama vya kina. Havichorwi kama vya kina.

Nidhamu yenyewe: andika kidokezo unachokitaka, kisha kikate hadi sentensi ambazo zingebadilisha picha kama zingeondolewa.

03Nidhamu ya mpangilio: kilicho muhimu zaidi kwanza

Kwa sababu modeli inasoma kwa mfuatano, nafasi ni msisitizo: kinachokuja kwanza kinaweka nanga ya picha, kinachokuja mwisho kinairekebisha. Weka vitu kwa mpangilio ambao modeli inauhitaji:

1. Mhusika — picha hii ni ya nani au ya nini, kwa uhalisia.
2. Kitendo au mkao — anafanya nini, ameshikwa vipi.
3. Mtindo au hisia — picha ya kamera, mchoro wa rangi za mafuta, mchoro wa kiufundi, na kiwango cha lugha yake.
4. Mazingira na mwanga — hili linatokea wapi na mwanga gani unaliangukia.
5. Kiufundi — umbo la fremu, lenzi, kina cha uga, undani wa rangi.

Jeraha la kawaida zaidi la kujitakia ni kuanza na kishazi cha kiufundi. Kuanza na "Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper" kunaiambia modeli kwamba mwonekano ndio mhusika na mwanamume ni undani tu. Unapata fremu nzuri, tupu, yenye kitu kidogo kisichoeleweka ndani yake.

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.

Kila kipengele kutoka toleo la kwanza kinanusurika ndani ya la pili; hakuna kilichoachwa. Modeli sasa tu inajua picha ni ya nini kabla haijaambiwa jinsi ya kuipiga — na kupanga upya huko peke yake kunamhamisha mhusika kutoka wa pembeni kwenda wa kati.

04Kuwa halisi kuhusu mhusika

"A person" si mhusika, ni nafasi tupu — na modeli inajaza nafasi tupu kwa wastani wa kila kitu ilichokiona, ndipo hasa mwonekano wa kung'aa, usio na umri, usio na tabia unapotoka. Uhalisia unagharimu maneno matano na unakununulia binadamu mahususi:

Angalia mtindo: umri au enzi, sifa moja ya kimuundo, kasoro moja ya kutofautisha. Kipengele hicho cha tatu ndicho kinachofanya matokeo yahisi kama yalipigwa kwa kamera badala ya kuzalishwa. Jino lililovunjika, upindo uliochakaa, alama iliyopakwa rangi juu yake — kutolingana kudogo ndiyo ishara yenye nguvu zaidi ya kupinga muonekano wa plastiki, na kunagharimu karibu chochote katika bajeti yako ya maneno.

05Uhalisia wa kipicha: andika ombi kama picha ya kamera

Uhalisia wa kipicha ndicho kiwango cha msingi isipokuwa uombe sanaa, mchoro au anime. Lakini neno "photorealistic" linafanya kazi ndogo. Kinachozalisha picha ya kamera ni kueleza kitendo cha kupiga picha: kamera halisi, lenzi halisi, na aina halisi ya filamu au chanzo cha mwanga.

Sababu ni ya moja kwa moja. Kila picha iliyoandikwa "Kodak Portra 400" ilitengenezwa kwa utaratibu mahususi wenye muundo mahususi wa chembechembe, mwisho wa mwangaza na uonyeshaji wa ngozi, na kutaja aina hiyo kunaita vyote hivyo. "8k ultra detailed" ilijitokeza tu kwenye taka za tovuti za picha za hisa, hivyo inaita taka za tovuti za picha za hisa. Mapishi machache yanayotegemewa, kila moja likizalisha picha tofauti kabisa ya mhusika yuleyule:

Oanisha undani wa msingi na pishi — muundo wa ngozi wa kiwango cha tundu hauna maana ndani ya lenzi pana ya 24mm ambapo uso una urefu wa pikseli themanini — kisha uuongeze. Undani wa kuweka msingi ni — ushahidi wa muundo kwamba lenzi kweli ilirekodi hii. Matundu ya ngozi yanayoonekana na nywele nyembamba za uso. Msuko wa shati la kitani. Vumbi ndani ya mwale wa mwanga. Mkwaruzo kwenye buti la ngozi. Nywele zilizoruka dhidi ya mandharinyuma yenye mwanga. Mbili au tatu zinatosha, na ndiyo tofauti kati ya uchoraji wa mtu na picha ya kamera ya mtu.

06Matukio yenye tabaka: mbele, katikati, nyuma

Tukio linapokuwa na kina, eleza tabaka tatu kando kando na kwa mpangilio. Hii ndiyo mbinu yenye ufanisi zaidi kwa picha zinazopaswa kuhisi kama maeneo badala ya mandharinyuma tu, na karibu hakuna anayeifanya. Bila hiyo unapata ubapa: kila kitu kidokezo kinachokitaja kinaishia takribani umbali uleule, kikishindania mkanda uleule wa kati wa fremu. Kutaja tabaka kunaipa modeli bajeti ya kina ya kutumia.

