Learn Prompt- Midjourney 图片生成:基本设置和预设

/settings指令为模型版本、样式值、质量值和升级器版本等常用选项提供切换按钮。

备注

添加到提示末尾的参数将覆盖/settings中的设置。

MJ_settings

模型版本​

  • 1️⃣ MJ Version 1
  • 2️⃣ MJ Version 2
  • 3️⃣ MJ Version 3
  • 4️⃣ MJ Version 4
  • 5️⃣ MJ Version 5
  • 🌈 Niji Mode
  • 🤖MJ Test
  • 📷 MJ Test Photo

这些按钮可用于设置使用的模型版本。MJ Version 5只适用于有Midjourney订阅的用户

Midjourney 预设默认为最新型号。切换模型的方式有两种:

  • 在提示后面添加--version [v1|v2|v3|v4|v5]。(version可以缩写成v)
  • 使用/settings指令并选择型号版本。

V5​

V5 模型是2023 年 3 月 15 日发布的最新最先进的模型。要使用此模型,将参数--v 5添加到提示末尾,或使用 /settings 指令并选择 5️⃣ MJ Version 5。该模型具有非常高的Coherency,擅长解释自然语言提示,分辨率更高。

MJ_V5_VibrantCaliforniaPoppies

vibrant California poppies --v 5

V4​

V4 模型是我们现在用的最多的版本,它拥有更多关于生物、地点、物体等的知识。它更擅长正确处理小细节,并且可以处理包含多个角色或对象的复杂提示。

MJ_V4a

vibrant California poppies

v4 风格切换 4a,4b,4c​

Midjourney Model Version 4 具有三种略有不同的“风格”,对模型的风格调整进行了细微调整。通过在 V4 提示末尾添加--style 4a、--style 4b或来试验这些版本。

  1. --v 4 --style 4c是当前默认值,不需要添加到提示末尾。
  2. --style 4a且--style 4b仅支持 1:1、2:3 和 3:2 纵横比。
  3. --style 4c支持高达 1:2 或 2:1 的纵横比。
图片提示

MJ_V4a_4

vibrant California poppies --style 4a

MJ_V4b_4

vibrant California poppies --style 4b

MJ_V4c_4

vibrant California poppies --style 4c

Niji​

该模型是 Midjourney 和 Spellbrush niji之间的合作,经过调整可以制作动画和插图风格。该模型对动漫风格和动漫美学有更多的了解。一般来说,它在动态和动作镜头以及以角色为中心的构图方面表现出色。

提示

图片提示

MJ_4c

California poppies

MJ_Niji

California poppies --niji

V5版 Niji​

Niji Version 5 模型是最新和最先进的 Niji 模型。要使用此模型,你可以将 --niji 5 参数添加到提示的末尾,或使用指令 /settings 并选择 5️🍏 Niji version 5。Niji Model Version 5 还可以通过 --style 以实现独特的外观。尝试 --style expressive 或 --style cute

图片提示

MJ_Niji5

birds perching on a twig --niji 5

MJ_Niji5_expressive

birds perching on a twig --niji 5 --style expressive

MJ_Niji5_cute

birds perching on a twig --niji 5 --style cute

图片质量​

MJ_settings

  • 🔥 Half Quality
  • 🔥 Base Quality
  • 🔥 High Quality (2x cost)

Half Quality = --q .5, Base Quality = --q 1, High Quality = --q 2.

--quality指令(可简写为--q)是用于修改生成图像所需的时间。更高质量的设置需要更长的时间来处理并产生更多的细节。质量设置不影响分辨率

图片quality

MJ_V5_Quality_025

--quality .25

MJ_V5_Quality_05

--quality .5

MJ_V5_Quality_1

--quality 1
  • --quality默认值为 1。
  • --quality接受以下值:.25、.5 和 1。较大的值将向下舍入为 1。
  • --quality仅影响初始图像生成。
  • --quality适用于模型版本1、2、3、4、5 和 niji。

更高的--quality并不总是更好。有时较低的--quality可以产生更好的结果

Remix​

使用Remix模式更改提示、参数、模型版本或变体之间的纵横比。Remix 将采用起始图像的一般构图,并将其用作新工作的一部分。

  • 使用/prefer remix指令
  • 使用/settings命令并切换按钮激活混音模式 🎛️ Remix Mode

Remix的使用主要分为三个步骤

  1. 打开Remix模式,选择图像网格或者升级后的图像来Remix
  2. 选择“Make Variations” ,在弹出窗口中修改或输入新的提示。
  3. Midjourney Bot 使用受原始图像影响的新提示生成图像。

remix

个人觉得在复杂构图上比较好用。

隐私 & 生成速度​

下面四个参数都属于订阅用户才能设置的。

🧍‍♂️Public 🕵️ Stealth

在公共模式和隐身模式之间切换。对应于/public/stealth指令。公共模型下,你生成的照片所有人可见;隐身模型则相反。

🐇 Fast 🐢 Relax

在 Fast 和 Relaxed 模式之间切换。对应于/fast和/relax命令。Fast 模式会消耗订阅用户的GPU使用时间。超过套餐内时长会自动切换成 Relax。

自定义首选项​

使用 /prefer 指令创建自定义选项,以自动将常用参数添加到提示末尾。

  • /prefer auto_dm 完成的工作会自动发送到直接消息
  • /prefer option 创建或管理自定义选项。
  • /prefer option list查看你当前的自定义选项。
  • /prefer suffix 指定要添加到每个提示末尾的后缀。

偏好选项​

/prefer option set <name> <value> 

创建可用于将多个参数快速添加到提示末尾的自定义参数。

  1. 第一步:创建自定义短语 

    PreferOptionSet

  2. 第二步:使用/imagine prompt vibrant California poppies --mine, 将会被解释为/imagine prompt vibrant California poppies --hd --ar 7:4

