વિઝ્યુઅલ પ્રોડક્શન ફંડામેન્ટલ્સ: કેવી ઇમેજ AI વર્ક્સ એન્ડ પ્રોમ્પ્ટ એનાટોમી

નફો:

• વિઝ્યુઅલ આર્ટિફિશિયલ ઇન્ટેલિજન્સ (પ્રસરણ) કેવી રીતે કાર્ય કરે છે અને તે કેવી રીતે વર્ણવેલ નથી તે ઉત્પન્ન કરી શકતું નથી અને ટેક્સ્ટને સારી રીતે દોરી શકતું નથી તે સમજવું.
• વિષય, સંદર્ભ, શૈલી, રચના, પ્રકાશ અને તકનીકી ઘટકોને સમાવતા મજબૂત વિઝ્યુઅલ પ્રોમ્પ્ટ લખવાની ક્ષમતા.
• પાસા ગુણોત્તર નક્કી કરવાની ક્ષમતા મેળવવી, વાંચી શકાય તેવા ટેક્સ્ટને આર્ટિફિશિયલ ઇન્ટેલિજન્સ દ્વારા દોરવામાં આવતા અટકાવો અને નકારાત્મક વર્ણન સાથે ખામીને ઓછી કરો.

AI સાથે વિઝ્યુઅલ્સ બનાવનાર ડિઝાઇનર કલાકારને ઓર્ડર આપવા જેવું છે: તમે તેને જેટલું સ્પષ્ટ અને વધુ સચોટ સમજાવશો, પરિણામ એટલું જ સચોટ હશે. આ એકમમાં, અમે સાદી ભાષામાં સમજીશું કે કેવી રીતે ઇમેજ-જનરેટિંગ આર્ટિફિશિયલ ઇન્ટેલિજન્સ (ઇમેજ AI) કામ કરે છે અને એક સારા પ્રોમ્પ્ટ (દ્રશ્ય માટે લેખિત સૂચના) લખવાની શરીરરચના શીખીશું. ધ્યેય એ છે કે "અવ્યવસ્થિત પ્રયાસ કરવા અને નસીબ પર આધાર રાખવાને બદલે" તમને જોઈતી છબીનું સભાનપણે વર્ણન કરવામાં સમર્થ થવાનો છે.

ઇમેજ AI કેવી રીતે કામ કરે છે? (સરળ સમજૂતી)

મોટાભાગના ઇમેજ ઉત્પાદકો આજે પ્રસરણ તરીકે ઓળખાતી પદ્ધતિનો ઉપયોગ કરે છે. સરળ રીતે: મોડેલે લાખો ઇમેજ-ટેક્સ્ટ જોડીમાંથી "કયા શબ્દો કઈ ઇમેજને અનુરૂપ છે" તે શીખ્યા છે. વિઝ્યુઅલ્સનું નિર્માણ કરતી વખતે, તે રેન્ડમ અવાજ (જેમ કે બરફીલા ટેલિવિઝન સ્ક્રીન) સાથેની ઈમેજથી શરૂ થાય છે અને તમારા પ્રોમ્પ્ટને અનુરૂપ આ અવાજને સ્ટેપ બાય ક્લીન કરે છે અને તેને અર્થપૂર્ણ ઈમેજમાં ફેરવે છે. બીજા શબ્દોમાં કહીએ તો, મોડેલ ચિત્રને "ડ્રો" કરતું નથી, તે આંકડાકીય રીતે એવી છબી બનાવે છે જે તમારા પ્રોમ્પ્ટને શ્રેષ્ઠ અનુરૂપ હોય.

આના ત્રણ વ્યવહારુ પરિણામો છે. પ્રથમ: એ જ પ્રોમ્પ્ટ દર વખતે અલગ પરિણામ આપે છે, કારણ કે પ્રારંભિક અવાજ અવ્યવસ્થિત છે (આપણે આગામી એકમમાં "બીજ" વડે આને કેવી રીતે નિયંત્રિત કરવું તે જોઈશું). બીજું: તમે જેનું વર્ણન કરી શકતા નથી તે મોડેલ જાણી શકતું નથી; તે તમારા માથામાંનું ચિત્ર વાંચી શકતું નથી, તે ફક્ત તમે જે લખો છો તેનું અર્થઘટન કરે છે. ત્રીજું: મોડેલ ટેક્સ્ટ અને સંખ્યાને સારી રીતે દોરી શકતું નથી, કારણ કે તે આકારમાં અક્ષરોનું અનુકરણ કરે છે અને અર્થમાં નહીં; તેથી જ લોગોમાં લખાણને AI પર છોડવું જોખમી છે.

