व्हिज्युअल एआय टूल्सचा सखोल दृष्टीकोन: प्रॉम्प्ट, संदर्भ आणि शैली नियंत्रण

नफा:

• व्हिज्युअल प्रॉम्प्ट ऍनाटॉमी (विषय, साहित्य, कोन, प्रकाश, शैली, नकारात्मक) स्थापित करण्याची क्षमता आणि पुनरुत्पादक परिणाम प्राप्त करणे
• संदर्भ प्रतिमा, कंट्रोलनेट, बियाणे आणि शैलीचे वजन यासारख्या नियंत्रण पद्धतींसह दृश्य दिशा निर्देशित करण्याची क्षमता
• कार्यानुसार साधन निवडण्याची आणि आउटपुटच्या रिझोल्यूशन, सातत्य आणि वापर अधिकार मर्यादांचे मूल्यांकन करण्याची क्षमता

मागील युनिटमध्ये, तुम्ही संकल्पना निर्मितीमध्ये AI ला स्थान कसे द्यावे हे पाहिले. या युनिटमध्ये आम्ही एक पाऊल खोलवर जातो: तुम्ही व्हिज्युअल एआय टूल्सवर नियंत्रण ठेवण्यास शिकाल. बर्याच डिझायनर्सची निराशा अशी आहे की साधन "स्वतःच्या" प्रतिमा तयार करते; तथापि, समस्या सहसा साधनाची संदिग्धता नसून दिलेल्या सूचनांची अस्पष्टता असते. व्हिज्युअल एआय नियंत्रित करण्यासाठी तीन गोष्टी जाणून घेणे आवश्यक आहे: प्रॉम्प्ट ऍनाटॉमी (सूचना योग्यरित्या सेट करणे), संदर्भ आणि रचना नियंत्रण (व्हिज्युअलसह अग्रगण्य), आणि पुनरुत्पादकता (पुन्हा समान परिणाम प्राप्त करणे). एकदा तुम्ही या तीन गोष्टी शिकल्यानंतर, एआय एका यादृच्छिक व्हिज्युअल मशीनमधून स्टीयरबल डिझाइन टूलमध्ये बदलते.

प्रॉम्प्ट शरीरशास्त्र: प्रतिमेचे वर्णन करणारे सहा स्तर

एक चांगला व्हिज्युअल प्रॉम्प्ट एक यादृच्छिक वाक्य नाही, परंतु एक स्तरित कृती आहे. या सहा स्तरांचा विचार करा:

1. विषय: आपण काय तयार करतो? ("वायरलेस हेडफोन चार्जिंग बॉक्स")
2. फॉर्म आणि तपशील: सिल्हूट, प्रमाण, कोपरा, पृष्ठभाग भेद. ("गोलाकार कोपरे, दोन-तुकडा, शीर्षस्थानी पातळ विभाजित रेषा")
3. साहित्य आणि CMF: रंग-मटेरियल-पृष्ठभाग. ("मॅट अँथ्रासाइट पॉली कार्बोनेट, ब्रश केलेली ॲल्युमिनियम पट्टी")
4. कोन आणि फ्रेमिंग: पॉइंट ऑफ व्ह्यू आणि फ्रेमिंग. ("समोरून 3/4, वरून थोडेसे, उत्पादन केंद्रीत")
5. प्रकाश आणि वातावरण: प्रकाश आणि पार्श्वभूमी. ("सॉफ्ट स्टुडिओ लाइट, न्यूट्रल लाईट ग्रे अनंत पार्श्वभूमी")
6. शैली आणि उद्देश: स्केच, फोटोरिअलिस्टिक रेंडरिंग, तांत्रिक रेखाचित्र. ("फोटोरिअलिस्टिक उत्पादन प्रस्तुतीकरण")

यामध्ये एक नकारात्मक प्रॉम्प्ट जोडला आहे: तुम्हाला नको असलेल्या गोष्टी. अनेक साधने "नकारात्मक प्रॉम्प्ट" क्षेत्र देतात; येथे तुम्ही "मानवी हात, मजकूर, लोगो, गोंधळलेली पार्श्वभूमी, मल्टी-प्रॉडक्ट" सारखे तुम्हाला काय नको ते टाइप करून आउटपुट साफ करता. तुम्ही स्तर गहाळ ठेवल्यास, AI स्वतःच्या सांख्यिकीय सरासरीने ते अंतर भरेल; याचा अर्थ cliché.