  3. 列出所有自定义短语 /prefer option list

列出使用创建的所有选项prefer option set. 用户最多可以有 20 个自定义选项。 

PreferOptionSet

  1. 删除自定义短语 要删除自定义短语,使用
/prefer option set <name to delete>

首选后缀​

/prefer suffix在所有提示后自动附加指定的后缀。使用不带值的命令进行复位。

添加后缀示例:/prefer suffix --uplight --video

复位示例:/prefer suffix

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.hqwc.cn/news/116286.html

如若内容造成侵权/违法违规/事实不符,请联系编程知识网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

数据结构与算法-时间复杂度与空间复杂度

数据结构与算法 &#x1f388;1.概论&#x1f52d;1.1什么是数据结构&#xff1f;&#x1f52d;1.2什么是算法&#xff1f; &#x1f388;2.算法效率&#x1f52d;2.1如何衡量一个算法的好坏&#xff1f;&#x1f52d;2.2算法的复杂度&#x1f52d;2.3时间复杂度&#x1f4d6;2…

Swift SwiftUI 隐藏键盘

如果仅支持 iOS 15 及更高版本&#xff0c;则可以通过聚焦和取消聚焦来激活和关闭文本字段的键盘。 在最简单的形式中&#xff0c;这是使用 FocusState 属性包装器和 focusable() 修饰符完成的-第一个存储一个布尔值&#xff0c;用于跟踪第二个当前是否被聚焦。 Code struct C…

分类预测 | MATLAB实现WOA-CNN-GRU-Attention数据分类预测

分类预测 | MATLAB实现WOA-CNN-GRU-Attention数据分类预测 目录 分类预测 | MATLAB实现WOA-CNN-GRU-Attention数据分类预测分类效果基本描述模型描述程序设计参考资料 分类效果 基本描述 1.MATLAB实现WOA-CNN-GRU-Attention数据分类预测&#xff0c;运行环境Matlab2021b及以上&…

使用python处理MNIST数据集

文章目录 一. MNIST数据集1.1 什么是MNIST数据集1.2MNIST数据集文件格式1.3使用python访问MNIST数据集文件内容 附录程序源码 一. MNIST数据集 1.1 什么是MNIST数据集 MNIST数据集是入门机器学习/识别模式的最经典数据集之一。最早于1998年Yan Lecun在论文:[Gradient-based l…

yolo增加slide loss,改善样本不平衡问题

slide loss的主要作用是让模型更加关注难例&#xff0c;可以轻微的改善模型在难例检测上的效果 论文地址&#xff1a;https://arxiv.org/pdf/2208.02019.pdf 代码&#xff1a;GitHub - Krasjet-Yu/YOLO-FaceV2: YOLO-FaceV2: A Scale and Occlusion Aware Face Detector 样本不…

2023年“羊城杯”网络安全大赛 决赛 AWDP [Break+Fix] Web方向题解wp 全

终于迎来了我的第一百篇文章。 这次决赛赛制是AWDP。BreakFix&#xff0c;其实就是CTFFix&#xff0c;Fix规则有点难崩。Break和Fix题目是一样的。 总结一下&#xff1a;败北&#xff0c;还是太菜了得继续修炼一下。 一、Break ezSSTI 看到是SSTI&#xff0c;焚靖直接一把梭…

软件设计模式系列之十三——享元模式

1 模式的定义 享元模式&#xff08;Flyweight Pattern&#xff09;是一种结构型设计模式&#xff0c;它旨在减少内存占用或计算开销&#xff0c;通过共享大量细粒度对象来提高系统的性能。这种模式适用于存在大量相似对象实例&#xff0c;但它们的状态可以外部化&#xff08;e…

2023华为杯数学建模竞赛E题

一、前言 颅内出血&#xff08;ICH&#xff09;是由多种原因引起的颅腔内出血性疾病&#xff0c;既包括自发性出血&#xff0c;又包括创伤导致的继发性出血&#xff0c;诊断与治疗涉及神经外科、神经内科、重症医学科、康复科等多个学科&#xff0c;是临床医师面临的重要挑战。…

免费获取独立ChatGPT账户!!

GPT对于每个科研人员已经成为不可或缺的辅助工具&#xff0c;不同的研究领域和项目具有不同的需求。如在科研编程、绘图领域&#xff1a;1、编程建议和示例代码: 无论你使用的编程语言是Python、R、MATLAB还是其他语言&#xff0c;都可以为你提供相关的代码示例。2、数据可视化…

2023 年 Android 毕业设计选题推荐,200 道 Android 毕业设计题目,避免踩坑

前言 选择一个Android毕业设计题目是一个重要的决策&#xff0c;它将影响你未来几个月的工作。以下是一些关于如何选择一个合适的Android毕业设计题目以及如何避免踩坑的建议&#xff1a; 兴趣和热情&#xff1a;首先&#xff0c;选择你真正感兴趣的领域。如果你对某个领域充…

Python:Django框架的Hello wrold示例

Django是Python的目前很常用的web框架&#xff0c;遵循MVC设计模式。 以下介绍如何安装Django框架&#xff0c;并生成最简单的项目&#xff0c;输出Hello world。(开发工具VScode) 一、安装Django 在VScode终端控制台执行以下指令安装Django python install django 如果要查…

相机有俯仰角时如何将像素坐标正确转换到其他坐标系

一般像素坐标系转相机坐标系都是默认相机是水平的&#xff0c;没有考虑相机有俯仰角的情况&#xff0c;大致的过程是&#xff1a;像素坐标系统-->图像坐标系-->相机坐标系 ->世界坐标系或雷达坐标系: 像素坐标系 像素坐标系&#xff08;u&#xff0c;v&#xff09;是…