વિઝ્યુઅલ એઆઈ ટૂલ્સ પર ઊંડાણપૂર્વકનો દેખાવ: પ્રોમ્પ્ટ, સંદર્ભ અને શૈલી નિયંત્રણ

નફો:

• વિઝ્યુઅલ પ્રોમ્પ્ટ શરીરરચના (વિષય, સામગ્રી, કોણ, પ્રકાશ, શૈલી, નકારાત્મક) સ્થાપિત કરવાની અને પુનઃઉત્પાદનક્ષમ પરિણામો મેળવવાની ક્ષમતા
• સંદર્ભ ઇમેજ, કંટ્રોલનેટ, બીજ અને શૈલીનું વજન જેવી નિયંત્રણ પદ્ધતિઓ સાથે દ્રશ્ય દિશા નિર્દેશિત કરવાની ક્ષમતા
• કાર્ય અનુસાર ટૂલ પસંદ કરવાની અને આઉટપુટના રિઝોલ્યુશન, સુસંગતતા અને વપરાશ અધિકારોની મર્યાદાઓનું મૂલ્યાંકન કરવાની ક્ષમતા

અગાઉના એકમમાં, તમે કન્સેપ્ટ જનરેશનમાં AI ને કેવી રીતે સ્થાન આપવું તે જોયું. આ એકમમાં અમે એક પગલું વધુ ઊંડા જઈએ છીએ: તમે ખરેખર વિઝ્યુઅલ AI ટૂલ્સને નિયંત્રિત કરવાનું શીખી શકશો. ઘણા ડિઝાઇનરોની નિરાશા એ છે કે સાધન "તેના પોતાના પર" છબીઓ બનાવે છે; જો કે, સમસ્યા સામાન્ય રીતે સાધનની અસ્પષ્ટતા નથી પરંતુ આપેલ સૂચનાઓની અસ્પષ્ટતા છે. વિઝ્યુઅલ એઆઈને નિયંત્રિત કરવા માટે ત્રણ બાબતો જાણવાની જરૂર છે: પ્રોમ્પ્ટ એનાટોમી (સૂચના યોગ્ય રીતે સેટ કરવી), સંદર્ભ અને રચના નિયંત્રણ (દ્રશ્ય સાથે અગ્રણી), અને પ્રજનનક્ષમતા (ફરીથી સમાન પરિણામ મેળવવું). એકવાર તમે આ ત્રણ શીખી લો, AI રેન્ડમ વિઝ્યુઅલ મશીનમાંથી સ્ટીયરેબલ ડિઝાઇન ટૂલમાં રૂપાંતરિત થાય છે.

પ્રોમ્પ્ટ શરીરરચના: છબીનું વર્ણન કરવાના છ સ્તરો

સારો વિઝ્યુઅલ પ્રોમ્પ્ટ એ રેન્ડમ વાક્ય નથી, પરંતુ સ્તરવાળી રેસીપી છે. આ છ સ્તરો ધ્યાનમાં લો:

1. વિષય: આપણે શું ઉત્પન્ન કરીએ છીએ? ("વાયરલેસ હેડફોન ચાર્જિંગ બોક્સ")
2. ફોર્મ અને વિગત: સિલુએટ, પ્રમાણ, ખૂણો, સપાટી ભેદ. ("ગોળાકાર ખૂણા, બે ટુકડા, ટોચ પર પાતળી વિભાજન રેખા")
3. સામગ્રી અને CMF: રંગ-સામગ્રી-સપાટી. ("મેટ એન્થ્રાસાઇટ પોલીકાર્બોનેટ, બ્રશ કરેલ એલ્યુમિનિયમ સ્ટ્રીપ")
4. કોણ અને ફ્રેમિંગ: દૃષ્ટિકોણ અને ફ્રેમિંગ. ("આગળથી 3/4, ઉપરથી સહેજ, ઉત્પાદન કેન્દ્રિત")
5. પ્રકાશ અને પર્યાવરણ: લાઇટિંગ અને પૃષ્ઠભૂમિ. ("સોફ્ટ સ્ટુડિયો લાઇટ, ન્યુટ્રલ લાઇટ ગ્રે અનંત બેકડ્રોપ")
6. શૈલી અને હેતુ: સ્કેચ, ફોટોરિયલિસ્ટિક રેન્ડરિંગ, તકનીકી ચિત્ર. ("ફોટોરિયલિસ્ટિક પ્રોડક્ટ રેન્ડરિંગ")