ટિપ: AI ને ઇમેજમાં સ્પષ્ટ ટેક્સ્ટ (બ્રાન્ડ નેમ, સ્લોગન) બનાવવા દો નહીં. તમે ટેક્સ્ટ વિના એક છબી બનાવો અને પછી ડિઝાઇન પ્રોગ્રામમાં ટેક્સ્ટ (વેક્ટર તરીકે) ઉમેરો. આ તેને વાંચવા યોગ્ય અને સંપાદનયોગ્ય બંને બનાવે છે.

એક સારા પ્રોમ્પ્ટની શરીરરચના

તે છ ઘટકોમાં મજબૂત વિઝ્યુઅલ પ્રોમ્પ્ટને તોડવામાં મદદ કરે છે. તમારે દરેક વખતે તેનો ઉપયોગ કરવાની જરૂર નથી, પરંતુ સભાનપણે પસંદ કરવાથી પરિણામ નક્કી થશે.

1. વિષય/વિષય: છબીનું મુખ્ય તત્વ શું છે? ("એક સિરામિક કોફી કપ", "એક યુવતીનું પોટ્રેટ").
2. ક્રિયા/સંદર્ભ: તે શું કરી રહ્યો છે, તે ક્યાં છે? ("લાકડાના ટેબલ પર, સવારના પ્રકાશમાં").
3. શૈલી/સૌંદર્ય શાસ્ત્ર: દ્રશ્ય ભાષા શું છે? ("મિનિમલ પ્રોડક્ટ ફોટો", "વોટરકલર ઇલસ્ટ્રેશન", "આઇસોમેટ્રિક 3D રેન્ડરિંગ"). આ સૌથી નિર્ણાયક ઘટક છે.
4. રચના / કોણ: ફ્રેમ કેવી છે? ("ક્લોઝ-અપ", "બર્ડ્સ આઈ વ્યુ", "વાઇડ એંગલ", "મધ્યમાં, જગ્યા સાથે").
5. પ્રકાશ અને રંગ: ("સોફ્ટ કુદરતી પ્રકાશ", "અર્થ ટોન પેલેટ", "ઉચ્ચ કોન્ટ્રાસ્ટ").
6. તકનીક / ગુણવત્તા: ("ઉચ્ચ રીઝોલ્યુશન", "1:1 ફ્રેમ રેટ", "બેકગ્રાઉન્ડ પ્લેન વ્હાઇટ").

ત્યાં એક નકારાત્મક રેસીપી પણ છે: તમને ન જોઈતી વસ્તુઓ કહેવું ("કોઈ ટેક્સ્ટ, કોઈ લોકો, કોઈ અવ્યવસ્થિત પૃષ્ઠભૂમિ"). અમે 4થા એકમમાં "નેગેટિવ પ્રોમ્પ્ટ" સાથે આને વધુ ઊંડું કરીશું.

શરતોની ગ્લોસરી

• આસ્પેક્ટ રેશિયો: ઇમેજનો આસ્પેક્ટ રેશિયો; 1:1 ફ્રેમ (ઇન્સ્ટાગ્રામ પોસ્ટ), 9:16 પોટ્રેટ (સ્ટોરી/રીલ્સ), 16:9 લેન્ડસ્કેપ (કવર).
• રીઝોલ્યુશન: છબીમાં પિક્સેલ્સની સંખ્યા; ઉચ્ચ છાપવા માટે પૂરતું છે, મધ્યમ સ્ક્રીન માટે પૂરતું છે.
• શૈલી સંદર્ભ: "આના જેવો દેખાવ" કહીને મોડેલને નમૂના આપવો.
• રેન્ડર: કમ્પ્યુટર ગણતરી કરે છે અને છબી બનાવે છે; "3D રેન્ડરીંગ" નો અર્થ વાસ્તવિક વોલ્યુમેટ્રિક વ્યુ છે.

સ્ટેપ બાય સ્ટેપ: ઈમેજનું વર્ણન કરવું

ચાલો કહીએ કે અમને ઓલિવ ઓઇલ બ્રાન્ડ માટે ઉત્પાદનની છબી જોઈએ છે.

