Kohya_ss Flux 训练指南Flux.1 LoRA 一次配齐从零到出图【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ss第一次打开 Kohya_ss 的 Flux.1 LoRA 训练面板所有格子都是空的——四个模型路径、一堆没听过的开关。别慌整件事其实就三段把文件放对位置、把预设里该动的参数动掉、盯住前 10 分钟。这篇文章带你完整走一遍跑完你会得到一个能直接插进生成工作流的 LoRA 文件。开训前一次性配齐四个模型文件GUI 的 Flux.1 面板对应源码 kohya_gui/class_flux1.py需要你喂四个文件。别一个个手写参数直接在预设区载入 presets/lora/flux1D - adamw8bit fp8.json——它天生就是为 fp8 省显存准备的那套。四个字段在预设里都印着 put the full path to ... here套用时你唯一要做的是把它们替换成磁盘上的真实路径文件放哪里为什么t5xxl fp16 版 T5-XXL预设 t5xxl 字段T5-XXL Path主力语义编码器⚠️ 必须用 fp16 版本fp8 版会挂clip_l.safetensors预设 clip_l 字段CLIP-L Path辅助文本编码器Base Model Type 选 chromaschnell 系时这一项可以整个不用ae.sft预设 ae 字段VAE Path负责 latent 解码和样图采样缺它出不了图flux1-dev.safetensorspretrained_model_name_or_path主模型本体所有权重都从它出发Base Model Type 下拉里 flux 和 chroma 二选一用 flux1-dev 就保持 fluxchroma 是给 schnell 系模型用的不需要 CLIP-Lguidance_scale 还会自动归零。只动这几个参数预设里真正要理解的只有两组LoRA_type Flux1、optimizer AdamW8bit、mixed_precision bf16、fp8_base true、learning_rate 0.0003、network_dim 16、network_alpha 16、max_train_steps 1000、train_batch_size 1。batch 为什么焊死在 1Flux.1 的双块double blocksTransformer 里的主要算子层又宽又深batch 1 是显存装得下、收敛又成立的那个交点。AdamW8bit 为什么省显存优化器状态一阶/二阶矩改用 8 位存储比普通 AdamW 的显存占用直接砍掉一截这也是 Flux LoRA 显存 话题里最值钱的一刀。其余参数收进这张表照抄即可参数取值一句话解释discrete_flow_shift3离散流偏移调度器默认 3.0timestep_samplingsigmoid预设值GUI 另有 sigma / uniform / flux_shift 可选model_prediction_typeraw预设值guidance_scale1预设值GUI 默认是 3.5别被默认值带偏flux1_cache_text_encoder_outputstrue文本编码结果缓存住不用每个 epoch 重算flux1_cache_text_encoder_outputs_to_disktrue缓存落盘中断重跑时白捡时间gradient_checkpointingtrue用重计算时间换显存空间train_blocksall显存吃紧时改 double / single只训部分块max_grad_norm1梯度裁剪专治 loss 尖峰数据与桶10–50 张图加同名标注数据集不用多目标人物或目标风格的图 10–50 张每张旁边放一个同名的 .txt 标注文件。预设里 caption_extension 已写好 .txttrain_data_dir 填你的图片文件夹就齐活了。仓库里就有现成范例test/img 下每张图配一个 .txt内容就一句描述比如 a painting of a steam punk skull with a gas mask, by darius kawasaki这就是 Flux.1 LoRA 训练数据的最小单元。分辨率的事全交给桶bucket机制预设里 enable_bucket true、max_resolution 512,512、bucket_reso_steps 64、bucket_no_upscale true——图按宽高比缩进对应的桶小图绝不上采样。别手痒把 max_resolution 往上调分辨率上去一档显存占用近乎翻倍前面的省显存配置全白做。启动后的前 10 分钟启动四步选基础模型 → 加载数据集 → 把 output_dir 和 output_name 填成你自己的 → 点 Start。然后只盯三处Checkpoint 落盘save_every_n_steps 50每 50 步写一个 safetensorssave_precision bf16。1000 步下来有 20 个快照最终效果不满意回头挑中间最好的一步就行。loss 曲线从初始值逐渐往下走是正常剧本前几步抖动不用怕但整体趋势不能往上爬。样图预设的 sample_prompts 是 saruman posing under a stormy lightning sky, photorealistic --w 832 --h 1216 --s 20 --l 4 --d 42euler 采样器生成。样图风格应逐步向目标人物靠拢——loss 在降 样图在变像两条都成立才说明方向对了。翻车快查⚠️ 九成翻车落在这三种里症状OOM报显存不足→ 原因double blocks 太大优化器状态又占一截 → 一个动作train_blocks 从 all 改成 double 或 single还不够再开 CPU Offload Checkpointing实验性功能。fp8_base bf16 已经是保守方案减块 batch 1 能救绝大多数情况。症状启动即模型加载失败→ 原因路径没给全或 T5-XXL 拿成了 fp8 版 → 一个动作逐个核对四个路径是不是完整绝对路径把 T5-XXL 换成 fp16 版。症状loss 不降或来回震荡→ 原因0.0003 的学习率对当前数据太猛 → 一个动作learning_rate 降到 0.0001确认 max_grad_norm 1 真的生效仍不稳就把 min_snr_gamma、loss_type 还原成预设值。出图验收LoRA 装回工作流才算数训练结束 ≠ 训好了。把 output_dir 里那个 safetensors 丢进 ComfyUI 的 models/loras 目录用 Flux 加载 LoRA 的节点挂进你现有的出图工作流然后做三个动作固定 prompt 和 seed权重从 0.8 左右起出 3–5 张目标人物的特征要能稳定出现且脸、身体不崩。权重降到 0.5只留风格或特征残留、无关内容不被污染说明 LoRA 是可插拔的没有把底模拖坏。换一张完全不相干的 prompt试画面不该被目标人物绑架如果加载后出图毫无变化则是权重没生效先查节点连接。中间那 20 个 checkpoint 就是你的调节旋钮——哪个步骤出的图最稳就用哪个不必迷信最后一步。开训前 5 条检查清单flux1-dev、ae.sft、clip_l.safetensors、T5-XXLfp16 版四个文件就位填的是完整绝对路径AdamW8bit 预设已加载LoRA_type Flux1fp8_base、gradient_checkpointing、文本编码器缓存含落盘已打开数据集 10–50 张图、每张配同名 .txttrain_data_dir 已填output_dir、output_name 已改成自己的样图 prompt 就位TensorBoard 已打开【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