આમાં એક નકારાત્મક સંકેત ઉમેરવામાં આવ્યો છે: વસ્તુઓ જે તમે ઇચ્છતા નથી. ઘણા સાધનો "નકારાત્મક પ્રોમ્પ્ટ" વિસ્તાર પ્રદાન કરે છે; અહીં તમે "માનવ હાથ, ટેક્સ્ટ, લોગો, અવ્યવસ્થિત પૃષ્ઠભૂમિ, મલ્ટી-પ્રોડક્ટ" જેવા તમને જે જોઈતું નથી તે ટાઈપ કરીને આઉટપુટ સાફ કરો છો. જો તમે સ્તરો ખૂટે છે, તો AI તેની પોતાની આંકડાકીય સરેરાશ સાથે તે જગ્યાઓ ભરી દેશે; આનો અર્થ ક્લિચ.

ટીપ: પ્રોમ્પ્ટને એવું સેટ કરો કે જાણે કોઈ પેટર્નમાંથી વાંચી રહ્યાં હોય: વિષય + ફોર્મ + CMF + કોણ + પ્રકાશ + શૈલી + નકારાત્મક. જો તમને આઉટપુટ પસંદ નથી, તો પૂછો કે કયું સ્તર ખૂટે છે, સમગ્ર પ્રોમ્પ્ટને ફરીથી લખશો નહીં.

સંદર્ભ, રચના અને શૈલી નિયંત્રણ

શબ્દો બધું કહી શકતા નથી; કેટલીકવાર એક છબી હજાર શબ્દોની કિંમતની હોય છે. આધુનિક ગેજેટ્સ નિયંત્રણના ઘણા શક્તિશાળી માધ્યમો પ્રદાન કરે છે:

• સંદર્ભ છબી (ઇમેજ પ્રોમ્પ્ટ / છબી સંદર્ભ): તમે એક છબી અપલોડ કરો છો અને કહો છો "તેને આના જેવું બનાવો". તમે સેટ કરો છો કે સાધન વજન સાથે આઉટપુટનો કેટલો સંદર્ભ આપે છે.
• કંટ્રોલનેટ: સ્ટેબલ ડિફ્યુઝન ઇકોસિસ્ટમમાં, તે એક નિયંત્રણ સ્તર છે જે સ્કેચ અથવા ફોટોની ધાર/રેખા/ઊંડાઈ/પોઝ સ્ટ્રક્ચરને સાચવે છે અને તેની ટોચ પર નવી છબી બનાવે છે. રચનાને સાચવવા અને તમારા પોતાના સ્કેચની સામગ્રીને બદલવા માટે આદર્શ.
• શૈલી સંદર્ભ/શૈલીનું વજન: ઇમેજના માત્ર વાતાવરણ/રંગ-રચના અનુભૂતિને અભિવ્યક્ત કરવા માટે, તેની સામગ્રી નહીં.
• ચિત્રકામ (પ્રાદેશિક સંપાદન): છબીના માત્ર એક ભાગને માસ્ક કરવું અને તેને પુનઃઉત્પાદન કરવું (ઉદાહરણ તરીકે, ફક્ત હેન્ડલ બદલવું).
• LoRA / કસ્ટમ તાલીમ: અદ્યતન સ્તરે, બ્રાન્ડ ભાષા અથવા ચોક્કસ શૈલીના આધારે મોડેલને ફાઇન-ટ્યુનિંગ. આને ગોપનીયતા અને કૉપિરાઇટ સાવચેતીની જરૂર છે (તમારા પોતાના ડેટા સાથે, પરવાનગી સાથે).

