Kohya_ss 安装部署指南从环境自检到 1 小时跑通 LoRA 训练【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ssKohya_ss 是一个基于 Gradio 的 Stable Diffusion 模型训练工具支持 LoRA、Dreambooth、全量微调与 Textual Inversion覆盖 SD1.5/2.x、SDXL、SD3、Flux.1 等底模。这篇 kohya_ss 安装部署教程带你完成环境自检、分步安装与跑通验证最后给出 8 条高频故障的速查方案目标是照着做就能启动第一次训练。安装前自检先确认机器够不够装之前花 5 分钟把下面几项确认掉多数 kohya_ss 安装失败其实都出在这一步检查项查看方式通过标准Python 版本python3 --version3.10.9 及以上首选 3.11.xGitgit --version可用且在 PATH 中拉子模块必需NVIDIA GPU 与驱动nvidia-smi能列出显卡和驱动版本CUDA驱动管理器或发行版软件源建议 12.8 Toolkit依赖锁的是 cu128 轮子操作系统自行判断Ubuntu 22.04 / Windows 10 / macOS走 pip 方式关于 Python 的区间要说明一下setup/setup_common.py 的版本检查允许 3.10.9 到 3.13 以下但 pyproject.toml 的依赖锁定实际要求低于 3.12所以直接用 3.11.x 最稳。没有 N 卡也别急AMD 显卡可以加--use-rocmIntel Arc 可用--use-ipex走原生 PyTorch XPU纯 CPU 机器只能看界面跑训练不现实。安装方式怎么选本地脚本、Docker、云环境三条路线对号入座方式上手难度首次耗时适合人群本地 uv 脚本./gui-uv.sh低一条命令搞定依赖下载 10–20 分钟有 N 卡、想长期训练的主流选择本地 pip 脚本./setup.sh./gui.sh中需先建虚拟环境15–30 分钟习惯 pip/conda、macOS 用户Dockerdocker compose up -d中需先配好 GPU 容器拉镜像 10 分钟起运维/开发要环境隔离云环境Colab / Runpod / Novita最低浏览器打开即用几分钟本地没卡、想先体验原则只有一条先用最简单的把流程跑通再谈迁移。uv 方式依赖隔离更干净升级时环境自动同步官方文档对 Linux 和 Windows 都推荐它细节见 docs/Installation/uv_linux.md 和 docs/Installation/uv_windows.md。分步安装准备 → 执行 → 验证以 Linux uv 为例Windows 差异最后补一句。准备装好 Python、Git、CUDA先确认 Python 版本对不对版本不对会被 setup/setup_common.py 的检查直接拦下python3 --version不符合时Ubuntu 上装 3.11 并顺带装好 GUI 依赖tkinter 会被用到sudo apt update sudo apt install python3.11 python3.11-tk python3.11-venv git成功标志python3.11 --version输出 3.11.xgit --version正常返回。执行克隆仓库并启动克隆时必须带--recursive否则训练代码所在的sd-scripts子模块是空目录后面启动必挂git clone --recursive https://gitcode.com/GitHub_Trending/ko/kohya_ss成功标志进入kohya_ss目录后sd-scripts/里有真实源码文件。然后一条命令启动脚本会自动安装 uv 并同步全部依赖首次运行时间取决于网络./gui-uv.sh --listen 127.0.0.1 --server_port 7860 --inbrowser成功标志日志先打印 Torch 版本、检测到的 GPU 与 CUDA 后端类似nVidia CUDA 12.8随后出现 Gradio 监听 7860 端口的信息。Windows 把启动命令换成.\gui-uv.bat即可选 pip 方式则是先跑./setup.sh再跑./gui.sh各平台的完整步骤在 docs/Installation/ 目录里按系统选文档。验证打开界面浏览器访问http://127.0.0.1:7860看到 LORA、Fine-tune、Textual Inversion、Settings 等标签页说明界面层已经就位。装完如何验收跑通信号分三层依次确认界面能打开且无红色报错Settings 页能读到本机 GPU 信息。在终端跑一次模块体检python setup/check_local_modules.py再跑python setup/debug_info.py收集环境快照输出里 torch、transformers、accelerate 都可见依赖校验逻辑对应 setup/validate_requirements.py。把仓库根目录的config example.toml复制为config.toml填好模型、数据集、输出目录的绝对路径从presets/lora/选一条现成 LoRA 预设提交一次小规模训练日志里 loss 开始下降、samples目录出现测试图才算真正跑通。