kohya_ss LoRA微调20张图约2小时练出一个可用LoRA【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图形化训练工具把命令行训练脚本封装成浏览器里的勾选面板。它替你把LoRA训练的参数拼成命令执行适合有一块NVIDIA显卡、想让模型学会某个角色或画风、又不想啃命令行的人。一分钟看懂kohya_ss替你做什么一句话你在浏览器里选模型、选图片、填几个参数kohya_ss自动组装并执行Kohya训练脚本产出几个MB的LoRA文件。你的情况是否适合想让模型学会单个角色或单一画风✅ 适合这是LoRA的主场有20~50张图、显存8GB以上✅ 适合SD1.5/SDXL都能跑只有核显或打算纯云端体验不适合建议直接用云端GPU环境想整体重训出几GB的大模型不适合那是DreamBooth/全量微调的事成本高一档上手前自检硬件与模型要求项目最低能跑推荐配置显卡显存6GBSD1.5512分辨率batch 112GBSDXL1024分辨率系统Windows / Linuxpip 或 uv 安装Windows CUDA 12.8Python3.10官方setup脚本基准3.10 / 3.11基础模型一个SD1.5或SDXL的safetensors约2GB提前放固定目录路径别带中文训练图片20张带同名片段描述30~50张姿势构图有变化一次完整任务的全程走查这一节按安装 → 备数据 → 配参数 → 跑训练 → 验结果的顺序走完全程照做即可产出第一个LoRA。阶段1安装kohya_ss并启动GUI拿到可操作的训练面板# 克隆仓库--recursive 确保带全训练脚本子模块 git clone --recursive https://gitcode.com/GitHub_Trending/ko/kohya_ss cd kohya_ss # Windows执行 setup.batLinux/macOS执行 ./setup.sh # 安装过程会弹出Accelerate配置向导按默认值回车即可然后启动gui.bat # Windows ./gui.sh # Linux / macOS浏览器打开 127.0.0.1:7860 看到LoRA、DreamBooth等标签页安装即完成。阶段2训练图像这样整理每张图配一行描述做完这一步你会得到一个训练能直接读取的图像目录。train/ └── 10_角色或风格名/ ├── image1.jpg ├── image1.txt # 同名一行英文描述 └── ...要点20~50张清晰、主题一致SDXL素材建议1024以上SD1.5用512~768即可。.txt内容一行例如仓库示例里是a painting of a steam punk skull with a gas mask , by darius kawasaki。文件夹名前缀数字是重复次数不写描述时的classidentifier用法用描述文件时重复次数在数据集配置里设。嫌麻烦可直接复制 test/img/ 里的现成示例集练手。阶段3预设这样加载只改几个关键参数做完这一步你会得到一套填好的完整训练参数。在LoRA标签页的预设区选一个现成配置presets/lora/ 里有大量成品。例如SDXL - LoRA AI_characters standard v1.0.jsondim32、alpha32、学习率2e-5、AdamW8bit就是为角色训练调好的组合。之后只需填基础模型路径、数据集目录、输出名称。分辨率按基座模型选SD1.5填512,512SDXL填1024,1024。不选预设时的默认值参考 config example.toml学习率1e-4、AdamW8bit、cosine调度。阶段4训练这样启动边跑边留检查点做完这一步你会在输出目录得到若干份随训练进度保存的LoRA文件。打开Save every N epochs并设1每个epoch都存一份方便回头挑效果最好的。打开latent缓存cache_latents省显存也提速。点开始训练后日志里能看到step、epoch、loss滚动。20张图、512分辨率8~12GB显卡约30分钟到2小时跑完。⚠️ 显存吃紧就开gradient checkpointing、batch降回1、分辨率降一档别硬上。阶段5结果这样验证一眼判断过没过拟合把产出的safetensors加载进WebUI或ComfyUI权重设0.7~1.0用训练时的触发词生成几张。