Yapay Zeka Görsel İstem Rehberi

Çoğu kişi buraya SDXL'de öğrenilmiş istem alışkanlıklarıyla geliyor: virgülle ayrılmış bir isim dizisi, kalite tokenlerinden oluşan bir giriş, parantezli birkaç ağırlık ve olumlusu kadar uzun bir olumsuz istem. Bu alışkanlıklar o modeller için doğruydu, burada ise ters teper. Bu, gerçekten işe yarayanın kısa hali — ve Shannon üretim istemini sizin için yazıp hiçbir şey oluşturulmadan önce gösterdiği için, aynı zamanda Shannon'ın önerdiğini okuma ve düzeltme rehberi.

01Düzyazı etiketleri neden yener: model bir dil modeli gibi okur

İstem tavsiyelerinin çoğunun yazıldığı eski difüzyon modelleri, pratikte bir kavram torbası gibi davranan bir metin kodlayıcı kullanıyordu: dilbilgisi neredeyse önemsizdi ve kazanan strateji, ilgili isimleri üst üste yığıp ağırlıklarla eğmekti. O kodlayıcı için doğru istem biçimi etiket çorbasıydı.

Shannon'ın Görsel Modeli böyle çalışmıyor. Bir istemi, bir dil modelinin metni okuduğu gibi okuyor; dolayısıyla sözdizimi anlam taşıyor. "Şemsiyeyi omzuna yaslamış" ifadesi bir kişi, bir nesne ve bir vücut parçası arasındaki ilişkidir; "şemsiye, omuz" ise tesadüfen orada bulunan iki şeydir. Edatlar nesneleri yerleştirir. Fiiller pozlar yaratır. Cümlecikler ayrıntıyı, görselin tamamına yayılmasına izin vermek yerine doğru isme iliştirir.

İşte aynı resmin iki farklı biçimde istenmesi.

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.

Etiket sürümünün ifade edemediklerine bakın. Şemsiyenin tutulduğunu hiç söylemiyor, dolayısıyla yerde yatıyor olabilir. Neonun asfalta yansıdığını hiç söylemiyor, yalnızca ikisinin de var olduğunu; böylece aralarında hiçbir optik ilişki olmayan tabelalar ve ıslak bir sokak alırsınız. Kadının nereye baktığını hiç söylemiyor, yani pozu yazı tura. "Cinematic lighting" bir ruh hali etiketidir, ışık kaynağı değil. Son beş token ise gürültü; kontrol tutamağı olarak değil, fotoğrafçılık hakkındaki İngilizce sözcükler olarak okunuyor.

Düzyazı sürümü süslü olduğu için uzun değil. Etiket sürümünün açık bıraktığı soruları yanıtladığı için uzun. Bütün numara bu.

02Bir görsel istemi ne kadar uzun olmalı?

30 ila 80 kelimeyi hedefleyin. 100'ü fazla aşmayın. Elinizdeki en kolay kalite kaldıracı budur ve aralığın iki ucu da önemlidir.

Yaklaşık 30 kelimenin altında kompozisyon, ışık ve çerçeveleme belirtilmemiş olur; model de istatistiksel olarak en sıradan olanı seçer. "Bir kahve dükkânında bir kadın" geçerli bir istemdir ve unutulur bir görsel üretir, çünkü ilginç olan bütün kararları devrettiniz.

Kabaca 100 kelimenin üstünde ise farklı bir hata belirir: geç gelen cümlecikler, görselin aynı bölgeleri için erkenlerle yarışır ve ayrıntı birikmek yerine seyrelir. Üçüncü ışık tarifi birincisini bozar ve ilk sekiz kelimede kurduğunuz özne, eklediğiniz her cümleyle görece daha az dikkat alır. Uzun istemler kapsamlı okunur. Kapsamlı oluşmaz.

Disiplin şu: istediğiniz istemi yazın, sonra onu, çıkarıldığında resmi değiştirecek cümlelere indirin.

03Sıralama disiplini: en önemli şey başta

Model sırayla okuduğu için konum vurgudur: önce gelen görseli çıpalar, sonra gelen onu ayarlar. Öğeleri modelin ihtiyaç duyduğu sırayla koyun:

1. Özne — bu resmin kimin ya da neyin resmi olduğu, somut olarak.
2. Eylem veya poz — ne yaptığı, nasıl durduğu.
3. Üslup veya ruh hali — fotoğraf, yağlı boya, teknik illüstrasyon ve hangi tonda olduğu.
4. Mekân ve ışık — bunun nerede geçtiği ve üzerine hangi ışığın düştüğü.
5. Teknik — çerçeveleme, objektif, alan derinliği, renk ayrıntıları.

