Stable Diffusion WebUI Forge 自定义模型训练指南几张照片教 AI 认识你的专属风格【免费下载链接】stable-diffusion-webui-forge项目地址: https://gitcode.com/GitHub_Trending/st/stable-diffusion-webui-forge想让你的 Stable Diffusion WebUI Forge 学会一个 AI 从没见过的事物吗比如你养的那只猫、你公司的品牌配色、或者你自己固定的手绘风格。文本嵌入训练Textual Inversion让你只拍 5 到 20 张照片就能让 AI 记住这个新概念而不用去改模型本身的权重。训练完成后你在提示词里打一个标签比如a photo of mycat sitting on the window sill画出来的猫就是它而不是某只猫。整个过程不需要读一行源码下面按步骤带你走一遍。原理速通给模型的生词本贴一个新词把模型的词表想象成一本已经印好的生词本每个词对应一页解释。你不能撕掉重写但可以贴一张便签——这个词以后就代表这只猫。文本嵌入做的就是这件事你挑一个占位符 token 当便签然后拿你的照片反复喂它模型就会把那张便签和猫的样子绑定起来。训练只改这一个词对应的向量模型的其余部分原封不动。这套逻辑写在 modules/textual_inversion/textual_inversion.py 里Embedding和EmbeddingDatabase两个类分别管存/读一个嵌入和把嵌入注册进当前模型你了解个大概就够了。准备清单数据集怎么备、名字怎么取开工前把四件事办妥后面就能一路绿灯拉代码git clone https://gitcode.com/GitHub_Trending/st/stable-diffusion-webui-forge按正常方式启动 WebUI。建数据集在项目里建一个dataset文件夹放进 5–20 张训练图。统一尺寸全部裁成 512x512角度和光照尽量多样但主体保持一致。写描述每张图配一行文字用[V]当占位符例如a photo of [V] style。[V]的位置就是将来新词出现的位置。取名字嵌入名只能有字母、数字和下划线如my_style别用中文和空格创建时会自动清掉非法字符。训练实操从建向量到出图四步走完建在 Train 页创建你的第一个向量打开 WebUI 的Train标签页走一遍创建流程背后调用的是 ui.py 里的create_embedding实际建向量逻辑在 textual_inversion.py 的create_embedding函数嵌入名称如my_style。初始化文本填一个跟目标相近的概念比如油画风格就填oil painting。这一步是给便签一个起跑姿势填得越接近目标收敛越快。向量数量简单概念选 1复杂风格选 4。创建成功后会生成一个.pt文件落在embeddings目录这就是待训练的新词。定参数这样配新手不翻车参数建议值说明学习率0.005先按此值起步训练中可逐步调小训练步数1000–3000样本少取低值多取高值批次大小1–4完全看 GPU 显存余量梯度累积4显存不够时用它换等效大批次跑盯住 Loss 曲线判断好坏点开始训练对应train_embedding入口页面上会出现实时损失值。健康的走势是Loss 稳步下降最后稳定在 0.05 以下。如果中途手动停止或正常跑完训练会自动把结果存成embeddings里的[名称].pt不用你手动保存。验在生成界面用新标签出图切回 txt2img在提示词里用尖括号调用新词a photo of my_style landscape with mountains出图稳定、主体一致就算验收通过。调优手册效果差时依次试这三招补样本再拍几张不同角度、不同光照的图加进dataset信息量上去了概念才立得稳。换学习率策略把固定学习率换成调度器比如余弦退火前期大步探索、后期小步精修通常更稳。开自动裁剪训练界面开启 auto-crop项目自带的裁剪逻辑见 autocrop.py会自动把主体框出来再训练减少背景干扰。踩坑急救包常见现象对应处理现象训练直接崩、显存爆掉→ 开 Low VRAM 模式批次大小压到 1关掉训练过程中的预览生成顺手清理tmp目录的临时文件。现象训练 Loss 很低但生成结果僵硬、千篇一律过拟合→ 减少训练步数或加入正则化样本放几张无关图陪跑。现象AI 把两个概念搅在一起出的图四不像概念混淆→ 多半是初始化词没选好换一个更贴切的初始化文本重建向量重训。现象同一批提示词时好时坏→ 回头检查数据集光照、角度是否太乱主体占比是否太小。统一一下再来。收尾分享你的模型以及下一步训练产物就是一个小文件把.pt发给朋友让他丢进自己项目的embeddings目录刷新即生效——整个分享流程如此简单。顺带一提load_from_file 除了读.pt/.BIN/.safetensors还支持把嵌入数据塞进 PNG 图片元数据里实现见 image_embedding.py方便打包分享。想再往前进一步可以看看这两个方向叠加 LoRA文本嵌入负责是什么LoRA 负责怎么画两者混用效果更好相关代码在 packages_3rdparty/webui_lora_collection。混合训练风格嵌入 物体嵌入一起跑让你的画法和你的角色同时学会。第一次训练翻车很正常把数据集备好、参数按表格填跑通一遍你就掌握了 Stable Diffusion WebUI Forge 文本嵌入训练的完整闭环。【免费下载链接】stable-diffusion-webui-forge项目地址: https://gitcode.com/GitHub_Trending/st/stable-diffusion-webui-forge创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
