当前位置：首页 > news >正文

[AI绘画]sd学习记录(一)软件安装以及文生图界面初识、提示词写法

news 来源：原创 2025/6/7 14:50:20

一、安装软件
- 运行界面
二、文生图各部分模块
- 1. 下载新模型 & 画出第一张图
- 2. 提示词输入
  - 2.1 设置
  - 2.2 扩展模型
  - 2.3 扩展模型权重调整
  - 2.4 其他提示词输入
  - 2.5 负向提示词
  - 2.6 生成参考
- 3. 采样方法
- 4. 噪声调度器
- 5. 迭代步数
- 6. 提示词引导系数 CFG Scale

一、安装软件

软件安装：https://mp.weixin.qq.com/s/JCN5H7op35wfQpyvSMAeow，教程非常详细，按照步骤一步步操作即可。

运行界面

启动器

绘图UI界面

二、文生图各部分模块

1. 下载新模型 & 画出第一张图

我们的启动器自带模型下载功能，但下载体验不是很好，个人更倾向于把它当成一个检索台，真正下载时可以点击"复制链接"然后去对应网址下载（绝大多数是huggingface链接，需要科学上网），然后保存到安装目录model下的对应子文件夹中。例如下载的stable diffusion模型应放到models/Stable_diffusion文件夹，其他类型同理。

也可以去huggingface或https://civitai.com/等开源平台直接下载。

如图所示，根据下载文件的类型，需放到不同的目录文件夹下。

下载完成后，在左上角点击刷新，即可切换到新下载的模型。

切换到想要的模型后，在正向提示词框中输入你想要绘制的内容，在反向提示词框中输入你不希望出现的元素，然后点击橙色的生成按钮，就可以绘制出你的第一张AI图像了！

比如：在正向提示词里输入简单的"a cat"

你就能成功得到一只猫咪！

在宽度和高度区域可以设置想要生成的图片尺寸（我选择了707x1000，模拟A4纸1： $\sqrt{2}$ 的长宽比）

在这里可以设置总批次数和单批数量（总共生成a次，每次b张，最终会有a*b张图片。注意单批数量很消耗显存，4GB显存建议设为1，8GB显存不要超过3）

接下来是界面顶部的三个重要参数：SD模型，VAE模型和CLIP终止层数。SD模型决定整个生成的基调，需要根据你的创作领域选择合适的模型，上面提到的下载功能主要就是用来获取这些SD模型。

"外挂 VAE 模型"的作用是修正色彩偏差、强化风格特征、修复细节丢失，不同的VAE会让同样的提示词生成出在色调、质感上截然不同的图像。软件自带两个VAE模型，简介如下：

animevae.pt：
专为二次元风格优化的VAE，非常适合生成动漫和插画，能让色彩更加鲜亮，线条更加清晰硬朗。

vae-ft-mse-840000-ema-pruned.safetensors：
通用型VAE（常被称为"SD 1.5官方VAE"），对写实和二次元都有良好适配性，细节还原度高，尤其擅长解决"画面发灰"问题。

CLIP负责文本与图像的语义对齐，其终止层数直接影响文本与图像的关联强度，控制模型对提示词的理解深度。层数设置越低，创作自由度越高，但可能导致提示内容丢失甚至被完全忽略；层数越高，模型会更加关注提示词的细节，生成内容也会更贴合提示词要求。

不过要注意，如果你的提示词过于简单模糊（例如仅有"a girl"），不建议将CLIP层数设太高，否则因为"过度抠细节"，可能导致画面崩坏，产生奇怪的"古神级"作品。

例如我只输入简单的"a cat"，将CLIP层数设为12，看看结果：完全进入古神领域了

CLIP层数设为8时：

CLIP层数设为4时：

CLIP层数设为1时：可以看到，提示词"a cat"中的"a"甚至已经被忽略了

因此，当你的提示词非常明确或希望AI绘画结果更加贴合提示词、减少发散时，可以适当提高CLIP层数；反之则可以降低CLIP层数以获得更有创意的结果。

2. 提示词输入

2.1 设置

提示词右侧的小按钮从左到右分别是：语言、设置、历史记录、收藏列表、翻译关键词、复制关键词、删除关键词，将鼠标悬停在按钮上时会显示详细说明。

当鼠标停留在设置按钮上时，右侧会弹出一系列设置选项。调色盘图标用于更换界面样式，可以选择一个你喜欢的风格。再往右的太阳图标则用于切换深色与浅色主题，个人认为深色主题更加美观。