En yaygın kendi ayağına sıkma, teknik cümlecikle başlamaktır. "Sinematik geniş plan, anamorfik lens parlaması, teal ve turuncu renk düzenlemesi, gazete okuyan bir adam" diye açmak, modele görünüşün özne olduğunu ve adamın bir ayrıntı olduğunu söyler. Elinize, içinde küçük ve belirsiz bir figür olan muhteşem ve boş bir kare geçer.

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.

İlk sürümdeki her öğe ikincisinde de var; hiçbir şey atılmadı. Model artık, nasıl çekileceği söylenmeden önce resmin ne hakkında olduğunu biliyor — ve yalnızca bu yeniden sıralama, özneyi tesadüfi olmaktan çıkarıp merkeze taşıyor.

04Özne konusunda somut olun

"Bir kişi" bir özne değil, bir yer tutucudur — ve model yer tutucuları gördüğü her şeyin ortalamasıyla doldurur; o cilalı, yaşsız, karaktersiz görünüm de tam olarak buradan gelir. Somutluk beş kelimeye mal olur ve size belirli bir insan kazandırır:

Örüntüye dikkat edin: yaş ya da dönem, bir yapısal özellik, bir ayırt edici kusur. Sonucun üretilmiş değil çekilmiş hissettirmesini sağlayan, o üçüncü maddedir. Kırık bir diş, aşınmış bir etek ucu, üstü boyanmış bir tabela — küçük asimetriler elinizdeki en güçlü plastikleşme karşıtı sinyaldir ve kelime bütçenizde neredeyse hiçbir yer tutmaz.

05Fotogerçekçilik: isteği bir fotoğraf gibi yazın

Sanat, illüstrasyon ya da anime istemedikçe varsayılan ton fotogerçekçiliktir. Ama "photorealistic" sözcüğü az iş görür. Fotoğrafı üreten şey, fotoğraf çekme edimini tarif etmektir: gerçek bir kamera, gerçek bir objektif ve gerçek bir film ya da ışık kaynağı.

Nedeni basit. "Kodak Portra 400" alt yazılı her görsel, belirli bir grenli yapısı, parlaklık geçişi ve ten rengi aktarımı olan belirli bir süreçle üretilmişti; filmi adlandırmak bunların hepsini çağırır. "8k ultra detailed" ise yalnızca stok site spamlarında geçmişti, dolayısıyla stok site spamı çağırır. Aynı öznenin belirgin biçimde farklı görsellerini üreten birkaç güvenilir reçete:

Gerçeklik payını reçeteye uydurun — yüzün seksen piksel olduğu 24mm bir geniş planda gözenek düzeyinde cilt dokusu hiçbir anlam taşımaz — ve sonra ekleyin. Gerçeklik payı katan ayrıntı — bunu bir objektifin gerçekten kaydettiğine dair doku kanıtıdır. Görünür cilt gözenekleri ve ince yüz kılları. Keten bir gömleğin dokuması. Bir ışık huzmesindeki toz zerrecikleri. Deri bir botun üzerindeki çizik. Aydınlık bir arka plana karşı uçuşan saç telleri. İki üç tanesi yeter ve bunlar, bir insanın canlandırması ile fotoğrafı arasındaki farktır.

06Katmanlı sahneler: ön plan, orta plan, arka plan

Bir sahnenin derinliği olduğunda üç düzlemi ayrı ayrı ve sırayla tarif edin. Dekor değil de mekân gibi hissettirmesi gereken görseller için en etkili teknik budur ve neredeyse kimse yapmaz. Bu olmadan düzlük alırsınız: istemin andığı her şey kabaca aynı uzaklığa düşer ve karenin aynı orta bandı için yarışır. Düzlemleri adlandırmak, modele harcayacağı bir derinlik bütçesi verir.

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.

