مهندسی-پرامپت
چارچوب پرامپت جهانی برای نانو بانانا پرو
NanoBanana Team · ۲۸ تیر ۱۴۰۵ · 7 min read
Keywords: پرامپت نویسی هوش مصنوعی, نانو بانانا پرو
Published: ۲۸ تیر ۱۴۰۵ Author: NanoBanana Team
کالبدشکافی ساختار پرامپت
تولید تصاویر باکیفیت و سازگار با ابزارهای هوش مصنوعی اغلب شبیه حدس زدن است. درخواستی را تایپ میکنید، دکمه تولید را میزنید و امیدوارید خروجی با دیدگاه ذهنی شما مطابقت داشته باشد. با نانو بانانا پرو، که در میداس ایآی استودیو در دسترس است، با به کارگیری یک رویکرد ساختاریافته، این فرآیند قابل پیشبینیتر میشود. موضوع حفظ کردن کلمات جادویی نیست؛ بلکه درباره سازماندهی نیت شماست تا مدل زیرساختی، که با تکنولوژی گوگل جمینای قدرت گرفته، دقیقاً درک کند چه چیزی را باید رندر کند.
چارچوب پرامپت جهانی درخواست شما را به شش جزء متمایز تقسیم میکند: سوژه، جزئیات، سبک، صحنه، ترکیببندی و پارامترها. با برخورد به هر جزء به عنوان یک متغیر قابل تنظیم، از شانس تصادفی به خلق کنترلشده حرکت میکنید. این ساختار چه برای تولید تصویر از متن و چه برای ویرایش عکسهای موجود با دستورات زبان طبیعی کار میکند.
این چارچوب برای چه کسانی است
این راهنما برای خالقانی طراحی شده که از مرحله سرگرمی اولیه تولید هوش مصنوعی عبور کردهاند. اگر یک هنرمند دیجیتال هستید که به دنبال ادغام هوش مصنوعی در یک خط لوله حرفهای است، یک بازاریاب که نیاز به تصاویر سازگار با برند دارد، یا یک توسعهدهنده که برنامههایی بر روی API نانو بانانا میسازد، این ساختار دقت عمل لازم را فراهم میکند. این مورد به ویژه برای کاربرانی مفید است که خود را در حال تولید مجدد ده باره یک پرامپت برای رفع یک مشکل نورپردازی یا عدم تطابق رنگ مییابند.
مبتدیان از وضوحی که فراهم میکند سود میبرند، در حالی که کاربران پیشرفته از آن برای عیبیابی علت شکست یک تولید خاص استفاده میکنند. این چارچوب به طور یکسان برای رابط وب در میداس ایآی استودیو و فراخوانهای برنامهنویسی از طریق API اعمال میشود.
شش عنصر اصلی
برای دستیابی به خروجی در حد استودیو، باید «چه چیزی» را از «چگونگی» جدا کنید. یک اشتباه رایج ترکیب توضیحات سوژه با سبک هنری است که مدل را گیج میکند. breakdown زیر هر لایه از فرآیند تولید تصویر را ایزوله میکند.
۱. سوژه و جزئیات
سوژه لنگر تصویر شماست. باید قبل از افزودن صفات، به صورت ملموس تعریف شود. به جای «a cool dog»، مشخص کنید «a Siberian Husky». پس از قفل کردن سوژه، جزئیات را لایه بندی کنید. این شامل بافت، سن، وضعیت و ویژگیهای فیزیکی خاص است.
برای مثال، افزودن «wet fur» یا «worn leather jacket» بافتهای خاصی را برای رندر به موتور مبتنی بر جمینای میدهد. جزئیات مبهم منجر به میانگینهای عمومی میشود. اگر به شات محصول خاصی نیاز دارید، ویژگیهای متریال را صریحاً توصیف کنید، مانند «matte black finish» یا «translucent glass».
۲. سبک و صحنه
سبک رسانه هنری را تعیین میکند. آیا به دنبال یک رندر فوتوگرافی، یک پوستر دهه ۱۹۵۰، یا یک آیکون ایزومتریک سه بعدی هستید؟ اینجا خاص باشید. «Cinematic lighting» یک نشانه سبک است، اما «Kodak Portra 400 film stock» دقیقتر است. نانو بانانا پرو این نشانگرهای سبک را برای تنظیم grading رنگ و الگوهای نویز تفسیر میکند.
صحنه زمینه را فراهم میکند. یک سوژه معلق در فضای خالی متفاوت از همان سوژه در یک بازار شلوغ به نظر میرسد. دوره زمانی، آب و هوا و زمان روز محیط را تعریف کنید. این منطق نورپردازی را برای کل تصویر Establish میکند.
۳. ترکیببندی و پارامترها
ترکیببندی دوربین را کنترل میکند. زوایایی مانند «low angle»، «overhead shot»، یا «macro close-up» را مشخص کنید. این به مدل میگوید دوربین مجازی را کجا نسبت به سوژه قرار دهد. پارامترها محدودیتهای فنی هستند، مانند نسبت ابعاد یا تنظیمات رزولوشن موجود در میداس ایآی استودیو نانو.
