व्हिज्युअल प्रोडक्शन फंडामेंटल्स: इमेज एआय कसे कार्य करते आणि प्रॉम्प्ट ऍनाटॉमी

नफा:

• व्हिज्युअल आर्टिफिशियल इंटेलिजन्स (प्रसरण) कसे कार्य करते आणि वर्णन केलेले नाही ते कसे तयार करू शकत नाही आणि मजकूर चांगले काढू शकत नाही हे समजून घेणे.
• विषय, संदर्भ, शैली, रचना, प्रकाश आणि तांत्रिक घटकांचा समावेश असलेले एक मजबूत व्हिज्युअल प्रॉम्प्ट लिहिण्याची क्षमता.
• गुणोत्तर निश्चित करण्याची क्षमता प्राप्त करणे, वाचनीय मजकूर कृत्रिम बुद्धिमत्तेद्वारे काढला जाण्यापासून प्रतिबंधित करणे आणि नकारात्मक वर्णनासह दोष कमी करणे.

AI सह व्हिज्युअल तयार करणारा डिझायनर एखाद्या कलाकाराला ऑर्डर देण्यासारखे आहे: तुम्ही ते जितके स्पष्ट आणि अचूक समजावून सांगाल तितका परिणाम अधिक अचूक असेल. या युनिटमध्ये, आम्ही प्रतिमा निर्माण करणारी कृत्रिम बुद्धिमत्ता (इमेज एआय) कशी कार्य करते हे सोप्या भाषेत समजून घेऊ आणि एक चांगला प्रॉम्प्ट (दृश्यासाठी लिखित सूचना) लिहिण्याची शरीररचना शिकू. "यादृच्छिकपणे प्रयत्न करणे आणि नशिबावर विसंबून राहणे" ऐवजी तुम्हाला हव्या असलेल्या प्रतिमेचे जाणीवपूर्वक वर्णन करण्यात सक्षम असणे हा हेतू आहे.

इमेज एआय कसे कार्य करते? (साधे स्पष्टीकरण)

आज बहुतेक प्रतिमा उत्पादक प्रसार नावाची पद्धत वापरतात. फक्त: मॉडेलने लाखो प्रतिमा-मजकूर जोड्यांमधून "कोणते शब्द कोणत्या प्रतिमांशी संबंधित आहेत" हे शिकले आहे. व्हिज्युअल तयार करताना, ते यादृच्छिक आवाज असलेल्या प्रतिमेपासून सुरू होते (जसे की बर्फाच्छादित टेलिव्हिजन स्क्रीन) आणि तुमच्या प्रॉम्प्टनुसार हा आवाज टप्प्याटप्प्याने साफ करते आणि अर्थपूर्ण प्रतिमेत बदलते. दुस-या शब्दात, मॉडेल चित्र "ड्रॉ" करत नाही, ते सांख्यिकीयदृष्ट्या आपल्या प्रॉम्प्टला अनुकूल अशी प्रतिमा तयार करते.

याचे तीन व्यावहारिक परिणाम आहेत. प्रथम: समान प्रॉम्प्ट प्रत्येक वेळी भिन्न परिणाम देते, कारण सुरुवातीचा आवाज यादृच्छिक असतो (आपण पुढील युनिटमध्ये "सीड" सह हे कसे नियंत्रित करायचे ते पाहू). दुसरा: मॉडेलला कळू शकत नाही की आपण काय वर्णन करू शकत नाही; ते तुमच्या डोक्यातले चित्र वाचू शकत नाही, ते फक्त तुम्ही जे लिहिता त्याचा अर्थ लावते. तिसरा: मॉडेल मजकूर आणि संख्या चांगल्या प्रकारे काढू शकत नाही, कारण ते आकारात अक्षरांचे अनुकरण करते आणि अर्थाने नाही; म्हणूनच लोगोमधील लिखाण AI वर सोडणे धोक्याचे आहे.

टीप: AI ला प्रतिमेमध्ये स्पष्ट मजकूर (ब्रँड नेम, स्लोगन) तयार करू देऊ नका. तुम्ही मजकुराशिवाय प्रतिमा तयार करता आणि नंतर डिझाइन प्रोग्राममध्ये मजकूर (वेक्टर म्हणून) जोडा. हे वाचनीय आणि संपादनयोग्य दोन्ही बनवते.