टीप: एखाद्या पॅटर्नमधून वाचल्याप्रमाणे प्रॉम्प्ट सेट करा: विषय + फॉर्म + CMF + कोन + प्रकाश + शैली + नकारात्मक. तुम्हाला आउटपुट आवडत नसल्यास, कोणता लेयर गहाळ आहे ते विचारा, संपूर्ण प्रॉम्प्ट पुन्हा लिहू नका.

संदर्भ, रचना आणि शैली नियंत्रण

शब्द सर्व काही सांगू शकत नाहीत; कधीकधी एखादी प्रतिमा हजार शब्दांची असते. आधुनिक गॅझेट नियंत्रणाचे अनेक शक्तिशाली साधन देतात:

• संदर्भ प्रतिमा (इमेज प्रॉम्प्ट / प्रतिमा संदर्भ): तुम्ही एक प्रतिमा अपलोड करता आणि "ते असे दिसते" असे म्हणता. साधन वजनासह आउटपुटचा किती संदर्भ देते ते तुम्ही सेट करा.
• कंट्रोलनेट: स्टेबल डिफ्यूजन इकोसिस्टममध्ये, हा एक कंट्रोल लेयर आहे जो स्केच किंवा फोटोची किनार/रेषा/खोली/पोझ स्ट्रक्चर जतन करतो आणि त्याच्या वर एक नवीन इमेज तयार करतो. रचना जतन करण्यासाठी आणि आपल्या स्वतःच्या स्केचची सामग्री बदलण्यासाठी आदर्श.
• शैली संदर्भ/शैलीचे वजन: प्रतिमेचे वातावरण/रंग-पोत भावना व्यक्त करण्यासाठी, त्यातील सामग्री नाही.
• इनपेंटिंग (प्रादेशिक संपादन): प्रतिमेचा फक्त एक भाग मास्क करणे आणि त्याचे पुनरुत्पादन करणे (उदाहरणार्थ, फक्त हँडल बदलणे).
• LoRA / सानुकूल प्रशिक्षण: प्रगत स्तरावर, ब्रँड भाषेवर किंवा विशिष्ट शैलीवर आधारित मॉडेलला छान-ट्यूनिंग करा. यासाठी गोपनीयता आणि कॉपीराइट सावधगिरीची आवश्यकता आहे (तुमच्या स्वतःच्या डेटासह, परवानगीसह).

या साधनांचा सामान्य फायदा: ते AI ला सुरवातीपासून स्वप्न पाहण्याऐवजी तुम्ही दिलेल्या फ्रेमवर्कमधून काम करण्यास भाग पाडतात. डिझायनरसाठी सर्वात मौल्यवान बहुतेकदा कंट्रोलनेट आणि इनपेंटिंग असतात, कारण ते तुमची स्वतःची स्केच रचना जतन करतात.