આ ટૂલ્સનો સામાન્ય ફાયદો: તેઓ AI ને શરૂઆતથી સપના જોવાને બદલે તમે જે ફ્રેમવર્ક આપો છો તેનાથી કામ કરવા દબાણ કરે છે. ડિઝાઇનર માટે સૌથી મૂલ્યવાન ઘણીવાર કંટ્રોલનેટ અને ઇનપેઇન્ટિંગ હોય છે, કારણ કે તેઓ તમારી પોતાની સ્કેચ કમ્પોઝિશનને સાચવે છે.

પ્રજનનક્ષમતા: બીજ અને પરિમાણો

પ્રસરણ મોડલ રેન્ડમનેસથી શરૂ થાય છે. બીજ એ આ રેન્ડમનેસની શરૂઆતની સંખ્યા છે. સમાન પ્રોમ્પ્ટ + સમાન બીજ + સમાન પરિમાણો સામાન્ય રીતે સમાન/બહુ સમાન છબી આપે છે. ડિઝાઇન માટે આ મહત્વપૂર્ણ છે: તમને ગમતી છબીનું પુનઃઉત્પાદન કરવા માટે તમે બીજને ઠીક કરો અથવા ફક્ત એક શબ્દ બદલો અને નિયંત્રિત રીતે અસર જુઓ. અન્ય મહત્વપૂર્ણ પરિમાણો: પાસા રેશિયો, પગલાં (વધુ પગલાં, વધુ શુદ્ધ પરંતુ ધીમા), અને માર્ગદર્શન સ્કેલ (માર્ગદર્શન/CFG; તે પ્રોમ્પ્ટને કેટલું ચુસ્તપણે બંધબેસે છે — જો તે ખૂબ ઊંચું હોય, તો તે કૃત્રિમ અને ફરજિયાત લાગે છે).

નિયંત્રણ

શું કરે છે

ક્યારે વાપરવું

બીજ ફિક્સિંગ

સમાન આઉટપુટનું પુનઃઉત્પાદન કરે છે

જ્યારે ઈમેજ ડેવલપ કરતી હોય અને A/B અજમાવી રહી હોય

સંદર્ભ છબી + વજન

તે એક છબી જેવું લાગે છે

રચના/વાતાવરણ ટ્રાન્સફર

કંટ્રોલનેટ (ધાર/ઊંડાઈ)

રચના સાચવે છે, સામગ્રીમાં ફેરફાર કરે છે

તમારા પોતાના સ્કેચમાંથી રેન્ડર બનાવવું

ચિત્રકામ

માત્ર એક પ્રદેશને તાજું કરે છે

એક વિગત બદલો

નકારાત્મક પ્રોમ્પ્ટ

અનિચ્છનીય દૂર કરે છે

સફાઈ પૃષ્ઠભૂમિ, હાથ, ટેક્સ્ટ

ત્રણ નાના કેસો

કેસ 1 - તમારા પોતાના સ્કેચનું રક્ષણ કરવું. એક ડિઝાઇનર હેન્ડ વેક્યુમ ક્લીનરના હાથથી દોરેલા સ્કેચને ફોટોરિયલિસ્ટિક રેન્ડરિંગમાં ફેરવવા માંગે છે. જ્યારે તમે તેને માત્ર ટેક્સ્ટ પ્રોમ્પ્ટ સાથે અજમાવો છો, ત્યારે AI સંપૂર્ણપણે અલગ સ્વરૂપ ઉત્પન્ન કરે છે. જ્યારે તમે કંટ્રોલનેટના કેની મોડનો ઉપયોગ કરીને તમારો સ્કેચ અપલોડ કરો છો, ત્યારે AI તેની રેખાઓ સાચવે છે અને તેને મેટ પ્લાસ્ટિક અને સ્ટુડિયો લાઇટિંગથી આવરી લે છે. તેને 4 પ્રયત્નોમાં જોઈએ તે પરિણામ મળે છે. પાઠ: રચનાને સાચવવા માટે, ControlNet શુદ્ધ પ્રોમ્પ્ટ કરતાં વધુ શક્તિશાળી છે.

