说真的，学会用SD做电商图，你才是真的入了门

从时间节点来看，Stable Diffusion依然是小众产品。

用具体的数字来衡量，假如国内ChatGPT的用户有1亿人，那么Midjourney的用户大约是GPT的十分之一，千万级的规模；而SD又是MJ的十分之一左右，也就是百万级。

而事实上，SD之所以最有可能成为新一代生产力工具，正是因为它有更强的可控性，即便Midjourney也难以望其项背。

而我要做的事，就是毫无保留的与各位分享实际案例和方法，希望有更多人看到SD的生产能力，进而有兴趣学习和使用。

这篇文章不会告诉你如何绘制更好看的小姐姐，相反，你可以从中学到一种新技能：即便足不出户，也能用Stable Diffusion绘制精美的电商产品图。

具体而言，你会看到这样的过程：

一个随手拍摄的咖啡杯

如何变成这样

这样

或者是这样

制作全流程都在这篇文章里，跟着做，你也能学会。

在开始之前，我们先捋一捋制作思路：

从一张真实产品图开始——分割背景和产品——替换背景——调整尺寸和文字

拍摄真实产品图

别看一些MJ教程中用提示词出产品图，绕不开的问题是随机性太大。如果你的商品已经是实物，毫无疑问，必然货要对板。

首先你要拍摄若干张实物图，拍摄设备并不需要太高要求，手机相机都可以，唯一的要求是光线充足，细节清晰，就像下面这样：

虽然照片中放置商品的盒子沾满猫毛，但这并不重要，它提供了一个简单有效的参照物，在后面的制作流程中能极大地减少我们的修正工作量。

照片的处理工作还没结束，手机拍摄的照片分辨率超过3K，这样的分辨率在Stable
Diffusion中处理难度太大，电商平台的商品详情页并不需要如此高的分辨率，所以我们要预先调整照片尺寸。

以手机拍摄的3024x4032为例。如果你的设备显存高于16G，那么你可以缩减一半，改成1512x2016；如果你的设备显存低于16G，我建议你一步到位缩小3-4倍，改成1008x1344或者756x1008，先出图，再扩精度。

万物皆可SAM

如果你看过我之前写的文章，就不难理解我对Segment Anything有多推崇。技术进步带来的直观变化，就应当是任何人都可以学会的效率工具。

左键选择要保留的图形，右键选择不需要的图形，然后点击预览，前后不过一分钟的时间，蒙板就已经做好了。

这一步工作还没完，为什么现在市面上一些基于SD制作的电商图工具出图效果并不理想，正是因为它们忽略的商品的相对关系。如果做出来的商品图让人看着一眼假，谁又会相信产品详情页的描述货真价实呢？

接下来这一段是重点：

原图导入controlnet，选择预处理器softedge_hed得到预览图

下载预览图，然后修改成下面这个样子：

这样，你就得到了一个主要产品和次要背景之间直接联系，这能为你后面的出图和修改节约大量的时间。

万事俱备，开始替换背景。

局部重绘

主模型推荐realisticVision或者majicmixRealistic

正向提示词，重点描述产品背景

(best quality),(masterpiece), (photorealistic:1.3),extreme detail, product
photo,raw photo, coffee_shop background, day time,warm light, no human,

反向提示词，常规的反向embedding

bad-picture-chill-75v BadDream badhandv4 EasyNegative FastNegativeV2
ng_deepnegative_v1_75t UnrealisticDream,(coffee cup:1.5),

参数设置如下图

重绘幅度可以多尝试几次，有时降低幅度反而会有更好的出图效果。

Controlnet设置平平无奇，没什么特别需要调整的地方。

直接出图：

实测1363x1817分辨率直出，显存峰值占用21.6GB，建议低于24G显存的用户出图分辨率不要超过1K。

跑出一张图之后，你就可以多抽几次背景，或者继续修改提示词尝试，再或者按照之前介绍的扩图方法延展画面，最后加上必要的文字，一系列咖啡杯广告图就做好了。不清楚的地方可以回看前几期文章，这里就不再累述。

有些时候我们不止要有产品，还需要个代言人，最好还是能指定性别、年龄、肤色的代言人，怎么办？

好办！如果你看过画手的那篇文章就不难理解：你需要的并不是一个代言人，而是一张拿着产品的人像照片。

流程如下：

拍摄真人产品图

叫上你的同事或者亲朋好友，性别年龄都不重要，重要的是摆出pose

再一次，万物皆可SAM

别忘了手部特写，值得单独做个softedge_hed

万事俱备，开始重绘

主模型推荐realisticVision和photon（欧美面孔）或者majicmixRealistic（亚洲面孔）

正向提示词：

Best quality,masterpiece,ultra high res,raw photo,deep shadow,dark
theme,(photorealistic:1.4),(1man,smiling),(fashion clothes:1.2),inspired by
brutalist architecture,vibrant color palette,undertones,hart hand, (london
street),(standing in front of starbucks coffee shop:1.3),(sfw:1.1),good
fingers,good logo,(starbucks logo:1.3)