浅色主题预览效果：

强烈建议将设置修改为"最后输入的提示词"，否则软件卡顿或刷新后，你精心编写的提示词可能会丢失，需要重新输入。

2.2 扩展模型

点击提示词左侧的箭头，会出现如下界面，这是内置了GitHub上开源仓库的快捷选择界面，能帮助你快速添加常用提示词！

首先简单介绍一下扩展模型的概念：它们是加载在基础大模型之上的辅助模型，通过添加少量可训练参数来适应特定任务，简单来说就是能快速转变生成风格。这些模型可以在启动器的模型下载界面获取。主要有三种类型的扩展模型：

Lora：最常用且实用的扩展模型！可以快速为图像添加特定风格（如汉服、动漫脸）或特定属性（如手绘质感）。你界面中看到的badhandv4、EasyNegative等就是Lora文件（其中EasyNegative系列专门用于减少画面瑕疵、优化构图，属于"反向优化"Lora）。
Embedding（嵌入式）：通过注入特定语义影响绘图风格或元素，例如让人物更符合某种审美标准，体积小且针对性强。
Hypernetworks（超网络）：调整模型生成逻辑，影响整体风格走向，影响范围比Lora更大，但新手较少使用。

从图中可以看到，软件已预置了4个Lora模型，它们的作用分别是：

badhandv4：专门优化手部绘制，解决AI绘图中常见的"手部畸形、比例怪异、细节混乱"问题，让人物手部更加自然合理，是修复手部的"必备"Lora。
EasyNegative：将众多通用负面提示词（如画面杂乱、比例失调、画风怪异等）打包整合，只需添加它就能让AI自动避开这些常见瑕疵，简化了负面提示词的输入过程，提升整体出图质量。
EasyNegativeV2：EasyNegative的升级版，规避画面问题的能力更精准，对色彩和质感的优化也有明显提升，能让画面细节更加干净、风格更加统一。
ng_deepnegative_v1_75t：更深度的负面效果优化，除了基础画面瑕疵，还能抑制一些"诡异风格、不合理元素"（如奇怪的光影、不自然的装饰），让画面更符合正常审美，特别适合追求高品质出图的场景。

但是当你下载了很多模型后，请不要一股脑全部使用，需要注意以下几点：

按需精简选择：
如果只是绘制普通人物，通常badhandv4 + 1个通用负向Lora（如EasyNegativeV2）就足够了。叠加太多负向Lora可能导致画面"过度优化"（如色彩变得寡淡、细节被过度压制），这是新手容易忽视的问题。

谨慎控制权重：
每个Lora后面的:权重值不宜设置过高（建议在0.3-0.8之间）。所有Lora的权重总和最好不要超过1.5，否则模型难以平衡各种效果，容易导致画面变得奇怪。

搭配正向提示词测试：
添加多个Lora后，一定要用不同的正向提示词进行测试，观察负向Lora是否会"误伤"你想要的风格效果。如果发现画面变得僵硬或风格被过度压制，可以减少Lora数量或降低权重。

2.3 扩展模型权重调整

调整权重：将鼠标悬停在模型上会显示选项框，第一个选项就是权重调整，可以方便地调整数值，默认为1。

Lora模型的权重设置建议根据模型类型（正向/负向）、功能强度、与基础模型的兼容性来调整，以下是不同情况的推荐范围：

负向优化类Lora（如修手、去瑕疵）：

推荐权重：0.3 - 0.8

这类Lora主要用于"抑制"各种瑕疵（如手部畸形、画面杂乱），权重过高可能导致过度优化（如画面变模糊、细节丢失）。badhandv4（修手）建议设置为0.5-0.7，手部问题严重时可提高到0.8；EasyNegativeV2（通用去瑕疵）建议设置为0.4-0.6；ng_deepnegative_v1_75t（深度去瑕疵）因效果较强，建议控制在0.3-0.5。同时使用多个负向Lora时，总权重建议不超过1.5（例如badhandv4:0.6 + EasyNegativeV2:0.6 + ng_deepnegative:0.3），否则可能让画面失去活力和细节。

正向风格类Lora（如特定画风、角色）：

推荐权重：0.7 - 1.2

这类Lora需要足够的强度才能"覆盖"基础模型的默认风格，权重过低则效果不明显。动漫风格Lora（如anime_style）建议设置为0.8-1.0；特定角色Lora（如character_name）建议设置为0.9-1.2以保证角色特征明显；混合风格Lora（如"赛博朋克+古风"）建议控制在0.7-0.9以避免风格冲突。如果基础模型与Lora风格差异较大（如用写实模型加载动漫Lora），可能需要更高权重（如1.0-1.2）。但要注意，权重过高可能导致风格溢出（如皮肤质感异常、光影不自然），这时需要通过反向提示词进行修正（如添加bad anatomy, strange lighting）。