પગલું 1 - વિષય પર ધ્યાન કેન્દ્રિત કરો: "એક ઘેરા લીલા કાચની બોટલમાં વધારાની વર્જિન ઓલિવ તેલ."

પગલું 2 - સંદર્ભ ઉમેરો: "ગામઠી લાકડાના કાઉન્ટર પર, તેની બાજુમાં થોડી તાજી ઓલિવ શાખાઓ સાથે."

પગલું 3 - શૈલી પસંદ કરો: "પ્રીમિયમ ઉત્પાદન ફોટો, વાસ્તવિક".

પગલું 4 — રચના આપો: "વચ્ચે ઉત્પાદન, ટોચ પર ટેક્સ્ટ માટે જગ્યા".

પગલું 5 — આછો/રંગ: "સોફ્ટ બાજુ કુદરતી પ્રકાશ, ગરમ પૃથ્વી ટોન".

સ્ટેપ 6 — ટેકનીક: “1:1 ફ્રેમ રેટ, હાઈ રિઝોલ્યુશન, પ્લેન બેકગ્રાઉન્ડ”.

જ્યારે તમે તે બધાને ભેગા કરો છો, ત્યારે તમને એક કાર્યક્ષમ ડ્રાફ્ટ મળે છે જે બ્રાન્ડની ઓળખને અનુરૂપ હોય છે.

ત્રણ નાના કેસો

કેસ 1 - અનિશ્ચિતતાથી સ્પષ્ટતા સુધી. એક ડિઝાઇનરે "આધુનિક ઓફિસની છબી" લખી અને 12 પ્રયાસો કર્યા, જેમાંથી એક પણ કામ ન કર્યું (30 મિનિટ ગુમાવી). તેણે પ્રોમ્પ્ટને છ ઘટકોમાં ફરીથી લખ્યો: "તેજસ્વી, ન્યૂનતમ ઓફિસ; લાકડાનું ડેસ્ક; મોટી બારીમાંથી કુદરતી પ્રકાશ; ગરમ તટસ્થ ટોન; વાઈડ એંગલ; ટેક્સ્ટ સ્પેસ ટોચ પર". પ્રથમ 4 પ્રયાસોમાંથી 2 ઉપયોગ કરી શકાય તેવા હતા; સમય ઘટાડીને 10 મિનિટ કરવામાં આવ્યો હતો.

કેસ 2 - ટેક્સ્ટ ટ્રેપ. એક ઇન્ટર્ન પાસે શરૂઆતથી અંત સુધી એક કાફે પોસ્ટરનું ઉત્પાદન AI હતું; છબીમાં "COFFEE" લખાણ "COFEEE" હોવાનું બહાર આવ્યું અને કિંમતો વાંચી શકાય તેવી ન હતી. સૂચનાઓ બદલાઈ ગઈ: છબી ટેક્સ્ટ વિના બનાવવામાં આવી હતી, ટેક્સ્ટને પછીથી ડિઝાઇન પ્રોગ્રામમાં ઉમેરવામાં આવી હતી. ભૂલ ઘટીને શૂન્ય થઈ ગઈ અને પોસ્ટર છાપવા માટે યોગ્ય હતું.

કેસ 3 - ગુણોત્તરનું નુકસાન. એક સામાજિક મીડિયા નિષ્ણાતે Instagram વાર્તા માટે 1:1 ચોરસ ઇમેજનું નિર્માણ કર્યું; 9:16 જ્યારે હું તેને વર્ટિકલ એરિયામાં મૂકું છું, ત્યારે ઉપર અને નીચેનો ભાગ કપાઈ ગયો હતો અને મહત્વનું એલિમેન્ટ ખોવાઈ ગયું હતું. જ્યારે મેં પ્રોમ્પ્ટમાં "9:16 વર્ટિકલ" તરીકે પાસા રેશિયોનો ઉલ્લેખ કર્યો, ત્યારે ઇમેજ તેના ફોર્મેટમાં બંધબેસતી હતી અને પુનઃઉત્પાદનની જરૂર નહોતી.