चांगल्या प्रॉम्प्टचे शरीरशास्त्र

हे एक मजबूत व्हिज्युअल प्रॉम्प्ट सहा घटकांमध्ये खंडित करण्यात मदत करते. आपल्याला ते सर्व प्रत्येक वेळी वापरण्याची आवश्यकता नाही, परंतु जाणीवपूर्वक निवड केल्याने परिणाम निश्चित होईल.

1. विषय/विषय: प्रतिमेचा मुख्य घटक कोणता आहे? ("एक सिरेमिक कॉफी कप", "युवतीचे पोर्ट्रेट").
2. कृती/संदर्भ: तो काय करत आहे, कुठे आहे? ("लाकडी टेबलावर, सकाळच्या प्रकाशात").
3. शैली/सौंदर्यशास्त्र: दृश्य भाषा काय आहे? ("किमान उत्पादन फोटो", "वॉटर कलर चित्रण", "आयसोमेट्रिक 3D प्रस्तुतीकरण"). हा सर्वात निर्णायक घटक आहे.
4. रचना / कोन: फ्रेम कशी आहे? ("क्लोज-अप", "बर्ड्स आय व्ह्यू", "वाइड अँगल", ​​"मध्यभागी, जागेसह").
5. प्रकाश आणि रंग: ("मऊ नैसर्गिक प्रकाश", "पृथ्वी टोन पॅलेट", "उच्च कॉन्ट्रास्ट").
6. तंत्र / गुणवत्ता: ("उच्च रिझोल्यूशन", "1:1 फ्रेम दर", "पार्श्वभूमी साधा पांढरा").

एक नकारात्मक कृती देखील आहे: आपल्याला नको असलेल्या गोष्टी सांगणे ("मजकूर नाही, लोक नाहीत, गोंधळलेली पार्श्वभूमी नाही"). आम्ही चौथ्या युनिटमध्ये "नकारात्मक प्रॉम्प्ट" सह हे अधिक सखोल करू.

अटींचा शब्दकोष

• गुणोत्तर: प्रतिमेचे गुणोत्तर; 1:1 फ्रेम (इन्स्टाग्राम पोस्ट), 9:16 पोर्ट्रेट (कथा/रील्स), 16:9 लँडस्केप (कव्हर).
• रिझोल्यूशन: प्रतिमेतील पिक्सेलची संख्या; छपाईसाठी उच्च पुरेसे आहे, स्क्रीनसाठी मध्यम पुरेसे आहे.
• शैली संदर्भ: "असे दिसते" असे म्हणत मॉडेलला नमुना देणे.
• रेंडर: संगणक गणना करतो आणि प्रतिमा तयार करतो; "3D रेंडरिंग" म्हणजे वास्तववादी व्हॉल्यूमेट्रिक दृश्य.

चरण-दर-चरण: प्रतिमेचे वर्णन करणे

समजा आम्हाला ऑलिव्ह ऑइल ब्रँडसाठी उत्पादनाची प्रतिमा हवी आहे.

पायरी 1 - विषयावर लक्ष केंद्रित करा: "गडद हिरव्या काचेच्या बाटलीत अतिरिक्त व्हर्जिन ऑलिव्ह ऑइल."

पायरी 2 - संदर्भ जोडा: "अडाणी लाकडी काउंटरवर, त्याच्या शेजारी काही ताज्या ऑलिव्ह फांद्या आहेत."

पायरी 3 - शैली निवडा: "प्रीमियम उत्पादन फोटो, वास्तववादी".

पायरी 4 — रचना द्या: “मध्यभागी उत्पादन, शीर्षस्थानी मजकूरासाठी जागा”.

पायरी 5 — हलका/रंग: "सॉफ्ट साइड नैसर्गिक प्रकाश, उबदार पृथ्वी टोन".

पायरी 6 — तंत्र: “1:1 फ्रेम दर, उच्च रिझोल्यूशन, साधा पार्श्वभूमी”.

जेव्हा तुम्ही ते सर्व एकत्र करता, तेव्हा तुम्हाला ब्रँडच्या ओळखीशी जुळणारा एक व्यवहार्य मसुदा मिळेल.

तीन लहान प्रकरणे

केस 1 - अनिश्चिततेपासून स्पष्टतेपर्यंत. एका डिझायनरने "आधुनिक कार्यालयाची प्रतिमा" लिहिली आणि 12 प्रयत्न केले, त्यापैकी कोणतेही काम झाले नाही (30 मिनिटे गमावली). त्याने सहा घटकांमध्ये प्रॉम्प्ट पुन्हा लिहिले: "चमकदार, किमान कार्यालय; लाकडी डेस्क; मोठ्या खिडकीतून नैसर्गिक प्रकाश; उबदार तटस्थ टोन; रुंद कोन; शीर्षस्थानी मजकूर जागा". पहिल्या 4 पैकी 2 प्रयत्न वापरण्यायोग्य होते; वेळ 10 मिनिटांपर्यंत कमी करण्यात आला.