કેસ 2 - વિવિધતાનું અનિયંત્રિત નુકસાન. ડિઝાઇનર તેને ગમતો ખ્યાલ શોધે છે, પરંતુ તે બીજની નોંધ લેતો નથી. બીજા દિવસે, જ્યારે તે "થોડું પાતળું હેન્ડલ" માટે પૂછે છે, ત્યારે તે ફરીથી તે જ છબી ઉત્પન્ન કરી શકતો નથી; એક સંપૂર્ણપણે અલગ ઉત્પાદન દર વખતે બહાર આવે છે અને તે કલાકો ગુમાવે છે. પાઠ: તમને ગમે તે દરેક આઉટપુટનું બીજ અને સંપૂર્ણ પ્રોમ્પ્ટ સાચવો; આ તમારા "રીટર્ન" પોઈન્ટ છે.

કેસ 3 - નકારાત્મક પ્રોમ્પ્ટ સાથે સફાઈ. જ્યારે ડિઝાઈનર સ્ટુડિયો ઈમેજીસ બનાવે છે, ત્યારે વણજોઈતા માનવ હાથ, પ્રતિબિંબિત ટેક્સ્ટ અને બીજી પ્રોડક્ટ અડધા પ્રિન્ટઆઉટમાં દેખાય છે. તે નકારાત્મક પ્રોમ્પ્ટમાં "માનવ હાથ, ટેક્સ્ટ, વોટરમાર્ક, ડુપ્લિકેટ ઉત્પાદન, અવ્યવસ્થિત પૃષ્ઠભૂમિ" ઉમેરે છે અને માત્ર 8 શબ્દો સાથે આઉટપુટ ગુણવત્તા નોંધપાત્ર રીતે વધે છે. પાઠ: તમે જે નથી ઇચ્છતા તે કહેવું એટલું જ મહત્વનું છે કે તમે શું ઇચ્છો છો.

નકલ કરી શકાય તેવા પ્રોમ્પ્ટ નમૂનાઓ

સ્તરીય પ્રોમ્પ્ટ સ્કેલેટન"[વિષય], [ફોર્મ અને વિગત], [CMF: રંગ-સામગ્રી-સપાટી], [કોણ અને ફ્રેમિંગ], [પ્રકાશ અને પૃષ્ઠભૂમિ], [શૈલી: સ્કેચ/રેન્ડર/ટેકનિક].--નકારાત્મક: માનવ હાથ, ટેક્સ્ટ, લોગો, વોટરમાર્ક, મલ્ટી-પ્રોડક્ટ, messy પૃષ્ઠભૂમિ."

સંદર્ભમાંથી ટેમ્પલેટ રેન્ડર કરો"મેં અપલોડ કરેલા સ્કેચની લાઇન અને કમ્પોઝિશન રાખો (કંટ્રોલનેટેજ મોડ). તેના પર નીચેની સામગ્રી લાગુ કરો: [મેટ પ્લાસ્ટિક બોડી, એલ્યુમિનિયમ વિગત]. લાઈટ: સોફ્ટ સ્ટુડિયો. બેકગ્રાઉન્ડ: ન્યુટ્રલ ગ્રે. ફક્ત સામગ્રી ઉમેરો અને ફોર્મ બદલશો નહીં."