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.

Marekebisho mawili. Weka kitu mbele ambacho kwa makusudi hakina uwazi — picha halisi za matukio yenye kina karibu daima zina kimoja, na kutokuwepo kwake ni ishara ya kawaida. Na sema mhusika yuko tabaka lipi: kama mpeleka vifurushi ndiye lengo la picha anastahili kuwa katikati, vinginevyo mnara na kikombe cha kahawa vitampigania fremu.

07Rangi kamili: misimbo ya heksi, iliyoambatishwa kwenye vitu

Kwa kazi za chapa, mwendelezo wa mavazi, au popote "nyekundu" haitoshi kuwa mahususi, andika msimbo wa heksi kama color #RRGGBB na uuambatishe kwenye kitu kilichotajwa:

...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...

Kanuni tatu za kivitendo. Tumia heksi kwa rangi mbili au tatu zenye maana kweli na maneno ya kawaida kwa zilizobaki — kidokezo chenye misimbo sita ya heksi kinatumia bajeti yake nyingi kwenye vipande vya rangi. Funga msimbo kwenye kitu chenye kingo, kamwe si kwenye "mwanga" au "hisia". Na kumbuka unabainisha rangi ya kitu, si thamani ya mwisho ya pikseli: koti la #8B0000 ndani ya mwanga wa nyuma wa saa ya dhahabu linachorwa kwa joto zaidi kuliko kipande cha rangi, sawasawa na ingekavyokuwa maishani.

08Kuchagua uwiano wa picha

Uwiano matano unapatikana na unaofaa kwa kawaida unadokezwa na mhusika, lakini ombi la wazi kutoka kwako daima linashinda — omba mandharinyuma ya simu na utapata tall bila kujali maudhui yanadokeza nini.

Kukosea hapa kunadhuru zaidi kuliko inavyoonekana. Umbo la mtu aliyesimama mzima ndani ya fremu ya wide halikupi mtu mdogo ndani ya fremu kubwa — kwa kawaida linakupa aliyekatwa, kwa sababu modeli inajaza upana na kichwa au miguu inatoka nje ya fremu. Oanisha fremu na mhimili unaotawala wa mhusika na malalamiko mengi ya muundo yatatoweka.

Tabia mbili zinazofaa kukumbukwa: uhariri unabakisha uwiano wa picha chanzo kiotomatiki, hivyo huwezi kubadilisha fremu kwa kuhariri, wakati uunganishaji unakuruhusu kuchagua turubai mpya — mara nyingi njia safi zaidi ya kubadilisha umbo la kitu ulicho nacho tayari.

09Makosa ya kawaida: unachopaswa kuacha kufanya

Tokeni za ubora: "masterpiece, best quality, 8k, ultra detailed"

Hivi vilikuwa vishikizo vilivyogunduliwa na jamii kwa mgawanyo mahususi wa mafunzo wa zamani, ambapo maneno fulani ya maelezo yalihusiana na vyanzo fulani vya picha. Havihamiki. Hapa vinasomwa kama maneno ya kawaida ya Kiingereza, havichangii chochote, na vinala sehemu ya bajeti ya maneno ambayo tayari umeambiwa ni finyu. Mbadala wake ni kusema ni undani upi unaoutaka: si "ultra detailed" bali "visible weave in the coat fabric and fine stubble along the jaw" — nia ileile, ikielezwa kama kitu ambacho modeli inaweza kukichora.

Sintaksia ya uzito: (word:1.3), [word], {{word}}

Haisomwi. Mabano, mabano ya mraba, koloni na namba zinaishia kama maandishi ya kawaida na, kama kuna lolote, zinafanya kishazi kinachozunguka kiwe kigumu kusomeka. Kama unataka msisitizo zaidi kwa kitu, tumia vinara viwili vinavyofanya kazi: kisogeze mapema zaidi ndani ya kidokezo, na kipe maneno zaidi. "A crimson silk scarf, its fringed ends lifting in the wind" inashinda "(red scarf:1.4)" kwa kila kipimo chenye maana.

