annotate_image¶
用 ControlNet 预处理器为图像做标注。输出就是标注本身 —— 一张派生图像 (例如线稿图或深度图),你可以把它作为 ControlNet 条件喂回生成流程。
参数¶
名称 |
类型 |
默认值 |
说明 |
|---|---|---|---|
|
|
必填 |
base64 编码的 PNG/JPEG。 |
|
|
必填 |
ControlNet 预处理器 id(见下表)。 |
返回¶
list[ContentBlock] —— 标注的 base64 Image + 保存路径文本。
ControlNet 模型¶
|
NovelAI 名称 |
输出 |
用途 |
|---|---|---|---|
|
Palette Swap |
柔和边缘图 |
动漫 / 绘画风格的线条保留 |
|
Form Lock / Depth |
深度图 |
姿态、深度、体积一致性 |
|
Scribbler |
伪涂鸦线稿 |
松散草图 → 连贯线稿 |
|
Building Control |
直线检测 |
建筑、室内 |
|
Landscaper |
语义分割 |
场景构图、配色 |
用 ControlNetModel 枚举在运行时列出它们:
from novelai_image_mcp.nai import ControlNetModel
print([m.value for m in ControlNetModel])
示例¶
提取深度图¶
depth = await ctx.session.call_tool("annotate_image", {
"image": photo_b64,
"model": "midas",
})
面向动漫工作流的 HED(柔和边缘)¶
hed = await ctx.session.call_tool("annotate_image", {
"image": illustration_b64,
"model": "hed",
})
CLI¶
uv run python -m novelai_image_mcp annotate ./photo.png --model midas
提示¶
小技巧
工作流:用 midas 从照片提取深度图,再把它作为 ControlNet 条件传给后续的
generate_image 调用,就能在保留姿态与构图的前提下,用另一种风格重新渲染
这个场景。
标注 ≠ Director
director_tool 对图像做的是视觉变换(线稿、上色等)。annotate_image 提取的
是结构图(深度、边缘、分割),用来驱动下游生成,而不是直接观看。
另请参见¶
ControlNet 教程 —— 完整的 annotate → generate 工作流
ControlNetModel枚举 —— 列于nai.constants子模块