पुनरुत्पादनक्षमता: बियाणे आणि मापदंड

डिफ्यूजन मॉडेल्स यादृच्छिकतेने सुरू होतात. बियाणे ही यादृच्छिकतेची प्रारंभिक संख्या आहे. समान प्रॉम्प्ट + समान बियाणे + समान पॅरामीटर्स सहसा समान/अत्यंत समान प्रतिमा देतात. डिझाईनसाठी हे महत्त्वाचे आहे: तुम्हाला आवडत असलेल्या प्रतिमेचे पुनरुत्पादन करण्यासाठी तुम्ही बीज निश्चित करा किंवा फक्त एक शब्द बदला आणि नियंत्रित पद्धतीने परिणाम पहा. इतर महत्त्वाचे पॅरामीटर्स: आस्पेक्ट रेशो, पावले (अधिक पावले, अधिक परिष्कृत परंतु हळू), आणि मार्गदर्शन स्केल (मार्गदर्शन/CFG; ते प्रॉम्प्टला किती घट्ट बसते — ते खूप जास्त असल्यास, ते कृत्रिम आणि सक्तीचे दिसते).

नियंत्रण

काय करते

कधी वापरायचे

बियाणे निश्चित करणे

समान आउटपुट पुनरुत्पादित करते

प्रतिमा विकसित करताना आणि A/B वापरताना

संदर्भ प्रतिमा + वजन

ते प्रतिमेसारखे दिसते

रचना/वातावरण हस्तांतरण

कंट्रोलनेट (किनारा/खोली)

रचना जतन करते, सामग्री बदलते

तुमच्या स्वतःच्या स्केचमधून रेंडर तयार करणे

चित्रकला

फक्त एक क्षेत्र रीफ्रेश करते

एकच तपशील बदला

नकारात्मक प्रॉम्प्ट

अवांछित दूर करते

पार्श्वभूमी, हात, मजकूर साफ करणे

तीन लहान प्रकरणे

केस 1 - आपल्या स्वतःच्या स्केचचे संरक्षण करणे. एका डिझायनरला हँड व्हॅक्यूम क्लिनरचे हाताने काढलेले स्केच फोटोरिअलिस्टिक रेंडरिंगमध्ये बदलायचे आहे. जेव्हा तुम्ही ते फक्त टेक्स्ट प्रॉम्प्टसह वापरून पाहता, तेव्हा AI पूर्णपणे भिन्न फॉर्म तयार करते. जेव्हा तुम्ही ControlNet च्या कॅनी मोडचा वापर करून तुमचे स्केच अपलोड करता, तेव्हा AI त्याच्या रेषा जपून ठेवते आणि मॅट प्लास्टिक आणि स्टुडिओ लाइटिंगने कव्हर करते. त्याला 4 प्रयत्नांत हवा तो निकाल मिळतो. धडा: रचना जतन करण्यासाठी, कंट्रोलनेट शुद्ध प्रॉम्प्टपेक्षा अधिक शक्तिशाली आहे.

केस 2 - भिन्नतेचे अनियंत्रित नुकसान. डिझायनरला त्याला आवडणारी संकल्पना सापडते, पण त्याची दखल घेत नाही. दुसऱ्या दिवशी, जेव्हा त्याने "थोडे पातळ हँडल" मागितले, तेव्हा तो पुन्हा तीच प्रतिमा तयार करू शकत नाही; एक पूर्णपणे भिन्न उत्पादन प्रत्येक वेळी बाहेर येते आणि तो तास गमावतो. धडा: तुम्हाला आवडत असलेल्या प्रत्येक आउटपुटचे बियाणे आणि संपूर्ण प्रॉम्प्ट जतन करा; हे तुमचे "रिटर्न" पॉइंट आहेत.

केस 3 - नकारात्मक प्रॉम्प्टसह साफ करणे. जेव्हा एखादा डिझायनर स्टुडिओ प्रतिमा तयार करतो तेव्हा अवांछित मानवी हात, परावर्तित मजकूर आणि दुसरे उत्पादन अर्ध्या प्रिंटआउटमध्ये दिसून येते. हे नकारात्मक प्रॉम्प्टमध्ये "मानवी हात, मजकूर, वॉटरमार्क, डुप्लिकेट उत्पादन, गोंधळलेली पार्श्वभूमी" जोडते आणि केवळ 8 शब्दांसह आउटपुट गुणवत्ता लक्षणीय वाढते. धडा: तुम्हाला काय हवे आहे हे सांगणे तितकेच महत्त्वाचे आहे जे तुम्हाला हवे आहे.