Maelekezo yanayopingana

Kuchanganya maagizo yasiyooana hakuyachanganyi; kunazalisha wastani usio thabiti ambao kwa kawaida hauridhishi hata kimoja. Wakosaji wa mara kwa mara:

• Kifaa — "photorealistic" pamoja na "watercolor"; "oil painting" pamoja na "shot on 85mm". Chagua kimoja na ushikilie.
• Umbo la fremu — "wide establishing shot" pamoja na "extreme close-up on her eyes"; "full body" pamoja na "detailed facial pores".
• Mwanga — "harsh midday sun" pamoja na "soft golden hour glow"; "low key, deep shadows" pamoja na "bright and airy".
• Enzi — "1970s film aesthetic" pamoja na "modern minimalist" pamoja na "cyberpunk".
• Kurundika mitindo — wasanii wanne au aina nne kwa wakati mmoja. Marejeo mawili yanayohusiana yanaweza kufanya kazi; manne yanafutana na kuwa ya kawaida.
• Kutawanyika — "rustic, weathered, ancient, timeworn wooden door" ni wazo moja lililoandikwa mara nne, na kila marudio yanapunguza nguvu ya kidokezo kingine chote.

10Hakuna kidokezo hasi katika maandishi-kwenda-picha

Hili ndilo kosa linalowakamata zaidi watumiaji wenye uzoefu, kwa sababu kwenye mifumo ya zamani kidokezo hasi kilikuwa nusu ya ustadi.

Kwa utengenezaji kanuni ni ya lazima na kidogo kinyume na mategemeo: kuandika "hakuna maandishi, hakuna alama ya maji, hakuna vidole vya ziada" ndani ya kidokezo kunafanya vitu hivyo viwezekane zaidi, si kidogo. Modeli inasoma "hakuna maandishi" kama sentensi iliyo na dhana ya maandishi; ukanushaji ni ishara dhaifu na nomino ni yenye nguvu. Kimsingi umeomba maandishi. Daima eleza umbo chanya badala yake:

Kwa uhariri na uunganishaji kidokezo hasi kipo na unapaswa kukitumia — lakini kwa kasoro, si kwa maudhui. Nyenzo nzuri: alama ya maji, maandishi yaliyowekwa juu, viungo vilivyorudiwa, mikono iliyopotoka, duara za unoaji uliopitiliza, vipande vya JPEG, mistari ya mshono kwenye ukingo wa muunganisho. Nyenzo mbaya: chochote kuhusu picha ni ya nini, ambacho kinastahili kuwa ndani ya maagizo.

11Kusoma kidokezo ambacho Shannon inakuandikia

Hapa ndipo mwongozo huu unakuwa wa kutumika mara moja badala ya wa kinadharia. Huhitaji kuandika kidokezo cha kutengeneza mwenyewe. Unaomba kwa lugha ya kawaida, kwa lugha yoyote; Shannon inatambua kwamba picha inaombwa, inaunda kidokezo cha Kiingereza cha kutengeneza, na inakuonyesha kwenye kadi ya uthibitisho kabla ya chochote kuchorwa. Hakuna kinachotengenezwa na hakuna kinachotozwa hadi uthibitishe.

Hivyo ujuzi unaolipa zaidi si kuandika vidokezo kutoka mwanzo — ni kusoma kile kilicho kwenye kadi. Pitia orodha hii:

1. Je, mhusika ni halisi? Kama kadi inasema "a person" au "a woman", umepata uboreshaji mkubwa zaidi unaopatikana. Mpe umri, umbo, sifa.
2. Je, mhusika yuko kwanza? Kama kidokezo kinaanza na mtindo au kamera, omba kianze na mhusika badala yake.
3. Je, kiko ndani ya kipimo? Chini ya maneno 30, omba uhalisia zaidi kuhusu mwanga na mazingira. Zaidi ya 100, omba kikatwe.
4. Je, kuna chanzo cha mwanga? Si neno la hisia — mwanga halisi: dirisha, taa ya barabarani, mweko, anga lenye mawingu, softbox.
5. Kuna migongano? Kagua kama kuna vifaa viwili, maumbo mawili ya fremu, au hali mbili za mwanga ndani ya kidokezo kimoja.
6. Kuna ukanushaji uliojipenyeza? Kama kadi ina "without", "no", au "avoid", hicho ni kidokezo cha maandishi-kwenda-picha kinachoomba kile kinachokitaja.
7. Je, uwiano unafaa mhusika? Umbo la mtu mzima ndani ya wide ndio mgongano wa kawaida.

Marekebisho ni ya kimazungumzo: "mfanye awe na miaka thelathini na kitu, akiwa na kovu linalopita nyusi moja, ipige kwa Portra kwa 85mm, na utumie portrait" ni maagizo mazuri kabisa. Unapata kadi mpya na kuthibitisha hiyo badala yake. Hakuna adhabu ya kurudia, kwa sababu bado hakuna kilichochorwa.

Na Shannon haitengenezi bila kuombwa. Salamu, swali, au picha unayoiambatisha kwa majadiliano hakizalishi uchoraji. Kuiomba Shannon iangalie picha — kuieleza, kuisoma, kuichambua — ni kazi ya kawaida ya uoni, si utengenezaji, na haigharimu chochote cha ziada.

