【SD教程】全网最详细的AI绘画提示词语法讲解!(附提示词插件包)

AI绘画提示词如何写?对于入门的小伙伴来说这是一个大问题,提示词写的好,才能有高质量的作品,那今天给大家详细讲解一下,建议点赞收藏!

文末附提示词插件

一、SD提示词基础

图片

AI绘画提示词基本规则

1、提示词(prompt)由多个词缀构成。

提示词分为正向提示词(positive prompt)和反向提示词(negative prompt),用来告诉AI哪些需要,哪些不需要。

图片

2、词缀的权重默认值都是1,从左到右依次减弱,权重会影响画面生成结果。

比如景色Tag在前,人物就会小:

图片

相反的人物提示词在前景物在后人物会变大或半身:

图片

选择正确的顺序、语法来使用提示词,将更好、更快、更有效率地展现所想所愿的画面。

所以SD提示词撰写的大体逻辑是这样的:

首先我们要保证画面中质量,因此在最前面的永远是强调画面质量的提示词,之后我们要考虑我们的画面风格,你想要什么画风,接着就是我们画面需要体现的主要元素,最后是增添的细节。

若是想明确某主体,应当使其生成步骤向前,生成步骤数加大,词缀排序向前,权重提高:

画面质量 → 主要元素 → 细节

若是想明确风格,则风格词缀应当优于内容词缀:

画面质量 → 风格 → 元素 → 细节

举例:一串长的提示词可以拆分为如下:

· 画面质量:

best quality,masterpiece,HDR,UHD,8K,best quality,oil_painting,

· 主要元素:

princess,oval face,dancing,smile,bright pupils,

· 细节:

Movie light, elves, floating light points, dreams, magic

· 画风lora:

如果有的话写在这里

图片

best quality,masterpiece,HDR,UHD,8K,best quality,((oil_painting)),

princess,oval face,dancing,bright pupils,twintails,smile,

Movie light,elves,floating light points,dreams,magic,panoramic,grand scenes,(Bokeh:1.4),

3、AI 会依照概率来选择性执行提示词。

如提示词之间有冲突,AI 会根据权重确定的概率来随机选择执行哪个提示词。

生成图片的大小会影响 Prompt 的效果,图片越大需要的 Prompt 越多,不然 Prompt 会相互污染。

4、Prompt 支持使用 emoji,可通过添加 emoji 图来达到效果。

图片

图片

图片

AI认知的提示词撰写基本语法

1、提示词与提示词之间用英文逗号分隔,同时词之间要用空格隔开。

大家在撰写提示词的时候一定要注意,用英文输入法

例如:1girl, long hair, smile

主要元素+细节

图片

2、提示词之间是可以换行的

我们可以利用这一特性让提示词看起来更清楚,但换行时记得加上逗号这样AI才知道你换行了。

例如:画面质量+主要元素+细节

best quality, masterpiece,

1girl,

long hair, smile,

图片

3、每个提示词默认权重为1,越靠前权重越高。

图片

Girl, books, library,

图片

library, books, Girl,

图片

books, library, Girl,

4、提示词词数量并不是越多越好

如果你想可控生图提示词数量控制在75个单词以内,关键词超过这个数量对整体画面影响比较少了,但可以增加一些点缀要素。

例如:这个是75个词的提示词

((ultra-detailed)), ((illustration)),((solo)),((((a girl)))),(beautiful detailed girl),(((cheongsam))),((((((arms_behind_back)))))) ,red eyes,((((beautiful detailed eyes)))),white hair,spring festival,(((chinese new year))),(((snow))),((lunar new year)),firecracker,Temple Fair,(detailed fireworks), (firecracker),((the best building)),(((best shadow))),many people,(Flying snowflakes),

超细节,插图,独奏,一个女孩,美丽的细节女孩,春装,手臂,红眼睛,美丽的详细眼睛,白发,春节,中国新年,雪,农历新年,爆竹,庙会,详细的烟花,爆竹,最好的建筑,最好的阴影,很多人,雪花飞溅

图片

将提示词增加到100+个,注意我们在后面加上了一些无关紧要的词意图干扰AI

((ultra-detailed)), ((illustration)),((solo)),((((a girl)))),(beautiful detailed girl),(((cheongsam))),((((((arms_behind_back)))))) ,red eyes,((((beautiful detailed eyes)))),white hair,spring festival,(((chinese new year))),(((snow))),((lunar new year)),firecracker,Temple Fair,(detailed fireworks), (firecracker),((the best building)),(((best shadow))),many people,(Flying snowflakes),

ocean,beach,lake,starry_sky,park,Trapeze,city,cityscape,downtown,Tokyo_Tower,snowy mountain,cliff,claw pose,Swinging,long hair,blouse,collared_shirt,sailor_shirt,t-shirt,