反向提示词：

bad-picture-
chill-75v,BadDream,badhandv4,EasyNegative,ng_deepnegative_v1_75t,exposed,
(nsfw:1.1), many fingers, many hands, (nsfw:1.1)(tatoo)

设置参数跟上面的案例差不多，区别在于controlnet是这样的：

如果你不放心身体姿态，多加一个openpose也未尝不可：

直接出图：

还是那句话，只要你成功做出了一张图，你就已经做出了无数张图 。重复这个工作流，你可以制作出任意姿势的真人产品图，一次性生成十几张，慢慢挑就行了。

既然你已经看到了这里，我建议你也动手试一试。创作的快乐，真的难以想象。

目前 ControlNet 已经更新到 1.1 版本，相较于 1.0 版本，ControlNet1.1 新增了更多的预处理器和模型，每种模型对应不同的采集方式，再对应不同的应用场景，每种应用场景又有不同的变现空间

我花了一周时间彻底把ControlNet1.1的14种模型研究了一遍，跑了一次全流程，终于将它完整下载好整理成网盘资源。

其总共11 个生产就绪模型、2 个实验模型和 1 个未完成模型，现在就分享给大家，点击下方卡片免费领取。

1. 线稿上色

**方法：**通过 ControlNet 边缘检测模型或线稿模型提取线稿（可提取参考图片线稿，或者手绘线稿），再根据提示词和风格模型对图像进行着色和风格化。

**应用模型：**Canny、SoftEdge、Lineart。

Canny 示例：（保留结构，再进行着色和风格化）

2. 涂鸦成图

方法：通过 ControlNet 的 Scribble 模型提取涂鸦图（可提取参考图涂鸦，或者手绘涂鸦图），再根据提示词和风格模型对图像进行着色和风格化。

应用模型：Scribble。

Scribble 比 Canny、SoftEdge 和 Lineart 的自由发挥度要更高，也可以用于对手绘稿进行着色和风格处理。Scribble 的预处理器有三种模式：Scribble_hed，Scribble_pidinet，Scribble_Xdog，对比如下，可以看到 Scribble_Xdog 的处理细节更为丰富：

Scribble 参考图提取示例（保留大致结构，再进行着色和风格化）：

3. 建筑/室内设计

**方法：**通过 ControlNet 的 MLSD 模型提取建筑的线条结构和几何形状，构建出建筑线框（可提取参考图线条，或者手绘线条），再配合提示词和建筑/室内设计风格模型来生成图像。

**应用模型：**MLSD。

MLSD 示例：（毛坯变精装）

这份完整版的ControlNet 1.1模型我已经打包好，需要的点击下方插件，即可前往免费领取！

4. 颜色控制画面

**方法：**通过 ControlNet 的 Segmentation 语义分割模型，标注画面中的不同区块颜色和结构（不同颜色代表不同类型对象），从而控制画面的构图和内容。

**应用模型：**Seg。

Seg 示例：（提取参考图内容和结构，再进行着色和风格化）

如果还想在车前面加一个人，只需在 Seg 预处理图上对应人物色值，添加人物色块再生成图像即可。

5. 背景替换

**方法：**在 img2img 图生图模式中，通过 ControlNet 的 Depth_leres 模型中的 remove background 功能移除背景，再通过提示词更换想要的背景。

**应用模型：**Depth，预处理器 Depth_leres。

**要点：**如果想要比较完美的替换背景，可以在图生图的 Inpaint 模式中，对需要保留的图片内容添加蒙版，remove background 值可以设置在 70-80%。

Depth_leres 示例：（将原图背景替换为办公室背景）

6. 图片指令

**方法：**通过 ControlNet 的 Pix2Pix 模型（ip2p），可以对图片进行指令式变换。

应用模型：ip2p，预处理器选择 none。

**要点：**采用指令式提示词（make Y into X），如下图示例中的 make it snow，让非洲草原下雪。

Pix2Pix 示例：（让非洲草原下雪）

7. 风格迁移

**方法：**通过 ControlNet 的 Shuffle 模型提取出参考图的风格，再配合提示词将风格迁移到生成图上。

**应用模型：**Shuffle。

Shuffle 示例：（根据魔兽道具风格，重新生成一个宝箱道具）

8. 色彩继承

**方法：**通过 ControlNet 的 t2iaColor 模型提取出参考图的色彩分布情况，再配合提示词和风格模型将色彩应用到生成图上。

**应用模型：**Color。

Color 示例：（把参考图色彩分布应用到生成图上）

这份完整版的ControlNet 1.1模型我已经打包好，需要的点击下方插件，即可前往免费领取！

这里就简单说几种应用：

1. 人物和背景分别控制

2. 三维重建

3. 更精准的图片风格化

4. 更精准的图片局部重绘

以上就是本教程的全部内容了，重点介绍了controlnet模型功能实用，当然还有一些小众的模型在本次教程中没有出现，目前controlnet模型确实还挺多的，所以重点放在了官方发布的几个模型上。

同时大家可能都想学习AI绘画技术,也想通过这项技能真正赚到钱，但是不知道该如何开始学习，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学，因为自身做副业需要，我这边整理了全套的Stable Diffusion入门知识点资料，大家有需要可以直接点击下边卡片获取，希望能够真正帮助到大家。