નકલ કરી શકાય તેવા નમૂનાઓ

1) છ-ઘટક ઉત્પાદન છબી હાડપિંજર:

[વિષય: ઉત્પાદનનું વર્ણન કરો] , [સંદર્ભ: ક્યાં/કેવી રીતે] .શૈલી: [દા.ત. પ્રીમિયમ ઉત્પાદન ફોટો, વાસ્તવિક] .રચના: [દા.ત. મધ્યમાં ઉત્પાદન, ટોચ પર ટેક્સ્ટ માટે જગ્યા]. પ્રકાશ અને રંગ: [દા.ત. નરમ કુદરતી પ્રકાશ, અર્થ ટોન] .ટેકનીક: [પાસા રેશિયો, ઉચ્ચ રીઝોલ્યુશન, સાદી પૃષ્ઠભૂમિ] .નોંધ: છબીમાં કોઈ સુવાચ્ય ટેક્સ્ટ/લોગો નથી; હું પછીથી ટેક્સ્ટ ઉમેરીશ.

2) ચિત્ર હાડપિંજર:

વિષય: [શું દોરવું].શૈલી: [દા.ત. ફ્લેટ કલર વેક્ટર ઇલસ્ટ્રેશન / વોટરકલર / આઇસોમેટ્રિક 3D] .કલર પેલેટ: [2-3 પ્રાથમિક રંગો] .મૂડ: [દા.ત. ખુશખુશાલ, શાંત, ગંભીર] .બેકગ્રાઉન્ડ: [સાદા / પેટર્નવાળી / પારદર્શક] .ગુણોત્તર: [1:1 / 9:16 / 16:9] .

3) શૈલી સંશોધન (સમાન વિષય, વિવિધ સૌંદર્યલક્ષી):

4 વિવિધ દ્રશ્ય શૈલીમાં સમાન રચના સાથે નીચેના વિષયનું વર્ણન કરો: ન્યૂનતમ ફ્લેટ વેક્ટર, વાસ્તવિક ફોટો, વોટરકલર, આઇસોમેટ્રિક 3D. દરેક માટે એક-લાઇન પ્રોમ્પ્ટ લખો. વિષય: [પેસ્ટ કરો]

4) નકારાત્મક વર્ણન ઉમેરવું:

નીચેના પ્રોમ્પ્ટમાં સુધારો કરો અને અંતે અનિચ્છનીય ઉમેરો: "કોઈ ટેક્સ્ટ નહીં, વોટરમાર્ક નહીં, અવ્યવસ્થિત પૃષ્ઠભૂમિ નહીં, ખરાબ હાથ/આંગળીઓ નહીં, ઘણી બધી વસ્તુઓ નહીં". પ્રોમ્પ્ટ: [પેસ્ટ કરો]

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા: એક સુંદર કોફી ફોટો

પરિણામ: અવ્યવસ્થિત કોણ, અસ્પષ્ટ શૈલી, આનુષંગિક છબી જે બ્રાન્ડ સાથે બંધબેસતી નથી.

શક્તિશાળી: ગરમ લેટથી ભરેલો સિરામિક કપ, હળવા લાકડાના ટેબલ પર, સવારના નરમ પ્રકાશમાં બાજુમાં; ન્યૂનતમ પ્રીમિયમ ઉત્પાદન ફોટો; ગરમ તટસ્થ ટોન; ક્લોઝ-અપ, ઉપર જમણી બાજુએ ટેક્સ્ટ માટે જગ્યા; 1:1 ચોરસ, સાદી પૃષ્ઠભૂમિ; કોઈ સુવાચ્ય લખાણ ન હોવું જોઈએ.

પરિણામ: નિયંત્રિત રચના, પ્રકાશ અને પ્રમાણ સાથે બ્રાન્ડ-અનુકૂલનશીલ સ્કેચ.

તફાવત: એક મજબૂત પ્રોમ્પ્ટ છ ઘટકો (વિષય, સંદર્ભ, શૈલી, રચના, પ્રકાશ, તકનીક) સ્પષ્ટપણે ભરે છે અને ટેક્સ્ટને છોડી દે છે.

પ્રોમ્પ્ટ ઘટકો અને અસર ટેબલ

ઘટક

ઉદાહરણ

પરિણામ પર અસર

વિષય

"કાચની બોટલમાં ઓલિવ તેલ"

શું દેખાય છે તે નક્કી કરે છે

શૈલી

"પ્રીમિયમ પ્રોડક્ટ ફોટો"

તત્વ જે સૌથી વધુ દ્રશ્ય ભાષાને નિર્ધારિત કરે છે

રચના

"મધ્યમાં, ટેક્સ્ટ સ્પેસ સાથે"

ઉપયોગીતા વધારે છે

પ્રકાશ/રંગ

"નરમ પ્રકાશ, પૃથ્વી ટોન"

