当前位置: 首页 > news >正文

详细介绍Sd-WebUI提示词的语法规则

AI绘画中最大的门槛就是提示词,对英语水平、文学水平、想象力、灵感等要求较高。不能每次一输入正向提示词(positive prompt),就只会写a girl, big eyes, red hair。虽然sd-webui软件可以直接翻译,输入一个子母后会立刻出现提示词供选择,另外还有选项卡片可以选择以供输入。但我们首先还是要了解提示词的语法规则,这样才不会懵圈。

另外重要的是如何写提示词?你要能展开想象,提高画面的文字描述能力,脑海中要能想象你想要的画面,或者你有一定的绘画能力,先尝试设计线稿,用几笔先勾勒一下外形,然后将其用文字描述出来。话不多说,我们先来看几个案例,先熟悉一下提示词的路数。

一、几个提示词的案例

案例一:十二生肖—老鼠

大模型:ReVAnimated_v122_V122.safetensors

VAE模型:vae-ft-mse-ema-pruned.safetensors

采样方法:DPM++ 2M Karras

放大算法:4x_foolhardy_Remacri

positive prompt : 8K,best quality,high,absurd,masterpiece,1 girl, mouse element,blue eyes,solo,white hair,Rat stripes,tail,blush,rat element cap,Rat tail,looking at the audience,Rat hand,zodiac signs,lora:3DIP十二生肖:1,

negative prompt: ng_deepnegative_v1_75t,badhandv4 (worst quality:2),(low quality:2), (normal quality:2), lowres,bad anatomy,bad hands,normal quality, ((monochrome)), ((grayscale)), nsfw,(bad hands:1.5),

生成图片如下:

案例二:酷帅缅因猫

大模型:摄影宠物-动物绘卷录(猫与狗)V1.0.safetensors

VAE模型:vae-84m- pruned 2.0.safetensors

采样器:Restart

放大算法选择:4x-UltraSharp

positive prompt: 8K, Highly detailed, high-resolution image, high quality, photography, realistic,best quality,masterpiece,studio photography,AP,no humans,Maine Coon, cat, whiskers, animal,hair detail,eyes,looking at viewer,eyewear on head,sunglasses,scarf,animal focus,simple background,

negative prompt: ng_deepnegative_v1_75t,(badhandv4:1.2),EasyNegative,(worst quality:2), (low quality:2),(normal quality:2),lowres,watermark,deformed,

生成图片如下:

案例三:表情包贴纸(下面由TensAI完成)

模型:NJ6.0动漫质感

positive prompt:Cute cartoon cat sticker, simple lines, large eyes, smiling expression, round body, die-cut ticker

翻译:q版小猫贴纸,卡通风格,简洁线条,大眼睛,微笑表情,圆润身体,横切贴纸

negative prompt: A cute chubby orange kitten, Multiple facial expressionsm, different emotions, various poss and expressions, emoticons, 6 emoticons, various expressions, eating, make a bow, Work, 3D Clay style --v 6.0

翻译:一个可爱胖乎乎的橙色小猫咪,多种面部表情,不同情绪,各种姿势和表情,表情符号,6个表情符号,各种表情,吃东西,打蝴蝶结,工作,3D黏土风格–v 6.0

生成图片如下:

以上几个案例中,提示词中有单括号、双括号、三括号、冒号、冒号后面的数值,这些是什么意思呢?

二、常用的正向提示词和负向提示词

通过上面几个案例,我们可以简单总结一些提示词,供以后参考使用。

正向提示词:8K, Highly detailed, high-resolution image, high quality, photography, realistic,best quality,best quality,masterpiece,HDR,UHD,8K,best quality,oil_painting,

负向提示词:EasyNegative,low quality,lowres, bad quality,worst quality, normal quality, sketch, poor design,simple design, deformed, chibi, bad compsition, boring, watermark, text, error, blurry, cropped,(worst quality, low quality:1.4),(((deformed))),blurry,bad anatomy

常用的室外场景正向描述词:

Outdoor,cloud,sky,no humans,mountain,day,tree,ouse,sun,nature,bule sky, flower, sunlight, grass, landscape,building,forest,cloud sky,wallpaper,great lake,river

三、提示词的语法规则

1、提示词的标点符号

提示词用英文撰写,用英文逗号分隔,词之间要用空格隔开。一行提示词没写完,可以敲回车,换到下一行继续写。这几点规则没有难度,跟我们平时写英文一样。现在有些小伙伴写文章不喜欢加标点符号。这里如果不加逗号,你试试会是什么结果?