İki incelik. Ön plana bilerek odak dışı bir şey koyun — derin sahnelerin gerçek fotoğraflarında neredeyse her zaman bir tane vardır ve yokluğu yaygın bir ele veren işarettir. Ve öznenin hangi düzlemde durduğunu söyleyin: kurye resmin meselesiyse orta planda olmalıdır, yoksa kule ve kahve bardağı kare için onunla kapışır.

07Kesin renkler: nesnelere bağlanmış onaltılık kodlar

Marka çalışmaları, kostüm sürekliliği ya da "kırmızı"nın yeterince belirli olmadığı her yerde onaltılık kodu color #RRGGBB biçiminde yazın ve adı belirtilmiş bir nesneye bağlayın:

...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...

Üç pratik kural. Onaltılık kodu gerçekten önemli olan iki üç renk için kullanın, kalanı için düz sözcükler kullanın — altı onaltılık kod içeren bir istem, bütçesinin çoğunu renk kartelasına harcar. Kodu kenarları olan bir nesneye bağlayın; asla "ışığa" ya da "havaya" değil. Ve unutmayın ki kod, son piksel değerini değil nesnenin rengini belirtir: altın saatte arkadan ışık alan #8B0000 bir palto, tıpkı gerçek hayatta olacağı gibi renk kartelasından daha sıcak oluşur.

08En boy oranını seçmek

Beş oran mevcut ve doğrusu genellikle özne tarafından ima edilir, ama sizden gelen açık bir istek her zaman kazanır — duvar kâğıdı isteyin, içerik ne ima ederse etsin tall alırsınız.

Bunu yanlış yapmak göründüğünden daha zararlı. wide bir karede tam boy ayakta bir figür, size büyük bir karede küçük bir figür vermez — genellikle kırpılmış bir figür verir, çünkü model genişliği doldurur ve baş ya da ayaklar kareden çıkar. Kareyi öznenin baskın eksenine uydurun; kompozisyon şikâyetlerinin çoğu kaybolur.

Akılda tutmaya değer iki davranış: düzenleme, kaynak görselin en boy oranını otomatik korur, dolayısıyla düzenleyerek yeniden çerçeveleyemezsiniz; birleştirme ise yeni bir tuval seçmenize izin verir — çoğu zaman elinizdeki bir şeyin biçimini değiştirmenin en temiz yolu budur.

09Kaçınılacak alışkanlıklar: neyi bırakmalı

Kalite tokenleri: "masterpiece, best quality, 8k, ultra detailed"

Bunlar, belirli bazı alt yazı ifadelerinin belirli görsel kaynaklarıyla ilişkili olduğu, daha eski ve belirli bir eğitim dağılımı için toplulukça keşfedilmiş tutamaklardı. Aktarılmıyorlar. Burada sıradan İngilizce sözcükler olarak okunur, hiçbir katkı sağlamaz ve zaten dar olduğu söylenen kelime bütçenizin bir kısmını yerler. Yerine geçecek olan, hangi ayrıntıyı istediğinizi söylemektir: "ultra detailed" değil, "paltonun kumaşında görünür dokuma ve çene hattında ince sakal" — aynı niyet, modelin oluşturabileceği bir şey olarak ifade edilmiş.

Ağırlık sözdizimi: (word:1.3), [word], {{word}}

Ayrıştırılmaz. Parantezler, köşeli parantezler, iki nokta ve sayılar birebir metin olarak düşer ve olsa olsa çevresindeki cümleciğin okunmasını zorlaştırır. Bir şeye daha fazla vurgu istiyorsanız gerçekten işe yarayan iki kaldıracı kullanın: onu istemde daha öne alın ve ona daha çok kelime verin. "Uçları saçaklı, rüzgârda kalkan kızıl ipek bir atkı", "(red scarf:1.4)" ifadesini önemli olan her ölçüte göre yener.

Çelişen yönergeler

Bağdaşmayan yönergeleri karıştırmak onları harmanlamaz; genellikle hiçbirini karşılamayan, kararsız bir ortalama üretir. Sık rastlananlar:

• Ortam — "photorealistic" artı "watercolor"; "oil painting" artı "shot on 85mm". Birini seçin ve ona bağlı kalın.
• Çerçeveleme — "geniş tanıtıcı plan" artı "gözlerine aşırı yakın plan"; "tam boy" artı "ayrıntılı yüz gözenekleri".
• Işık — "sert öğle güneşi" artı "yumuşak altın saat parıltısı"; "düşük anahtar, derin gölgeler" artı "aydınlık ve ferah".
• Dönem — "1970'ler film estetiği" artı "modern minimalist" artı "cyberpunk".
• Üslup istifleme — aynı anda dört sanatçı ya da dört tür. Birbiriyle ilişkili iki gönderme işe yarayabilir; dört tanesi birbirini götürüp jenerikleşir.
• Yayılma — "rustik, yıpranmış, kadim, zamanla eskimiş ahşap kapı" dört kez yazılmış tek bir fikirdir ve her tekrar istemin geri kalanını seyreltir.

