大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。

# Nano-Banana实战教程：生成带尺寸标注的工业级exploded view工作流

你是不是也遇到过这样的烦恼？设计了一个超酷的产品，内部结构精巧无比，但给客户或者工厂看设计图时，总感觉缺了点什么。二维的装配图不够直观，三维爆炸图渲染起来又太费时间。有没有一种方法，能快速生成那种专业、清晰、自带“说明书”质感的工业分解视图呢？

今天，我们就来上手一个专门解决这个痛点的神器——Nano-Banana Studio。它不是一个普通的AI画图工具，而是一个专注于“物理结构拆解”的AI创作终端。简单说，你告诉它“一双运动鞋”，它就能给你生成一张所有零件被整齐平铺、甚至带有效果线和标注的爆炸视图，质感直接拉满。

这篇教程，我们就手把手带你走通一个完整的工作流：从零部署Nano-Banana，到生成第一张分解图，再到进阶玩法——为生成的视图自动添加专业的尺寸标注和注解，最终输出可直接用于设计评审、生产指导或营销材料的工业级图像。

1. 初见Nano-Banana：你的结构拆解实验室

在开始动手之前，我们先快速了解一下这位新伙伴。Nano-Banana Studio的核心能力，是将复杂的物体（比如服装、鞋包、电子产品）转化为极具美感的平铺图或分解视图。

• 平铺图：也叫Knolling，是一种将所有零件按平行或垂直方向整齐排列的俯视图，充满秩序美感。
• 分解视图：即Exploded View，将产品的各个组件沿轴线分开，展示其装配关系和内部结构。

它基于强大的SDXL 1.0模型，并专门针对“拆解”风格进行了训练。这意味着它生成的图像，天生就带有工业设计、产品说明书的那种清晰、严谨、富有逻辑的美学风格，而不是随意的艺术创作。

学习本教程，你将掌握：

1. 如何一键部署Nano-Banana Studio。
2. 写出有效提示词，生成高质量分解图的核心技巧。
3. 一个进阶工作流：使用外部工具为AI生成的图像添加精准尺寸标注，使其达到真正的“工业级”标准。

2. 环境准备与快速部署

Nano-Banana的部署过程极其简单，几乎不需要任何复杂的配置。我们假设你已经在云平台或本地拥有一个支持Python和PyTorch的环境。

2.1 启动Nano-Banana服务

部署的核心就是运行一个启动脚本。打开你的终端，执行以下命令：

bash /root/build/start.sh 

这个脚本会自动完成环境检查、依赖安装和Web服务启动。稍等片刻，当你在终端看到类似下面的输出时，就说明服务启动成功了：

You can now view your Streamlit app in your browser. Local URL: http://localhost:8501 Network URL: http://10.0.0.2:8501 

2.2 访问创作界面

打开你的浏览器，访问终端提示的URL（通常是 http:// <你的服务器ip> :8501 ）。你会看到一个非常简洁、干净的纯白**面，这就是Nano-Banana的创作实验室。

界面主要分为三个区域：

1. 左侧输入区：在这里输入你的创意描述（提示词）。
2. 右侧参数区（默认折叠）：可以调整一些高级生成参数。
3. 下方展示区：生成的图片会像画廊一样陈列在这里。

界面设计非常聚焦，就是为了让你能心无旁骛地构思和调整“拆解”这个核心动作。

3. 核心实战：生成你的第一张爆炸图

现在，让我们来创作第一张作品。我们的目标是：生成一张“专业数码单反相机”的爆炸分解视图。

3.1 编写有效的提示词

提示词是引导AI的关键。对于Nano-Banana，有几个“魔法词”必须用上：

1. 核心动作指令：disassemble [物体]。这是触发拆解行为的核心，比如 disassemble a DSLR camera。
2. 风格描述词：knolling（平铺美学）和 exploded view（爆炸视图）。这两个词决定了构图的基本逻辑。
3. 质感控制词：technical illustration（技术插图）, instructional diagram（说明书图解）, white background（白色背景）。这些词能赋予图像强烈的工业感和实用性。

综合一下，我们的第一个提示词可以这样写：

disassemble a professional DSLR camera, knolling, exploded view, technical illustration, instructional diagram, clean white background, highly detailed, components neatly arranged 

翻译一下就是： “拆解一台专业单反相机，采用平铺美学和爆炸视图，技术插图风格，说明书图解，干净白色背景，高细节，零件整齐排列。”

将这段提示词输入到左侧的文本框中。

3.2 调整生成参数（可选）

点击右侧的“Advanced Parameters”展开参数区。对于初学者，重点关注这两个：

• LoRA Scale (推荐 0.8)：这个参数控制“拆解风格”的强度。0.8是一个很好的平衡点，既能保证物体被有效拆解，又不会过于抽象。
• CFG Scale (推荐 7.5)：这个参数控制AI遵循你提示词的程度。7.5能较好地平衡创意与指令。

首次尝试，我们可以直接使用推荐的默认值。

3.3 生成并解读结果

点击“Generate”按钮。等待几十秒后，你的第一张数码相机爆炸图就诞生了！

观察你的成果，思考这几个问题：

• 零件拆解得是否清晰？镜头、快门、反光板、主板等主要部件能辨认吗？
• 排列是否有逻辑？是杂乱无章，还是有一种有序的美感？
• 画面有“工业感”吗？像不像产品手册里的插图？

