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

  • ubuntu14安装TensorFlow

    网址:https://www.cnblogs.com/blog4matto/p/5581914.html 选择ubuntu14的原因:最初是想安装16的,后来发现总出问题,网上查了一下说是连着网线就可以了;连了网线以后发现问题没有解决,所以改成安装ubuntu14 2.安装anconda+tensorflow+pycharm 网址:https://blog.…

    tensorflow 2023年4月8日
    00
  • 《动手学深度学习Pytorch版》Task2-文本预处理、语言模型、循环神经网络

    课程链接:https://www.boyuai.com/elites/course/cZu18YmweLv10OeV 文本预处理 文本是一类序列数据,一篇文章可以看作是字符或单词的序列,本节将介绍文本数据的常见预处理步骤,预处理通常包括四个步骤: 读入文本 分词 建立字典,将每个词映射到一个唯一的索引(index) 将文本从词的序列转换为索引的序列,方便输入…

    2023年4月8日
    00
  • Pytorch快速入门及在线体验

    本文搭配了Pytorch在线环境,可以直接在线体验。 Pytorch是Facebook 的 AI 研究团队发布了一个基于 Python的科学计算包,旨在服务两类场合: 1.替代numpy发挥GPU潜能 ;2. 一个提供了高度灵活性和效率的深度学习实验性平台。 1.Pytorch简介 Pytorch是Facebook 的 AI 研究团队发布了一个基于 Pyth…

    2023年4月8日
    00
  • 转:图像处理之卷积概念

     如果你刚刚接触图像处理,或者离开大学很长时间,一看到卷积这个东西,肯定和我一样感到晕菜.那么就复习一下,并且实际的写个程序验证一下,我保证你这辈子不会再忘记卷积的概念了.我们来看一下一维卷积的概念.         连续空间的卷积定义是 f(x)与g(x)的卷积是 f(t-x)g(x) 在t从负无穷到正无穷的积分值.t-x要在f(x)定义域内,所以看上去很…

    卷积神经网络 2023年4月6日
    00
  • python_Tensorflow学习(三):TensorFlow学习基础

    import tensorflow as tf   # 1.1矩阵操作 sess = tf.InteractiveSession() x = tf.ones([2, 3], “float32”) print(“tf.ones():”, sess.run(x))   tensor = [[1, 2, 3], [4, 5, 6]] x = tf.ones_lik…

    tensorflow 2023年4月8日
    00
  • 使用 Keras + CNN 识别 CIFAR-10 照片图像

    import tensorflow as tf import numpy as np import math import timeit import matplotlib.pyplot as plt import matplotlib import os from keras.utils import np_utils from keras.models …

    2023年4月6日
    00
  • 目标检测(四)Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

    8作者:Shaoqing Ren, Kaiming He, Ross Girshick, and Jian Sun SPPnet、Fast R-CNN等目标检测算法已经大幅降低了目标检测网络的运行时间。可是尽管如此,仍然不能在工程上做到实时检测,这主要是因为region proposal computation耗时在整个网络用时中的占比较高。比如,Fast …

    目标检测 2023年4月7日
    00
  • 《机器学习基石》—验证

    本节涉及的知识点: (1)用验证来选择参数和模型; (2)验证的流程; (3)验证集大小的选择; (4)留一交叉验证的流程; (5)留一交叉验证的理论保证; (6)留一交叉验证的缺点; (7)k折交叉验证的流程。   我们可以用验证来从如下的组合中做选择:   验证的流程是:先划分训练集Dt和验证集Dv,在训练集上选择不同的模型和参数做训练,得到不同的模型。…

    机器学习 2023年4月12日
    00
合作推广
合作推广
分享本页
返回顶部