controlnet可精确控制ai绘画中人物或物体姿势，需准备灰度骨架图、配置openpose模型参数、合理设置提示词与采样参数、上传校验姿势图并微调偏差。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您希望在AI绘画中精确控制人物或物体的姿势，ControlNet是一个专门为此设计的功能模块。以下是使用ControlNet实现姿势控制的具体操作流程：
一、准备姿势参考图
ControlNet依赖于输入的姿势骨架图作为引导信号，因此需先生成符合要求的姿势线稿。该图必须为单通道灰度图，关键点连接结构清晰，且不含多余背景或装饰元素。
1、使用OpenPose或Detectron2等工具对目标姿势照片进行关键点检测与骨骼连线。
2、将输出结果保存为PNG格式，确保图像分辨率为512×512或其整数倍，边缘留白不超过图像宽度的5%。
3、用图像编辑软件删除所有非骨骼线条，仅保留关节点与连接线，背景设为纯黑色（RGB值必须为0, 0, 0）。
二、配置ControlNet插件参数
在WebUI界面中启用ControlNet扩展后，需正确设置模型权重与预处理器，以匹配姿势控制任务。
1、在ControlNet单元中点击“启用”，从下拉菜单选择control_canny模型（适用于边缘强化型姿势图）或control_openpose模型（专用于标准OpenPose骨架图）。
2、预处理器选项中选择openpose_full，确保手部与面部关键点均被识别并渲染。
3、将“权重”设为1.2–1.5，“起始步数”设为0.0，“结束步数”设为1.0，保证全程参与生成过程。
三、输入提示词与基础参数
提示词需明确区分主体描述与控制约束，避免语义冲突导致姿势失真。
1、在正向提示词框中输入主体描述，例如“a woman in red dress, studio lighting, ultra-detailed skin texture”。
2、在负向提示词框中加入deformed hands, extra fingers, missing limbs, bad anatomy，抑制常见肢体错误。
3、将采样方法设为DPM++ 2M Karras，采样步数设为30，CFG Scale保持7–9之间，防止过度服从姿势图而牺牲画质。
四、加载并校验姿势图
上传姿势图前需确认其格式与内容满足ControlNet解析要求，否则会导致骨架识别失败或错位。
1、点击ControlNet单元中的“上传”按钮，选择已准备好的PNG姿势图。
2、勾选启用预处理器，点击“预处理”按钮，界面将实时显示生成的骨架热力图。
3、检查热力图中是否完整呈现17个COCO关键点，若肩、肘、膝等关节缺失，需返回步骤一重新生成参考图。
五、执行生成并微调偏差
首次生成结果可能因初始噪声或提示词干扰出现轻微姿态偏移，可通过局部重绘快速修正。
1、启用“蒙版绘制”功能，在偏离部位（如弯曲角度过大的手臂）绘制白色遮罩区域。
2、将“重绘幅度”设为0.45–0.65，保持其余参数不变，再次点击生成。
3、对比原图与新图的关节角度差值，若手腕旋转误差仍大于15度，需调整提示词中对应部位的描述强度，例如增加precise wrist rotation, anatomically correct joint bending。