如果效果不理想，别担心。AI生成具有随机性。你可以：

• 微调提示词：增加更具体的部件名称，如 camera lens, shutter button, image sensor。
• 点击再次生成：使用相同的参数多试几次，往往会有惊喜。

4. 进阶工作流：添加工业级尺寸标注

生成的爆炸图已经很棒了，但对于真正的工业用途，还缺少关键一环：尺寸标注。标注能明确零件的实际大小、装配间隙和关键尺寸，是指导生产和质检的直接依据。

Nano-Banana本身不直接生成标注，但我们可以用一个高效的“组合拳”工作流来实现。这里介绍一个基于Python图像处理库opencv和matplotlib的思路。

4.1 工作流思路

1. 生成基础爆炸图：用Nano-Banana生成一张高质量、背景干净的分解视图。
2. 识别与定位组件：由于AI生成的零件位置是已知的（在生成过程中可以获取或通过简单图像处理识别色块区域），我们可以为关键部件定义边界框。
3. 计算与绘制标注：根据预设的尺度（例如，设定图中某个已知长度的部件代表实际10mm），为其他部件计算相对尺寸，并用箭头、尺寸线和文字进行标注。

4.2 示例代码：为生成的图像添加简单标注

假设我们已经从Nano-Banana保存了一张名为exploded_camera.png的图片，并且我们通过图像处理（如颜色阈值、轮廓检测）或手动方式，确定了两个关键部件的位置坐标。

以下是一个概念性的Python代码示例，展示如何添加尺寸线：

import cv2 import matplotlib.pyplot as plt from matplotlib.patches import FancyArrowPatch # 1. 读取Nano-Banana生成的图像 img = cv2.imread('exploded_camera.png') img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 2. 创建绘图环境 fig, ax = plt.subplots(figsize=(12, 10)) ax.imshow(img_rgb) ax.axis('off') # 隐藏坐标轴 # 3. 假设我们通过某种方式获得了两个部件（例如镜头和机身）的参考点坐标 (x, y) # 这里手动定义示例坐标，实际应用中这部分需要自动化或半自动化 component_a_center = (350, 500) # 部件A中心点 component_b_center = (650, 500) # 部件B中心点 # 4. 绘制尺寸标注线（水平方向示例） # 使用箭头补丁绘制带箭头的尺寸线 dim_line = FancyArrowPatch( component_a_center, component_b_center, arrowstyle='<->', # 双箭头样式 mutation_scale=20, color='red', linewidth=2 ) ax.add_patch(dim_line) # 5. 添加尺寸文本 mid_point = ((component_a_center[0] + component_b_center[0]) / 2, (component_a_center[1] + component_b_center[1]) / 2) # 假设我们知道这两个部件的实际距离是24mm，并在图中按比例显示 ax.text(mid_point[0], mid_point[1] - 20, '24 mm', color='red', fontsize=12, weight='bold', ha='center', va='bottom', bbox=dict(boxstyle="round,pad=0.3", facecolor="white", edgecolor="red", alpha=0.8)) # 6. 可以继续添加更多部件的标注... # 7. 保存最终带标注的图像 plt.tight_layout() plt.savefig('exploded_camera_with_dimension.png', dpi=300, bbox_inches='tight') plt.show() print("带尺寸标注的图像已保存为 'exploded_camera_with_dimension.png'") 

这段代码做了什么？

• 读取AI生成的爆炸图。
• 在图上指定的两个点之间，画了一条红色的双箭头尺寸线。
• 在尺寸线中间标注了“24 mm”的文字，并加了白色底框使其清晰。
• 最终保存了一张新的、带标注的图片。

4.3 实践建议

• 自动化挑战：完全自动识别AI生成图中的每个零件并标注，目前仍是一个挑战。更实用的工作流是半自动化。
  • 方案A（推荐）：在Nano-Banana生成图像后，使用一个交互式脚本，让用户用鼠标点击关键部件的两端，脚本自动计算像素距离并转换为实际尺寸进行标注。
  • 方案B：如果产品是系列化的，可以训练一个简单的目标检测模型，专门识别你产品系列中的标准部件，然后自动标注。
• 尺度设定：这是关键。你需要在提示词中固定一个“标尺”物体，比如 include a 10cm scale bar in the corner（在角落包含一个10厘米的比例尺），然后在后期处理时以这个标尺为基准计算所有尺寸。

5. 总结：从创意到工程图纸的桥梁

通过这个教程，我们完成了从部署Nano-Banana，到生成基础爆炸图，再到构思进阶标注工作流的全过程。让我们回顾一下关键收获：

1. Nano-Banana 是一个强大的专业化AI工具，它能将“拆解”和“有序排列”的思维直接转化为视觉图像，极大地提升了工业概念图、说明图的设计效率。
2. 提示词是灵魂，记住核心公式：disassemble [物体] + knolling/exploded view + 工业风格词 + 背景控制。
3. 工业级输出需要后处理。AI生成了完美的“底图”，而专业的尺寸标注、注解文字、图例等，可以通过图像处理库（如OpenCV, Matplotlib）或传统绘图软件（如Illustrator）的辅助来高效完成，形成“AI创意+工程化处理”的混合工作流。

这个工作流的价值在于，它打破了传统工业制图耗时耗力的瓶颈。设计师可以快速迭代爆炸图的创意和布局，工程师则可以基于清晰的AI底图快速添加精准的技术数据。下次当你需要向团队展示产品内部结构，或者为工厂提供装配示意图时，不妨试试用Nano-Banana开启你的创作。

---

> 获取更多AI镜像 > > 想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。