10Metinden görselde olumsuz istem yoktur

Deneyimli kullanıcıları en çok yakalayan hata budur, çünkü eski yığınlarda olumsuz istem işin yarısıydı.

Üretim için kural kesin ve biraz sezgiye aykırı: isteme "metin olmasın, filigran olmasın, fazladan parmak olmasın" yazmak bunları daha az değil, daha olası kılar. Model "metin olmasın"ı, içinde metin kavramı geçen bir cümle olarak okur; olumsuzlama zayıf bir sinyaldir, isim ise güçlü. Fiilen metin istemiş olursunuz. Bunun yerine her zaman olumlu biçimini yazın:

Düzenleme ve birleştirmede olumsuz istem vardır ve kullanmalısınız — ama içerik için değil, bozulmalar için. İyi malzeme: filigran, metin bindirmesi, çoğalmış uzuvlar, çarpık eller, aşırı keskinleştirme haleleri, JPEG blokları, birleşim kenarındaki dikiş çizgileri. Kötü malzeme: resmin ne hakkında olduğuna dair her şey; onun yeri yönergedir.

11Shannon'ın sizin için yazdığı istemi okumak

Bu rehberi kuramsal değil, hemen kullanılır kılan şey şu. Üretim istemini kendiniz yazmak zorunda değilsiniz. İsteğinizi günlük dille, istediğiniz dilde yazarsınız; Shannon bir görselin istendiğini tanır, İngilizce üretim istemini kurar ve hiçbir şey oluşturulmadan önce onu size bir onay kartında gösterir. Siz onaylamadan hiçbir şey üretilmez ve hiçbir ücret işlenmez.

Dolayısıyla en çok karşılığını veren beceri, sıfırdan istem yazmak değil — karttakini okumaktır. Şu listeyi baştan sona geçin:

1. Özne somut mu? Kartta "bir kişi" ya da "bir kadın" yazıyorsa elinizdeki en büyük iyileştirme fırsatını bulmuşsunuz demektir. Ona bir yaş, bir yapı, bir özellik verin.
2. Özne başta mı? İstem bir üslupla ya da bir kamerayla açılıyorsa, onun yerine özneyle başlamasını isteyin.
3. Aralıkta mı? 30 kelimenin altındaysa ışık ve mekân için daha fazla belirlilik isteyin. 100'ün üstündeyse kısaltılmasını isteyin.
4. Bir ışık kaynağı var mı? Bir ruh hali sözcüğü değil — gerçek bir ışık: pencere, sokak lambası, flaş, kapalı gökyüzü, softbox.
5. Çelişki var mı? Aynı istemde iki ortam, iki çerçeveleme ya da iki ışık koşulu olup olmadığını tarayın.
6. Kaçak olumsuzlama var mı? Kartta "olmadan", "yok" ya da "kaçın" geçiyorsa, o metinden görsel istemi adlandırdığı şeyi istiyor demektir.
7. Oran özneye uygun mu? wide içinde tam boy figür klasik uyumsuzluktur.

Düzeltmeler sohbet gibidir: "onu otuzlu yaşlarının başında yap, bir kaşından geçen bir yara izi ekle, 85mm'de Portra ile çek ve portrait kullan" gayet iyi bir yönergedir. Yeni bir kart alır ve onu onaylarsınız. Yinelemenin bir cezası yok, çünkü henüz hiçbir şey oluşturulmadı.

Ve Shannon davetsiz üretim yapmaz. Bir selamlaşma, bir soru ya da tartışmak için eklediğiniz bir fotoğraf oluşturma tetiklemez. Shannon'dan bir görsele bakmasını istemek — tarif et, oku, çözümle — sıradan görü işidir, üretim değildir ve ekstra ücrete mal olmaz.