कॉपी करण्यायोग्य प्रॉम्प्ट टेम्पलेट्स

स्तरित प्रॉम्प्ट स्केलेटन"[विषय], [फॉर्म आणि तपशील], [CMF: रंग-मटेरियल-पृष्ठभाग], [कोन आणि फ्रेमिंग], [प्रकाश आणि पार्श्वभूमी], [शैली: स्केच/रेंडर/तंत्र].--नकारात्मक: मानवी हात, मजकूर, लोगो, वॉटरमार्क, बहु-उत्पादन, पार्श्वभूमी."

संदर्भावरून टेम्प्लेट प्रस्तुत करा "मी अपलोड केलेल्या स्केचची रेखा आणि रचना ठेवा (कंट्रोलनेटेज मोड). त्यावर खालील सामग्री लागू करा: [मॅट प्लास्टिक बॉडी, ॲल्युमिनियम तपशील]. प्रकाश: सॉफ्ट स्टुडिओ. पार्श्वभूमी: तटस्थ राखाडी. फक्त साहित्य जोडा आणि फॉर्म बदलू नका."

सिंगल डिटेल चेंज (इनपेंटिंग) टेम्प्लेट "या प्रतिमेमध्ये, फक्त [मुखवटा घातलेले क्षेत्र: हँडल] क्षेत्र पुनरुत्पादित करा. नवीन आवृत्ती: [स्लिमर, अर्गोनॉमिक, वक्र]. बाकीच्या प्रतिमेला, तिच्या प्रकाश आणि कोनाला स्पर्श करू नका."

पुनरुत्पादन टीप टेम्प्लेट "मला हे प्रिंटआउट आवडले. खालील माहिती जतन करा आणि पुढील वेळी ती वापरा: प्रॉम्प्ट = [पूर्ण मजकूर], बीज = [संख्या], पैलू = [प्रमाण], चरण = [संख्या], अभिमुखता = [मूल्य]. फक्त हा एक घटक बदला: [X]."

कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट

कमजोर प्रॉम्प्ट: "पांढऱ्या पार्श्वभूमीवर हेडफोनचे छान प्रस्तुतीकरण."

स्ट्राँग प्रॉम्प्ट: "वायरलेस इन-इअर हेडफोन चार्जिंग केस, ओव्हल पिल-फॉर्म, वरच्या बाजूला पातळ विभाजीत रेषा. CMF: मॅट आयव्हरी पॉली कार्बोनेट बॉडी, सॅटिन गोल्ड बिजागर पट्टी. कोन: 3/4 समोर, किंचित वर. प्रकाश: सॉफ्ट स्टुडिओ सॉफ्टबॉक्स, थोडासा वरचा परावर्तन: बॅकग्राउंड लाइट रिफ्लेक्शनमध्ये. फोटोरिअलिस्टिक उत्पादन रेंडरिंग: 4821, पैलू 4:3 --नकारात्मक: मानवी हात, मजकूर, लोगो, वॉटरमार्क, दुसरा उत्पादन, कठोर सावली."

कमकुवत प्रॉम्प्ट टूलला क्लिचसह रिक्त जागा भरण्याची परवानगी देतो; शक्तिशाली प्रॉम्प्ट प्रत्येक थर ओळखतो, नकारात्मक काढून टाकतो आणि बियाणेसह पुनरुत्पादित करतो.