બ્રાન્ડની લાગણી વ્યક્ત કરે છે

પાસા રેશિયો

"9:16 વર્ટિકલ"

ફોર્મેટનું પાલન કરવાની મંજૂરી આપે છે

નકારાત્મક વર્ણન

"કોઈ ટેક્સ્ટ નથી"

ખામી ઘટાડે છે

સામાન્ય ભૂલો

• શૈલીનો ઉલ્લેખ ન કરવો: સૌથી નિર્ણાયક ઘટકને છોડી દેવાથી, પરિણામ ક્લીચ અને રેન્ડમ બને છે.
• AI પાસે લખાણ દોરવું: ભ્રષ્ટ, વાંચી ન શકાય તેવા અક્ષરો; ડિઝાઇન પ્રોગ્રામમાં પાછળથી ટેક્સ્ટ ઉમેરો.
• ગુણોત્તર ભૂલી જવું: ખોટો સાપેક્ષ ગુણોત્તર પ્રકાશનમાં ક્લિપિંગ અને તત્વની ખોટ બનાવે છે.
• ઓવરલોડેડ પ્રોમ્પ્ટ: એકબીજાની ટોચ પર 20 વિભાવનાઓને સ્ટેક કરવાથી મોડેલ મૂંઝવણમાં આવે છે; તેને સ્પષ્ટ અને પ્રાથમિકતામાં રાખો.
• એક પ્રયાસમાં હાર: પ્રસરણ રેન્ડમ છે; ઘણી ભિન્નતાઓ ઉત્પન્ન કરવી અને શ્રેષ્ઠ પસંદ કરવી તે સામાન્ય છે.

સારાંશમાં

ઇમેજ જનરેટ કરતી AI ધીમે ધીમે રેન્ડમ અવાજથી તમારા પ્રોમ્પ્ટને ફિટ કરવા માટે ઇમેજનું નિર્માણ કરે છે; તે તમારા માથામાંનું ચિત્ર વાંચી શકતું નથી, તે ફક્ત તમે જે લખો છો તેનું અર્થઘટન કરે છે. સારા પ્રોમ્પ્ટમાં છ ઘટકોનો સમાવેશ થાય છે: વિષય, સંદર્ભ, શૈલી, રચના, પ્રકાશ/રંગ અને તકનીક. શૈલી એ સૌથી નિર્ણાયક તત્વ છે; પાસા રેશિયો સ્પષ્ટ કરવાની ખાતરી કરો; વાંચી શકાય તેવા ટેક્સ્ટને AI પર છોડશો નહીં, તમે તેને પછીથી ઉમેરો. જેમ જેમ સ્પષ્ટતા વધે છે તેમ તેમ પ્રયત્નોની સંખ્યા અને સમયની ખોટ ઘટે છે.

એપ્લિકેશન કાર્ય

ઉત્પાદન અથવા વિષય પસંદ કરો. પ્રથમ, તેને એક વાક્યમાં લખો ("એક સરસ X") અને તેને ઇમેજ જનરેટરમાં અજમાવો અને પરિણામની નોંધ લો. પછી છ-ઘટક હાડપિંજર ભરીને, પાસા ગુણોત્તર અને નકારાત્મક વર્ણન ઉમેરીને તે જ વિષયનું ફરીથી વર્ણન કરો. બે પરિણામોને એકસાથે મૂકો અને ત્રણ બુલેટ પોઈન્ટમાં લખો કે કેવી રીતે સ્પષ્ટતા આઉટપુટમાં ફેરફાર કરે છે.

ચેકલિસ્ટ

• [ ] મેં મારા પ્રોમ્પ્ટમાં વિષય, સંદર્ભ અને શૈલી સ્પષ્ટપણે જણાવી છે.
• [ ] મેં રચના અને પ્રકાશ/રંગ ઘટકો ઉમેર્યા.
• [ ] મેં પાસા રેશિયો (1:1 / 9:16 / 16:9) નો ઉલ્લેખ કર્યો છે.
• [ ] મારી પાસે વાંચી શકાય તેવો લખાણ AI ડ્રો નથી, મેં તેને પછી માટે છોડી દીધું.
• [ ] મેં નકારાત્મક વર્ણન સાથે અનિચ્છનીય બાબતોને બાકાત કરી છે.
• [ ] મને એક પણ પ્રયોગ પર વિશ્વાસ ન હતો અને મેં ઘણી વિવિધતાઓ ઉત્પન્ન કરી.