合格线角色/画风可辨认但不会每次生成都复刻同一张训练图的姿势和背景后者就是过拟合减epoch或重复次数。训练中的sample图sample_every_n_steps能直观看到同一prompt下的演变趋势比单看loss更靠谱。参数速查表参数一句话作用新手推荐值效果不对时怎么调网络维度 dimLoRA容量太小学不会太大易背图16~32风格/脸学不像→升到32只生成某张图→降到16network alpha平衡LoRA权重强度等于dim效果太弱→降为dim的一半学习率每步改动幅度SD1.5: 1e-4SDXL: 2e-5~5e-5发散/NaN→减半没变化→翻倍epoch / 重复次数数据过几遍总遍数10~15过拟合→减半没学会→加量batch size一次同时训几张1~4看显存爆显存→回1并开梯度检查点分辨率桶化训练分辨率SD1.5: 512SDXL: 1024细节糊→升一档显存紧→降一档lr_scheduler学习率随训练怎么变constant 或 cosine后期乱漂→cosine加warmupmixed_precision半精度训练省显存fp16新卡可用bf16出现黑块伪影→换bf16避坑清单现象SSH/远程跑GUI点开始后卡死。→原因没加--headless覆盖确认弹窗弹在服务器端无界面处。→修复./gui.sh --listen 0.0.0.0 --server_port 7860 --headless启动自动跳过弹窗。现象目录里有图日志却显示0张或极少。→原因数据集TOML的image_dir指到外层目录或描述扩展名默认是.caption而你的文件是.txt。→修复照抄 test/config/dataset.toml 的结构把caption_extension改成.txt。现象Windows报page file相关X错误。→原因页面文件大小上限不够。→修复在系统设置里调大page file上限。现象启动报No module called tkinter。→原因Python环境缺tkinter组件。→修复重新安装官方Python 3.10。现象生成图每次和训练图几乎一模一样。→原因过拟合重复次数或epoch过多、学习率偏高。→修复重复次数减半epoch缩短学习率降一档重跑。现象SDXL训练结果奇怪、画风漂移。→原因连带训练了文本编码器双编码器互相干扰。→修复SDXL LoRA勾选只训U-Nettrain_unet_only官方LoRA文档强烈建议。效果进阶掩码损失只让你圈的区域参与学习给训练图配一张同尺寸黑白掩码R通道255为参与loss的区域0忽略灰度是权重加上--masked_loss即可。适合角色训练但不想让它学走背景/服装的场景LoRA会更聚焦。⚠️ 官方注明该功能尚未完全测试发现异常要留个心眼。仓库示例在 test/masked_loss/。样本提示词文件训练中直接盯画面变化准备一个提示词文件每行一条prompt用--d固定种子训练前后同一画面可直接对比--n、--l、--s可分别控制负提示词、CFG、步数。这是判断过没过拟合比看loss曲线更直接的办法README的Sample image generation during training一节有完整格式。两段式训练先学概念再加细节图片多30张以上时第一段低学习率学整体概念第二段提分辨率补细节比一遍拉满更稳。参考 examples/LoRA based finetuning 2 phase.ps1 的两段脚本照抄路径改参数即可。资源索引docs/Installation/uv/pip两种方式的Windows/Linux/macOS分平台安装指南docs/LoRA/options.mdLoRA每个参数逐项讲解含背后原理presets/LoRA、DreamBooth、finetune的现成参数预设库examples/两段式训练、批量标注等PowerShell脚本示例tools/WD14打标、描述清理、图像分组等数据准备脚本收尾第一次运行清单✅ 基础模型与训练图目录含同名.txt放到固定路径✅ 复制config example.toml为config.toml填好各路径之后免重复选择✅ 加载一个presets/lora预设只改分辨率、batch、输出名后启动✅ 训完在WebUI把LoRA权重设0.8生成3~5张图验收下一步可以试试给角色训练加一组正则化图像防止类别词漂移或者用掩码损失把LoRA的注意力集中到特定部位。【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 LoRA微调：20张图约2小时练出一个可用LoRA