以下是括号语法，这是通用的"权重调节语言"：

这里可以选择收藏词条、禁用词条或删除词条，建议将常用的标记为收藏以便快速访问。

收藏后，可以在收藏列表中快速选择使用：

经过我多次反复实验，对于这部分功能，我个人只推荐使用badhandv4这一个模型，其他模型无论给多高权重都带来的是负面提升…效果反而不如单独使用badhandv4。

2.4 其他提示词输入

其他提示词分类直观易懂，都提供了中英文对照，包含成百上千个可选关键词供你挑选：

另外推荐一个非常实用的网站：https://wolfchen.top/tag/

这是一个专门用于生成标签的网站，使用体验相当不错：

每种类型的标签都有独特的颜色标识，方便区分，你可以在这里切换不同提示词类别的颜色或重置全部颜色设置：

此处可以手动添加自定义提示词，按回车键即可添加到列表中：

2.5 负向提示词

负向提示词用于指定你不希望在图像中出现的元素或特征。例如，如果你希望角色不要笑，但尝试多次生成都是笑脸，可以将"笑"添加到反向提示词；如果不想出现天空，就把"天空"加入反向提示词。

除了排除不需要的元素，反向提示词还有个重要功能：优化画面质量。软件已经为我们整理好了常用的负面标签并转化为Embedding，这里重点介绍一下：

Embedding是一种"预训练关键词集合"，它将大量负面描述（如画面杂乱、比例失调、画风诡异等）"打包"成一个模型。将它放入反向提示词，AI就会自动规避这些常见瑕疵，让生成的图像更加符合预期效果。

软件内置了6个Embedding，功能如下：

AS-YoungV2-neg：专门针对"AS-YoungV2"风格（年轻女性画风）进行反向优化，减少该风格下常见的瑕疵（如面部不自然、色彩怪异等）。
BadDream：抑制"诡异梦境感"元素，避免画面出现奇怪的扭曲或不合理的光影效果，防止图像看起来像"噩梦场景"。
badhandv4：专门优化手部绘制！解决AI绘图中最令人头疼的"手部畸形、比例奇怪"问题，添加到反向提示词能大幅降低手部崩坏的概率（与同名Lora功能互补，一个是反向词Embedding，一个是模型插件）。
BadNegAnatomyV1：抑制"人体结构错误"，如奇怪的肢体比例或骨骼扭曲，让人物/生物的身体结构更加合理自然。
EasyNegative：通用型负面合集，涵盖众多基础瑕疵（画面杂乱、模糊、比例失调等），新手必备，添加它能解决约80%的"常见错误"。
FastNegativeV2：EasyNegative的升级版，优化更加精准，对色彩和细节的把控更好，特别适合追求高质量出图的场景。

这类Embedding一般不需要调整权重。我个人选择了以下几个作为常用反向提示词：

2.6 生成参考

纯扩散模型的随机性实在太高！生成质量也参差不齐，往往需要生成很多张才能挑选到一张满意的作品。使用ControlNet可以在一定程度上缓解这个问题，这部分内容我们之后再详细讨论。下面来看个实际例子：

参数设置：

SD模型：夜羊社v1.2
VAE模型：animevae.pt
CLIP层数：2
正向提示词：(1girl),serafuku,smile,kawaii,in autumn,(badhandv4:0.6)
反向提示词：badhandv4,FastNegativeV2,BadNegAnatomyV1-neg,AS-YoungV2-neg
图像尺寸：707x1000

生成结果展示：

3. 采样方法

位于界面的这个位置：

提供以下选项：

采样方法控制图像生成的迭代优化逻辑，决定了模型如何逐步优化图像：从随机噪声开始，每一步"采样"修正细节，直到形成最终画面。不同方法的主要差异在于优化策略（例如"大步快速修正"还是"精细逐步调整"），进而影响最终的出图效果，尤其是在细节表现和生成速度方面。

选择合适的采样器，理论上可以按照以下需求来选择：

追求速度：LCM（速度最快）> UniPC（适合5-10步快速生成）> Euler（适合20-30步）
追求细节：DPM++ 2M SDE Heun（极致细节表现）> DPM++ 2M SDE（高细节）> DPM++ 2M（平衡型）
追求创意：Euler a（艺术感强）> DPM2 a（创意+细节兼顾）
日常通用：DPM++ 2M（新手首选，适应绝大多数场景）