Stable Diffusion WebUI Forge 自定义模型训练指南几张照片教 AI 认识你的专属风格【免费下载链接】stable-diffusion-webui-forge项目地址: https://gitcode.com/GitHub_Trending/st/stable-diffusion-webui-forge想让你的 Stable Diffusion WebUI Forge 学会一个 AI 从没见过的事物吗比如你养的那只猫、你公司的品牌配色、或者你自己固定的手绘风格。文本嵌入训练Textual Inversion让你只拍 5 到 20 张照片就能让 AI 记住这个新概念而不用去改模型本身的权重。训练完成后你在提示词里打一个标签比如a photo of mycat sitting on the window sill画出来的猫就是它而不是某只猫。整个过程不需要读一行源码下面按步骤带你走一遍。原理速通给模型的生词本贴一个新词把模型的词表想象成一本已经印好的生词本每个词对应一页解释。你不能撕掉重写但可以贴一张便签——这个词以后就代表这只猫。文本嵌入做的就是这件事你挑一个占位符 token 当便签然后拿你的照片反复喂它模型就会把那张便签和猫的样子绑定起来。训练只改这一个词对应的向量模型的其余部分原封不动。这套逻辑写在 modules/textual_inversion/textual_inversion.py 里Embedding和EmbeddingDatabase两个类分别管存/读一个嵌入和把嵌入注册进当前模型你了解个大概就够了。准备清单数据集怎么备、名字怎么取开工前把四件事办妥后面就能一路绿灯拉代码git clone https://gitcode.com/GitHub_Trending/st/stable-diffusion-webui-forge按正常方式启动 WebUI。建数据集在项目里建一个dataset文件夹放进 5–20 张训练图。统一尺寸全部裁成 512x512角度和光照尽量多样但主体保持一致。写描述每张图配一行文字用[V]当占位符例如a photo of [V] style。[V]的位置就是将来新词出现的位置。取名字嵌入名只能有字母、数字和下划线如my_style别用中文和空格创建时会自动清掉非法字符。训练实操从建向量到出图四步走完建在 Train 页创建你的第一个向量打开 WebUI 的Train标签页走一遍创建流程背后调用的是 ui.py 里的create_embedding实际建向量逻辑在 textual_inversion.py 的create_embedding函数嵌入名称如my_style。初始化文本填一个跟目标相近的概念比如油画风格就填oil painting。这一步是给便签一个起跑姿势填得越接近目标收敛越快。向量数量简单概念选 1复杂风格选 4。创建成功后会生成一个.pt文件落在embeddings目录这就是待训练的新词。定参数这样配新手不翻车参数建议值说明学习率0.005先按此值起步训练中可逐步调小训练步数1000–3000样本少取低值多取高值批次大小1–4完全看 GPU 显存余量梯度累积4显存不够时用它换等效大批次跑盯住 Loss 曲线判断好坏点开始训练对应train_embedding入口页面上会出现实时损失值。健康的走势是Loss 稳步下降最后稳定在 0.05 以下。如果中途手动停止或正常跑完训练会自动把结果存成embeddings里的[名称].pt不用你手动保存。验在生成界面用新标签出图切回 txt2img在提示词里用尖括号调用新词a photo of my_style landscape with mountains出图稳定、主体一致就算验收通过。调优手册效果差时依次试这三招补样本再拍几张不同角度、不同光照的图加进dataset信息量上去了概念才立得稳。换学习率策略把固定学习率换成调度器比如余弦退火前期大步探索、后期小步精修通常更稳。开自动裁剪训练界面开启 auto-crop项目自带的裁剪逻辑见 autocrop.py会自动把主体框出来再训练减少背景干扰。踩坑急救包常见现象对应处理现象训练直接崩、显存爆掉→ 开 Low VRAM 模式批次大小压到 1关掉训练过程中的预览生成顺手清理tmp目录的临时文件。现象训练 Loss 很低但生成结果僵硬、千篇一律过拟合→ 减少训练步数或加入正则化样本放几张无关图陪跑。现象AI 把两个概念搅在一起出的图四不像概念混淆→ 多半是初始化词没选好换一个更贴切的初始化文本重建向量重训。现象同一批提示词时好时坏→ 回头检查数据集光照、角度是否太乱主体占比是否太小。统一一下再来。收尾分享你的模型以及下一步训练产物就是一个小文件把.pt发给朋友让他丢进自己项目的embeddings目录刷新即生效——整个分享流程如此简单。顺带一提load_from_file 除了读.pt/.BIN/.safetensors还支持把嵌入数据塞进 PNG 图片元数据里实现见 image_embedding.py方便打包分享。想再往前进一步可以看看这两个方向叠加 LoRA文本嵌入负责是什么LoRA 负责怎么画两者混用效果更好相关代码在 packages_3rdparty/webui_lora_collection。混合训练风格嵌入 物体嵌入一起跑让你的画法和你的角色同时学会。第一次训练翻车很正常把数据集备好、参数按表格填跑通一遍你就掌握了 Stable Diffusion WebUI Forge 文本嵌入训练的完整闭环。【免费下载链接】stable-diffusion-webui-forge项目地址: https://gitcode.com/GitHub_Trending/st/stable-diffusion-webui-forge创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
