今日，我们在此为您揭晓一段精彩内容，其视频版本已经制作完毕，并配备了进度条和专业的配音。如果您渴望获取原始视频、图文对比以及模型细节，请随时与我取得联系。
以下是图文呈现的详细内容：
文章篇幅总计：3568字，配图50幅
预估阅读时长：约9分钟
在上一篇文章中，我们向各位鹿友介绍了ControlNet在三维类控制方面的应用。对于那些尚未浏览过的朋友，不妨抽空一阅，相信您会有所收获：
今日，我们的探讨将聚焦于ControlNet在对象类控制方面的运用，无需赘言，让我们直接切入今天的核心主题。
01 开篇语
在我们的设计领域中，对象类主要涉及OpenPose（姿态）与Segmentation（语义分割）两大类别，它们在场景对象的操控中发挥着至关重要的作用。
原定于今日要分享的内容，实际上提前两天就能完成发布，但因为在整理Segmentation（语义分割）的颜色对照表上耗费了较多时间，所以有所推迟。
秉持着传授技巧比直接提供成果更为重要的原则，今天我将简略介绍我是如何整理Segmentation的颜色对照表的。
02 OpenPose（姿态）
OpenPose（姿态）无疑是鹿友们最为熟知和频繁使用的功能之一，正如其名，它能够帮助我们精细调整对象的动作和手势。不过，由于我个人较少涉及人物图的创作，所以对于这个功能的使用并不频繁。
伴随着SD（某种设计软件）的不断升级，OpenPose新增了诸多预处理器。截止至2024年5月31日，共推出了9款不同的预处理器：
在绘画过程中，我们可以将ControlNet对象类大致归纳为三个主要类别：首先是openpose系列，这一系列涵盖了从早期版本到最新版本的多种变体，包括但不限于初期的openpose、full、hand、faceonly、face，以及后续新推出的dw openpose full。
在应用dw_pose技术时，我们需先行获取dw-ll_ucoco_384.onnx以及yolox_l.onnx这两个关键预处理模型。随后，将这两款模型妥善放置于ControlNet中openpose预处理器模型的指定文件夹内。
文章标题：资深鹿友探秘AI绘境：掌握ControlNet之对象姿态操控与色彩语义对照表编撰技巧
（篇章第七节，核心内容，如下呈现改写正文）
此类预处理器独具特色，其运作原理在于捕捉图像中的主体骨骼结构，以此实现对姿态的精准操控。
即便openpose系列包含了五种不同的预处理器，仅凭名称便能够轻松辨识它们各自负责调控的具体领域：
在本次探讨中，我们将对openpose_full与dw_openpose_full这两款预处理器进行详细对比。它们均具备提取人体姿态、手部动作以及面部特征的能力。
观察以下对比图，我们可以明显发现dw_openpose_full在处理手部信息时表现出更高的精确度。与此同时，openpose_full在捕捉手部细节方面则显得略有不足：
在当前这个案例中，由dw_openpose_full生成的图像相比openpose_full来说，其精确度会更高一些。
文章标题：老鹿探索AI绘画奥秘：掌握ControlNet对象控制与语义颜色对照表编制技巧
（文章第10/53部分，正文部分，以下为改写内容）
在最新推出的ControlNet版本中，成功将openpose-editor插件进行了融合，这使得在预览骨架类openpose的预处理结果时，用户将看到一个便捷的编辑按钮：
文章标题：老鹿探索AI绘画技巧：深入解析ControlNet对象类控制与语义颜色对照表制作流程
（文章第11/53部分，中间部分，改写如下）
在深入ControlNet对象类控制技巧的过程中，我们有机会手动编辑骨架，或通过调整参数来对骨架进行微调。当你对OpenPose识别得到的骨架结果感到不满足时，不妨利用这一功能，对骨架进行调整与优化。
接下来，我们将聚焦于densepose类，这一类别下的预处理器主要包括densepose和densepose_parula两种。
在运用此类预处理器之前，您需先将densepose_r50_fpn_dl.torchscript文件下载至ControlNet所对应的densepose预处理器模型存放目录内。
并且将controlnetFor_v10.safetensors模型下载至ControlNet的模型存储目录内：
此类预处理器与openpose的核心差异在于，它专注于提取轮廓，从而能够有效处理姿态中的重叠区域。
在densepose与densepose_parula的比较中，densepose会生成带有紫色背景的主体图像，而densepose_parula则呈现黑色背景与蓝色主体的效果。
两种预处理器对比，我感觉也无法评判好坏：
以下是针对openpose与densepose两种算法产生的图像进行的对比展示。就我个人观察而言，在这个特定的案例中，dw_openpose_full的表现似乎更为出色：
在众多新增的预处理器中，还有一种名为animal_openpose的类型。其实，它仍旧属于openpose这一类别，其主要功能是提取图像中的骨架图。
然而，值得一提的是，animal_openpose是专为四足动物设计的预处理器，因此我决定将其特别介绍给大家。
首先，您需要将名为rtmpose-m_simcc-ap10k_pt-aic-coco_210e-256x256-7a041aa1_20230206.onnx的文件下载至ControlNet中相应的openpose预处理器模型文件夹内。
接着，您需要将control_sd15_animal_openpose_fp16.pth文件下载至您指定的ControlNet模型存储文件夹内。
下方就是原图，预处理结果以及生成图的对比：
03 分割（语义分割）
分割技术（Segmentation）能够将图像转换为色块图，这种图像让人联想到我们在三维软件中渲染的对象ID图，但实际上二者之间存在显著差异。