સિંગલ ડિટેઈલ ચેન્જ (ઈનપેઈન્ટિંગ) ટેમ્પલેટ "આ ઈમેજમાં, માત્ર [માસ્ક્ડ એરિયા: હેન્ડલ] એરિયાનું પુનઃઉત્પાદન કરો. નવું વર્ઝન: [સ્લિમર, એર્ગોનોમિક, વક્ર]. બાકીની ઈમેજ, તેની લાઇટિંગ અને એંગલને સ્પર્શ કરશો નહીં."

પુનઃઉત્પાદન નોંધનો નમૂનો "મને આ પ્રિન્ટઆઉટ ગમે છે. નીચેની માહિતી સાચવો અને આગલી વખતે તેનો ઉપયોગ કરો: પ્રોમ્પ્ટ = [સંપૂર્ણ લખાણ], બીજ = [સંખ્યા], પાસા = [ગુણોત્તર], પગલું = [સંખ્યા], અભિગમ = [મૂલ્ય]. ફક્ત આ એક ઘટક બદલો: [X]."

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ: "સફેદ પૃષ્ઠભૂમિ પર હેડફોનોનું સરસ રેન્ડર."

સ્ટ્રોંગ પ્રોમ્પ્ટ: "વાયરલેસ ઇન-ઇયર હેડફોન ચાર્જિંગ કેસ, અંડાકાર ગોળી-ફોર્મ, ટોચ પર પાતળી વિભાજન રેખા. CMF: મેટ આઇવરી પોલીકાર્બોનેટ બોડી, સાટિન ગોલ્ડ હિન્જ સ્ટ્રીપ. કોણ: 3/4 આગળ, સહેજ ટોચ. લાઇટ: સોફ્ટ સ્ટુડિયો સોફ્ટબોક્સ, સહેજ રાઉન્ડ લાઇટ રિફ્લેક્શન: બેકડ્રોપ લાઇટમાં ફોટોરિયલિસ્ટિક પ્રોડક્ટ રેન્ડરિંગ: 4821, પાસા 4:3 --નકારાત્મક: માનવ હાથ, ટેક્સ્ટ, લોગો, વોટરમાર્ક, સેકન્ડ પ્રોડક્ટ, હાર્ડ શેડો."

નબળા પ્રોમ્પ્ટ ટૂલને ક્લિચ સાથે ખાલી જગ્યાઓ ભરવા માટે પરવાનગી આપે છે; શક્તિશાળી પ્રોમ્પ્ટ દરેક સ્તરને ઓળખે છે, નકારાત્મકને દૂર કરે છે અને તેને બીજ સાથે પુનઃઉત્પાદનક્ષમ બનાવે છે.

સામાન્ય ભૂલો

• એક વાક્ય અસ્પષ્ટ પ્રોમ્પ્ટ લખો અને પરિણામને સાધન પર અપલોડ કરો. AI ખાલી જગ્યાઓ ભરે છે, તમે નહીં.
• બીજ અને પરિમાણો સાચવતા નથી. તમને ગમે તે આઉટપુટ તમે ફરી ક્યારેય મેળવી શકતા નથી.
• નકારાત્મક પ્રોમ્પ્ટનો ક્યારેય ઉપયોગ કરશો નહીં. અનિચ્છનીય તત્વો આઉટપુટને દૂષિત કરે છે.
• રચના તપાસને બદલે સેંકડો રેન્ડમ ટ્રાયલ કરી રહ્યા છીએ. કંટ્રોલનેટ/ઇનપેઇન્ટીંગ કામને ઝડપી બનાવે છે.
• સંદર્ભ તરીકે અન્ય કોઈની કૉપિરાઇટ કરેલી છબીનો ઉપયોગ કરવો. શૈલીની નકલ અને કૉપિરાઇટનું જોખમ છે (જુઓ યુનિટ 10).

