【MIdjourne基础】 |MIdjourney基础参数全解析,各类辅助知识

文章目录

  • 1 参数列表
    • 1.1 基础参数列表
  • 2 基础参数详解
    • 2.1 模型版本选择
    • 2.2 模型出图模式选择
    • 2.3 基础生图参数
      • 2.3.1 --ar
      • 2.3.2 --stylize
      • 2.3.3 --no
      • 2.3.4 --chaos
      • 2.3.5 --quality
      • 2.3.6 --stop
      • 2.3.7 --hd
      • 2.3.8 --repeat

1 参数列表

1.1 基础参数列表

模型版本选择

目标参数作用示例
动漫风格--niji使得出图偏动漫风格–niji 5
模型版本-v更改模型版本-v 5.2 用5.2版本的模型

模型模式选择

目标参数作用示例
调整快出图模式--fast用“快模式”出图 fast mode,出图较快–fast
调整正常出图模式--relax用“正常出图模式” relax mode,出图较慢–relax
调整旋风出图模式--turbo用“旋风出图模式”,出图最快–turbo

基础生图参数

目标参数作用示例
纵横比--ar 或者 --aspect更改生成图像的宽高比例,范围【1:3-3:1】–ar 16:9
风格化--stylize 或--s使用 stylize 参数可以让 Midjourney 生成更加具有艺术色彩、构图和形式的图像。低风格化值生成的图像与提示密切相关,但艺术性较差;高风格化值产生的图像非常有艺术性,但与提示的关联性也较少,AI 会有更多的空间自由发挥。 范围【0-1000】–s 50
否定词--no可以让画面中不出现某些内容,有多个不出现的内容时候用逗号分割–no sky图像中不出现天空
混沌--c 或者 --chaos影响结果的变化程度,取值越高,生成的图片(风格,构图)差异就会越大,数值范围【0-100】,默认值是0,注意这个生成四张图片内部的差异–chaos 60 混沌程度60
质量--quality或者--q设置生成图像的质量,越高的生成质量意味着需要花费更长的时间,数值范围 【.25/.5 /1】–q .25 生成速度最快,但细节也最少
--stopstop 参数可以让图像在渲染过程的某一步中止,然后直接出图。如果不做任何 stop 参数设置,得到的图像是非常清晰详实的,其的生成步数为 100,以此类推生成的步数越少,停止渲染的时间就越早,生成的图像也就越模糊。范围 【10-100】–stop 80
高清--hd高清,可以生成更大更清晰的图像提示词结尾加–hd
重复--repeat重复绘画,范围是【1-40】–repeat 4 表示重复4次

这一节我们主要介绍基础参数列表中的内容~,进阶参数列表的内容我们放在下一节内容详细讲解

2 基础参数详解

2.1 模型版本选择

MIdjourney模型主要有

v1,v2,v3,v4,v5,v5.1,v5.2 最近又发布了最新的v6,还有偏二次元的niji模型

一般来说,越往后的模型能力越强,出的图越优质,理解提示词的能力也越强,但是现在v6处于测试期间,因而可能速度慢,效果不太稳定

所以一般情况下,用v5系列开头的是最佳选择,画二次元风格选择 niji第五代模型

在提示词后面加

--v 5.2     

调整niji模型的时候,就不要加v了 ,直接接niji和版本号

--niji 5

如下图所示

在这里插入图片描述

当然,一般我们不用这个参数来调整模型,因为我们很多时候只用一个模型,这时候用/settings 命令设置选择一个默认模型即可

当我们选好了默认模型,偶尔需要一下其他模型我们才会用到这个参数

2.2 模型出图模式选择

MIdjourney有三种出图模式,每种模式的出图速度不一样,快的出图方式往往需要耗费Fast Time,通过/info命令可以查看自己的Fast time还剩余多少

在这里插入图片描述

三种模式分别是

–relax 轻松模式,最慢的出图方式

–fast 快速模式,出图最快

–turbo 涡轮模式 最快的模式,一般不怎么用,因为他会耗费较多的fast的时间

可以如下图进行
在这里插入图片描述

2.3 基础生图参数

2.3.1 --ar

更改生成图像的宽高比例,范围【1:3-3:1】

例如 --ar 16:9 代表宽比高为16:9

注意:

  1. 默认情况下是1:1 也就是一个方形的一个图片
  2. 比例必须是整数,不能是小数,比如不可以是1.91:1 必须是 191:100
  3. 当放大图片时,有些长宽比可能会发生轻微的改变。比如 --ar 16:9(1.75) 最终生成的图片可能是 7:4(1.74)