kohya_ss LoRA微调20张图约2小时练出一个可用LoRA【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图形化训练工具把命令行训练脚本封装成浏览器里的勾选面板。它替你把LoRA训练的参数拼成命令执行适合有一块NVIDIA显卡、想让模型学会某个角色或画风、又不想啃命令行的人。一分钟看懂kohya_ss替你做什么一句话你在浏览器里选模型、选图片、填几个参数kohya_ss自动组装并执行Kohya训练脚本产出几个MB的LoRA文件。你的情况是否适合想让模型学会单个角色或单一画风✅ 适合这是LoRA的主场有20~50张图、显存8GB以上✅ 适合SD1.5/SDXL都能跑只有核显或打算纯云端体验不适合建议直接用云端GPU环境想整体重训出几GB的大模型不适合那是DreamBooth/全量微调的事成本高一档上手前自检硬件与模型要求项目最低能跑推荐配置显卡显存6GBSD1.5512分辨率batch 112GBSDXL1024分辨率系统Windows / Linuxpip 或 uv 安装Windows CUDA 12.8Python3.10官方setup脚本基准3.10 / 3.11基础模型一个SD1.5或SDXL的safetensors约2GB提前放固定目录路径别带中文训练图片20张带同名片段描述30~50张姿势构图有变化一次完整任务的全程走查这一节按安装 → 备数据 → 配参数 → 跑训练 → 验结果的顺序走完全程照做即可产出第一个LoRA。阶段1安装kohya_ss并启动GUI拿到可操作的训练面板# 克隆仓库--recursive 确保带全训练脚本子模块 git clone --recursive https://gitcode.com/GitHub_Trending/ko/kohya_ss cd kohya_ss # Windows执行 setup.batLinux/macOS执行 ./setup.sh # 安装过程会弹出Accelerate配置向导按默认值回车即可然后启动gui.bat # Windows ./gui.sh # Linux / macOS浏览器打开 127.0.0.1:7860 看到LoRA、DreamBooth等标签页安装即完成。阶段2训练图像这样整理每张图配一行描述做完这一步你会得到一个训练能直接读取的图像目录。train/ └── 10_角色或风格名/ ├── image1.jpg ├── image1.txt # 同名一行英文描述 └── ...要点20~50张清晰、主题一致SDXL素材建议1024以上SD1.5用512~768即可。.txt内容一行例如仓库示例里是a painting of a steam punk skull with a gas mask , by darius kawasaki。文件夹名前缀数字是重复次数不写描述时的classidentifier用法用描述文件时重复次数在数据集配置里设。嫌麻烦可直接复制 test/img/ 里的现成示例集练手。阶段3预设这样加载只改几个关键参数做完这一步你会得到一套填好的完整训练参数。在LoRA标签页的预设区选一个现成配置presets/lora/ 里有大量成品。例如SDXL - LoRA AI_characters standard v1.0.jsondim32、alpha32、学习率2e-5、AdamW8bit就是为角色训练调好的组合。之后只需填基础模型路径、数据集目录、输出名称。分辨率按基座模型选SD1.5填512,512SDXL填1024,1024。不选预设时的默认值参考 config example.toml学习率1e-4、AdamW8bit、cosine调度。阶段4训练这样启动边跑边留检查点做完这一步你会在输出目录得到若干份随训练进度保存的LoRA文件。打开Save every N epochs并设1每个epoch都存一份方便回头挑效果最好的。打开latent缓存cache_latents省显存也提速。点开始训练后日志里能看到step、epoch、loss滚动。20张图、512分辨率8~12GB显卡约30分钟到2小时跑完。⚠️ 显存吃紧就开gradient checkpointing、batch降回1、分辨率降一档别硬上。阶段5结果这样验证一眼判断过没过拟合把产出的safetensors加载进WebUI或ComfyUI权重设0.7~1.0用训练时的触发词生成几张。