સાવધાન: સંદર્ભ છબીઓ અથવા શૈલીના વજન શક્તિશાળી સાધનો છે, પરંતુ જો તેનો ઉપયોગ અન્ય કોઈની માલિકીની ડિઝાઇન અથવા કલાકારની હસ્તાક્ષર શૈલીની નકલ કરવા માટે કરવામાં આવે તો તે કાનૂની અને નૈતિક જોખમો પેદા કરે છે. તમારી પોતાની સામગ્રીમાંથી અથવા પરવાનગી/મુક્ત સ્ત્રોતોમાંથી તમારા સંદર્ભો પસંદ કરો.

સારાંશમાં

વિઝ્યુઅલ AI ને નિયંત્રિત કરવા માટે ત્રણ ક્ષમતાઓ જરૂરી છે: સ્તરીય પ્રોમ્પ્ટ (વિષય, ફોર્મ, CMF, કોણ, પ્રકાશ, શૈલી, નકારાત્મક), છબી સાથે માર્ગદર્શન (સંદર્ભ, કંટ્રોલનેટ, ઇનપેઇન્ટિંગ, શૈલીનું વજન), અને પુનઃઉત્પાદનક્ષમતા પ્રદાન કરવી (બીજ અને પરિમાણોને સાચવવું). આ ત્રણ સાથે, AI રેન્ડમ મશીનમાંથી સ્ટીયરેબલ ડિઝાઇન ટૂલમાં ફેરવાય છે. જ્યારે તમે તમારી રચનાને સુરક્ષિત કરવા માંગતા હો ત્યારે કંટ્રોલનેટ અને ઇનપેઇન્ટિંગ શુદ્ધ પ્રોમ્પ્ટ કરતાં વધુ શક્તિશાળી છે. નેગેટિવ પ્રોમ્પ્ટ સાથે તમે ન જોઈતા હોય તેને દૂર કરો અને કૉપિરાઇટ-સુરક્ષિત સ્ત્રોતોમાંથી તમારા સંદર્ભો પસંદ કરો.

એપ્લિકેશન કાર્ય

ઉત્પાદન પસંદ કરો અને પહેલા હાથ વડે રફ સ્કેચ દોરો (અથવા શોધો). સ્તરવાળી પ્રોમ્પ્ટ ફ્રેમવર્ક સાથે આ ઉત્પાદનનું વર્ણન કરતો પ્રોમ્પ્ટ લખો, નકારાત્મક પ્રોમ્પ્ટ ઉમેરો અને ચાર આઉટપુટ બનાવો. તમને ગમે તે આઉટપુટના બીજ અને પરિમાણો સાચવો; પછી, "સિંગલ ડિટેલ ચેન્જ" લોજિક સાથે, માત્ર એક જ ઘટક (ઉદાહરણ તરીકે, હેન્ડલ) બદલો અને તે જ બીજ વડે તેને ફરીથી બનાવો. બે પરિણામોની સરખામણી કરો અને નિયંત્રણ કેવી રીતે બદલાય છે તે લખો.

ચેકલિસ્ટ

• [ ] મેં છ સ્તરો (વિષય, ફોર્મ, CMF, કોણ, પ્રકાશ, શૈલી) આવરી લેવા માટે પ્રોમ્પ્ટ સેટ કર્યો છે.
• [ ] નેગેટિવ પ્રોમ્પ્ટમાં મને જે જોઈતું ન હતું તે મેં લખ્યું.
• જ્યારે મને રચના જાળવવાની જરૂર હોય ત્યારે મેં સંદર્ભ/કંટ્રોલનેટ/ઇનપેઇન્ટિંગનો ઉપયોગ કર્યો.
• [ ] મેં મને ગમતા આઉટપુટના બીજ અને પરિમાણો સાચવ્યા.
• [ ] મેં એક ચલને ખસેડીને નિયંત્રિત વિવિધતાનો પ્રયાસ કર્યો.
• [ ] મેં કૉપિરાઇટ-સલામત સ્ત્રોતોમાંથી મારી સંદર્ભ છબીઓ પસંદ કરી છે.