踩坑速查kohya_ss 安装失败先看这里按症状对号每条给出根因和处理动作症状根因处理克隆后sd-scripts目录是空的少了--recursive子模块没拉下来在仓库根目录执行git submodule update --init --recursive提示 Python 版本不支持系统 Python 不在 3.10.9–3.11.x 区间安装 3.11.x 后重跑uv 方式也可以改根目录.python-version文件安装阶段直接报路径含空格工作目录有空格setup/validate_requirements.py 会硬性拒绝把仓库挪到无空格、无中文的路径如/home/user/kohya_ss删掉 venv 再重跑安装No module named tkinter发行版把 tk 拆成了独立包Ubuntu/Debian 执行sudo apt install python3.11-tkWindows 重装 Python 时勾选 tcl/tkTorch 报 GPU not available驱动太旧或驱动与 cu128 轮子不匹配nvidia-smi看驱动版本升级到支持 CUDA 12.8 的版本后重启进程训练时报显存不足OOM单卡 VRAM 装不下当前 batch 加底模降 batch、开梯度累积SDXL 底模可试--lowram8GB 显存的卡优先用 adamW8bit 优化器SSH 远程启动后进程卡住无响应无头环境里本地文件对话框把服务阻塞了启动参数加--headlessV100 上 GPU 利用率只有 30% 左右优化器与 batch 不匹配换 adamW8bit、把 batch 提到显存上限附近并用 Accelerate 配置明确指定 GPU ID见 docs/troubleshooting_tesla_v100.md替代与进阶云端仓库自带 kohya_ss_colab.ipynb 可直接在 Colab 里运行Runpod、Novita 有现成模板文档docs/installation_runpod.md、docs/installation_novita.md本地没卡时适合先验证流程。容器化docker compose up -d拉取预构建镜像即可训练数据固定放在挂载到/dataset的dataset/目录浏览器手动访问http://localhost:7860细节见 docs/installation_docker.md。升级uv 方式git pull后重跑gui-uv.sh环境自动同步pip 方式则git pull后再跑一次./setup.sh。写在最后回头看真正卡住大多数人的只有两点Python 版本落在 3.10.9–3.11.x 区间安装路径不带空格。其余问题基本都能拿setup/debug_info.py的输出对号入座更完整的参数说明在 README.md 的 Troubleshooting 章节遇到复现不了的报错去仓库 issue 区搜一下多数已有现成答案。【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ss创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Kohya_ss 安装部署指南：从环境自检到 1 小时跑通 LoRA 训练
Kohya_ss 安装部署指南从环境自检到 1 小时跑通 LoRA 训练【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ssKohya_ss 是一个基于 Gradio 的 Stable Diffusion 模型训练工具支持 LoRA、Dreambooth、全量微调与 Textual Inversion覆盖 SD1.5/2.x、SDXL、SD3、Flux.1 等底模。这篇 kohya_ss 安装部署教程带你完成环境自检、分步安装与跑通验证最后给出 8 条高频故障的速查方案目标是照着做就能启动第一次训练。安装前自检先确认机器够不够装之前花 5 分钟把下面几项确认掉多数 kohya_ss 安装失败其实都出在这一步检查项查看方式通过标准Python 版本python3 --version3.10.9 及以上首选 3.11.xGitgit --version可用且在 PATH 中拉子模块必需NVIDIA GPU 与驱动nvidia-smi能列出显卡和驱动版本CUDA驱动管理器或发行版软件源建议 12.8 Toolkit依赖锁的是 cu128 轮子操作系统自行判断Ubuntu 22.04 / Windows 10 / macOS走 pip 方式关于 Python 的区间要说明一下setup/setup_common.py 的版本检查允许 3.10.9 到 3.13 以下但 pyproject.toml 的依赖锁定实际要求低于 3.12所以直接用 3.11.x 最稳。没有 N 卡也别急AMD 显卡可以加--use-rocmIntel Arc 可用--use-ipex走原生 PyTorch XPU纯 CPU 机器只能看界面跑训练不现实。安装方式怎么选本地脚本、Docker、云环境三条路线对号入座方式上手难度首次耗时适合人群本地 uv 脚本./gui-uv.sh低一条命令搞定依赖下载 10–20 分钟有 N 卡、想长期训练的主流选择本地 pip 脚本./setup.sh./gui.sh中需先建虚拟环境15–30 分钟习惯 pip/conda、macOS 用户Dockerdocker compose up -d中需先配好 GPU 容器拉镜像 10 分钟起运维/开发要环境隔离云环境Colab / Runpod / Novita最低浏览器打开即用几分钟本地没卡、想先体验原则只有一条先用最简单的把流程跑通再谈迁移。uv 方式依赖隔离更干净升级时环境自动同步官方文档对 Linux 和 Windows 都推荐它细节见 docs/Installation/uv_linux.md 和 docs/Installation/uv_windows.md。分步安装准备 → 执行 → 验证以 Linux uv 为例Windows 差异最后补一句。