Generowanie obrazów za pomocą Imagen

Imagen to model Google do generowania obrazów o wysokiej wierności, który potrafi tworzyć realistyczne obrazy wysokiej jakości na podstawie promptów tekstowych. Wszystkie wygenerowane obrazy zawierają znak wodny SynthID. Więcej informacji o dostępnych wariantach modelu Imagen znajdziesz w sekcji Wersje modelu.

Generowanie obrazów za pomocą modeli Imagen

Ten przykład pokazuje generowanie obrazów za pomocą modelu Imagen:

from google import genai
from google.genai import types
from PIL import Image
from io import BytesIO

client = genai.Client()

response = client.models.generate_images(
    model='imagen-4.0-generate-001',
    prompt='Robot holding a red skateboard',
    config=types.GenerateImagesConfig(
        number_of_images= 4,
    )
)
for generated_image in response.generated_images:
  generated_image.image.show()

import { GoogleGenAI } from "@google/genai";
import * as fs from "node:fs";

async function main() {

  const ai = new GoogleGenAI({});

  const response = await ai.models.generateImages({
    model: 'imagen-4.0-generate-001',
    prompt: 'Robot holding a red skateboard',
    config: {
      numberOfImages: 4,
    },
  });

  let idx = 1;
  for (const generatedImage of response.generatedImages) {
    let imgBytes = generatedImage.image.imageBytes;
    const buffer = Buffer.from(imgBytes, "base64");
    fs.writeFileSync(`imagen-${idx}.png`, buffer);
    idx++;
  }
}

main();

package main

import (
  "context"
  "fmt"
  "os"
  "google.golang.org/genai"
)

func main() {

  ctx := context.Background()
  client, err := genai.NewClient(ctx, nil)
  if err != nil {
      log.Fatal(err)
  }

  config := &genai.GenerateImagesConfig{
      NumberOfImages: 4,
  }

  response, _ := client.Models.GenerateImages(
      ctx,
      "imagen-4.0-generate-001",
      "Robot holding a red skateboard",
      config,
  )

  for n, image := range response.GeneratedImages {
      fname := fmt.Sprintf("imagen-%d.png", n)
          _ = os.WriteFile(fname, image.Image.ImageBytes, 0644)
  }
}

curl -X POST \
    "https://generativelanguage.googleapis.com/v1beta/models/imagen-4.0-generate-001:predict" \
    -H "x-goog-api-key: $GEMINI_API_KEY" \
    -H "Content-Type: application/json" \
    -d '{
        "instances": [
          {
            "prompt": "Robot holding a red skateboard"
          }
        ],
        "parameters": {
          "sampleCount": 4
        }
      }'

Konfiguracja Imagen

Obecnie Imagen obsługuje tylko prompty w języku angielskim i te parametry:

• numberOfImages: liczba obrazów do wygenerowania, od 1 do 4 (włącznie). Wartość domyślna to 4.
• sampleImageSize: rozmiar wygenerowanego obrazu. Ta funkcja jest obsługiwana tylko w przypadku modeli Standard i Ultra. Obsługiwane wartości to 1K i 2K. Wartość domyślna to 1K.
• aspectRatio: zmienia format obrazu wygenerowanego przez AI. Obsługiwane wartości to "1:1", "3:4", "4:3", "9:16" i "16:9". Wartość domyślna to "1:1".

• personGeneration: zezwolenie modelowi na generowanie obrazów osób; Obsługiwane są te wartości:

  • "dont_allow": blokowanie generowania obrazów przedstawiających ludzi.
  • "allow_adult": generować obrazy przedstawiające osoby dorosłe, ale nie dzieci; Jest to ustawienie domyślne.
  • "allow_all": generować obrazy przedstawiające dorosłych i dzieci;

Przewodnik po promptach w usłudze Imagen

W tej sekcji przewodnika po Imagen dowiesz się, jak modyfikowanie promptu zamiany tekstu na obraz może dać różne wyniki. Znajdziesz tu też przykłady obrazów, które możesz utworzyć.