超细节,插图,独奏,一个女孩,美丽的细节女孩,春装,手臂s_behind_back,红眼睛,美丽的详细眼睛,白发,春节,中国新年,雪,农历新年,爆竹,庙会,详细的烟花,爆竹,最好的建筑,最好的阴影,很多人,雪花飞溅

海洋,海滩,湖泊,星空,公园,吊架,城市,城市景观,市中心,东京,雪山,悬崖,爪式,摇摆,长发,衬衫,领衬衫,水手衬衫,t恤,

图片

二、提示词符号解析

小括号、中括号、大括号

小括号、中括号、大括号的含义:微调关键词权重

1、小括号 ( )

一个小括号增加1.1倍权重,最多套三层小括号也就是1.331倍权重

大家可以观察下面的图片,我不断用小括号强调黄色花朵的权重

图片

图片

Garden,

red flower,

blue flower,

yellow flower,

Garden,

red flower,

blue flower,

(yellow flower)

图片

图片

Garden,

red flower,

blue flower,

((yellow flower))

Garden,

red flower,

blue flower,

(((yellow flower)))

2、大括号 { }

大括号也是增加权重的,但相比小括号更轻微,是增加1.05倍,三层大括号权重为1.15倍

3、中括号 [ ]

这个是减小权重值的,它会把权重变为原来的0.9倍,三层就是0.729倍

案例:同样是花园使用中括号减重红色花朵:

图片

best quality, masterpiece,

Garden, red flower, blue flower, yellow flower

图片

best quality, masterpiece,

Garden,[[[ red flower]]], blue flower, yellow flower

4、自定义权重

自定义权重只可使用小括号控制,格式为(x:0.5)

0.5为权重值,权重取值范围 0.4-1.6,权重太小容易被忽视,太大容易拟合图像出错

案例:使用自定义权重蓝色花朵对比:

图片

best quality, masterpiece,

Garden, red flower,

(blue flower:0.4), yellow flower

图片

best quality, masterpiece,

Garden, red flower,

(blue flower:1.6), yellow flower

5、使用尖括号<>调用lora

lora简单来说就是风格化模型,可以生成我们想要的特定风格或者人物。

图片

我们可以在提示词中使用 lora:lora名称:权重来调用lora

例如:

图片

样例:使用lora让图片特定风格

图片

使用lora前

图片

使用lora后

样例:你可以通过权重来调整lora对画面的影响(0.1-1)

图片

best quality, masterpiece,

Garden, red flower, blue flower, yellow flower

lora:万能插画-超强故事感-99二创艺术_v1.0:0.5

图片

best quality, masterpiece,

Garden, red flower, blue flower, yellow flower

lora:万能插画-超强故事感-99二创艺术_v1.0:0.3

6、使用下划线和and连接提示词

下划线_起到连接的作用,让词与词更紧密连接到一起/防止歧义。

例如我想让AI生成一个咖啡蛋糕,如果不加下划线它很可能理解不了会出现单独的咖啡喝蛋糕,但是加了下划线后它就理解的更好了。

图片

masterpiece,best quality,

coffee cake,

图片

masterpiece,best quality,

coffee_cake,

AND:将多个词缀聚合在一个提示词顺序位置中,其初始权重一致

例如我们可以用这个技巧生成多色的头发

图片

best quality, masterpiece,

a girl,

green hair:1.3 and red hari:1.5 and yellow hair:1.2

三、提示词进阶语法

1、控制提示词的生效时间

[提示词:0-1数值]:意思是采样值达到X(数值)以后才开始计算这个提示词的采样

例如:

图片

Forests, trees,weeds, [flowers:0.7], 采样值达到70%以后才开始计算花的采样

[提示词::0-1数值]:意思是一开始参加采样的词整体到X(数值)以后退出采样

例如:

图片

Forests, trees,weeds, [flowers::0.7],花一开始参加采样整体到70%以后退出采样

[提示词1:提示词2:0-1数值]:前X(数值)采样提示词1后1-X采样提示词2

例如:

图片

best quality, masterpiece,forest, [stone:flower:0.7],前70%石头采样生效,后30%花朵采样生效

图片

best quality, masterpiece,forest, [flower:stone:0.7],反过来前面花先采样后面采样石头

2、交替采样

交替采样的写法:[提示词1|提示词2]

例如:1girl, [red|blue]hair,(括号外加词缀意味着两个颜色的共享元素),一步红头发,一步蓝头发这样不断循环

图片

1girl, [red|blue]hair,

假如不加词缀:[cow | horse] 可以生成牛和马的混合体

图片

[cow | horse]

举例:[bird|airplane] in sky 天空中一只飞机鸟

图片

[bird|airplane] in sky

四、提示词插件推荐

给大家打包整理好了,扫描下方,即可免费获取

在这里插入图片描述

1、One Button Prompt

只需一个主题生成一系列不同风格类型图片,自动丰富关键词

安装方法:在线安装或者下载后拖到\Extensions\ 文件夹中

图片

使用方法:

在框框内填写提示词然后直接生成

图片

图片

一个白头发女孩拓展生成效果

图片

一个白头发女孩拓展生成效果

2、sd-dynamic-prompts

动态提示词插件方便生成组合式图片

安装方法:跟上面的一样

使用方法:

勾选启用

图片

**最大生成数:**0就是所有的方式都生成一次

**组合批次:**就是每一个类型生成几张

自动批次组合生成

开启动态提示词插件后可以使用全新语法进行提示词搭配:

A {boy | girl} in {school | street | forest},

上面这串语法的意思是:生成一个老师或者学生分别在学校、街道和森林的6种组合:

图片

生成组合的效果

丰富提示词功能

图片

打开魔法提示词功能可以丰富提示词,例如我们输入一个提示词:a girl 长度就是词的数量创意越高AI发挥的越多

推荐使用模型:succinctly/text2image-prompt-generator

这是一个在简洁/中途提示数据集上微调的 GPT-2 模型,其中包含用户在一个月内向 Midjourney 文本到图像服务发出的 250k 文本提示。有关如何抓取此数据集的更多详细信息,请参阅中途用户提示和生成的图像 (250k)。

该提示生成器可用于自动完成任何文本到图像模型的提示(包括 DALL·E家族)。

强力推荐,各种扩展都好用,词穷抽卡必备。

AUTOMATIC/promptgen-lexart

这个模型是从 lexica.art 艺术网站上 进行训练的抓取的134819提示微调了 100 个 epoch,这个模型适合艺术风格画的魔法扩展,推荐画艺术风格提示词魔法扩展。

Gustavosta/MagicPrompt-Stable-Diffusion

魔法提示词第一个模型,这是 MagicPrompt 系列模型中的一个模型,这些模型是 GPT-2 模型,旨在生成用于成像 AI 的提示文本。该模型经过 150,000 个步骤和一组大约 80,000 个数据进行训练,这些数据从图像查找器中过滤并提取出来,以实现稳定扩散:“Lexica.art”。提取数据有点困难,因为搜索引擎仍然没有公共API,这个特别通用、实用,适用各种场景提示词扩展,效果卓越。

模型安装:

注意:需要科学上网,第一次使用模型会自动下载需要等待一下,并且关闭启动器的国内Pipy镜像、Git镜像、链接等。否则下载失败,会报错误:Error while generating prompt: ‘NoneType’ object cannot be interpreted as an integer。

图片

动态提示词效果

图片

A girl拓展为:a girl, read book, wearing green balenciaga top, anime style, artstation, muted colors, cool colors, by Ashley Wood. --ar 2:3 --stop 80 --uplight

3、Prompt-all-in-one

插件功能:

(1)一键翻译提示词、中文直接生成英文提示词。

(2)直接调用预设好的提示词、便捷添加提示词权重

(3)其它按钮功能讲解。

(4)和ChatGPT对接。

插件安装地址:
参考文末
图片

4、oldsix-prompt

插件功能:

(1)预设丰富的起手式和提示词

(2)可以随机生成提示词的预设

图片

关于AI绘画技术储备

学好 AI绘画 不论是就业还是做副业赚钱都不错,但要学会 AI绘画 还是要有一个学习规划。最后大家分享一份全套的 AI绘画 学习资料,给那些想学习 AI绘画 的小伙伴们一点帮助!

