AI绘画入门教程（全网最详细）从零基础入门到精通，看完这一篇就够了！

前言

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。在本篇文章中，我们将会使用AI绘画软件：触站，轻松创建属于自己的作品。从零开始学AI绘画！

从零开始学AI绘画关键步骤：

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无疑是最近最火的AI绘画工具之一，所以本期给大家带来了`全新Stable Diffusion 升级版资料包`（点击👇可获取）

在这里插入图片描述

01 新版本一键安装启动软件

02 AI绘画基础+速成+进阶使用教程

AI 绘画工具的部署安装

以下主要介绍三种部署安装方式:云端部署、本地部署、本机安装，各有优缺点。当本机硬件条件支持的情况下，推荐本地部署，其它情况推荐云端方式。

1.云端部署 Stable Diffusion

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

Stable Diffusion WebUl 运行界面如下，在后面的操作方法里我会介绍下 Stable Diffusion

的基础操作。

2.本地部署 Stable Diffusion

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) 。

3、AI 绘画工具的操作技巧

1.Stable Diffusion 基础操作

文生图

如图所示 Stable Diffusion WebUl 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 为文生图功能，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

图生图

img2img 功能可以生成与原图相似构图色彩的画像，或者指定一部分内容进行变换。可以重点使用 Inpaint 图像修补这个功能:

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

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

LORA 模型训练说明

前面提到 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。

以下简要介绍该模型的训练方法:

第 1步:数据预处理

在Stable Diffusion WebUl 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 Destinationdirectory 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 focalpoint 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。

第 2 步: 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-traineripynb

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。

第 3 步: 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 日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。

2.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

Prompt 提示词可以分为 4 段式结构: 质风 + 面主体 + 面细节 + 风格参考画面画风: 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

常用提示词举例:

3.ChatGPT 辅助生成提示词

我们也可以借助 ChatGPT 帮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

4.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 WebUl 的汉化和 Prompt 支持中文输入。

Stable Diffusion WebUl 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 WebUl 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 WebUl

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

在 Stable Diffusion WebUl 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 WebUl 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。