केस 2 - मजकूर सापळा. एका इंटर्नने सुरुवातीपासून शेवटपर्यंत कॅफेचे पोस्टर तयार केले होते; प्रतिमेतील "COFFEE" हा मजकूर "COFEEE" असा निघाला आणि किमती वाचनीय नाहीत. सूचना बदलल्या: प्रतिमा मजकुराशिवाय तयार केली गेली, मजकूर नंतर डिझाइन प्रोग्राममध्ये जोडला गेला. त्रुटी शून्यावर आली आणि पोस्टर छपाईसाठी योग्य होते.

प्रकरण 3 - गुणोत्तर कमी होणे. एका सोशल मीडिया तज्ञाने इंस्टाग्राम कथेसाठी 1:1 चौरस प्रतिमा तयार केली; 9:16 जेव्हा मी ते उभ्या भागात ठेवले तेव्हा वरचा आणि खालचा भाग कापला गेला आणि महत्वाचा घटक गमावला. जेव्हा मी प्रॉम्प्टमध्ये "9:16 अनुलंब" म्हणून गुणोत्तर निर्दिष्ट केले, तेव्हा प्रतिमा त्याच्या स्वरूपनात बसते आणि पुनरुत्पादन आवश्यक नव्हते.

कॉपी करण्यायोग्य टेम्पलेट्स

1) सहा-घटक उत्पादन प्रतिमा सांगाडा:

[विषय: उत्पादनाचे वर्णन करा] , [संदर्भ: कुठे/कसे] .शैली: [उदा. प्रीमियम उत्पादन फोटो, वास्तववादी] .रचना: [उदा. मध्यभागी उत्पादन, शीर्षस्थानी मजकूरासाठी जागा].प्रकाश आणि रंग: [उदा. मऊ नैसर्गिक प्रकाश, पृथ्वी टोन] .तंत्र: [आस्पेक्ट रेशो, उच्च रिझोल्यूशन, प्लेन बॅकग्राउंड] .टीप: प्रतिमेमध्ये कोणताही मजकूर/लोगो नाही; मी नंतर मजकूर जोडेन.

2) चित्रण सांगाडा:

विषय: [काय काढायचे].शैली: [उदा. फ्लॅट कलर वेक्टर इलस्ट्रेशन / वॉटर कलर / आयसोमेट्रिक 3D] .रंग पॅलेट: [2-3 प्राथमिक रंग] .मूड: [उदा. आनंदी, शांत, गंभीर] .पार्श्वभूमी: [साधा / नमुना / पारदर्शक] .गुणोत्तर: [1:1 / 9:16 / 16:9] .

3) शैली शोध (समान विषय, भिन्न सौंदर्य):

4 भिन्न दृश्य शैलींमध्ये समान रचना असलेल्या खालील विषयाचे वर्णन करा: किमान सपाट वेक्टर, वास्तववादी फोटो, वॉटर कलर, आयसोमेट्रिक 3D. प्रत्येकासाठी एक-ओळ प्रॉम्प्ट लिहा. विषय: [पेस्ट]

4) नकारात्मक वर्णन जोडणे:

खालील प्रॉम्प्ट सुधारा आणि शेवटी अवांछित जोडा: "कोणताही मजकूर नाही, वॉटरमार्क नाही, गोंधळलेली पार्श्वभूमी नाही, हात/बोटं नाहीत, खूप जास्त वस्तू नाहीत". प्रॉम्प्ट: [पेस्ट]

कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट

कमकुवत: एक सुंदर कॉफी फोटो

परिणाम: यादृच्छिक कोन, अस्पष्ट शैली, आनुषंगिक प्रतिमा जी ब्रँडशी जुळत नाही.

शक्तिशाली: गरम लॅटेने भरलेला सिरॅमिक कप, हलक्या लाकडी टेबलावर, मऊ सकाळच्या प्रकाशात बाजूला; किमान प्रीमियम उत्पादन फोटो; उबदार तटस्थ टोन; क्लोज-अप, वरच्या उजवीकडे मजकूरासाठी जागा; 1:1 चौरस, साधा पार्श्वभूमी; सुवाच्य मजकूर नसावा.