对于0基础小白入门:

如果你是零基础小白,想快速入门AI绘画是可以考虑的。

一方面是学习时间相对较短,学习内容更全面更集中。
二方面是可以找到适合自己的学习方案

包括:stable diffusion安装包、stable diffusion0基础入门全套PDF,视频学习教程。带你从零基础系统性的学好AI绘画!

零基础AI绘画学习资源介绍

👉stable diffusion新手0基础入门PDF👈

(全套教程文末领取哈)
在这里插入图片描述

👉AI绘画必备工具👈

在这里插入图片描述

温馨提示:篇幅有限,已打包文件夹,获取方式在:文末

👉AI绘画基础+速成+进阶使用教程👈

观看零基础学习视频,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

温馨提示:篇幅有限,已打包文件夹,获取方式在:文末

👉12000+AI关键词大合集👈

在这里插入图片描述

这份完整版的AI绘画全套学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

在这里插入图片描述

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/news/870174.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

AI时代的产品经理的成长之路:可能是小宇宙最全的产品经理指南

2019年&#xff5e;2021年期间&#xff0c;我在做智能写作项目创业的时候&#xff0c;由于当时市场相关产品较少&#xff0c;遇到了问题没有可以参考的竞品。 我们只能一路探索&#xff0c;一路踩坑&#xff0c;一路修正。随着产品的迭代&#xff0c;我也在不断地迭代自己的认…

牛刀小试--三元对角矩阵压缩存储

详细解析博客 对角矩阵的压缩存储_对角矩阵压缩存储-CSDN博客 功能函数: //为N阶对角矩阵初始化成的一维数组分配空间 void Init_opposite_angles_matrix(int *&matrix); //返回二维对角矩阵的值(压缩存取) int get_Value_opposite_angles_matrix(int matrix[],int x,int …

充电桩语音芯片方案选型:让充电体验更智能化

在新能源汽车日益普及的今天&#xff0c;充电桩作为其“加油站”般的存在&#xff0c;其智能化、人性化的设计显得尤为重要。而语音芯片&#xff0c;正是这一智能化趋势下的重要一环。 一、NV020C语音芯片概述 NV020C是一款性能稳定的语音芯片&#xff0c;无需任何外围电路&…

【C++】类和面向对象很懵?其实很简单

有不少朋友会遇到这种情况&#xff0c;在学完C入门的一些知识后&#xff0c;就开始接触类和面向对象的概念&#xff0c;大家去看书、文章的时候都会先抛出一大堆的概念&#xff0c;导致我们听得很懵。那么这篇文章将言简意赅&#xff0c;理解类和面向对象其实很简单&#xff01…

apple watch程序出错 Cannot launch apps while in nightstand mode

开发的时候运行apple watch程序出错&#xff1a; ailure Reason: The request was denied by service delegate (IOSSHLMainWorkspace) for reason: Busy ("Cannot launch apps while in nightstand mode"). 这是因为&#xff1a; 将Apple Watch放在充电器上并直立…

.net C# 使用网易163邮箱搭建smtp服务,实现发送邮件功能

功能描述&#xff1a;使用邮箱验证实现用户注册激活和找回密码。邮箱选择网易163作为smtp服务器。 真实测试情况&#xff1a;第一种&#xff1a;大部分服务器运行商的25端口默认是封禁的&#xff0c;可以联系运营商进行25端口解封&#xff0c;解封之后可以使用25端口。第二种&…

matlab R2016b安装cplex12.6,测试时cplex出现出现内部错误的解决方法

问题场景 网上搜索matlabyalmipcplex的安装教程&#xff0c;跟着步骤操作即可&#xff0c;假如都安装好了&#xff0c;在matlab中测试安装是否成功&#xff0c;出现以下问题&#xff1a; 1、matlab中设置路径中添加了yalmip和cplex路径&#xff0c;在命令窗口中输入yalmiptest…

视频号矩阵系统源码,实现AI自动生成文案和自动回复私信评论,支持多个短视频平台

在当今短视频蓬勃发展的时代&#xff0c;视频号矩阵系统源码成为了自媒体人争相探索的宝藏。这一强大的技术工具不仅能帮助我们高效管理多个短视频平台&#xff0c;更能通过AI智能生成文案和自动回复私信评论&#xff0c;为自媒体运营带来前所未有的便利与效率。 一、视频号矩…

