AI绘画Stable Diffusion 插件篇:智能标签提示词插件sd-danbooru-tags-upsampler

大家好,我是向阳。

关于智能标签提示词插件,在很早之前就介绍过很多款了,今天再给大家介绍一款智能标签提示词插件sd-danbooru-tags-upsampler。该智能提示词插件是今年2月23号才发布的第一版V0.1.0,算是比较新的智能提示词插件。

它是通过使用轻量级LLM完成对danbooru标签采样生成提示词。因此生成的提示词大部分都是通过简单的单词组成。对于那些不想编写长提示词或想不假思索地看到多样化、自然和高质量图像的人来说,该插件就非常有用。

插件地址:https://github.com/p1atdev/sd-danbooru-tags-upsampler
如无法下载请看文末扫描获取!

一. sd-danbooru-tags-upsampler插件使用介绍

使用上面的插件地址,安装完成插件后,会出现一个Danbooru Tags Upsampler插件面板。

相关参数说明

(1)Enabled: 插件启用标签。

(2)Total tag length: 标签总长度。该参数用于指定生成正向提示词的总标签数量。有4个值可以选择,推荐值是long。

  • very short:少于 10个标签

  • short:少于 20个标签

  • long: 少于 40个标签

  • very long:多于上面的参数设置的标签数量

(3)Ban tags: 禁止标签。该参数中设置的所有标签都不会出现在正向提示词中。当您不想提示词中包含某些特定标签时,该参数非常有用。可以使用 * 匹配任何字符,例如* background匹配simple background、white background、…。

(4)Seed for upsampling tags:如果这个数字和正向提示词是固定的,那么生成的正向提示词也是固定的。-1 表示“每次使用随机种子生成标签”。

(5)Upsampling timing:标签采样的时机,在应用其他提示词插件处理(例如 sd-dynamic-prompts 或 webui 的样式功能)之前或之后。

(6)Variety level: 种类等级,这个参数是 Generation config 的预设。用于改变采样标签的种类。有5个等级。

  • Very unvaried:非常不变

  • Unvaried:不变

  • Normal:普通

  • Varied:多变

  • Very varied:非常多样化

(7)Generation config: 生成配置。LLM生成标签的参数。如果不熟悉语言模型的生成参数,建议直接使用 Variety level 选项设置即可。

二. Variety level 等级参数

Very unvaried 和 Unvaried等级表示标签种类较少,但同时匹配输入提示词并生成相对可接受的标签。Very varied 和 Varied等级意味着更多的变化,但往往会忽略输入提示词并经常生成奇怪的标签。

三. sd-danbooru-tags-upsampler插件官方案例

上面生成图片使用的参数设置

  • 大模型: AnimagineXL 3.0

  • 反向提示词:nsfw, lowres, bad anatomy, bad hands, text, error, missing fingers, extra digit, fewer digits, cropped, worst quality, low quality, normal quality, jpeg artifacts, signature, watermark, username, blurry, artist name

sd-danbooru-tags-upsampler插件参数设置

  • total tag length: long

  • Ban tags: none

  • Seed: -1

  • When to perform the process: Before applying styles

四. sd-danbooru-tags-upsampler插件体验

插件下载请看文末扫描获取!

下面我们来实际体验一下。

在General tags 框中输入简短的关键词:1 girl,flower。其他的参数保持不变即可。

生成的完整提示词有3种格式,核心关键词都是一样的。我们结合自己需要选择文本框中的一组即可。(对于Animagine XL V3提供了单独的样例)

1girl, :<, blue eyes, brown hair, cape, collarbone, dress, flower, hair flower, hair ornament, holding, holding flower, long hair, pink flower, red flower, rose, solo, sunflower, vase, white flower, yellow flower, yellow rose