在分割技术处理后的色块图中，色值具有严格的定义，不同的色值代表不同的物体：
段落一：
在Segmentation模块中，我们能够找到四种预先设定的处理器。特别值得一提的是，anime_face处理器，它是近期新增的，专门用于处理动漫面部特征的处理器。
在使用ControlNet进行对象类控制的过程中，首先必须将UNet.pth预处理器下载至与之相对应的anime face segment预处理器文件夹内。
以下是anime face segment生成图像的展示。必须承认，我并未实际操作过这款预处理器，就生成效果来看，我对它的具体应用领域也并非十分明确。
标题：老鹿探秘AI绘画：ControlNet对象类控制与语义色彩对照表编制技巧
（文章第26/53部分，中间内容，以下为改写正文）
在后续的三个预处理器中，我们遇到了ofade20k、ufade20k以及ofcoco。这里的of与uf分别指代oneformer和uniformer这两种算法，而ade20k和coco则是代表两种不同的数据集。
从名称上不难推断，ade20k数据集是通过of和uf算法进行训练，形成了两种预处理模型；而coco数据集则仅使用了of算法进行训练。
通过对比图示，我们可以明显看出，由于训练集的差异，语义分割的颜色值存在较大的差异：
两种训练集的颜色对照表文后我也会分享给大家：
依据官方资料所述，ControlNet1.1版本中引入了coco这一新功能。而在ade20k的支持下，可以处理多达150种不同的颜色。相较之下，coco能够识别的颜色种类更为丰富，具体来说，它能够识别182种不同的颜色。
在整理我自己的coco语义分割颜色对照表的过程中，我发现仅找到了133个对象。同样地，当我使用OneFormer的在线版本进行查看时，也发现coco的对象数量同样是133个。我不禁怀疑，这或许是官方文档中的错误。
此外，这里有一个有趣的细节值得大家关注。众所周知，在进行手动上传基于颜色对照表绘制的色块图操作时，我们需要选择预处理器中的“无”选项。
据此，我推断ControlNet模型具备同时辨识coco和ade20k两个数据集色彩的能力。换句话说，在自行绘制色块的过程中，我们能够灵活地结合两个对照表中的色彩来进行创作。
在浏览ControlNet的预处理结果预览界面时，您会发现每个预览框中都配备了一个专用的photopea编辑图标：
需要科学上网，点击后会打开一个类似在线版的PS：
在众多预处理器中，虽然这一功能并非独一无二，然而在Segmentation这一模块中，我个人认为其应用价值尤为显著。假设您希望在某个场景中融入一个人物角色，此时，您只需直接将一张人物肖像拖拽至场景中即可。
抠出来：
填充成色块：
再导出png：
加载到ControlNet里点击生成，这里就多了一个人物：
接下来，我们将对三种预处理器生成的效果图进行详细对比。根据我的个人见解，选择合适的预处理器应当基于实际的使用需求来决定。
04 颜色对照表的编制技巧
接下来，我想详细分享我是如何精心编制颜色对照表的。必须说明的是，我并非编程高手，因此在制作过程中，我采用了不少便捷的策略。
针对ade20k这一款颜色对照表，我发现在网络上已有现成的版本。我仅是对其进行了梳理与语言的转换工作。
标题：探索AI绘画奥秘：ControlNet对象分类控制与语义色彩对照表编制技巧
（文章第41/53节，正文部分，以下为改写内容）
在互联网上搜寻，未能发现现成的coco颜色对照表，于是投入了一些精力去制作。首先，了解到coco的训练集是公开的，可以轻松从官方网站下载2017年的数据集：
解压后会得到一个JSON文件，用记事本打开它：
在ChatGPT的指导下，我了解到，我们可以通过查看categories字段来获取训练集中所有的类别信息。
于是，我搜索并复制这个字段后的所有内容：
把它们在新的文本文档中简单整理大概成这样：
在接下来的步骤中，我们将信息复制至Excel表格中进行初步整理，形成一份表格。此时，我们已经拥有了对象的名称。不过，我在官方资料中并未发现与颜色相对应的信息。
因此，我采取的策略是借助现有的预处理器模型来逆向推导颜色信息。首先，我将这些对象的名称通过SD（Stable Diffusion）软件的“从文本框或文件载入提示词”功能进行批量处理，生成相应的图片：
通过coco预处理模型，将这些图像转化为色块图案。在此过程中，我选用了ComfyUI工具进行高效批量处理，并将处理后的预览结果图进行保存。
在进行下一步操作时，我们将这些色彩丰富的色块图案统一导入至Photoshop软件中。接着，依据表格上所标注的名称，逐一从图片中提取出相应的色块所对应的HEX色码，并将这些色码准确地复制粘贴到表格的相应位置。
这个过程或许有些繁琐，原因在于我们得先利用SD进行大批量的图像生成。在此过程中，有些生成的图像并不理想，这会导致色块图难以清晰辨认。
以我生成火车图像为例，生成的图像往往是火车内部的景象，这样的图像并不利于语义分割。在这种情况下，可能需要我们单独生成图像，并对图像进行逐一调整。
完成所有图片的HEX颜色代码提取后，紧接着将它们批量粘贴至ChatGPT，请求其协助我将这些颜色代码转换为RGB格式。
在完成所有步骤之后，将所获取的RGB数值逐一填写至表格之内。紧接着，按照ChatGPT所提供的指导，将表格中的RGB数值转换成相应的填充色。
以下便是我制作coco训练集颜色对照表的整个过程。不过，在这里不得不提到，我遗漏了验证这一关键步骤，对于133个对象的逐一验证确实是一项耗时的工作。在大家实际操作的过程中，如果遇到了任何难题，都欢迎随时与我分享。
若这份教程对您有所启发，不妨给我一个点赞、分享或收藏，您的每一个小小举动都是对我莫大的支持。在此，衷心感谢！