Xshll连接服务器【过程记录】

背景&目标 开学老师提供了一款服务器&#xff0c;可以网页端打开&#xff0c;但是不可进行上传文件、复制黏贴指令。 希望连接Xshll进行更有效的学习活动&#xff01; 配置过程 一、已知信息 二、配置 使用第一部分&#xff0c;先打通隧道。 【选择公钥时&#xff0c;没…

CTF php RCE (四)

0x08 取反以及异或、或 这两个东西呢相当的好玩&#xff0c;也能够达到一下小极限的操作 <?php error_reporting(0); if(isset($_GET[code])){$code$_GET[code];if(strlen($code)>40){die("This is too Long.");}if(preg_match("/[A-Za-z0-9]/",$…

【游戏客户端】大话slg玩法架构(二)背景地图

【游戏客户端】大话slg玩法架构&#xff08;二&#xff09;背景地图 大家好&#xff0c;我是Lampard家杰~~ 今天我们继续给大家分享SLG玩法的实现架构&#xff0c;关于SLG玩法的介绍可以参考这篇上一篇文章&#xff1a;【游戏客户端】制作率土之滨Like玩法 PS&#xff1a;和之前…

Linux+InternStudio 关卡

ssh连接 端口映射 本地

FlashAttention/ PagedAttention原理,大模型加速

1.1 GPU 硬件特点 由于 FlashAttention 计算 self-attention 的主要关键是有效的硬件使用&#xff0c;所以了解GPU内存和各种操作的性能特征是很有必要的。 以 A100 (40GB HBM) 为例&#xff0c;下面显示其内存层次结构的粗略图。SRAM内存分布在108个流式多处理器(SMs)上&…

基于 BERT 的非结构化领域文本知识抽取

文章目录 题目摘要方法实验 题目 食品测试的大型语言模型 论文地址&#xff1a;https://arxiv.org/abs/2103.00728 摘要 随着知识图谱技术的发展和商业应用的普及&#xff0c;从各类非结构化领域文本中提取出知识图谱实体及关系数据的需求日益增加。这使得针对领域文本的自动化…

千呼新零售2.0-OCR图像识别采购单视频介绍

千呼新零售2.0系统是零售行业连锁店一体化收银系统&#xff0c;包括线下收银线上商城连锁店管理ERP管理商品管理供应商管理会员营销等功能为一体&#xff0c;线上线下数据全部打通。 适用于商超、便利店、水果、生鲜、母婴、服装、零食、百货、宠物等连锁店使用。 详细介绍请…

2024年公司加密软件推荐TOP10|公司最佳数据防泄密方案!

在当今数字化信息爆炸的时代&#xff0c;保护公司的数据免受泄密威胁至关重要。选择一款适合的加密软件不仅可以有效防止数据泄露&#xff0c;还能保障公司的商业机密和客户隐私。 1.固信软件 固信软件以其卓越的数据保护功能和可靠的安全性而著称。它采用先进的数据加密技术&…

springboot农产品商城-计算机毕业设计源码46732

摘 要 随着社会经济的发展和人们消费观念的升级&#xff0c;农产品电商行业逐渐壮大。但传统的农产品销售模式存在信息不透明、中间环节复杂等问题&#xff0c;而微信小程序作为一种便捷的移动应用平台&#xff0c;为农产品商城的建设提供了新的可能性。通过微信小程序的设计与…

九.核心动画 - 显式动画

引言 本篇博客紧接着上一篇的隐式动画开始介绍显式动画。隐式动画是创建动态页面的一种简单的直接的方式&#xff0c;也是UIKit的动画机制基础。但是它并不能涵盖所有的动画类型。 显式动画 接下来我们就来研究另外一种动画显式动画&#xff0c;它能够对一些属性做指定的动画…

常用知识碎片 Vue3 ref和reactive (内含其他常用知识)

目录 ref和reactive ref reactive 总结&#xff1a; setup语法糖 语法糖是啥&#xff1f; Vue3 setup语法糖 Vue3 不使用setup语法糖示例&#xff1a; Vue3 使用setup语法糖示例&#xff1a; ref和eative主要区别 ref和reactive 在 Vue 3 中&#xff0c;ref 和 reac…

品牌渠道管控力度的平衡艺术

渠道管控力度要如何把握呢&#xff1f;是不是管控越严格就一定越好&#xff1f;例如&#xff0c;发现一次低价就处以高额罚款&#xff0c;发现一次窜货也重罚&#xff0c;其实处罚是对低价管控较为直接的一种方式&#xff0c;但并非处罚越重就一定能取得良好的管控效果。 比如品…