选择一个大模型,在正向提示词中填写:1girl, long hair, smile,运行一下,看看是什么结果。

2、词汇的权重

所谓权重,可以从字面理解。“权力的重量”,就是权力有多大,例如你们单位领导说话就有分量,他说话你得听**。**

词汇的权重默认值是1,从左到右依次减弱,权重会影响画面生成结果

在一幅画面中,如果有很多元素,AI通常会随机处理这些元素之间的主次关系,比如说一幅画中,有花、有树、有石头、有河流、有山脉。假如你想要实现的效果是花多一点,但AI画出的作品可能就是树更多一点,因为你没有给花加入合适的权重,这时候就需要设置花的提示词的权重,以帮助AI理解提示词之间的主次关系,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。

比如,景色提示词在前,人物就会小; 相反的,人物提示词在前,景物在后,人物会变大或半身。下面是一些设施提示词权重的方法:

(1)小括号

可以为提示词加上括号,在括号里面加上数字,例如:(white flower:1.5) ,其含义就是将白花权重调整为原来的1.5倍。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。

套圆括号:每套一层,额外乘1.1倍

套大括号:每套一层,额外乘1.05倍

套大括号:每套一层,额外乘0.9倍

(2)大括号{ }

还可以加大括号,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[ ]

同理,也可以加中括号。但中括号是减小权重值的,它会把权重变为原来的0.9倍,三层就是0.729倍。

总体来说,权重应该保持在0.8-1.2之间,太高或太低可能会让画面整体变得非常不协调。

(4)自定义权重

当然,我们也可以自定义权重。自定义权重只能使用小括号控制,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。

下面这幅图片女孩的权重为1.2:(1 girl:1.2)。

下面这幅图的权重设置为0.8。显然,人物比例缩小了,人不突出了。

3、SD提示词的撰写逻辑

首先要保证画面质量,**因此在最前面的永远是强调画面质量的提示词,**之后考虑画面风格,你想要什么画风;接着就是画面需要体现的主要元素,最后是增添的细节。

若想明确某个主体,应使其生成步骤向前,生成步骤数加大,词缀排序向前,权重提高;若想明确风格,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:一串长提示词包含下面几个内容

画面质量:best quality, high quality, ultra-detailed, masterpiece, HDR, UHD, 8K, best quality,oil_painting

主要元素:a girl, princess, oval face, smile, bright eye,yellow hair

细节:movie light, elves, floating light points, dreams, magic

画风lora:如果有的话,点击lora模型,自动添加进来,也可以修改其权重。

4、提示词的数量

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,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。

5、提示词之间的冲突规则

SD大模型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提示词的效果,越大的图片需要的提示词越多,不然提示词会相互污染。

6、使用尖括号<>调用lora模型

lora是风格化模型,可以生成我们想要的特定风格或者人物。我们可以在提示词中使用 [lora:lora名称:权重](lora:lora名称:权重)来调用lora。

也可以找到Lora模型选项卡,点击lora模型,就可以自动添加到提示词中,也可以修改其权重,如下图所示。可以通过权重来调整lora对画面的影响,范围是:0.1-1之间。下图是Lora模型的添加方法。

添加lora模型提示词实例

正向提示词:highres,high quality,(a girl:0.6),smile,big eyes,blue eyes, outdoors,cloud, sky,mountain,tree,house,nature,blue sky,flower,sunlight,grass,landscape,building,forest,cloud sky,wallpaper,great lake,river,lora:hatsunemiku1-000006:1,

负向提示词:low quality,lowres,bad quality,worst quality,normal quality,sketch,poor design,simple design,deformed,chibi,bad compsition, boring,watermark, text,error,blurry, cropped,

加了Lora后生成的图片如下所示,可以图像看到更清晰了。

7、使用连接线和and连接提示词

(1)连接线_

连接线_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,提示词为**coffee,cake,strawberry,**大模型理解的是下图含义。有咖啡,有蛋糕,有草莓。它认为这三者是独立的元素。

修改提示词为:**coffee_cake_strawberry,**则理解生了改变。图片中是一个蛋糕,蛋糕由巧克力、草莓组成。它认为这是一个元素,即蛋糕。

大家看,大模型的理解能力真的因为提示词而千差万别。因此,提示词必须准确,你可根据自己的需要合理添加或不添加连接线。

(2) and连接词

下面我们再看and的作用。若提示词如此写:yellow hair:1.3 and red hari:1.2,则表示头发是黄色和红色组成。下面的图黄色为主,红色头发不是很明显,可能大模型理解的还不够透彻。

