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

简化多容器应用部署:深入理解 Docker Compose

Docker Compose 已成为现代应用开发和部署的核心工具之一。它为开发者提供了一种简单且高效的方式来定义、运行和管理多容器应用程序。无论是在本地开发环境还是生产环境中&#xff0c;Docker Compose 都能够帮助开发团队快速搭建、部署和扩展复杂的应用系统。本文将深入探讨 D…

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…

代码随想录 动态规划 刷题记录

动态规划 动规的五部曲: 确定dp数组(dp table)以及下标的含义确定递推公式dp数组如何初始化确定遍历顺序举例推导dp数组509.斐波那契数列 70.爬楼梯 746.使用最小花费爬楼梯 62.不同路径 63.不同路径II 343.整数拆分 96.不同的二叉搜索树 本轮树可以分为当1,2,3……

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…

Linux -- Git

Git Git 是一个开源的分布式版本控制系统&#xff0c;主要用于软件开发中的源代码管理。它由 Linus Torvalds 创建&#xff0c;也是 Linux 内核的开发者。Git 使得多个开发者可以在同一个项目上协作&#xff0c;而不会相互干扰。它允许开发者在本地计算机上创建多个分支&#…

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…

Php php7的特性

1. 性能优化 PHP7引入了Zend Engine 3.0&#xff0c;显著提高了执行效率&#xff0c;相比PHP 5.x&#xff0c;性能提升了2-3倍。这个特性无法直接通过代码示例展示&#xff0c;但你可以感受到在升级到PHP7后&#xff0c;相同代码的执行速度更快。 2. 函数返回类型声明 允许在…

【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…

Nginx - server、listen、server_name和多服务请求处理(三)

server 上下文 server { }server指令用于配置一个虚拟服务。listen指令描述了本服务可接受链接的所有地址和端口&#xff0c;server_name指令列举了所有服务的名字&#xff0c;例如 server {listen 80;server_name example.org www.example.org; }listen 指令 Syntax: …

Rust - 基础语法

文章目录 注释基本输出输出 {} 变量重影&#xff08;Shadowing&#xff09; 数据类型整数型&#xff08;Integer&#xff09;浮点数型&#xff08;Floating-Point&#xff09; f32、f64数学计算布尔型 bool字符型 char元组 ()数组 [].. 表示范围切片 slice结构体枚举match 处理…

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…

nginx 详解

Nginx&#xff08;发音为“Engine-X”&#xff09;是一个高性能的HTTP和反向代理服务器&#xff0c;也是一个IMAP/POP3代理服务器。Nginx以其高稳定性、丰富的功能集、简单的配置和低资源消耗而闻名。它特别适用于处理高并发请求&#xff0c;这部分归功于其事件驱动和异步架构。…

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…

Hive优化(1)——分桶采样

分桶&#xff08;Bucketing&#xff09; 分桶是将数据按照某个字段的哈希值进行分组存储的一种技术。它的原理是将数据按照指定字段的哈希值分成固定数量的桶&#xff0c;将每条记录分配到对应的桶中。分桶可以帮助优化特定类型的查询&#xff0c;例如连接查询和聚合操作&…

2024OD机试卷-攀登者1 (java\python\c++)

题目:攀登者1 题目描述 攀登者喜欢寻找各种地图,并且尝试攀登到最高的山峰。 地图表示为一维数组,数组的索引代表水平位置,数组的元素代表相对海拔高度。其中数组元素0代表地面。 例如:[0,1,2,4,3,1,0,0,1,2,3,1,2,1,0],代表如下图所示的地图,地图中有两个山脉位置分别…

TS-声明文件

目录 1&#xff0c;什么是声明文件2&#xff0c;作用3&#xff0c;位置1&#xff0c;tsconfig.json 配置的包含目录中2&#xff0c;node_modules/types 目录中3&#xff0c;typeRoots 配置项中的目录4&#xff0c;与 js 文件同名同目录的文件 4&#xff0c;编写1&#xff0c;ts…

java中List的toArray()方法

toArray()介绍 toArray()方法是List接口中提供的方法&#xff0c;用来实现List对象转换为数组对象的功能。 toArray()方法有两种形式&#xff0c;无参方法和带泛型的方法&#xff0c;接下来给出例子。 1.toArray() // toArray()源码public Object[] toArray() {return Arrays.…

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…