परिणाम: नियंत्रित रचना, प्रकाश आणि प्रमाणासह ब्रँड-अनुकूल स्केच.

फरक: एक मजबूत प्रॉम्प्ट सहा घटक (विषय, संदर्भ, शैली, रचना, प्रकाश, तंत्र) स्पष्टपणे भरतो आणि मजकूर बाहेर सोडतो.

प्रॉम्प्ट घटक आणि प्रभाव सारणी

घटक

उदाहरण

परिणामावर परिणाम

विषय

"काचेच्या बाटलीत ऑलिव्ह ऑइल"

काय दिसते ते ठरवते

शैली

"प्रिमियम उत्पादन फोटो"

दृश्य भाषा सर्वात जास्त निर्धारित करणारा घटक

रचना

"मध्यभागी, मजकूर जागेसह"

उपयोगिता वाढते

हलका/रंग

"मऊ प्रकाश, पृथ्वी टोन"

ब्रँड भावना व्यक्त करते

गुणोत्तर

"9:16 अनुलंब"

स्वरूपाचे पालन करण्यास अनुमती देते

नकारात्मक वर्णन

"मजकूर नाही"

दोष कमी करतो

सामान्य चुका

• शैली निर्दिष्ट न करणे: सर्वात निर्णायक घटक वगळल्याने, परिणाम क्लिच आणि यादृच्छिक होतो.
• AI ने मजकूर काढणे: दूषित, न वाचता येणारी अक्षरे; मजकूर नंतर डिझाइन प्रोग्राममध्ये जोडा.
• गुणोत्तर विसरणे: चुकीच्या गुणोत्तरामुळे प्रकाशनात क्लिपिंग आणि घटकांचे नुकसान होते.
• ओव्हरलोड प्रॉम्प्ट: 20 संकल्पना एकमेकांच्या वर स्टॅक केल्याने मॉडेल गोंधळात टाकते; ते स्पष्ट आणि प्राधान्यक्रमित ठेवा.
• एका प्रयत्नात सोडून देणे: प्रसार यादृच्छिक आहे; अनेक भिन्नता निर्माण करणे आणि सर्वोत्तम निवडणे सामान्य आहे.

सारांशात

प्रतिमा निर्माण करणारी AI हळूहळू यादृच्छिक आवाजापासून तुमच्या प्रॉम्प्टमध्ये बसण्यासाठी प्रतिमा तयार करते; ते तुमच्या डोक्यातले चित्र वाचू शकत नाही, ते फक्त तुम्ही जे लिहिता त्याचा अर्थ लावते. चांगल्या प्रॉम्प्टमध्ये सहा घटक असतात: विषय, संदर्भ, शैली, रचना, प्रकाश/रंग आणि तंत्र. शैली हा सर्वात निर्णायक घटक आहे; पैलू गुणोत्तर निर्दिष्ट करण्याचे सुनिश्चित करा; AI वर वाचनीय मजकूर सोडू नका, तुम्ही तो नंतर जोडा. जसजशी स्पष्टता वाढते, प्रयत्नांची संख्या आणि वेळ कमी होतो.

अर्ज कार्य

उत्पादन किंवा विषय निवडा. प्रथम, ते एका वाक्यात लिहा (“एक छान X”) आणि इमेज जनरेटरमध्ये वापरून पहा आणि परिणाम लक्षात घ्या. नंतर सहा-घटक सांगाडा भरून, गुणोत्तर आणि नकारात्मक वर्णन जोडून त्याच विषयाचे पुन्हा वर्णन करा. दोन निकाल शेजारी ठेवा आणि स्पष्टता आउटपुट कसे बदलते ते तीन बुलेट पॉइंट्समध्ये लिहा.

चेकलिस्ट

• [ ] मी माझ्या प्रॉम्प्टमध्ये विषय, संदर्भ आणि शैली स्पष्टपणे सांगितले.
• [ ] मी रचना आणि हलके/रंग घटक जोडले.
• मी आस्पेक्ट रेशो (1:1 / 9:16 / 16:9) नमूद केला आहे.
• माझ्याकडे वाचनीय मजकूर AI ड्रॉ नव्हता, मी तो नंतरसाठी सोडला.
• [ ] मी नकारात्मक वर्णनासह अनिष्ट गोष्टी वगळल्या आहेत.
• मी एका प्रयोगावर विश्वास ठेवला नाही आणि अनेक भिन्नता निर्माण केल्या.