8、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。

[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。

[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:

[flowers:0.6], 采样值达到60%后才开始计算花的采样

[flowers::0.6], 花一开始参加采样,整体到60%以后退出采样

[stone:flower:0.6],前60%石头采样生效,后40%花朵采样生效

这个大家可以自己去试一试

完整的提示词:highres,high quality,(a girl:0.8),yellow hair:1.2 and red hair:0.8,smile,big eyes,blue eyes,outdoors,[stone:many flowers:0.6], mountain, tree,unlight,grass, landscape, lora:hatsunemiku1-000006:1,

9、提示词的交替采样

交替采样的写法:[提示词1|提示词2]

例如:

(1)[yellow|red]hair hair共享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。

(2)[cat | dog] 猫和狗的混合体

(3)[girl|fish] in sea 美人鱼

最后,我们也可以通过下载安装几个提示词的插件,帮我们更快速的提高撰写能力。正所谓工欲善其事,必先利其器。

四、提示词的插件推荐

1、sd-dynamic-prompts(*****)

作用:动态提示词插件,方便生成组合式图片,非常有用。

安装方法:在线安装或者下载后拖到Extensions文件夹中

GitHub - adieyal/sd-dynamic-prompts: A custom script for AUTOMATIC1111/stable-diffusion-webui to implement a tiny template language for random prompt generation

例如:

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

意思是:生成一个老师或者学生分别在学校、街道和公园的6种组合。

2、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

https://github.com/Airjen/OneButtonPrompt

3、Prompt-all-in-one

插件功能:一键翻译提示词、中文直接生成英文提示词。直接调用预设好的提示词、便捷添加提示词权重,其它按钮功能讲解。

插件安装地址:

https://github.com/Physton/sd-webui-prompt-all-in-one

2024/12/3 文章原创

好了,今天的文章就记录到这儿了,一边学习一边总结。欢迎小伙伴们提出宝贵建议!

相关文章:

详细介绍Sd-WebUI提示词的语法规则

AI绘画中最大的门槛就是提示词&#xff0c;对英语水平、文学水平、想象力、灵感等要求较高。不能每次一输入正向提示词&#xff08;positive prompt&#xff09;&#xff0c;就只会写a girl, big eyes, red hair。虽然sd-webui软件可以直接翻译&#xff0c;输入一个子母后会立刻…...

document.body为null问题

调用document.body.append方法出现null的问题&#xff0c;一看就是放在了head中&#xff0c;一种方案是放在最后面&#xff0c;要不就和jquery一样监听&#xff0c;下面是代码 <!DOCTYPE html> <html lang"en"><head><meta charset"UTF-8…...

2024国赛A问题5

问题五 龙头最大速度优化模型的建立 问题五在问题四的曲线的基础上对速度进行了约束&#xff0c;即在逐步改变龙头速度的情况下&#xff0c;各个龙身的速度也会依次改变&#xff0c;给出龙头的最大行进速度,使得舞龙队各把手的速度均不超过 2 m/s。即可依此构建一个龙头速度的…...

Kalilinux下MySQL的安装

MySQL是一个广泛使用的开源关系型数据库管理系统&#xff0c;它是最流行的关系型数据库之一。在Kalilinux下安装MySQL可以为我们提供方便的数据库管理和开发环境。本文将介绍如何在Kalilinux中安装MySQL&#xff0c;并提供一些常用的代码示例。 步骤一&#xff1a;更新软件包 …...

文件路径与Resource接口详解

目录 第一章、快速了解文件路径1.1&#xff09;什么是文件路径&#xff1f;1.1.1&#xff09;绝对路径1.1.2&#xff09;相对路径 1.2&#xff09;重要&#xff1a;相对路径的表示方法1.2.1) ./ 与 ../ 1.3&#xff09;文件路径与环境变量1.3.1&#xff09;什么是环境变量1.3.2…...

极狐GitLab 17.7正式发布,可从 GitLab 丝滑迁移至极狐GitLab【二】

GitLab 是一个全球知名的一体化 DevOps 平台&#xff0c;很多人都通过私有化部署 GitLab 来进行源代码托管。极狐GitLab 是 GitLab 在中国的发行版&#xff0c;专门为中国程序员服务。可以一键式部署极狐GitLab。 学习极狐GitLab 的相关资料&#xff1a; 极狐GitLab 官网极狐…...