تکنیکهای کنترل پیشرفته
پس از درک شش عنصر، میتوانید آنها را برای حل مشکلات رایج تولید دستکاری کنید. یک مشکل مکرر سازگاری سوژه در تصاویر متعدد است. برای حفظ سازگاری، بخشهای سوژه و جزئیات را یکسان نگه دارید در حالی که صحنه و ترکیببندی را تغییر میدهید. این به مدل میگوید هسته entity را ثابت نگه دارد در حالی که زمینه را تغییر میدهد.
تکنیک پیشرفته دیگر شامل negative prompting از طریق قاببندی مثبت است. به جای گفتن به مدل آنچه نمیخواهید، آنچه را میخواهید با اولویت بالاتر توصیف کنید. اگر میخواهید از شلوغی Avoid کنید، صحنه را به عنوان «minimalist with negative space» توصیف کنید. ستون فقرات گوگل جمینای که نانو بانانا را قدرت میدهد، به دستورات مثبت بهتر از negations پاسخ میدهد.
هنگام ویرایش عکسها با زبان طبیعی، این چارچوب کمی تغییر میکند. سوژه به ناحیهای تبدیل میشود که میخواهید ماسک کنید یا تغییر دهید. سبک و پارامترها به دستورالعمل ویرایش تبدیل میشوند. برای مثال، «Change the subject's shirt to red silk» object (پیراهن)، detail (ابریشم قرمز) و action (تغییر) را ایزوله میکند.
اشتباهات رایجی که باید از آنها پرهیز کرد
حتی با یک چارچوب ساختاریافته، خطاها رخ میدهند. رایجترین دام keyword stuffing است. بارگذاری یک پرامپت با پنجاه صفت، مکانیسم توجه مدل را رقیق میکند. به تاثیرگذارترین توصیفگرها پایبند باشید. اگر بگویید «bright, sunny, luminous, glowing, radiant»، مدل ممکن است در اولویتبندی اینکه کدام شرایط نورپردازی را اعمال کند دچار مشکل شود. یک یا دو اصطلاح قوی را انتخاب کنید.
مشکل دیگر دستورات متناقض است. درخواست یک «night scene» با «bright sunlight» یک پارادوکس منطقی ایجاد میکند که اغلب منجر به نورپردازی گلی میشود. اطمینان حاصل کنید که عناصر صحنه و ترکیببندی شما از نظر فیزیکی سازگار هستند. علاوه بر این، وسوسه over-specify کردن پارامترهایی که رابط به طور خودکار کنترل میکند را نادیده بگیرید. بودجه توکن خود را بر روی توصیفات بصری متمرکز کنید تا مشخصات فنی که استودیو به صورت داخلی مدیریت میکند.
پیادهسازی گردش کار
اتخاذ این چارچوب نیازمند تغییر در نحوه پیشنویس درخواستهای شماست. با نوشتن شش عنصر به صورت لیست قبل از ترکیب آنها در یک پاراگراف واحد شروع کنید. این به شما امکان میدهد هر بخش را از نظر وضوح audit کنید. پس از راحتی، میتوانید آنها را به جملات روان زبان طبیعی فشرده کنید، اما ساختار منطقی باید دست نخورده باقی بماند.
تست ضروری است. یک تولید baseline فقط با سوژه و جزئیات اجرا کنید. سپس سبک را اضافه کنید. سپس صحنه را اضافه کنید. این رویکرد افزایشی به شما کمک میکند تا شناسایی کنید کدام عنصر artifacts یا تغییرات ناخواسته را معرفی میکند. این در مقایسه با بازنویسی کل پرامپت از ابتدا وقتی چیزی اشتباه به نظر میرسد، در زمان صرفهجویی میکند.
Quick Takeaways
حرکت از مفهوم به خلق اثر
تفاوت بین یک سرگرمیجو و یک حرفهای که از ابزارهای هوش مصنوعی استفاده میکند اغلب به تکرارپذیری برمیگردد. باید بدانید چرا یک تصویر خوب به نظر رسید تا بتوانید آن را recreation کنید، و چرا دیگری شکست خورد تا بتوانید آن را fix کنید. چارچوب پرامپت جهانی واژگان را برای آن تحلیل فراهم میکند.
نانو بانانا پرو انعطافپذیری برای handling هم.tasks تولید و ویرایش را در این ساختار ارائه میدهد. از آنجا که این یک سرویس مستقل است که از تکنولوژی API گوگل استفاده میکند، از درک زبان robust بهره میبرد در حالی که یک رابط متمرکز برای tasks بصری حفظ میکند. با تسلط بر ساختار پرامپت، شما آن قدرت زیرساختی را موثرتر leverage میکنید.
به شانس تکیه نکنید. نیت خود را سازماندهی کنید، توصیفگرهای خود را refine کنید و کنترل فرآیند تولید را به دست بگیرید. وقتی آمادهاید این ساختارها را با بازخورد real-time تست کنید، از محیط dedicated ساخته شده برای این گردش کار استفاده کنید.