AI绘画入门教程：从零基础到精通，手把手教你掌握AI绘画技巧

AI绘画入门教程：从零基础到精通，手把手教你掌握AI绘画技巧

AI绘画的出现，让越来越多的人可以轻松画出美丽的插画作品。本文将从零基础入门到精通，详细介绍AI绘画的关键步骤、软件部署方式、操作技巧以及如何使用ChatGPT辅助生成提示词。无论你是AI绘画初学者还是有一定基础的用户，都能从本文中获得实用的指导和建议。

AI绘画入门关键步骤

第一步：下载软件

首先，我们需要下载一个非常好用的AI绘画软件。AI绘画功能也十分强大，能够帮助零基础小白快速生成精美的作品。

第二步：准备素材

在使用AI绘画软件之前，我们需要准备一些素材。如果您想要创作人物插画，可提前准备好所需要的角色形象、服饰、背景等元素。如果您想要创作风景插画，可准备好所需的城市或自然景色等元素。这些素材将成为我们创作作品的重要基础。

第三步：选择AI绘画功能

打开软件后，在页面上能够看到AI绘画选项。点击AI绘画之后，会弹出AI绘画的选择界面。在此菜单中，我们可以根据自己的需求，选择不同的AI绘画分类，例如人物、风景、卡通等。然后选择AI绘画素材。

第四步：调整参数

在选择了所需的素材后，我们需要根据实际需求调整一些参数。比如说，我们可以调整线条或色彩的明暗度，来达到更逼真、炫酷或柔和的效果。设置好参数后，点击“生成”按钮，等待片刻，AI就能帮助我们生成一张美丽的插画作品。

第五步：保存作品

在成功生成插画作品之后，我们需要保存缩小版到本地。在这个过程中，我们可以选择画质、尺寸、格式等信息。推荐选择高清晰度和较大的尺寸，让我们的作品更加生动，满足所需输出比例。

人工智能技术为画师们提供了更简单、更快捷的画画方法，使得任何人都可以轻松地创造出自己想要的插画作品。在使用AI绘画软件时，我们需要提前准备好素材，根据实际需求调整AI的参数，然后保存作品。另外，不断地学习和尝试，能够帮助我们不断优化自己的作品，成为更加优秀的艺术家。

Stable Diffusion部署安装

Stable Diffusion无疑是最近最火的AI绘画工具之一，以下是三种部署安装方式：

1. 云端部署

通过Google Colab进行云端部署，推荐将成熟的Stable Diffusion Colab项目复制到自己的Google云端硬盘运行，省去配置环境麻烦。这种部署方式的优点是：不吃本机硬件，在有限时间段内，可以免费使用Google Colab强大的硬件资源，通常能给到15G的GPU算力，出图速度非常快。缺点是：免费GPU使用时长不固定，通常情况下一天有几个小时的使用时长，如果需要更长时间使用，可以订阅Colab服务。

2. 本地部署

相较于Google Colab云端部署，本地部署Stable Diffusion的可扩展性更强，可自定义安装需要的模型和插件，隐私性和安全性更高，自由度也更高，而且完全免费。当然缺点是对本机硬件要求高，Windows需要NVIDIA显卡，8G以上显存，16G以上内存。Mac需要M1/M2芯片才可运行。

3. 本机安装DiffusionBee

如果觉得云端部署和本地部署比较繁琐，或对使用要求没有那么高，那就试下最简单的一键安装方式。下载Diffusionbee应用：diffusionbee.com/download。优点是方便快捷，缺点是扩展能力差（可以安装大模型，无法进行插件扩展，如ControlNet）。

AI绘画工具的操作技巧

1. Stable Diffusion基础操作

Stable Diffusion WebUI的操作界面主要分为：模型区域、功能区域、参数区域、出图区域。

txt2img（文生图）重点参数介绍：

• 正向提示词：描述图片中希望出现的内容
• 反向提示词：描述图片中不希望出现的内容
• Sampling method：采样方法，推荐选择Euler a或DPM++系列，采样速度快
• Sampling steps：迭代步数，数值越大图像质量越好，生成时间也越长，一般控制在30-50就能出效果
• Restore faces：可以优化脸部生成
• Width/Height：生成图片的宽高，越大越消耗显存，生成时间也越长，一般方图512x512，竖图512x768，需要更大尺寸，可以到Extras功能里进行等比高清放大
• CFG：提示词相关性，数值越大越相关，数值越小越不相关，一般建议7-12区间
• Batch count/Batch size：生成批次和每批数量，如果需要多图，可以调整下每批数量
• Seed：种子数，-1表示随机，相同的种子数可以保持图像的一致性，如果觉得一张图的结构不错，但对风格不满意，可以将种子数固定，再调整prompt生成

img2img（图生图）重点参数介绍：

• Resize mode：缩放模式，Just resize只调整图片大小，如果输入与输出长宽比例不同，图片会被拉伸。Crop and resize裁剪与调整大小，如果输入与输出长宽比例不同，会以图片中心向四周，将比例外的部分进行裁剪。Resize and fill调整大小与填充，如果输入与输出分辨率不同，会以图片中心向四周，将比例内多余的部分进行填充
• Mask blur：蒙版模糊度，值越大与原图边缘的过度越平滑，越小则边缘越锐利
• Mask mode：蒙版模式，Inpaint masked只重绘涂色部分，Inpaint not masked重绘除了涂色的部分
• Masked Content：蒙版内容，fill用其他内容填充，original在原来的基础上重绘
• Inpaint area：重绘区域，Whole picture整个图像区域，Only masked只在蒙版区域
• Denoising strength：重绘幅度，值越大越自由发挥，越小越和原图接近

