kohya_ss LoRA 训练快速上手从素材图片到产出模型【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_sskohya_ss 是 Stable Diffusion 的 Gradio 图形化训练工具把 LoRA、Dreambooth、文本反转等流程封装成可视化界面支持 SD1.5 到 Flux.1 的多个基础模型。按本文完成环境安装、启动 GUI 并跑完一次 LoRA 训练你将得到一个能直接加载到 WebUI 或 ComfyUI 中出图的模型文件。项目能替你做什么把 train_network.py 等脚本的训练参数封装成表单控件GUI 配置完成后自动生成并执行对应命令行不用手写长命令。覆盖 LoRA、LoHa、LoKr、Dreambooth、文本反转等训练类型支持 SD1.5/2.x、SDXL、SD3、Flux.1 基础模型。Accelerate launch 标签页负责选卡与多卡配置TensorBoard 可直接从 GUI 打开查看训练曲线。仓库自带 presets 预设目录SDXL 单图 LoRA等参数组合可直接导入复用。十分钟安装 kohya_ss 并启动 GUI系统要求3 条Python 3.10 及以上低于 3.13已安装 GitNVIDIA 显卡及 CUDA 12.8 驱动LoRA 训练 8GB 显存起步50GB 以上可用磁盘空间存放依赖与模型git clone --recursive https://gitcode.com/GitHub_Trending/ko/kohya_ss cd kohya_ss ./setup.shsetup 完成后启动./gui.sh --listen 127.0.0.1 --server_port 7860 --inbrowser无显示器的服务器加--headless参数启动。终端输出Running on local URL: http://127.0.0.1:7860且浏览器出现训练面板即代表启动成功。LoRA 训练参数速查从素材到产出准备素材将 10-20 张同一主体的图片512x512 及以上放入一个文件夹每张图配一个同名 .txt 文件写描述词不想写描述词可用 class_tokens 标识符方式。仓库 test/img/10_darius kawasaki person/ 目录是现成的示例结构可直接照搬。关键参数设置Network rank16单角色/风格学习容量足够不会撑大模型体积。Network alpha8取 rank 的一半保持有效学习率均衡且不超过 rank 上限。学习率1e-4搭配 cosine 调度器官方默认组合对十几张图的数据集稳定收敛。batch size18GB 显存下以跑完为先16GB 以上再提到 2-4。epochs10-20小数据集足够收敛过多易过拟合。执行与进度观察在 LoRA 标签页填好基础模型、数据集与输出路径后点击开始终端会打印 train_network.py 命令并实时滚动 step 与 loss。完成的标志输出目录生成与网络同名的 .safetensors 文件sample_images 文件夹中出现各阶段的样图。检查训练效果与参数调优三个可观察指标TensorBoard 中 loss 曲线平稳下降无明显跳变或发散。间隔生成的样图里目标特征逐步清晰画面其余部分不崩坏。用 0.7-0.8 权重加载模型多条提示词下目标稳定出现且不污染其他类别。效果不达预期时特征不明显增加 epochs 或数据集 num_repeats或调低 alpha 增强学入强度。背景崩坏、过拟合减少总训练量或换更低的学习率调度再训。显存不足报 OOM启用 8-bit 优化器与 fp8降低 batch size 或训练分辨率。继续深入的方向LoRA 训练选项文档学习率、调度器、rank/alpha 的逐项说明。训练通用文档toml 数据集配置、正则化图片等多组数据方案。【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 LoRA 训练快速上手从素材图片到产出模型【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_sskohya_ss 是 Stable Diffusion 的 Gradio 图形化训练工具把 LoRA、Dreambooth、文本反转等流程封装成可视化界面支持 SD1.5 到 Flux.1 的多个基础模型。按本文完成环境安装、启动 GUI 并跑完一次 LoRA 训练你将得到一个能直接加载到 WebUI 或 ComfyUI 中出图的模型文件。项目能替你做什么把 train_network.py 等脚本的训练参数封装成表单控件GUI 配置完成后自动生成并执行对应命令行不用手写长命令。覆盖 LoRA、LoHa、LoKr、Dreambooth、文本反转等训练类型支持 SD1.5/2.x、SDXL、SD3、Flux.1 基础模型。Accelerate launch 标签页负责选卡与多卡配置TensorBoard 可直接从 GUI 打开查看训练曲线。仓库自带 presets 预设目录SDXL 单图 LoRA等参数组合可直接导入复用。十分钟安装 kohya_ss 并启动 GUI系统要求3 条Python 3.10 及以上低于 3.13已安装 GitNVIDIA 显卡及 CUDA 12.8 驱动LoRA 训练 8GB 显存起步50GB 以上可用磁盘空间存放依赖与模型git clone --recursive https://gitcode.com/GitHub_Trending/ko/kohya_ss cd kohya_ss ./setup.shsetup 完成后启动./gui.sh --listen 127.0.0.1 --server_port 7860 --inbrowser无显示器的服务器加--headless参数启动。终端输出Running on local URL: http://127.0.0.1:7860且浏览器出现训练面板即代表启动成功。LoRA 训练参数速查从素材到产出准备素材将 10-20 张同一主体的图片512x512 及以上放入一个文件夹每张图配一个同名 .txt 文件写描述词不想写描述词可用 class_tokens 标识符方式。仓库 test/img/10_darius kawasaki person/ 目录是现成的示例结构可直接照搬。关键参数设置Network rank16单角色/风格学习容量足够不会撑大模型体积。Network alpha8取 rank 的一半保持有效学习率均衡且不超过 rank 上限。学习率1e-4搭配 cosine 调度器官方默认组合对十几张图的数据集稳定收敛。batch size18GB 显存下以跑完为先16GB 以上再提到 2-4。epochs10-20小数据集足够收敛过多易过拟合。执行与进度观察在 LoRA 标签页填好基础模型、数据集与输出路径后点击开始终端会打印 train_network.py 命令并实时滚动 step 与 loss。完成的标志输出目录生成与网络同名的 .safetensors 文件sample_images 文件夹中出现各阶段的样图。检查训练效果与参数调优三个可观察指标TensorBoard 中 loss 曲线平稳下降无明显跳变或发散。间隔生成的样图里目标特征逐步清晰画面其余部分不崩坏。用 0.7-0.8 权重加载模型多条提示词下目标稳定出现且不污染其他类别。效果不达预期时特征不明显增加 epochs 或数据集 num_repeats或调低 alpha 增强学入强度。背景崩坏、过拟合减少总训练量或换更低的学习率调度再训。显存不足报 OOM启用 8-bit 优化器与 fp8降低 batch size 或训练分辨率。继续深入的方向LoRA 训练选项文档学习率、调度器、rank/alpha 的逐项说明。训练通用文档toml 数据集配置、正则化图片等多组数据方案。【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
