میدجورنی چیست و چگونه کار می‌کند؟

تعریف موتور پشت هنر هوش مصنوعی مدرن

میدجورنی یک برنامه هوش مصنوعی مولد است که متن زبان طبیعی را به تصاویر دقیق تبدیل می‌کند. برخلاف ابزارهای طراحی گرافیک سنتی که نیاز به دستکاری دستی بردارها یا پیکسل‌ها دارند، میدجورنی پرامپت‌های معنایی را تفسیر کرده و تصاویر را از ابتدا می‌سازد. این ابزار بر معماری مدل دیفیوژن عمل می‌کند، مشابه استیبل دیفیوژن، اما به طور متمایز برای انسجام هنری، نورپردازی و بافت تنظیم شده است بدون اینکه نیاز به تنظیمات گسترده مدل توسط کاربر باشد.

ارزش اصلی این ابزار در توانایی آن برای درک ظرافت‌ها نهفته است. وقتی شما توصیفی را تایپ می‌کنید، سیستم صرفاً به دنبال تصاویر Matching در پایگاه داده نمی‌گردد. این سیستم داده‌های پیکسلی جدید را بر اساس الگوهای آموخته شده از یک مجموعه داده عظیم از جفت‌های تصویر-متن синтез می‌کند. این امکان ایجاد دارایی‌هایی را فراهم می‌کند که در واقعیت وجود ندارند، از پرتره‌های فوتوگرافیستیک تا هنر مفهومی انتزاعی. برای حرفه‌ای‌ها، این کار گردش کار را از اجرا به curación تغییر می‌دهد. شما دیگر هر خط را رسم نمی‌کنید؛ شما vision را هدایت می‌کنید.

نحوه عملکرد فرآیند تولید

درک مکانیک به شما کمک می‌کند تا پرامپت‌های بهتری بنویسید. وقتی درخواستی را ارسال می‌کنید، سیستم متن شما را توکن‌بندی کرده و آن را به اجزای قابل درک تقسیم می‌کند. سپس این توکن‌ها را در مقابل فضای نهان نگاشت می‌کند—یک نقشه چند بعدی از مفاهیم بصری. فرآیند دیفیوژن با نویز تصادفی شروع می‌شود. در طی چندین مرحله، الگوریتم به صورت تکراری این نویز را حذف می‌کند، هدایت شده توسط پرامپت متنی شما، تا زمانی که یک تصویر منسجم ظاهر شود.

نسخه ۷ (--v 7) نمایانگر تکرار فعلی این مدل است و نسبت به نسخه‌های قبلی، پایبندی به پرامپت و انسجام بهبود یافته‌ای را ارائه می‌دهد. سیستم همچنین از یک روش خوشه‌بندی برای تولید چهار_variation اولیه استفاده می‌کند. این‌ها حدس‌های تصادفی نیستند بلکه تفسیرهای متمایز از همان داده‌های معنایی هستند. این به شما اجازه می‌دهد تا ترکیب‌بندی‌ای را که بهترین تناسب را با قصد شما دارد قبل از بزرگ‌نمایی انتخاب کنید. زیرساخت underlying بار محاسباتی سنگین را مدیریت می‌کند، به این معنی که مشخصات سخت‌افزاری محلی شما کیفیت تولید را محدود نمی‌کند.

Try Midjourney in MidassAI Studio

نقاط دسترسی: دیسکورد در مقابل رابط‌های وب

در گذشته، میدجورنی به طور انحصاری از طریق دیسکورد فعالیت می‌کرد. این نیازمند آن بود که کاربران کانال‌های عمومی یا پیام‌های مستقیم با یک ربات را پیمایش کنند و از دستورات اسلش مانند /imagine استفاده کنند. اگرچه کاربردی بود، این رابط می‌تواند برای گردش‌های کاری حرفه‌ای که سازماندهی و حریم خصوصی در آن‌ها مهم است، شلوغ به نظر برسد.