我们发现生成的提示词,都是一个一个简单的单词组成的,可见和danbooru标签库关键词展示方式是一样的。

将生成的提示词在SD Web UI上面生成看一下效果。

  • 大模型:Animagine XL 3.1

  • 采样器:Eular a

  • 采样迭代步数:25

  • CFG:6

我们再来尝试几组体验一下效果。

(1)示例1

Tags输入 :1girl, park

生成的提示词:1girl, bag, beret, black ribbon, blue eyes, boots, braid, brown footwear, brown hair, building, capelet, character name, cloud, french braid, grey headwear, grey skirt, hat, long hair, looking at viewer, outdoors, park, plaid, plaid skirt, pleated skirt, red neckerchief, ribbon, shirt, skirt, sky, solo, tree, white shirt

生成图片

(2) 示例2

Tags输入 : 1girl, smile

生成的提示词:1girl, :d, breasts, dress, hair between eyes, halterneck, hand up, jewelry, long hair, looking at viewer, red eyes, smile, solo, strapless, strapless dress, upper body, white dress, white hair

生成图片:

(3)示例3

Tags输入 :dog,cat

生成的提示词:1girl, dog, cat, animal, animal focus, blue eyes, blue sky, brown hair, cloud, cloudy sky, day, dress, flower, full body, hair between eyes, long hair, looking at viewer, outdoors, plant, red flower, shirt, short sleeves, sky, solo, white shirt,

生成的图片

(4)示例4

Tags输入 : no humans, mountain, tree, river

生成的提示词:cloud, day, grass, mountain, nature, no humans, railroad tracks, river, scenery, snowscape, tree, wading, water

生成图片

五. sd-danbooru-tags-upsampler使用体验

我尝试使用这个插件在输入不同的Tag关键词时,在某些场景下效果并不是特别满意,主要体现在以下几个方面。

(1)输入的Tag关键词,在生成的提示词中并没有包含。

(2)对于一些特殊的人物角色关键词,生成的提示词中虽然包含有关键词,但是生成的总提示词中包含了太多与输入Tag无关的提示词,可见,根据Tag关键词并不能完全理解真正的语义,在这种情况下,生成的提示词其实并没有什么作用。

(3) 有时候生成的完整提示词质量并不是很高,我们可以多生成几次看看效果。

不过,该插件推出来不久,应该还有很多提升优化的空间,不过作为提示词编写辅助的智能化工具,特别对于提示词编写要求高的大模型来说,该工具还是很有用的。

好了,今天的分享就到这里了,希望今天分享的内容对大家有所帮助。

写在最后

感兴趣的小伙伴,赠送全套AIGC学习资料,包含AI绘画、AI人工智能等前沿科技教程和软件工具,具体看这里。

AIGC技术的未来发展前景广阔,随着人工智能技术的不断发展,AIGC技术也将不断提高。未来,AIGC技术将在游戏和计算领域得到更广泛的应用,使游戏和计算系统具有更高效、更智能、更灵活的特性。同时,AIGC技术也将与人工智能技术紧密结合,在更多的领域得到广泛应用,对程序员来说影响至关重要。未来,AIGC技术将继续得到提高,同时也将与人工智能技术紧密结合,在更多的领域得到广泛应用。

在这里插入图片描述

一、AIGC所有方向的学习路线

AIGC所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照下面的知识点去找对应的学习资源,保证自己学得较为全面。

在这里插入图片描述

在这里插入图片描述

二、AIGC必备工具

工具都帮大家整理好了,安装就可直接上手!
在这里插入图片描述

三、最新AIGC学习笔记

当我学到一定基础,有自己的理解能力的时候,会去阅读一些前辈整理的书籍或者手写的笔记资料,这些笔记详细记载了他们对一些技术点的理解,这些理解是比较独到,可以学到不一样的思路。
在这里插入图片描述
在这里插入图片描述

四、AIGC视频教程合集

观看全面零基础学习视频,看视频学习是最快捷也是最有效果的方式,跟着视频中老师的思路,从基础到深入,还是很容易入门的。

在这里插入图片描述

五、实战案例

纸上得来终觉浅,要学会跟着视频一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。
在这里插入图片描述

若有侵权,请联系删除

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/diannao/9975.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