Podstawowe informacje o pisaniu promptów

Dobry prompt jest opisowy i jasny, a także zawiera odpowiednie słowa kluczowe i modyfikatory. Zacznij od określenia tematu, kontekstu i stylu.

1. Temat: pierwszą rzeczą, o której należy pomyśleć w przypadku każdego prompta, jest temat, czyli obiekt, osoba, zwierzę lub sceneria, które mają się znaleźć na obrazie.

2. Kontekst i tło: równie ważne jest tło lub kontekst, w którym umieścisz obiekt. Spróbuj umieścić fotografowany obiekt na różnych tłach. Na przykład studio z białym tłem, plener lub wnętrze.

3. Styl: na koniec dodaj styl obrazu, który chcesz uzyskać. Style może być ogólny (obraz, zdjęcie, szkic) lub bardzo szczegółowy (pastel, rysunek węglem, izometryczny obraz 3D). Możesz też łączyć style.

Po napisaniu pierwszej wersji prompta dopracuj go, dodając więcej szczegółów, aż uzyskasz oczekiwany obraz. Iteracja jest ważna. Zacznij od podstawowego pomysłu, a potem dopracowuj go i rozwijaj, aż wygenerowany obraz będzie zbliżony do Twojej wizji.

Modele Imagen mogą przekształcać Twoje pomysły w szczegółowe obrazy, niezależnie od tego, czy prompty są krótkie, czy długie i szczegółowe. Doprecyzuj swoją wizję, dodając szczegóły, aż uzyskasz idealny rezultat.

Krótkie prompty pozwalają szybko wygenerować obraz.

Dłuższe prompty pozwalają dodawać szczegółowe informacje i budować obraz.

Dodatkowe wskazówki dotyczące pisania promptów w usłudze Imagen:

• Używaj opisowego języka: używaj szczegółowych przymiotników i przysłówków, aby stworzyć dla Imagen wyraźny obraz.
• Podaj kontekst: w razie potrzeby podaj dodatkowe informacje, które pomogą AI zrozumieć Twoje pytanie.
• Odwoływanie się do konkretnych artystów lub stylów: jeśli masz na myśli konkretną estetykę, odwoływanie się do konkretnych artystów lub ruchów artystycznych może być pomocne.
• Korzystaj z narzędzi do tworzenia promptów: rozważ użycie narzędzi lub zasobów do tworzenia promptów, które pomogą Ci udoskonalić prompty i uzyskać optymalne wyniki.
• Poprawianie szczegółów twarzy na zdjęciach osobistych i grupowych: określ szczegóły twarzy jako główny element zdjęcia (np. użyj w prompcie słowa „portret”).

Generowanie tekstu na obrazach

Modele Imagen mogą dodawać tekst do obrazów, co otwiera więcej możliwości kreatywnego generowania obrazów. Aby w pełni wykorzystać tę funkcję, postępuj zgodnie z tymi wskazówkami:

• Iteracyjne generowanie obrazów: może być konieczne ponowne generowanie obrazów, dopóki nie uzyskasz pożądanego efektu. Integracja tekstu w Imagen wciąż się rozwija, a czasami najlepsze wyniki uzyskuje się po kilku próbach.
• Krótko i zwięźle: aby uzyskać optymalne wyniki, ogranicz tekst do maksymalnie 25 znaków.

• Kilka wyrażeń: eksperymentuj z 2 lub 3 różnymi wyrażeniami, aby podać dodatkowe informacje. Aby uzyskać bardziej przejrzyste kompozycje, unikaj przekraczania 3 wyrażeń.

  

• Umieszczenie tekstu: Imagen może próbować umieścić tekst zgodnie z instrukcjami, ale mogą wystąpić odchylenia. Ta funkcja jest stale ulepszana.

• Styl czcionki Inspire: określ ogólny styl czcionki, aby subtelnie wpłynąć na wybory Imagen. Nie polegaj na dokładnym odwzorowaniu czcionki, ale spodziewaj się kreatywnych interpretacji.

• Rozmiar czcionki: określ rozmiar czcionki lub ogólny wskaźnik rozmiaru (np. mały, średni, duży), aby wpłynąć na generowanie rozmiaru czcionki.

