干货分享:用ChatGPT调教批量出Midjourney咒语,出图效率Nice ,附资料。

Prompts就是AI绘图的核心竞争力。

您是不是觉得用Midjourney生成的图不够完美?

又让ChatGPT去生成Prompt,然后效果还不理想?

其实ChatGPT你给他投喂资料后,经过调教的ChatGPT,生成的Prompt效果会很不错。

文末附《一整套MidJourney指令大全》+《ChatGPT prompt指令大全》资料

先看测试效果

干货分享:用ChatGPT调教批量出Midjourney咒语,出图效率Nice ,附资料。

调教经过

我:接下来我会发一个Midjourney的万能公式给你,请你学习一下,如果你理解了,请输出【明白了】,公式是:主体描绘 + 核心主体 + 主体动作 + 风格 + 光效 + 色彩 + 视角 + 质量 + 命令,下面是对公式中各个属性的讲解: 核心主体:人,如Young woman,Old male;动物,如Tiger老虎,Fox狐狸,Rooster公鸡;地方,如New York纽约市 ,Roman Colosseum罗马斗兽场,Stadium体育馆 主体描绘:Cute可爱,Gorgeous华丽,Mysterious神秘的,Full body全身 主体动作:“be doing”或“逗号+doing”,如 “Peppa is reading the newspaper” 佩奇在读报纸,“A girl, laughing, holding microphone”小女孩拿着麦克风大笑 风格:艺术风格,如Pixel art像素画风,minimalist极简主义;艺术家,如Pixar皮克斯工作室,Ghibli宫崎骏/吉卜力工作室;材质,如Frosted glass毛玻璃,Chrome metal铬金属 光效:Spotlight 聚光,Backlight逆光,Glowing neon霓虹灯 色彩:Warm color暖色调,Pastel color粉彩色,Dark Cyan深青色 视角:Closeup近景特写,Epic wide shot史诗广角,Low angle低角度仰拍 质量:Extremely detailed极为细致,UHD超高清,Realistic逼真 命令:图片尺寸“--ar [x]:[y]”,[x]为宽、[y]为高,如“--ar 16:9”、“--ar 3:4”;模型版本“--v [n]” ,[n]为数字,目前版本有1~5,以及Niji

ChatGPT:明白了

我:我希望你直接按照这个顺序【主体描绘 + 核心主体 + 主体动作 + 风格 + 光效 + 色彩 + 视角 + 质量 + 命令】,把Midjourney的关键词写出来,注意不要添加解释性的语言,公式中的每个属性直接用逗号隔开,例如Young woman,Cute,reading the newspaper,Pixel art,Spotlight ,Warm color,Closeup,Extremely detailed,--ar 2:3,请认真思考一下!如果你理解了,请输出【明白了】

ChatGPT:明白了

我:接下来的对话中,我会用【下一个提示词:内容】这个格式提问,请帮我把【内容】按照上面的格式要求输出,注意不要添加解释性的语言,如果你明白了,请输出【明白了】

ChatGPT:明白了

我:下一个提示词:金黄色的天空下,落日的余晖洒在了远方的大海上。站在海边的围栏边,一位穿着白色运动背心的中国模特正在享受这美妙的时刻。她的长发微微飘动,双手拿着手机,似乎在记录什么特殊的瞬间。她的美丽令人心醉神迷,仿佛阻挡不了这美好时刻流逝的速度。在这美丽的背景中,手机变得显得多余了,但同时又成为了记录这美好时刻的必要工具。这真是一个令人心驰神往的画面。(这段话我也是用ChatGPT生成的,实际上可以简化成:中国模特,夕阳,大海,栏杆)

ChatGPT:Gorgeous, Chinese model, wearing a white sporty tank top and standing by the seaside railing, holding a smartphone and capturing the moment, Realistic painting, Warm sunset light, Golden sky and ocean, Wide-angle, UHD, --ar 16:9

最后把这段咒语放到mj上生成即可。

干货分享:用ChatGPT调教批量出Midjourney咒语,出图效率Nice ,附资料。

干货分享:用ChatGPT调教批量出Midjourney咒语,出图效率Nice ,附资料。

附资料

效果还不错吧,你觉得还不够好,可以继续参考这个思路给他投喂资料哦

授人以鱼,不如授人以渔

一整套MidJourney指令大全 链接:https://pan.quark.cn/s/ff3827078a54 提取码:fdUi

ChatGPT prompt指令大全:

ChatGPT prompt指令大全

更多资料如下,点击获取:AI绘画资源免费分享(30G资料)

干货分享:用ChatGPT调教批量出Midjourney咒语,出图效率Nice ,附资料。

原文链接:https://www.cnblogs.com/aiaipro/p/17343735.html

本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:干货分享:用ChatGPT调教批量出Midjourney咒语,出图效率Nice ,附资料。 - Python技术站

(0)
上一篇 2023年4月22日
下一篇 2023年4月23日

相关文章

  • [机器学习]-分类问题常用评价指标、混淆矩阵及ROC曲线绘制方法

    分类问题 分类问题是人工智能领域中最常见的一类问题之一,掌握合适的评价指标,对模型进行恰当的评价,是至关重要的。 同样地,分割问题是像素级别的分类,除了mAcc、mIoU之外,也可以采用分类问题的一些指标来评价。 本文对分类问题的常见评价指标进行介绍,并附上利用sklearn库的python实现。 将从以下三个方面分别介绍: 常用评价指标 混淆矩阵绘制及评价…

    机器学习 2023年4月11日
    00
  • caffe编译报错解决

    添加ssd中的一些层之后,编译报错: ../lib/libcaffe.so.1.0.0-rc5:对‘boost::match_results<__gnu_cxx::__normal_iterator<char const*, std::__cxx11::basic_string<char, std::char_traits<char&…

    Caffe 2023年4月6日
    00
  • (转)如何用TensorLayer做目标检测的数据增强

    数据增强在机器学习中的作用不言而喻。和图片分类的数据增强不同,训练目标检测模型的数据增强在对图像做处理时,还需要对图片中每个目标的坐标做相应的处理。此外,位移、裁剪等操作还有可能使得一些目标在处理后只有一小部分区域保留在原图中,这需要额外的机制来判断是否需要去掉该目标来训练模型。为此TensorLayer 1.7.0(tf>=1.4 &&amp…

    2023年4月6日
    00
  • 机器学习实战读书笔记(一)机器学习基础

    http://sourceforge.net/projects/numpy/files/ 下载对应版本的numpy,到处下不到,找到一个没python2.7 用pip吧, pip install numpy 下载完毕,提示没装C++,意思是还要装VS2008,但装的是VS2012,只好去下载一个VC for python http://www.microso…

    机器学习 2023年4月12日
    00
  • 目标检测:介绍及传统方法

    计算机视觉中关于图像识别有四大类任务: 分类-Classification:解决”是什么?”的问题,即给定一张图片或一段视频判断里面包含什么类别的目标。 定位-Location:解决”在哪里?”的问题,即定位出这个目标的的位置。 检测-Detection:解决”是什么?在哪里?”的问题,即定位出这个目标的的位置并且知道目标物是什么。 分割-Segmentat…

    目标检测 2023年4月7日
    00
  • 离散卷积理论

    离散单位脉冲和单位阶跃信号 离散状态下的单位脉冲信号表达式如下所示: ![](https://img2018.cnblogs.com/blog/1590349/201903/1590349-20190309203335203-1307711148.png)离散状态下的单位阶跃序列表达式如下所示:![](https://img2018.cnblogs.com/…

    卷积神经网络 2023年4月6日
    00
  • Keras mlp 手写数字识别示例

    #基于mnist数据集的手写数字识别 #构造了三层全连接层组成的多层感知机,最后一层为输出层 #基于Keras 2.1.1 Tensorflow 1.4.0 代码: 1 import keras 2 from keras.datasets import mnist 3 from keras.models import Sequential 4 from ke…

    Keras 2023年4月8日
    00
  • PyTorch——(8) 正则化、动量、学习率、Dropout、BatchNorm

    @ 目录 正则化 L-1正则化实现 L-2正则化 动量 学习率衰减 当loss不在下降时的学习率衰减 固定循环的学习率衰减 Dropout Batch Norm L-1正则化实现 PyTorch没有L-1正则化,所以用下面的方法自己实现 L-2正则化 一般用L-2正则化weight_decay 表示\(\lambda\) 动量 moment参数设置上式中的\…

    2023年4月8日
    00
合作推广
合作推广
分享本页
返回顶部