我使用的是性能一般的GTX 2050显卡，显存仅4GB，下面是使用前面提到的提示词进行的对比测试：

LCM示例：

生成5张图耗时2分40.3秒。不过这个方法r率意外地高…怎么全是男性角色

DPM++ 2M示例：

生成5张图耗时2分38.9秒。

DPM++ 2M SDE Heun示例：

生成5张图耗时2分40.8秒。

总体评价：不同采样方法的结果和速度差异不是很明显。后来我才发现，这是因为我的步数设置太低了，只有20步，导致那些复杂算法的额外计算量还没有充分体现出来，所以时间相差不大。

4. 噪声调度器

位于界面的这个位置：

提供以下选项：

在生成图像的过程中，模型需要从充满噪声的图像逐步去噪以得到清晰画面。噪声调度器决定了每一步去噪时噪声强度如何降低，直接影响画面的细节、风格和收敛速度。

快节奏调度器（如Uniform）：噪声降低速度快，画面收敛快但细节较少；
慢节奏调度器（如Karras）：噪声降低速度慢，画面细节丰富但生成时间较长。

推荐选择以下几种调度器：

Karras：
最常用的调度器！由Stable Diffusion团队专门优化，平衡了细节表现和收敛速度，适合绝大多数场景（尤其是写实和二次元风格）。
特点：去噪节奏合理，画面细节丰富且稳定，新手可以无脑选择。
Automatic：
自动适配型调度器，会根据所选采样方法和步数"智能选择最佳节奏"，效果接近Karras，特别适合不想纠结参数设置的用户。
Uniform：
噪声强度"匀速降低"，去噪节奏最快，画面收敛极快但细节相对较少，适合生成抽象或低精度图像（如快速测试提示词效果）。
Exponential：
噪声强度"指数级降低"，前期去噪缓慢（保留更多噪声→产生更多创意），后期快速收敛，适合生成艺术感强、风格独特的图像（如印象派风格或梦幻场景）。

噪声调度器与采样方法相互影响，例如：

Karras（调度器）+ DPM++ 2M（采样）→ 日常出图的最佳组合；
Exponential（调度器）+ Euler a（采样）→ 艺术创意效果拉满，特别适合抽象风格作品。

5. 迭代步数

位于界面的这个位置：

在生成图像的过程中，模型从完全噪声的图像开始，每一步"迭代"都会去除部分噪声并优化细节，最终形成清晰画面。迭代步数就是这个过程需要经历的次数，直接影响画面的细节丰富度、质量和生成时间。

1. 低步数（约10-20步）

效果：画面细节较少、可能模糊（噪声未完全去除），但生成速度快。
适用场景：快速测试提示词效果（了解大致构图是否可行）、生成草图或草稿。

2. 中步数（约20-40步）

效果：画面细节逐渐丰富（轮廓清晰、基本元素完整），速度和质量较为平衡。
适用场景：日常创作（二次元、插画等）、对细节要求不是特别极致的场合。

3. 高步数（约40-100步）

效果：画面细节极其丰富（发丝、纹理、光影过渡自然），但生成时间较长。
适用场景：写实肖像、商业级插画、高精度场景（如建筑、风景等）。

需要注意的是，步数并非越高越好。步数过高会遇到"边际效应"：超过50-60步后，细节提升效果越来越不明显，但时间消耗却大幅增加。同时，步数需要与采样方法、模型类型和图像分辨率配合考虑。创意型采样方法（如Euler a）和某些特殊模型可能需要稍高的步数才能充分展现艺术细节，而图像分辨率越高，也需要相应提高步数以避免细节丢失。

6. 提示词引导系数 CFG Scale

位于界面的这个位置：

提示词引导系数控制提示词对生成图像的影响强度。值越小，生成的图像可能与提示词的关联度较低，但艺术创意性更强（适合抽象、超现实风格）；值越大，AI越"严格听话"，生成的图像更贴近提示词描述，但可能失去一些随机性和创意性（适合写实、精准需求）。日常创作通常选择7作为平衡点。

乍看之下，这个参数似乎与CLIP层数效果类似，但它们控制的维度不同：CLIP层数主要影响的是提示词的语义挖掘深度，而CFG则影响的是提示词与整个画面的关联程度。以生成"赛博朋克城市"为例，调整CFG Scale可以控制画面与赛博朋克风格的贴合度，调整CLIP终止层数则控制对"赛博朋克城市"这一概念语义细节的挖掘深度，两者共同作用于最终画面效果。在实际创作中，调整其中一个参数后，可能需要相应调整另一个以达到最佳效果。例如，提高CLIP终止层数（让模型更关注细节）时，如果发现画面过于僵硬，可适当降低CFG Scale来平衡；降低CLIP终止层数追求创意时，若画面偏离主题太远，则可提高CFG Scale拉回与提示词的关联。

实用参考：