一些常见的比例,我们可以根据需求调整

  • 5:4 多用于传统打印
  • 3:2 多用于照片打印
  • 7:4 比例接近于 HD TV 的比例,或者是智能手机

在这里插入图片描述

2.3.2 --stylize

使用 stylize 参数可以让 Midjourney 生成更加具有艺术色彩、构图和形式的图像。

  • 低风格化值生成的图像与提示密切相关,但艺术性较差;

  • 高风格化值产生的图像非常有艺术性,但与提示的关联性也较少,AI 会有更多的空间自由发挥。

    范围【0-1000】

在这里插入图片描述

可见,当stylize高的时候,会给加很多艺术化的内容,和提示词无关的内容

2.3.3 --no

当我们不想让图片中生成某些元素的时候,就要用–no参数,不能直接在提示词中加no,是没有用的

比如,我们直接在提示词中加no apples ,可见他还会是生成apples,而且生成了很多

在这里插入图片描述

但我们在参数里添加

在这里插入图片描述

2.3.4 --chaos

影响结果的变化程度,取值越高,生成的图片(风格,构图)差异就会越大,数值范围【0-100】,默认值是0,注意这个生成四张图片内部的差异

我们举官方一个例子

下图是chaos比较低的样子

在这里插入图片描述

可见四张图基本风格差不多

下图是chaos比较高的时候

在这里插入图片描述

可见差异很大了

所以当我们需要探索一些有趣的风格的时候,可以把chaos调大

2.3.5 --quality

质量决定着生产图的细节丰富度,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,默认值是1

我们可以设置范围【.25/.5 /1】

在这里插入图片描述

2.3.6 --stop

stop相当于生产过程中途停止,我们都知道MIdjourney是一点点扩散来的,那么中途停止就会有一种朦胧的美感

默认值是100,范围 【10-100】在这里插入图片描述

2.3.7 --hd

–hd其实就是高清,可以增大生成图的分辨率,但一般用到的不多,可以通过放大替代

2.3.8 --repeat

–repeat 代表重复生成x次

注意 --repeat只能利用 fast time 如果这个用完了,则不能用–repeat参数

对于不同价格的订阅用户 --repeat的生成也不同

  • 基础订阅 2-4
  • 标准订阅 2-10
  • 尊贵订阅 2-40

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.mfbz.cn/a/354766.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

什么是微服务?(微服务的技术栈)

微服务是一种架构风格,它将一个单一的应用拆分为多个小型的服务,每个服务运行在自己的进程中,服务间采用轻量级的通信机制(如HTTP/webservice等)。这些服务围绕业务能力构建,并且可以全自动独立部署。微服务…

PageHelper 分页逻辑 源码解析

一、PageHelper PageHelper 是一个用于在 MyBatis 中进行分页查询的开源分页插件。它能够方便地帮助开发者处理分页查询的逻辑,简化代码,并提高开发效率。PageHelper 支持多种数据库,包括 MySQL、Oracle、PostgreSQL 等。 PageHelper 的实现…

了解OpenCV的数据类型

OpenCV是一个开源的计算机视觉库,广泛应用于图像和视频处理领域。在OpenCV中,数据类型扮演着非常重要的角色,它们决定了数据的存储方式和操作方式。本文将介绍OpenCV中常见的数据类型,包括图像数据类型、矩阵数据类型和轮廓数据类…

使用Python和ffmpeg旋转WebM视频并保存为MP4文件

简介: 在本篇博客中,我们将介绍如何使用Python编写一个程序,结合wxPython和ffmpeg模块,来旋转WebM视频文件并将其保存为MP4格式。我们将使用wxPython提供的文件选择对话框来选择输入和输出文件,并使用ffmpeg库来进行视频旋转操作。…

IS-IS:09 ISIS路由过滤

在IS-IS 网络中,有时需要使用 filter-policy 工具对 IS-IS 路由进行过滤。这里所说的过滤,是指路由器在将自己IS-IS 路由表中的某些 IS-IS 路由纳入进自己的 IP 路由表的过程,一些满足了过滤条件的 IS-IS 路由将被限制纳入 IP 路由表中。 需要…

程序员该懂的一些测试(四)测试覆盖率

测试覆盖率通常被用来衡量测试的充分性和完整性,从广义的角度来讲,测试覆盖率主要分 为两大类,一类是面向项目的需求覆盖率,另一类是更偏向技术的代码覆盖率。 需求覆盖率 需求覆盖率是指测试对需求的覆盖程度,通常的…

Linux 驱动开发基础知识——总线设备驱动模型(七)

个人名片: 🦁作者简介:学生 🐯个人主页:妄北y 🐧个人QQ:2061314755 🐻个人邮箱:2061314755qq.com 🦉个人WeChat:Vir2021GKBS 🐼本文由…

