AI绘画丨从MJ到SD，九周精通AI绘画，MJ基础至SD模型训练全方位教学

这门课的主题很明确：把 Midjourney 和 Stable Diffusion 这两条主流 AI 绘画路线串起来讲，从提示词怎么写一直讲到模型怎么训。九周的安排不是把两套工具并列介绍，而是按「先会用、再会调、最后会改」的顺序推进——前段用 MJ 建立对生成结果的控制感，后段转到 SD 做本地部署、ControlNet 控制和 LoRA/DreamBooth 微调。对已经能出图、但遇到「风格不稳定」「角色一致性差」「商业项目要求可复现」这类问题的开发者来说，它的价值在于补上从工具使用者到流程搭建者之间的那段空白。

技术栈覆盖的实际边界

MJ 部分主要解决的是提示词结构、参数控制（比例、版本、风格化强度）和图像迭代思路，属于黑盒调优，学的是观察与收敛的方法。SD 部分则是白盒：WebUI 的部署与依赖、采样器与步数的取舍、CFG 与 denoise 强度的配合、img2img 与 inpaint 的适用场景，再到 ControlNet 的 OpenPose、Canny、Depth 等预处理器如何约束构图。模型训练环节涉及数据集清洗、打标、正则化图像、学习率与 batch 的配置，以及 LoRA 与 embedding 的差异。这些内容组合起来，覆盖的是一条可落地的生产链路，而不只是「出好看的图」。

项目结构与资料组织方式

资料按周切分，每周配有课件与案例素材，视频体量较大，说明讲解偏操作演示而非纯理论。这种结构的好处是每一周都能独立成一个小目标：本周要产出什么类型的图、用到哪个模块、参数区间在哪。配套的课件多为演示文稿格式，适合先扫一遍建立框架，再回到视频里看具体操作。案例目录通常包含输入素材与参考输出，建议直接拿这些素材复现一遍，比对参数差异，比单纯看讲解更能建立手感。需要注意的是，这类课程的文件命名和目录层级往往不统一，建议下载后按「周次-主题-工具」重命名归档，否则后期检索成本会很高。

可复用模块与工程化落点

• 提示词模板：把 MJ 阶段验证过的风格描述词抽象成可替换的变量结构，迁移到 SD 的正向/负向提示词中。
• ControlNet 工作流：固定一套「参考图 → 预处理器 → 权重」的配置，作为角色或场景复用的基础管线。
• LoRA 训练配置：记录数据集规模、打标规则与训练参数，形成可重复的实验记录，而不是每次凭感觉调。
• 批量处理脚本：把重复的 img2img、放大、格式转换步骤脚本化，减少手工操作带来的不一致。

这几点是课程里最值得抽出来单独整理的部分。真正影响交付效率的往往不是某个参数，而是能否把一次成功的生成固化成可重复执行的流程。

自学路径建议

如果时间有限，不必严格按周顺序推进。可以先花两三天把 MJ 的提示词与参数过一遍，建立对「描述—结果」关系的直觉；然后集中攻克 SD 的本地部署与基础出图，确保环境跑通；接着用 ControlNet 解决构图控制问题；最后再进入模型训练。训练环节对硬件有要求，显存不足时优先用 LoRA 而非全量微调，数据集控制在几十张高质量图起步即可。每周结束时保留一份参数记录和几张对比图，九周下来就是一份属于自己的调参笔记，这比课程本身的完成度更有长期价值。

整体来看，这份资料适合当作对照实践的参考：先看框架，再动手复现，遇到问题回查对应周次。它不承诺让你成为「大师」，但能把 MJ 到 SD 这条链路上的关键节点讲清楚，剩下的靠反复跑通流程来积累。