合格线角色/画风可辨认但不会每次生成都复刻同一张训练图的姿势和背景后者就是过拟合减epoch或重复次数。训练中的sample图sample_every_n_steps能直观看到同一prompt下的演变趋势比单看loss更靠谱。参数速查表参数一句话作用新手推荐值效果不对时怎么调网络维度 dimLoRA容量太小学不会太大易背图16~32风格/脸学不像→升到32只生成某张图→降到16network alpha平衡LoRA权重强度等于dim效果太弱→降为dim的一半学习率每步改动幅度SD1.5: 1e-4SDXL: 2e-5~5e-5发散/NaN→减半没变化→翻倍epoch / 重复次数数据过几遍总遍数10~15过拟合→减半没学会→加量batch size一次同时训几张1~4看显存爆显存→回1并开梯度检查点分辨率桶化训练分辨率SD1.5: 512SDXL: 1024细节糊→升一档显存紧→降一档lr_scheduler学习率随训练怎么变constant 或 cosine后期乱漂→cosine加warmupmixed_precision半精度训练省显存fp16新卡可用bf16出现黑块伪影→换bf16避坑清单现象SSH/远程跑GUI点开始后卡死。→原因没加--headless覆盖确认弹窗弹在服务器端无界面处。→修复./gui.sh --listen 0.0.0.0 --server_port 7860 --headless启动自动跳过弹窗。现象目录里有图日志却显示0张或极少。→原因数据集TOML的image_dir指到外层目录或描述扩展名默认是.caption而你的文件是.txt。→修复照抄 test/config/dataset.toml 的结构把caption_extension改成.txt。现象Windows报page file相关X错误。→原因页面文件大小上限不够。→修复在系统设置里调大page file上限。现象启动报No module called tkinter。→原因Python环境缺tkinter组件。→修复重新安装官方Python 3.10。现象生成图每次和训练图几乎一模一样。→原因过拟合重复次数或epoch过多、学习率偏高。→修复重复次数减半epoch缩短学习率降一档重跑。现象SDXL训练结果奇怪、画风漂移。→原因连带训练了文本编码器双编码器互相干扰。→修复SDXL LoRA勾选只训U-Nettrain_unet_only官方LoRA文档强烈建议。效果进阶掩码损失只让你圈的区域参与学习给训练图配一张同尺寸黑白掩码R通道255为参与loss的区域0忽略灰度是权重加上--masked_loss即可。适合角色训练但不想让它学走背景/服装的场景LoRA会更聚焦。⚠️ 官方注明该功能尚未完全测试发现异常要留个心眼。仓库示例在 test/masked_loss/。样本提示词文件训练中直接盯画面变化准备一个提示词文件每行一条prompt用--d固定种子训练前后同一画面可直接对比--n、--l、--s可分别控制负提示词、CFG、步数。这是判断过没过拟合比看loss曲线更直接的办法README的Sample image generation during training一节有完整格式。两段式训练先学概念再加细节图片多30张以上时第一段低学习率学整体概念第二段提分辨率补细节比一遍拉满更稳。参考 examples/LoRA based finetuning 2 phase.ps1 的两段脚本照抄路径改参数即可。资源索引docs/Installation/uv/pip两种方式的Windows/Linux/macOS分平台安装指南docs/LoRA/options.mdLoRA每个参数逐项讲解含背后原理presets/LoRA、DreamBooth、finetune的现成参数预设库examples/两段式训练、批量标注等PowerShell脚本示例tools/WD14打标、描述清理、图像分组等数据准备脚本收尾第一次运行清单✅ 基础模型与训练图目录含同名.txt放到固定路径✅ 复制config example.toml为config.toml填好各路径之后免重复选择✅ 加载一个presets/lora预设只改分辨率、batch、输出名后启动✅ 训完在WebUI把LoRA权重设0.8生成3~5张图验收下一步可以试试给角色训练加一组正则化图像防止类别词漂移或者用掩码损失把LoRA的注意力集中到特定部位。【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