C++ //练习 3.5 编写一段程序从标准输入中读入多个字符串并将它们连接在一起,输出连接成的大字符串。然后修改上述程序,用空格把输入的多个字符串分隔开来。

C Primer(第5版) 练习 3.5 练习 3.5 编写一段程序从标准输入中读入多个字符串并将它们连接在一起,输出连接成的大字符串。然后修改上述程序,用空格把输入的多个字符串分隔开来。 环境:Linux Ubuntu(云服务…

.NET高级面试指南专题三【线程和进程】

在C#中,线程(Thread)和进程(Process)是多任务编程中的重要概念,它们用于实现并发执行和多任务处理。 进程(Process): 定义: 进程是正在运行的程序的实例&…

ThinkPhp3.2(qidian)部署文档

宝塔环境部署 申请域名以及域名解析 具体配置,可百度之 在宝塔面板中创建网站 上传代码导入数据配置运行目录 注意:(如果版本:thinkphp3.2 )配置 运行目录要特别注意:运行目录要选择根目录“/”&#xff…

【c++】类和对象 - 类的引入和定义

1.类的引入 C语言结构体中只能定义变量,在C中,结构体内不仅可以定义变量,也可以定义函数。比如:之前在数据结构初阶中,用C语言方式实现的栈,结构体中只能定义变量;现在以C方式实现,…

报错:AttributeError: ‘str‘ object has no attribute ‘decode‘

original_keras_version f.attrs[‘keras_version’].decode(‘utf8’) AttributeError: ‘str’ object has no attribute ‘decode’ 1、问题描述 original_keras_version f.attrs[keras_version].decode(utf8) AttributeError: str object has no attribute decode2、原…

【英语趣味游戏】填字谜(Crossword)第1天

谜题出处 柯林斯字谜大全(6),Collins——Big Book of Crosswords(Book 6) Puzzle Number: 114 本期单词 横向 1、Situation involving danger (4) 包含危险的情境,4个字母 答案:Risk&#xff…

Spark写入kafka(批数据和流式)

Spark写入(批数据和流式处理) Spark写入kafka批处理 写入kafka基础 # spark写入数据到kafka from pyspark.sql import SparkSession,functions as Fss SparkSession.builder.getOrCreate()# 创建df数据 df ss.createDataFrame([[9, 王五, 21, 男], […

面试篇-SpringBoot自动配置原理

在Spring Boot中,自动装配是一种强大的功能,它允许开发者快速、简单地配置和管理应用程序的组件。以下是对Spring Boot自动装配原理的详细解释: Spring BootApplication注解源码: SpringBootApplication注解是一个复合注解&#x…

leetcode—课程表 拓扑排序

1 题目描述 你这个学期必须选修 numCourses 门课程,记为 0 到 numCourses - 1 。 在选修某些课程之前需要一些先修课程。 先修课程按数组 prerequisites 给出,其中 prerequisites[i] [ai, bi] ,表示如果要学习课程 ai 则 必须 先学习课程 …

旋转编码器SIQ-02FVS3驱动(AuroraFOC)

一. 简介 本次将基于AuroraFOC开发板,来教大家如何将旋转编码器按键优雅地使用起来,为大家开发多功能按键提供一种思路。 开发环境 STM32CubeMX HAL库Clion 作者: FPGA之旅(ValentineHP) 二. 原理(图)介绍 旋转编码器按键原理图如下,它…

《动手学深度学习(PyTorch版)》笔记3.1

Chapter3 Linear Neural Networks 3.1 Linear Regression 3.1.1 Basic Concepts 我们通常使用 n n n来表示数据集中的样本数。对索引为 i i i的样本,其输入表示为 x ( i ) [ x 1 ( i ) , x 2 ( i ) , . . . , x n ( i ) ] ⊤ \mathbf{x}^{(i)} [x_1^{(i)}, x_2…

【cdh】hive执行SQL提示缺少3.0.0-cdh6.3.2-mr-framework.tar.gz文件

问题:执行SQL报错提示缺少文件 异常信息如下 在hdfs上查看的时候连文件夹都没有,所以这个异常会抛出,但是我是基于CDH搭建的,可以直接基于下面操作 执行完成之后查看HDFS文件 重新执行SQL发现可以正常执行了

ad18学习笔记十六:v割

所谓“V割”是印刷电路板(PCB)厂商依据客户的图纸要求,事先在PCB的特定位置用转盘刀具切割好的一条条分割线,其目的是为了方便后续SMT电路板组装完成后的分板之用,因为其切割后的外型看起来就像个英文的“V”字型&…
最新文章