准备装好 Python、Git、CUDA先确认 Python 版本对不对版本不对会被 setup/setup_common.py 的检查直接拦下python3 --version不符合时Ubuntu 上装 3.11 并顺带装好 GUI 依赖tkinter 会被用到sudo apt update sudo apt install python3.11 python3.11-tk python3.11-venv git成功标志python3.11 --version输出 3.11.xgit --version正常返回。执行克隆仓库并启动克隆时必须带--recursive否则训练代码所在的sd-scripts子模块是空目录后面启动必挂git clone --recursive https://gitcode.com/GitHub_Trending/ko/kohya_ss成功标志进入kohya_ss目录后sd-scripts/里有真实源码文件。然后一条命令启动脚本会自动安装 uv 并同步全部依赖首次运行时间取决于网络./gui-uv.sh --listen 127.0.0.1 --server_port 7860 --inbrowser成功标志日志先打印 Torch 版本、检测到的 GPU 与 CUDA 后端类似nVidia CUDA 12.8随后出现 Gradio 监听 7860 端口的信息。Windows 把启动命令换成.\gui-uv.bat即可选 pip 方式则是先跑./setup.sh再跑./gui.sh各平台的完整步骤在 docs/Installation/ 目录里按系统选文档。验证打开界面浏览器访问http://127.0.0.1:7860看到 LORA、Fine-tune、Textual Inversion、Settings 等标签页说明界面层已经就位。装完如何验收跑通信号分三层依次确认界面能打开且无红色报错Settings 页能读到本机 GPU 信息。在终端跑一次模块体检python setup/check_local_modules.py再跑python setup/debug_info.py收集环境快照输出里 torch、transformers、accelerate 都可见依赖校验逻辑对应 setup/validate_requirements.py。把仓库根目录的config example.toml复制为config.toml填好模型、数据集、输出目录的绝对路径从presets/lora/选一条现成 LoRA 预设提交一次小规模训练日志里 loss 开始下降、samples目录出现测试图才算真正跑通。踩坑速查kohya_ss 安装失败先看这里按症状对号每条给出根因和处理动作症状根因处理克隆后sd-scripts目录是空的少了--recursive子模块没拉下来在仓库根目录执行git submodule update --init --recursive提示 Python 版本不支持系统 Python 不在 3.10.9–3.11.x 区间安装 3.11.x 后重跑uv 方式也可以改根目录.python-version文件安装阶段直接报路径含空格工作目录有空格setup/validate_requirements.py 会硬性拒绝把仓库挪到无空格、无中文的路径如/home/user/kohya_ss删掉 venv 再重跑安装No module named tkinter发行版把 tk 拆成了独立包Ubuntu/Debian 执行sudo apt install python3.11-tkWindows 重装 Python 时勾选 tcl/tkTorch 报 GPU not available驱动太旧或驱动与 cu128 轮子不匹配nvidia-smi看驱动版本升级到支持 CUDA 12.8 的版本后重启进程训练时报显存不足OOM单卡 VRAM 装不下当前 batch 加底模降 batch、开梯度累积SDXL 底模可试--lowram8GB 显存的卡优先用 adamW8bit 优化器SSH 远程启动后进程卡住无响应无头环境里本地文件对话框把服务阻塞了启动参数加--headlessV100 上 GPU 利用率只有 30% 左右优化器与 batch 不匹配换 adamW8bit、把 batch 提到显存上限附近并用 Accelerate 配置明确指定 GPU ID见 docs/troubleshooting_tesla_v100.md替代与进阶云端仓库自带 kohya_ss_colab.ipynb 可直接在 Colab 里运行Runpod、Novita 有现成模板文档docs/installation_runpod.md、docs/installation_novita.md本地没卡时适合先验证流程。容器化docker compose up -d拉取预构建镜像即可训练数据固定放在挂载到/dataset的dataset/目录浏览器手动访问http://localhost:7860细节见 docs/installation_docker.md。升级uv 方式git pull后重跑gui-uv.sh环境自动同步pip 方式则git pull后再跑一次./setup.sh。写在最后回头看真正卡住大多数人的只有两点Python 版本落在 3.10.9–3.11.x 区间安装路径不带空格。其余问题基本都能拿setup/debug_info.py的输出对号入座更完整的参数说明在 README.md 的 Troubleshooting 章节遇到复现不了的报错去仓库 issue 区搜一下多数已有现成答案。【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ss创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考