Buckets:
| # Prompting | |
| Prompts descrevem o que um modelo deve gerar. Bons prompts são detalhados, específicos e estruturados, e geram imagens e vídeos melhores. | |
| Este guia mostra como escrever prompts eficazes e apresenta técnicas que os tornam mais fortes. | |
| ## Escrevendo bons prompts | |
| Todo prompt eficaz precisa de três elementos centrais. | |
| 1. Assunto - o que você deseja gerar. Comece seu prompt aqui. | |
| 2. Estilo - o meio ou a estética. Como deve ser a aparência? | |
| 3. Contexto - detalhes sobre ações, cenário e humor. | |
| Use esses elementos como uma narrativa estruturada, não como uma lista de palavras-chave. Modelos modernos compreendem melhor a linguagem do que a correspondência de palavras-chave. Comece simples e, em seguida, adicione detalhes. | |
| O contexto é especialmente importante para criar prompts melhores. Tente adicionar iluminação, detalhes artísticos e atmosfera. | |
| gato fofo relaxa em uma folha em uma piscina durante uma tranquila tarde de verão, em estilo de arte lofi, ilustração. | |
| Um gato fofo se deita em uma folha flutuante em uma piscina cintilante durante uma tranquila tarde de verão. Reflexos claros ondulam na superfície da água, com a luz do sol projetando destaques suaves e delicados. A ilustração é detalhada e polida, com linhas elegantes e cores harmoniosas, evocando um clima lofi relaxante, sereno e lúdico, inspirado no anime e visualmente acolhedor. | |
| Seja específico e adicione contexto. Use termos de fotografia, como tipo de lente, distância focal, ângulos da câmera e profundidade de campo. | |
| > [!TIP] | |
| > Experimente um [prompt enhancer](https://huggingface.co/models?sort=downloads&search=prompt+enhancer) para ajudar a melhorar a estrutura do seu prompt. | |
| ## Orientação e negativos | |
| A maioria dos pipelines do Diffusers ainda controla a amostragem com classifier-free guidance e um `negative_prompt` opcional. | |
| Em pipelines da família Stable Diffusion, passe `guidance_scale` e `negative_prompt`. Valores maiores de `guidance_scale` seguem o prompt com mais fidelidade. Valores muito altos podem resultar em aparência não natural ou super saturada. | |
| ```py | |
| import torch | |
| from diffusers import DiffusionPipeline | |
| pipeline = DiffusionPipeline.from_pretrained( | |
| "stable-diffusion-v1-5/stable-diffusion-v1-5", dtype=torch.float16, device_map="cuda" # or "mps", "xpu", "cpu" | |
| ) | |
| image = pipeline( | |
| prompt="a cozy reading nook with afternoon light", | |
| negative_prompt="blurry, low quality, distorted", | |
| guidance_scale=7.5, | |
| ).images[0] | |
| ``` | |
| Em checkpoints mais recentes, como Qwen-Image e Flux, o CFG clássico geralmente é `true_cfg_scale` junto com `negative_prompt`. Os negativos ainda se aplicam quando o true CFG está habilitado (`true_cfg_scale > 1` e um `negative_prompt`). O argumento `guidance_scale` é um guidance destilado ou embutido quando o transformer o suporta, o que não é a mesma coisa. Verifique a API do pipeline para o modelo que você carrega. | |
| Modular Diffusers pode substituir o algoritmo de orientação por um guiar. Veja [Guias](./guiders). | |
| ## Ponderação de prompts | |
| O ponderamento de prompts torna algumas palavras mais fortes e outras mais fracas. Ele escala as pontuações de atenção para que você controle a influência de cada conceito. | |
| Diffusers lida com isso por meio dos argumentos `prompt_embeds` e `pooled_prompt_embeds`, que aceitam vetores de incorporação de texto escalados. Use a biblioteca [sd_embed](https://github.com/xhinker/sd_embed) para gerar essas incorporações. Ele também suporta prompts mais longos. Para ponderação de famílias Stable Diffusion com uma sintaxe mais simples, você também pode usar [Compel](https://github.com/damian0815/compel). | |
| > [!NOTE] | |
| > A biblioteca sd_embed suporta apenas Stable Diffusion, Stable Diffusion XL, Stable Diffusion 3, Stable Cascade e Flux. A ponderação de prompts nem sempre é útil em modelos da classe Flux, que já seguem os prompts de perto. | |
| ```shell | |
| uv pip install git+https://github.com/xhinker/sd_embed.git@main | |
| ``` | |
| Formate texto ponderado com multiplicadores numéricos ou parênteses. Mais parênteses significam ponderação mais forte. | |
| | format | multiplicador | | |
| |---|---| | |
| | `(cat)` | aumentar em 1,1x | | |
| | `((cat))` | aumentar em 1,21x | | |
| | `(cat:1.5)` | aumentar em 1,5x | | |
| | `(cat:0.5)` | defina o peso para 0,5× | | |
| Crie um prompt ponderado e passe-o para [get_weighted_text_embeddings_sdxl](https://github.com/xhinker/sd_embed/blob/4a47f71150a22942fa606fb741a1c971d95ba56f/src/sd_embed/embedding_funcs.py#L405) para gerar embeddings. | |
| > [!TIP] | |
| > Você também pode passar prompts negativos para `negative_prompt_embeds` e `negative_pooled_prompt_embeds`. | |
| ```py | |
| import torch | |
| from diffusers import DiffusionPipeline | |
| from sd_embed.embedding_funcs import get_weighted_text_embeddings_sdxl | |
| pipeline = DiffusionPipeline.from_pretrained( | |
| "Lykon/dreamshaper-xl-1-0", dtype=torch.bfloat16, device_map="cuda" # or "mps", "xpu", "cpu" | |
| ) | |
| prompt = """ | |
| A (cute cat:1.4) lounges on a (floating leaf:1.2) in a (sparkling pool:1.1) during a peaceful summer afternoon. | |
| Gentle ripples reflect pastel skies, while (sunlight:1.1) casts soft highlights. The illustration is smooth and polished | |
| with elegant, sketchy lines and subtle gradients, evoking a ((whimsical, nostalgic, dreamy lofi atmosphere:2.0)), | |
| (anime-inspired:1.6), calming, comforting, and visually serene. | |
| """ | |
| prompt_embeds, _, pooled_prompt_embeds, *_ = get_weighted_text_embeddings_sdxl(pipeline, prompt=prompt) | |
| ``` | |
| Passe os embeddings para `prompt_embeds` e `pooled_prompt_embeds` para gerar sua imagem. | |
| ```py | |
| image = pipeline(prompt_embeds=prompt_embeds, pooled_prompt_embeds=pooled_prompt_embeds).images[0] | |
| ``` | |
Xet Storage Details
- Size:
- 5.7 kB
- Xet hash:
- 78da53cd3c5c528f99a63f2ce50ecb091d1d52c28bd96bcc9ff627b34d6cfaa1
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.