सामान्य चुका

• एक-वाक्य अस्पष्ट प्रॉम्प्ट लिहा आणि परिणाम साधनावर अपलोड करा. एआय पोकळी भरते, तुम्ही नाही.
• बियाणे आणि मापदंडांची बचत होत नाही. तुम्हाला आवडेल ते आउटपुट तुम्ही पुन्हा कधीही मिळवू शकत नाही.
• नकारात्मक प्रॉम्प्ट कधीही वापरू नका. अवांछित घटक आउटपुट दूषित करतात.
• रचना तपासण्याऐवजी शेकडो यादृच्छिक चाचण्या करत आहेत. ControlNet/inpainting कामाला गती देते.
• संदर्भ म्हणून इतर कोणाचीतरी कॉपीराइट केलेली प्रतिमा वापरणे. शैलीचे अनुकरण आणि कॉपीराइटचा धोका आहे (एकक 10 पहा).

खबरदारी: संदर्भ प्रतिमा किंवा शैलीचे वजन ही शक्तिशाली साधने आहेत, परंतु एखाद्याच्या मालकीची रचना किंवा कलाकाराची स्वाक्षरी शैली कॉपी करण्यासाठी वापरल्यास ते कायदेशीर आणि नैतिक धोके निर्माण करतात. तुमचे संदर्भ तुमच्या स्वतःच्या सामग्रीमधून किंवा परवानगी असलेल्या/मुक्त स्रोतांमधून निवडा.

सारांशात

व्हिज्युअल एआय नियंत्रित करण्यासाठी तीन क्षमतांची आवश्यकता आहे: स्तरित प्रॉम्प्ट सेट करणे (विषय, फॉर्म, CMF, कोन, प्रकाश, शैली, नकारात्मक), प्रतिमेसह मार्गदर्शन करणे (संदर्भ, कंट्रोलनेट, इनपेंटिंग, शैलीचे वजन), आणि पुनरुत्पादनक्षमता प्रदान करणे (बियाणे आणि पॅरामीटर्स जतन करणे). या तिघांसह, एआय एका यादृच्छिक मशीनमधून स्टीअरेबल डिझाइन टूलमध्ये बदलते. जेव्हा तुम्ही तुमची रचना संरक्षित करू इच्छित असाल तेव्हा शुद्ध प्रॉम्प्टपेक्षा कंट्रोलनेट आणि इनपेंटिंग अधिक शक्तिशाली आहेत. नकारात्मक प्रॉम्प्टसह तुम्हाला नको असलेले काढून टाका आणि कॉपीराइट-सुरक्षित स्रोतांमधून तुमचे संदर्भ निवडा.

अर्ज कार्य

एखादे उत्पादन निवडा आणि प्रथम हाताने रफ स्केच काढा (किंवा शोधा). स्तरित प्रॉम्प्ट फ्रेमवर्कसह या उत्पादनाचे वर्णन करणारा प्रॉम्प्ट लिहा, नकारात्मक प्रॉम्प्ट जोडा आणि चार आउटपुट तयार करा. आपल्या आवडीच्या आउटपुटचे बियाणे आणि पॅरामीटर्स जतन करा; त्यानंतर, "सिंगल डिटेल चेंज" लॉजिकसह, फक्त एक घटक (उदाहरणार्थ, हँडल) बदला आणि त्याच बियासह पुन्हा तयार करा. दोन परिणामांची तुलना करा आणि नियंत्रण कसे बदलते ते लिहा.

चेकलिस्ट

• [ ] मी सहा स्तर (विषय, फॉर्म, CMF, कोन, प्रकाश, शैली) कव्हर करण्यासाठी प्रॉम्प्ट सेट केले.
• मला जे नको होते ते मी नकारात्मक प्रॉम्प्टमध्ये लिहिले.
• जेव्हा मला रचना सांभाळायची गरज होती तेव्हा मी संदर्भ/कंट्रोलनेट/इनपेंटिंग वापरले.
• मला आवडलेल्या आउटपुटच्या बिया आणि पॅरामीटर्स मी सेव्ह केले.
• मी एकल व्हेरिएबल हलवून नियंत्रित भिन्नतेचा प्रयत्न केला.
• [ ] मी कॉपीराइट-सुरक्षित स्त्रोतांकडून माझ्या संदर्भ प्रतिमा निवडल्या आहेत.