2. ControlNet

安装完ControlNet后，在txt2img和img2img参数面板中均可以调用ControlNet。操作说明：

• Enable：启用ControlNet
• Low VRAM：低显存模式优化，建议8G显存以下开启
• Guess mode：猜测模式，可以不设置提示词，自动生成图片
• Preprocessor：选择预处理器主要有OpenPose、Canny、HED、Scribble、MIsd.Seg、Normal Map、Depth
• Model：ControlNet模型，模型选择要与预处理器对应
• Weight：权重影响，使用ControlNet生成图片的权重占比影响
• Guidance strength(T)：引导强度，值为1时，代表每选代1步就会被ControlNet引导1次
• Annotator resolution：数值越高，预处理图像越精细
• Canny low/high threshold：控制最低和最高采样深度
• Resize mode：图像大小模式，默认选择缩放至合适
• Canvas width/height：画布宽高
• Create blank canvas：创建空白画布
• Preview annotator result：预览注释器结果，得到一张ControlNet模型提取的特征图片
• Hide annotator result：隐藏预览图像窗

3. LORA模型训练说明

LORA模型具有训练速度快，模型大小适中（100MB左右），配置要求低（8G显存），能用少量图片训练出风格效果的优势。

训练步骤：

1. 数据预处理：在Stable Diffusion WebUI功能面板中，选择Train训练功能，点选Preprocess images预处理图像功能。在Source directory栏填入你要训练的图片存放目录，在Destination directory栏填入预处理文件输出目录。width和height为预处理图片的宽高，默认为512x512，建议把要训练的图片大小统一改成这个尺寸，提升处理速度。勾选Auto focal point crop自动焦点裁剪，勾选Use deepbooru for caption自动识别图中的元素并打上标签。点击Preprocess进行图片预处理。

2. 配置模型训练参数：在这里可以将模型训练放到Google Colab上进行，调用Colab的免费15G GPU将大大提升模型训练速度。LoRA微调模型训练工具我推荐使用Kohya，运行KohyaColab：https://colab.research.google.com/github/Linaqruf/kohyatrainer/blob/main/fast-kohya-trainer.ipynb。配置训练参数：先在content目录建立training_dir/training_data目录，将步骤1中的预处理文件上传至该数据训练目录。然后配置微调模型命名和数据训练目录，在Download Pretrained Model栏配置需要参考的预训练模型文件。其余的参数可以根据需要调整设置。

3. 训练模型：参数配置完成后，运行程序即可进行模型训练。训练完的模型将被放到training dir/output目录，我们下载safetensors文件格式的模型，存放到stable-diffusion-webui/models/Lora目录中即可调用该模型。由于直接从Colab下载速度较慢，另外断开Colab连接后也将清空模型文件，这里建议在Extras中配置huggingface的Write Token，将模型文件上传到huggingface中，再从huggingface File中下载，下载速度大大提升，文件也可进行备份。

4. Prompt语法技巧

文生图模型的精髓在于Prompt提示词，如何写好Prompt将直接影响图像的生成质量。

提示词结构化：

• 画面画风：主要是大模型或LORA模型的Tag、正向画质词、画作类型等
• 画面主体：画面核心内容、主体人/事/物/景、主体特征/动作等
• 画面细节：场景细节、人物细节、环境灯光、画面构图等
• 风格参考：艺术风格、渲染器、Embedding Tag等

提示词语法：

• 提示词排序：越前面的词汇越受AI重视，重要事物的提示词放前面
• 增强/减弱：(提示词:权重数值)，默认1，大于1加强，低于1减弱。如(doctor:1.3)
• 混合：提示词|提示词，实现多个要素混合，如[red blue] hair红蓝色头发混合
• • 和 AND：用于连接短提示词，AND两端要加空格
• 分步渲染：[提示词A:提示词B:数值]，先按提示词A生成，在设定的数值后朝提示词B变化。如[dog🐱30]前30步画狗后面的画猫，[dog🐱0.9]前面90%画狗后面10%画猫
• 正向提示词：masterpiece,best quality等画质词，用于提升画面质量
• 反向提示词：nsfw, bad hands, missing fingers…，用于不想在画面中出现的内容
• Emoji：支持emoji，如形容表情，当修饰手

5. ChatGPT辅助生成提示词

我们也可以借助ChatGPT帮助我们生成提示词参考。给ChatGPT一段示例参考：/guides/using-openai-chat-gpt-to-write-stable-diffusion.prompts，根据参考生成Prompts，再添加细节润色。

6. Stable Diffusion全中文环境配置

在实际使用中，我们还可以把Stable Diffusion配置成全中文环境，这将大大增加操作友好度。全中文环境包括了Stable Diffusion WebUI的汉化和Prompt支持中文输入。

Stable Diffusion WebUI汉化：

• 安装中文扩展插件：点击Extensions选择Install from URL，输入https://github.com/VinsonLaro/stable-diffusion-webui-chinese，点击Install，并重启WebUI
• 切换到中文模式：在Settings面板中，将User interface中的Localization设置成Chinese，中文模式，重启WebUI即可切换到中文界面

Prompt中文输入：

• 下载提示词中文扩展插件：https://github.com/butaixianran/Stable-Difusion-Webui-Prompt-Translator，将项目作为zip文件下载，解压后放到stable-diffusion-webui/extensions目录中，重启WebUI
• 调用百度翻译API：去api.fanyi.baidu.com申请一个免费API Key，并将翻译服务开通。在管理控制台的开发者信息页中确认APP ID和密钥
• 在Stable Diffusion WebUI的Prompt Translator面板中，选择百度翻译引擎，并将申请的APPID和密钥填写进去，点击保存
• 使用：在Stable Diffusion WebUI页面顶部会出现一个翻译工具栏，我们在提示词输入框中输入中文，点击工具栏中的翻译就能自动把提示词替换成英文。