میداس ای‌آی استودیو، میدجورنی را در یک محیط وب اختصاصی ادغام می‌کند. این کار نویز سرورهای دیسکورد را حذف کرده و داشبوردی ساده‌شده برای مدیریت تولیدات فراهم می‌کند. شما به قابلیت‌های مدل اصلی دسترسی دارید اما یک فضای کاری طراحی شده برای مدیریت دارایی به دست می‌آورید. به جای اسکرول کردن در لاگ‌های چت برای یافتن رندرهای قبلی، شما یک نمای کتابخانه دارید. این برای تیم‌هایی که نیاز به تکرار روی مفاهیم خاص بدون از دست دادن context دارند، حیاتی است. چه ربات دیسکورد را انتخاب کنید و چه وب‌اپلیکیشن میداس ای‌آی استودیو، مدل underlying یکسان است، اما کارایی گردش کار به طور قابل توجهی متفاوت است.

تسلط بر پارامترها برای کنترل

پرامپت‌های خام اغلب نتایج کلیشه‌ای تولید می‌کنند. برای دستیابی به نتایج خاص، باید از پارامترها استفاده کنید. این‌ها پسوندهایی هستند که به پرامپت شما اضافه می‌شوند و به مدل دستور می‌دهند که نسبت ابعاد، سبک‌سازی و نسخه‌بندی را چگونه اعمال کند.

نسبت ابعاد (--ar): به طور پیش‌فرض، تصاویر مربعی هستند. برای استوری‌های شبکه‌های اجتماعی، از --ar 9:16 استفاده کنید. برای شات‌های سینمایی، --ar 16:9 استاندارد است. مثال: /imagine a cyberpunk street scene --ar 16:9.
سبک‌سازی (--style raw): میدجورنی یک سوگیری زیبایی‌شناختی پیش‌فرض اعمال می‌کند. افزودن --style raw این سوگیری را کاهش داده و مدل را مجبور می‌کند تا سخت‌گیرانه‌تر به پرامپت تحت‌اللفظی شما پایبند باشد تا بهینه‌سازی برای زیبایی. این برای تصویرسازی‌های فنی یا الزامات برندینگ خاص ضروری است.
ارجاع شخصیت (--cref): ثبات یک چالش بزرگ در هوش مصنوعی است. پارامتر --cref به شما اجازه می‌دهد تا به یک URL از چهره شخصیت ارجاع دهید تا هویت را در تولیدات مختلف حفظ کنید.
ارجاع سبک (--sref): مشابه ارجاع شخصیت، این به شما اجازه می‌دهد یک URL تصویر آپلود کنید تا پالت رنگ و سبک هنری را کپی کنید بدون کپی کردن محتوا.
نسخه‌بندی (--v 7): فراخوانی صریح نسخه اطمینان می‌دهد که نتایج شما در طول زمان ثابت باشند. با به‌روزرسانی مدل‌ها، خروجی‌ها می‌توانند تغییر کنند. قفل کردن روی --v 7 از تغییرات غیرمنتظره در پایپ‌لاین شما جلوگیری می‌کند.

استفاده از این پارامترها ابزار را از یک novelty به یک دارایی تولیدی تبدیل می‌کند. در میدجورنی میداس ای‌آی استودیو، می‌توانید این گردش‌های کاری را بدون حفظ کردن هر نحو دستور آزمایش کنید، زیرا رابط اغلب_toggleهایی را برای پارامترهای رایج فراهم می‌کند.

{"headers":["Platform","Primary Use Case","Learning Curve"],["Midjourney (Discord)","Community & Rapid Prototyping","Medium"],["MidassAI Studio","Professional Workflow & Management","Low"],["DALL·E 3","Accuracy & Text Rendering","Low"],["Stable Diffusion","Local Control & Customization","High"]}

این ابزار برای چه کسانی است

این فناوری محدود به هنرمندان دیجیتال نیست. تیم‌های بازاریابی از آن برای تولید mood board برای کمپین‌ها قبل از استخدام عکاسان استفاده می‌کنند. توسعه‌دهندگان بازی از آن برای concepting محیط‌ها و آیتم‌ها در فاز پیش‌تولید استفاده می‌کنند. معماران بافت‌ها و سناریوهای نورپردازی را به سرعت تجسم می‌کنند. حتی نویسندگان از آن برای تجسم صحنه‌ها برای استوری‌بورد استفاده می‌کنند.