Parametryzacja promptów

Aby lepiej kontrolować wyniki, możesz sparametryzować dane wejściowe w Imagen. Załóżmy na przykład, że chcesz, aby klienci mogli generować logo dla swojej firmy, i chcesz mieć pewność, że logo są zawsze generowane na jednolitym tle. Chcesz też ograniczyć opcje, które klient może wybrać z menu.

W tym przykładzie możesz utworzyć prompt z parametrami podobny do tego:

A {logo_style} logo for a {company_area} company on a solid color background. Include the text {company_name}.

W niestandardowym interfejsie użytkownika klient może wprowadzać parametry za pomocą menu, a wybrana wartość wypełnia prompt, który otrzymuje Imagen.

Na przykład:

1. Prompt: A minimalist logo for a health care company on a solid color background. Include the text Journey.

   

2. Prompt: A modern logo for a software company on a solid color background. Include the text Silo.

   

3. Prompt: A traditional logo for a baking company on a solid color background. Include the text Seed.

   

Zaawansowane techniki pisania promptów

Skorzystaj z tych przykładów, aby tworzyć bardziej szczegółowe prompty na podstawie atrybutów, takich jak deskryptory fotografii, kształty i materiały, historyczne kierunki w sztuce oraz modyfikatory jakości obrazu.

Fotografia

• Prompt zawiera: „Zdjęcie…”

Aby użyć tego stylu, zacznij od słów kluczowych, które wyraźnie informują Imagen, że szukasz zdjęcia. Rozpocznij prompta od słów „Zdjęcie”. . .". Przykład:

^{Źródło obrazu: każdy obraz został wygenerowany przy użyciu odpowiedniego prompta tekstowego w modelu Imagen 3.}

Modyfikatory fotograficzne

W przykładach poniżej znajdziesz kilka modyfikatorów i parametrów związanych z fotografią. Możesz łączyć ze sobą wiele modyfikatorów, aby mieć większą kontrolę.

1. Camera Proximity – zbliżenie, zdjęcie z daleka

2. Pozycja kamery – z powietrza, z dołu

3. Oświetlenie – naturalne, dramatyczne, ciepłe, zimne

4. Ustawienia aparatu – rozmycie ruchu, miękka ostrość, bokeh, portret

5. Rodzaje obiektywów – 35 mm, 50 mm, rybie oko, szerokokątny, makro

6. Rodzaje filmów – czarno-białe, polaroidowe

^{Źródło obrazu: każdy obraz został wygenerowany przy użyciu odpowiedniego prompta tekstowego w modelu Imagen 3.}

Ilustracje i sztuka

• Prompt zawiera: „A painting of...” „sketch z …”

Style graficzne obejmują zarówno monochromatyczne style, takie jak szkice ołówkiem, jak i hiperrealistyczne grafiki cyfrowe. Na przykład te obrazy zostały wygenerowane na podstawie tego samego prompta, ale w różnych stylach:

„Zdjęcie [art style or creation technique] kanciastego, sportowego sedana elektrycznego z wieżowcami w tle”

^{Źródło obrazu: każdy obraz został wygenerowany przy użyciu odpowiedniego prompta tekstowego w modelu Imagen 2.}

Kształty i materiały

• Prompt zawiera: „...wykonany z...”, „…w kształcie…”

Jedną z zalet tej technologii jest możliwość tworzenia obrazów, które w inny sposób byłyby trudne lub niemożliwe do uzyskania. Możesz na przykład odtworzyć logo firmy w różnych materiałach i teksturach.

^{Źródło obrazu: każdy obraz został wygenerowany przy użyciu odpowiedniego prompta tekstowego w modelu Imagen 3.}

Odwołania do sztuki historycznej

• Prompt zawiera: „…w stylu…”

Niektóre style stały się z biegiem lat kultowe. Oto kilka pomysłów na historyczne style malarstwa lub sztuki, które możesz wypróbować.