分布式光纤传感|分布式光纤测温|线型光纤感温火灾探测器DTS|DTS|DAS|BOTDA的行业16年的总结【2024年】

背景&#xff1a; 从2008年&#xff0c;从事分布式光纤传感行业已经过了16年时间了&#xff0c;依稀记得2008年&#xff0c;看的第一遍论文就是中国计量大学张在宣老爷子的分布式光纤测温综述&#xff0c;我的经历算是行业内极少数最丰富的之一。混过学术圈&#xff1a; 发表…...

存储过程实现多个分类不同计算规则得到对应的分类、月份和款号

该存储过程 PRO_MON_MDCODE 实现多个分类不同计算规则得到对应的分类、月份和款号,其中线下分类的款最早出现时间会在20230101,最晚是当前月份后12月,电商的款取商品维表的23,24,25年商品年份的A款,其他业务分类逻辑(A-线上,B电商公司,C品牌公司)的款最早出现时间会在2…...

aj-report本地前后端分离部署运行

github项目地址 aj-report-mine 在源代码v1.4版本基础上&#xff0c;本地进行前后端分离部署开发 这里我是进行了整合&#xff0c;把自己在拉取源代码到成功运行过程中的一些东西直接整合&#xff0c;根据下面的步骤即可成功运行 资源获取 夸克网盘(16-github-aj-report-re…...

CSS 过渡动画效果

在 CSS 中&#xff0c;transition 是用来实现元素属性平滑过渡的一个属性。通过 transition&#xff0c;你可以指定当元素的状态发生变化时&#xff0c;如何在一定时间内平滑地过渡到新的样式&#xff0c;而不是立即跳变。 使用于侧边栏展开和收起了&#xff0c;左侧区域的自适…...

网络安全 - DOS

1.1.1 摘要 最近网络安全成了一个焦点&#xff0c;除了国内明文密码的安全事件&#xff0c;还有一件事是影响比较大的——Hash Collision DoS&#xff08;通过Hash碰撞进行的拒绝式服务攻击&#xff09;&#xff0c;有恶意的人会通过这个安全漏洞让你的服务器运行巨慢无比&…...

【强化学习】Stable-Baselines3学习笔记

【强化学习】Stable-Baselines3学习笔记 Stable-Baselines3是什么安装ExampleReinforcement Learning Tips and TricksVecEnv相关在stablebaselines中使用自定义环境 Stable-Baselines3是什么 Stable Baselines3&#xff08;简称SB3&#xff09;是一套基于PyTorch实现的强化学习…...

前端真实面试题自用

一、写在前面 笔者&#xff0c;经过计算机学硕考研的失败后&#xff0c;想谋求一份前端工作实在是太难了。一方面&#xff0c;确实曾经学习过的东西很久没有拾起&#xff0c;另一方面&#xff0c;对于前端面经还是记忆不深刻&#xff0c;特地写此贴记录笔者在真实前端面试中遇…...

vue3和springboot使用websocket通信

前端端口&#xff1a;9090 后端端口&#xff1a;8080 vue3 引入依赖&#xff1a; npm install sockjs-client stomp/stompjs vue页面 <template><div><h1>WebSocket 示例</h1><button click"sendMessage">发送消息</button>…...

JS 解构、数组扩展符和模板字符串的常见用法

文章目录 解构1. 对象解构2. 数组解构 数组扩展符模板字符串 解构 1. 对象解构 想把对象中的属性赋值给变量时, 需要一次一次的赋值&#xff0c;很麻烦。而对象解构, 就是把对象的结构拆解开, 然后把拆解后的属性自动赋值给匹配的变量。 (1) 对象属性赋值变量的传统写法&…...

低代码开源项目Joget的研究——Joget7社区版安装部署

大纲 环境准备安装必要软件配置Java配置JAVA_HOME配置Java软链安装三方库 获取源码配置MySql数据库创建用户创建数据库导入初始数据 配置数据库连接配置sessionFactory编译下载tomcat启动下载aspectjweaver移动jw.war文件编写脚本运行 测试参考资料 Joget&#xff0c;作为一款开…...

Golang 为什么没有注解?

Go 的哲学是:“少就是多,显式优于隐式。”注解虽然方便,但会违背 Go 追求简洁和清晰的设计理念。 什么是注解?为什么看起来很实用? 注解的定义:注解是一种特殊的元信息,用于修饰代码(如类、方法、字段等),让程序或工具在运行时或编译时解析和处理这些信息。例如: …...