اگر کار شما شامل ارتباطات بصری است، میدجورنی زمان بین ایده و تجسم را کاهش می‌دهد. با این حال، نیاز به تغییر ذهنیت دارد. شما باید یاد بگیرید که نورپردازی، ترکیب‌بندی و حال و هوا را به صورت کلامی توصیف کنید. این ابزار برای خالقانی که می‌خواهند به سرعت تکرار کنند و به عنوان art director عمل کنند راحت‌تر است تا تصویرسازان عملی.

ملاحظات اخلاقی و خلاقیت

یک سوال رایج مطرح می‌شود: آیا این پایان خلاقیت انسانی است؟ این ابزار intent را جایگزین نمی‌کند. این اصطکاک اجرا را جایگزین می‌کند. بار خلاقیت به کیفیت ایده و curación خروجی تغییر می‌کند. نگرانی‌های معتبری در مورد کپی‌رایت و داده‌های استفاده شده برای آموزش این مدل‌ها وجود دارد. استفاده حرفه‌ای نیازمند آگاهی از این پیامدها است، به ویژه هنگام تولید دارایی‌ها برای مشتریان تجاری.

شفافیت کلیدی است. هنگام تحویل کار تولید شده با هوش مصنوعی، گردش کار را افشا کنید. از ابزار برای تقویت قابلیت‌های خود استفاده کنید، نه برای فریب مشتریان در مورد منشأ کار. صنعت به سمت گردش‌های کاری هیبریدی حرکت می‌کند که در آن هوش مصنوعی بار سنگین بافت و ترکیب‌بندی را_handling می‌کند، در حالی که انسان‌ها جزئیات را اصلاح کرده و اطمینان از همسویی برند را فراهم می‌کنند.

اکوسیستم در حال گسترش: ویدیو و موسیقی

اگرچه تولید تصویر عملکرد اصلی است، فناوری زیرین در حال گسترش است. میدجورنی و آزمایشگاه‌های مشابه در حال کاوش در تولید ویدیو هستند و اجازه می‌دهند تصاویر ثابت با ثبات زمانی حرکت کنند. همچنین توسعه قابل توجهی در ابزارهای موسیقی و صوتی هوش مصنوعی وجود دارد که با پایپ‌لاین‌های بصری ادغام می‌شوند.

برای اکنون، روی تسلط بر تولید تصویر ثابت تمرکز کنید. اصول پرامپت‌نویسی، نورپردازی و ترکیب‌بندی آموخته شده در اینجا مستقیماً به گردش‌های کاری ویدیو ترجمه می‌شوند وقتی در دسترس قرار گرفتند. نگهداری گردش کار خود در یک پلتفرم مانند میداس ای‌آی استودیو اطمینان می‌دهد که شما برای ادغام این modalities جدید بدون بازسازی فرآیند خود از ابتدا آماده هستید.

شروع کار با اولین تولید شما

برای شروع، به سخت‌افزار پیچیده‌ای نیاز ندارید. از طریق میداس ای‌آی استودیو به ابزار دسترسی پیدا کنید تا از منحنی یادگیری دیسکورد عبور کنید. با یک سوژه ساده شروع کنید و توصیف‌کننده‌های نور را اضافه کنید. به جای "یک گربه", سعی کنید "یک گربه مین کون نشسته روی یک صندلی مخمل، نورپردازی سینمایی، عمق میدان کم." افزودن --ar 3:2 و --style raw برای کنترل خروجی.

چهار variation را بررسی کنید. موردی را که با vision شما مطابقت دارد انتخاب کرده و آن را بزرگ‌نمایی کنید. اگر نتیجه نزدیک است اما عالی نیست، از دکمه‌های variation برای tweaking نویز seed استفاده کنید به جای بازنویسی کل پرامپت. این فرآیند تکراری نحوه دستیابی حرفه‌ای‌ها به نتایج با وفاداری بالا است.

آیا آماده بهینه‌سازی گردش کار تولید خود هستید؟

امتحان کردن میدجورنی در میداس ای‌آی استودیو