第100+7步 ChatGPT文献复现:ARIMA-GRNN预测出血热

基于WIN10的64位系统演示 一、写在前面 这一次&#xff0c;我们来解读ARIMA-GRNN组合模型文章&#xff0c;也是老文章了&#xff1a; 《PLoS One》杂志的2015年一篇题目为《Comparison of Two Hybrid Models for Forecasting the Incidence of Hemorrhagic Fever with Renal…

uni-app(五):原生插件打包并使用(Android)

原生插件打包并使用 解决Gradle不显示命令问题解决方法 运行打包查看打包好的包引入到uni-app项目中编写配置文件TestModuleTestComponent 制作基座并运行 解决Gradle不显示命令问题 解决方法 运行打包 查看打包好的包 引入到uni-app项目中 编写配置文件 TestModule {"n…

vue2 Avoided redundant navigation to current location

再次点击同一个链接会报错 每次使用 push 方法时带上两个回调函数 this.$router.push({name: item.name}, ()>{}, ()>{}) //第二、第三个参数分别为成功和失败的回调函数重写 Vue-router 原型对象上的 push 函数不行 https://blog.csdn.net/weixin_43615570/article/d…

番外篇 | YOLOv8改进之利用SCINet解决黑夜目标检测问题 | 低照度图像增强网络

前言:Hello大家好,我是小哥谈。自校正照明网络(Self-Calibrating Illumination Network, SCINet)是一种基于深度学习的图像照明算法,可以自动分析图像的内容并根据图像内容自动优化照明。SCINet是一种专为低光照图像增强设计的框架。它通过级联照明学习过程和权重共享机制…

【系统分析师】软件架构设计

文章目录 1、构件与软件复用1.1 主流构件标准1.2 构件获取与管理1.3 构件复用的方法 2、软件架构概述3、软件架构建模4、软件架构风格4.1 经典架构风格4.2 层次架构风格4.3 富互联网应用-RIA 5、面向服务的架构5.1 SOA概述5.2 SOA的关键技术5.3 SOA的实现方法 6、软件架构评估6…

AI大模型探索之路-训练篇20:大语言模型预训练-常见微调技术对比

系列篇章&#x1f4a5; AI大模型探索之路-训练篇1&#xff1a;大语言模型微调基础认知 AI大模型探索之路-训练篇2&#xff1a;大语言模型预训练基础认知 AI大模型探索之路-训练篇3&#xff1a;大语言模型全景解读 AI大模型探索之路-训练篇4&#xff1a;大语言模型训练数据集概…

RF Plasma gernerator-系列(RF-5KW Adtec)说明书TX06-9001-00

RF Plasma gernerator-系列(RF-5KW Adtec)说明书TX06-9001-00

深度学习课程论文精读——ESRGAN

目录 1.研究概述 2.论文创新 2.1 改进生成器的网络框架 2.2 改进判别器 2.3 改进感知损失 2.4 网络插值 3.实验 3.1 评价指标 3.2 训练细节 3.3 对比实验 3.4 消融实验 3.5 网络插值 4.总结 5.阅读参考 文章标题&#xff1a;《ESRGAN: Enhanced Super-Resolution…

携手鲲鹏昇腾 HashData展现云原生数仓创新力量

​5月9日-11日&#xff0c;鲲鹏昇腾开发者大会2024在北京中关村国际创新中心举行&#xff0c;众多行业领袖、专家学者及优秀开发们齐聚一堂&#xff0c;分享产业趋势、技术创新和应用实践。 酷克数据作为华为鲲鹏生态重要合作伙伴&#xff0c;受邀出席本次大会&#xff0c;展示…

大语言模型LLM原理篇

大模型席卷全球&#xff0c;彷佛得模型者得天下。对于IT行业来说&#xff0c;以后可能没有各种软件了&#xff0c;只有各种各样的智体&#xff08;Agent&#xff09;调用各种各样的API。在这种大势下&#xff0c;笔者也阅读了很多大模型相关的资料&#xff0c;和很多新手一样&a…