12Düzenleme ve birleştirmede zanaat nasıl değişiyor

Yukarıdaki kurallar üretim için yazıldı. Komşu iki mod istemin biçimini değiştirir.

Tek görsel düzenleme

Bir düzenleme istemi bir tarif değil, bir yönergedir: neyin değişeceğini ve neyin kalacağını belirtin. Değişmeyen kısımları adlandırmak, üründeki en büyük tek kalite kaldıracıdır — "Arka planı neon yansımalı yağmurlu bir gece şehir sokağıyla değiştir, kadını olduğu gibi bırak", aynı isteğin o cümlecik olmadan kadının yüzünü sessizce yeniden çizdiği yerde bütünlüğünü korur. Çıpa konusunda belirli olun: yüzü, pozu, saçı ve giysiyi aynı bırak. Tam olarak bir kaynak görsel kullanılır ve çıktı onun en boy oranını korur.

İki ya da daha fazla görseli birleştirme

Öğeler birden fazla resimden geldiğinde — kıyafet aktarımı, bir nesneyi sahneye koymak, iki kişiyi tek karede toplamak, ürün-kişi üzerinde, bir görselin üslubunu başka bir görselin öznesiyle birleştirmek — istem her görselin rolünü sırayla adlandırmalıdır: "Birinci görseldeki kadın, ikinci görseldeki kırmızı örgü kazağı giymiş, aynı parkta duruyor." İlk görsel ana özne ya da sahnedir; sonraki görseller getirilen parçaları sağlar. Çok görselli bir isteği tek kaynak artı metin tarifi haline getirmeyin — o şeylerin gerçekte nasıl göründüğünü koruyan şey, gerçek görselleri birleştirmektir.

13Sansürsüz istem yazımı: ne demek istiyorsanız onu söyleyin

Üretim yolunda içerik filtresi ve istemi yazan modelde reddetme katmanı yok. Ürünün bütün meselesi bu: filtreli üreticiler meşru işleri sürekli reddediyor — sanatsal çıplaklık, tıbbi ve adli illüstrasyon, güvenlik araştırması görselleri, kurguda şiddet, siyasi hiciv, hak sahibinin kendi marka ve benzerlik çalışması. Filtreli platformlarda istem zanaatının yarısı örtmece mühendisliğidir ve örtmece, doğru bir görselin düşmanıdır.

Dolayısıyla kartta denetlenecek bir şey daha var: asıl özneyi, insanların filtreli araçlardan öğrendiği çekingen sözcük dağarcığıyla değil, düz sözcüklerle tarif ediyor mu. Bir yaranın adli illüstrasyonu, yaranın ne olduğunu söylemelidir. Çekingen dil her yerde daha kötü bir görsel üretir, çünkü model sözcüklerin söylediğini oluşturur.

Yetenek ve muhakeme ayrı şeylerdir. Shannon Lab LLC bunu yayımlanmış bir Sorumlu Kullanım Politikası altında işletiyor: filtresiz üretim profesyonel bir araçtır ve yaptığınız şeye rıza, haklar ve yasa hâlâ uygulanır.

14API nereye oturuyor

Bir API aramasından gelen okurlar için bir kesinlik notu: görsel üretimi, düzenleme ve birleştirme Shannon sohbet uygulamasında bulunur, /v1 API'sinde değil. API metin ve görü sunar — gönderdiğiniz görselleri üç lehçenin hepsinde (/v1/chat/completions, /v1/messages, /v1/responses; hepsi akışlı) okuyabilir, tarif edebilir ve çözümleyebilir — ama onları oluşturmaz. Görselleri anlaması gereken bir hat kuruyorsanız başlangıç noktası API belgeleridir. Görsel üretmek istiyorsanız orası sohbet uygulamasıdır ve bu rehberdeki her şey orada geçerlidir. Görseller kendi GPU kümemizde oluşturulur.

15Sıkça sorulan sorular

İlgili okumalar: Sansürsüz yapay zeka görsel üretimi · Sansürsüz yapay zeka görsel düzenleme · Sorumlu Kullanım Politikası · API belgeleri · Tüm Shannon araştırmaları. Buradaki yönlendirmeler Shannon'ın Görsel Modeli üzerindeki kendi testlerimizden çıkarılmıştır; daha eski difüzyon yığınları için yazılmış tavsiyeler genellikle aktarılamaz.