Visual Studio Code(VS Code)配置C/C++环境

一、Visual Studio Code安装 Visual Studio Code&#xff0c;下文中简称为VS Code的详细安装方法请参考VSCode安装教程&#xff08;超详细&#xff09;-CSDN博客 二、MinGW编译器下载与配置 1、MinGW介绍 MinGW(Minimalist GNU for Windows)是一款用于Windows 平台的轻…...

LabVIEW软件开发的未来趋势

LabVIEW软件开发的未来趋势可以从以下几个方面来分析&#xff1a; ​ 1. 与AI和机器学习的深度结合 趋势&#xff1a;LabVIEW正在向集成AI和机器学习方向发展&#xff0c;尤其是在数据处理、预测性维护和自动化控制领域。 原因&#xff1a;AI技术的普及使得实验和工业场景中的…...

Node.js 助力前端开发:自动化操作实战

前端开发中&#xff0c;重复性任务如新建文件、配置路由、生成组件等&#xff0c;往往耗时且容易出错。借助 Node.js 的强大能力&#xff0c;我们可以实现开发过程中的自动化操作&#xff0c;提高效率。 文章目录 自动生成 router 配置文件自动生成组件模板动态构建导航菜单自…...

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…...

springboot 百货中心供应链管理系统小程序

一、前言 随着我国经济迅速发展&#xff0c;人们对手机的需求越来越大&#xff0c;各种手机软件也都在被广泛应用&#xff0c;但是对于手机进行数据信息管理&#xff0c;对于手机的各种软件也是备受用户的喜爱&#xff0c;百货中心供应链管理系统被用户普遍使用&#xff0c;为方…...

css实现圆环展示百分比,根据值动态展示所占比例

代码如下 <view class""><view class"circle-chart"><view v-if"!!num" class"pie-item" :style"{background: conic-gradient(var(--one-color) 0%,#E9E6F1 ${num}%),}"></view><view v-else …...

Day131 | 灵神 | 回溯算法 | 子集型 子集

Day131 | 灵神 | 回溯算法 | 子集型 子集 78.子集 78. 子集 - 力扣&#xff08;LeetCode&#xff09; 思路&#xff1a; 笔者写过很多次这道题了&#xff0c;不想写题解了&#xff0c;大家看灵神讲解吧 回溯算法套路①子集型回溯【基础算法精讲 14】_哔哩哔哩_bilibili 完…...

使用分级同态加密防御梯度泄漏

抽象 联邦学习 &#xff08;FL&#xff09; 支持跨分布式客户端进行协作模型训练&#xff0c;而无需共享原始数据&#xff0c;这使其成为在互联和自动驾驶汽车 &#xff08;CAV&#xff09; 等领域保护隐私的机器学习的一种很有前途的方法。然而&#xff0c;最近的研究表明&…...

Cinnamon修改面板小工具图标

Cinnamon开始菜单-CSDN博客 设置模块都是做好的&#xff0c;比GNOME简单得多&#xff01; 在 applet.js 里增加 const Settings imports.ui.settings;this.settings new Settings.AppletSettings(this, HTYMenusonichy, instance_id); this.settings.bind(menu-icon, menu…...

Cloudflare 从 Nginx 到 Pingora:性能、效率与安全的全面升级

在互联网的快速发展中&#xff0c;高性能、高效率和高安全性的网络服务成为了各大互联网基础设施提供商的核心追求。Cloudflare 作为全球领先的互联网安全和基础设施公司&#xff0c;近期做出了一个重大技术决策&#xff1a;弃用长期使用的 Nginx&#xff0c;转而采用其内部开发…...

Map相关知识

数据结构 二叉树 二叉树&#xff0c;顾名思义&#xff0c;每个节点最多有两个“叉”&#xff0c;也就是两个子节点&#xff0c;分别是左子 节点和右子节点。不过&#xff0c;二叉树并不要求每个节点都有两个子节点&#xff0c;有的节点只 有左子节点&#xff0c;有的节点只有…...

Spring Cloud Gateway 中自定义验证码接口返回 404 的排查与解决

Spring Cloud Gateway 中自定义验证码接口返回 404 的排查与解决 问题背景 在一个基于 Spring Cloud Gateway WebFlux 构建的微服务项目中&#xff0c;新增了一个本地验证码接口 /code&#xff0c;使用函数式路由&#xff08;RouterFunction&#xff09;和 Hutool 的 Circle…...

rnn判断string中第一次出现a的下标

# coding:utf8 import torch import torch.nn as nn import numpy as np import random import json""" 基于pytorch的网络编写 实现一个RNN网络完成多分类任务 判断字符 a 第一次出现在字符串中的位置 """class TorchModel(nn.Module):def __in…...