„wygeneruj obraz w stylu [art period or movement] : farma wiatrowa”

^{Źródło obrazu: każdy obraz został wygenerowany przy użyciu odpowiedniego prompta tekstowego w modelu Imagen 3.}

Modyfikatory jakości obrazu

Niektóre słowa kluczowe mogą informować model, że szukasz zasobu wysokiej jakości. Przykłady modyfikatorów jakości:

• Ogólne modyfikatory – wysoka jakość, piękny, stylizowany
• Zdjęcia – 4K, HDR, zdjęcie studyjne
• Sztuka, ilustracja – profesjonalna, szczegółowa

Poniżej znajdziesz kilka przykładów promptów bez modyfikatorów jakości i tych samych promptów z modyfikatorami jakości.

^{Źródło obrazu: każdy obraz został wygenerowany przy użyciu odpowiedniego prompta tekstowego w modelu Imagen 3.}

Formaty obrazu

Generowanie obrazów w Imagen umożliwia ustawienie 5 różnych proporcji obrazu.

1. Kwadrat (1:1, domyślny) – standardowe zdjęcie kwadratowe. Ten format jest często używany w postach w mediach społecznościowych.

2. Pełny ekran (4:3) – ten format jest często używany w mediach i filmach. Jest to też format większości starszych telewizorów (nie panoramicznych) i aparatów średnioformatowych. Obejmuje większą część sceny w poziomie (w porównaniu z formatem 1:1), dlatego jest preferowanym formatem w fotografii.

3. Pełny ekran w orientacji pionowej (3:4) – pełnoekranowy format obrazu obrócony o 90 stopni. Dzięki temu możesz uchwycić więcej sceny w pionie niż w przypadku formatu 1:1.

4. Panoramiczny (16:9) – ten format zastąpił format 4:3 i jest obecnie najpopularniejszym formatem obrazu w telewizorach, monitorach i ekranach telefonów komórkowych (w orientacji poziomej). Użyj tego formatu, jeśli chcesz uchwycić większą część tła (np. malownicze krajobrazy).

   

5. Pionowa (9:16) – ten format jest panoramiczny, ale obrócony. Jest to stosunkowo nowy format obrazu, który zyskał popularność dzięki aplikacjom z krótkimi filmami (np. YouTube Shorts). Używaj tej opcji w przypadku wysokich obiektów o wyraźnej orientacji pionowej, takich jak budynki, drzewa, wodospady lub inne podobne obiekty.

   

Fotorealistyczne obrazy

Różne wersje modelu generowania obrazów mogą oferować połączenie wyjść artystycznych i fotorealistycznych. W promptach używaj poniższych sformułowań, aby generować bardziej fotorealistyczne wyniki na podstawie tematu, który chcesz wygenerować.

Portrety

Korzystając z kilku słów kluczowych z tabeli, Imagen może wygenerować te portrety:

Prompt: Kobieta, portret 35 mm, duotony w odcieniach niebieskiego i szarego
Model: imagen-3.0-generate-002

Prompt: Kobieta, portret 35 mm, film noir
Model: imagen-3.0-generate-002

Obiekty

Korzystając z kilku słów kluczowych z tabeli, Imagen może wygenerować te obrazy obiektów:

Prompt: leaf of a prayer plant, macro lens, 60mm
Model: imagen-3.0-generate-002

Prompt: a plate of pasta, 100mm Macro lens
Model: imagen-3.0-generate-002

Ruch

Korzystając z kilku słów kluczowych z tabeli, Imagen może wygenerować te obrazy w ruchu:

Prompt: zwycięskie przyłożenie, krótki czas otwarcia migawki, śledzenie ruchu
Model: imagen-3.0-generate-002

Prompt: Jeleń biegnący po lesie, szybka migawka, śledzenie ruchu
Model: imagen-3.0-generate-002

Szerokokątny

Korzystając z kilku słów kluczowych z tabeli, Imagen może wygenerować te zdjęcia szerokokątne:

Prompt: an expansive mountain range, landscape wide angle 10mm
Model: imagen-3.0-generate-002

Prompt: zdjęcie księżyca, fotografia astronomiczna, szeroki kąt 10 mm
Model: imagen-3.0-generate-002

Wersje modelu