12Jinsi ustadi unavyobadilika kwa uhariri na uunganishaji

Kanuni zilizo hapo juu zimeandikwa kwa utengenezaji. Hali mbili jirani zinabadilisha umbo la kidokezo.

Kuhariri picha moja

Kidokezo cha uhariri ni maagizo, si maelezo: sema kinachobadilika na kinachobaki. Kutaja sehemu zisizobadilika ndicho kinara kikubwa zaidi cha ubora ndani ya bidhaa — "Change the background to a rainy night city street with neon reflections, keep the woman exactly as she is" kinashikamana pale ambapo ombi lilelile bila kishazi hicho kimyakimya linachora upya uso wake. Kuwa mahususi kuhusu nanga: bakisha uso, mkao, nywele na mavazi vilevile. Picha chanzo moja tu inatumika, na matokeo yanabakisha uwiano wake.

Kuunganisha picha mbili au zaidi

Pale vipengele vinapotoka kwenye picha zaidi ya moja — kuhamisha mavazi, kitu ndani ya eneo, watu wawili ndani ya fremu moja, bidhaa juu ya mtu, mtindo kutoka picha moja na mhusika kutoka nyingine — kidokezo lazima kitaje jukumu la kila picha, kwa mpangilio: "The woman from the first image wearing the red knitted sweater from the second image, standing in the same park." Picha ya kwanza ni mhusika au eneo kuu; picha zinazofuata zinatoa sehemu zinazoingizwa. Usikunje ombi la picha nyingi kuwa chanzo kimoja pamoja na maelezo ya maandishi — kuunganisha picha halisi ndiko kunakohifadhi jinsi vitu hivyo vinavyoonekana kweli.

13Vidokezo bila udhibiti: sema unachomaanisha

Hakuna kichujio cha maudhui kwenye njia ya utengenezaji na hakuna safu ya kukataa kwenye modeli inayoandika kidokezo. Hiyo ndiyo hoja nzima ya bidhaa: vitengenezaji vilivyochujwa vinakataa mara kwa mara kazi halali — uchi wa kisanaa, michoro ya kitiba na ya kiuchunguzi, picha za utafiti wa usalama, ukatili ndani ya hadithi, kejeli ya kisiasa, kazi za chapa na sura zinazofanywa na mwenye haki. Nusu ya ustadi wa vidokezo kwenye majukwaa yaliyochujwa ni uhandisi wa maneno laini, na maneno laini ni adui wa picha sahihi.

Hivyo kuna kitu kingine kimoja cha kukagua kwenye kadi: kwamba kinaeleza mhusika halisi kwa maneno ya wazi badala ya msamiati wa tahadhari ambao watu wanajifunza kutoka zana zilizochujwa. Mchoro wa kiuchunguzi wa jeraha unapaswa kusema jeraha ni lipi. Lugha ya tahadhari inazalisha picha mbaya zaidi kila mahali, kwa sababu modeli inachora kile maneno yanachosema.

Uwezo na uamuzi ni vitu tofauti. Shannon Lab LLC inaendesha hii chini ya Sera ya Matumizi ya Kuwajibika iliyochapishwa: utengenezaji bila kichujio ni zana ya kitaaluma, na ridhaa, haki na sheria vyote bado vinahusika na unachokitengeneza.

14API inaingia wapi

Jambo moja la usahihi kwa wasomaji wanaofika kutoka utafutaji wa API: kutengeneza picha, kuhariri na kuunganisha kunapatikana ndani ya programu ya gumzo ya Shannon, si kwenye API ya /v1. API inahudumia maandishi na uoni — inaweza kusoma, kueleza na kuchambua picha unazoituma kwenye lahaja zote tatu (/v1/chat/completions, /v1/messages, /v1/responses, zote zikitiririsha) — lakini haiziundi. Kama unajenga mnyororo unaohitaji kuelewa picha, nyaraka za API ndipo pa kuanzia. Kama unataka kutengeneza picha, hiyo ni programu ya gumzo, na kila kilichomo katika mwongozo huu kinahusika hapo. Picha zinachorwa kwenye kundi letu la GPU.

15Maswali yanayoulizwa mara kwa mara

Usomaji unaohusiana: Utengenezaji wa picha za AI bila udhibiti · Uhariri wa picha za AI bila udhibiti · Sera ya Matumizi ya Kuwajibika · Nyaraka za API · Utafiti wote wa Shannon. Mwongozo hapa umetokana na majaribio yetu wenyewe ya Modeli ya Picha ya Shannon; ushauri ulioandikwa kwa mifumo ya zamani ya usambaaji kwa ujumla hauhamiki.