【Redis】用户登录校验

对于用 redis 对用户进行登录校验&#xff0c;大致可分为以下六步&#xff1a; 首先通过查询数据库来查找具有提供的用户名、密码和delFlag值为0的用户。如果未找到用户&#xff0c;则抛出一个带有消息"用户不存在"的ClientException&#xff08;用户不存在&#xf…

【产品应用】一体化伺服电机在拉力系统设备中的应用

随着工业自动化的快速发展&#xff0c;高精度、高效率的传动与控制设备需求日益增长。一体化伺服电机作为一种集驱动、控制、反馈于一体的智能型电机&#xff0c;因其卓越的性能&#xff0c;在各类工业设备中得到了广泛应用。特别是在拉力实验设备中&#xff0c;一体化伺服电机…

WebRTC 的核心:RTCPeerConnection

WebRTC 的核心&#xff1a;RTCPeerConnection WebRTC 的核心&#xff1a;RTCPeerConnection创建 RTCPeerConnection 对象RTCPeerConnection 与本地音视频数据绑定媒体协商ICE什么是 Candidate&#xff1f;收集 Candidate交换 Candidate尝试连接 SDP 与 Candidate 消息的互换远端…

线程同步--互斥锁,读写锁

线程同步 基本概念 线程的能力在于能够方便地通过全局变量或共享内存来交换信息&#xff0c;但这也带来了并发控制的复杂性&#xff0c;主要表现在如何安全地管理多个线程对共享资源的访问。这里涉及到几个关键的概念和技术&#xff1a; 临界区&#xff08;Critical Section…

jenkins部署想定报错

报错&#xff1a; 解决办法&#xff1a; 登录被编译的设备&#xff0c;清楚旧代码&#xff0c;在重新执行

Dependencies:查找项目中dll关联文件是否缺失。

前言 Dependencies工具作为一款优秀的DLL解析工具&#xff0c;能让你很直观地看到DLL的相关信息&#xff0c;如具备哪些功能函数、参数&#xff0c;又比如该DLL基于哪些DLL运行。判断该dll基于哪些dll运行&#xff0c;如果基于的dll丢失&#xff0c;那么就会提示。就能判断缺少…

【Ubuntu永久授权串口设备读取权限‘/dev/ttyUSB0‘】

Ubuntu永久授权串口设备读取权限 1 问题描述2 解决方案2.1 查看ttyUSB0权限&#xff0c;拥有者是root&#xff0c;所属用户组为dialout2.2 查看dialout用户组成员&#xff0c;如图所示&#xff0c;普通用户y不在dialout组中2.3 将普通用户y加入dialout组中2.4 再次查看dialout用…

Redis-新数据类型-Hyperloglog

新数据类型-Hyperloglog 简介 在我们做站点流量统计的时候一般会统计页面UV(独立访客:unique visitor)和PV(即页面浏览量&#xff1a;page view)。 什么是基数&#xff1f; 数据集&#xff5b;1&#xff0c;2&#xff0c;5&#xff0c;7&#xff0c;5&#xff0c;7&#xff…

AI绘画的基本原理是什么?

目录 一、AI绘画的基本原理是什么&#xff1f; 二、Python中有几个库可以用于AI绘画&#xff1f; 三、OpenCV画一个人形 四、AI画的红苹果 一、AI绘画的基本原理是什么&#xff1f; AI绘画的原理基于机器学习和人工智能技术&#xff0c;通过这些技术模型能够理解文本描述并…

vivado 配置存储器支持-Artix-7 配置存储器器件

配置存储器支持 本章主要讲解 Vivado 软件支持的各种非易失性器件存储器。请使用本章作为指南 &#xff0c; 按赛灵思系列、接口、制造商、 密度和数据宽度来为您的应用选择适用的配置存储器器件。 Artix-7 配置存储器器件 下表所示闪存器件支持通过 Vivado 软件对 A…