kohya_ss LoRA微调完整指南4步从安装到启动训练【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ss你想用自己的角色、画风或物体训练一个 Stable Diffusion LoRA却被命令行参数劝退kohya_ss 是一个图形化的扩散模型训练工具基于 Gradio 搭建界面把 Kohya 的 LoRA、Dreambooth、微调、Textual Inversion 等训练脚本全部做成标签页你只需填参数、点按钮它自动生成对应的训练命令。下面按装好 → 跑通 → 调参 → 排错的顺序带你走完第一条训练。kohya_ss 是什么给 Stable Diffusion 加一个图形训练台kohya_ss 解决的核心问题只有一个把底层训练脚本train_network.py 等包装成可视化界面让你不用手写 CLI 就能完成微调。它适合三类人想训练 LoRA 的 AI 绘画用户、需要批量训练不同模型的开发者、以及显存有限想省着练的进阶用户。核心能力速览支持 LoRA、LoHa、LoKr、Dreambooth、全量微调、Textual Inversion、LECO 共 7 类训练方式覆盖 SD 1.5/2.x、SDXL、SD3、Flux.1、Lumina 2.0、HunyuanImage-2.1 等基础模型内置样本图生成、TensorBoard 监控、模型/LoRA 合并与提取工具启动后浏览器访问 http://localhost:7860 每个训练方式一个标签页一键启动kohya_ss 安装与启动步骤前提Python 3.10/3.11、Git、NVIDIA GPU训练必须有显存 8GB 以上可练 SD1.5 LoRASDXL 建议 12GB 以上。安装文档在 docs/Installation/Linux 推荐 uv 方式macOS 推荐 pip 方式。Linux / macOSgit clone https://gitcode.com/GitHub_Trending/ko/kohya_ss cd kohya_ss bash setup.sh bash gui.shWindowsgit clone https://gitcode.com/GitHub_Trending/ko/kohya_ss cd kohya_ss setup.bat gui.bat每一步一句话第 1 步获取代码第 2 步进入目录第 3 步自动建虚拟环境并装依赖约 10–20 分钟第 4 步启动 GUI浏览器自动打开 http://localhost:7860 看到 LoRA、Dreambooth 等标签页就说明跑通了。 避坑提示gui.sh启动时会检查 venv 是否存在报Please run setup.sh first就是跳过了第 3 步先跑 setup 再启动。LoRA 微调实战参数速查表与示例配置一句话原理LoRA 不动原始权重只在注意力层旁边挂一对低秩矩阵一起训练最终产物是一个几 MB 到几十 MB 的 .safetensors 文件加载后即可生效。关键参数速查表参数推荐值说明network_dim32–128从 64 起步低秩矩阵维度数值越大容量越大、越容易过拟合network_alphanetwork_dim的一半控制 LoRA 输出缩放设为 dim 的 0.5 倍最稳learning_rateSD1.51e-4~2e-4SDXL4e-7SDXL 因双文本编码器需显著更低的学习率resolutionSD1.5 用 512SDXL 用 1024训练分辨率上限直接决定显存占用train_batch_size1–2显存吃紧就先设 1用梯度累积补max_train_steps按 批次总数 × 2–3 计算10 张图 × 10 次重复 100 批练 1500–2000 步为宜可运行的数据集配置示例仓库里自带一份可直接参考的 test/config/dataset.toml结构如下[[datasets]] resolution 512 batch_size 1 enable_bucket true [[datasets.subsets]] image_dir test/img/10_darius kawasaki person num_repeats 10 class_tokens darius kawasaki person caption_extension .txt文件夹名前缀10_表示每张图重复 10 次与num_repeats配合决定总步数class_tokens是触发词标识符 类别词生成时必须原样写进提示词。 避坑提示SDXL 训练建议加上--network_train_unet_only只训 UNet 部分可避免双文本编码器带来的训练异常详见 docs/LoRA/top_level.md。其他训练模式按需选Dreambooth、TI 与掩码损失Dreambooth 角色定制适合让模型学会某个具体人物/物体的场景5–20 张图即可。和 LoRA 标签页的区别是它输出完整模型而非外挂文件产物更大。最关键参数是class_tokens类别名如dog、person配 10–20% 正则化图片防过拟合。Textual Inversion 文本反转只训练一个新词向量一个 .pt 文件几 KB 大小适合给模型注入一个新概念。最关键参数是训练步数通常 1000–3000 步配合 10 张左右图片。掩码损失Masked Loss在 LoRA 训练中叠加黑白掩码图白色区域为损失重点区让 LoRA 只学主体、忽略背景适合人物特写类数据。使用时在高级参数区开启masked_loss选项即可掩码图与训练图同名放置。仓库里的 test/masked_loss/ 就是现成样例数据集组织目录结构与标注要点标准目录结构仓库 docs/image_folder_structure.md 有完整说明dataset/ ├── 10_my_character/ # 前缀 10 每张图重复 10 次 │ ├── character_001.jpg │ ├── character_001.txt # 同名牌描述这张图 │ ├── character_002.jpg │ └── character_002.txt └── reg/ # 正则化图同类的其他对象 ├── reg_001.jpg └── reg_001.txt预处理要点图片数量LoRA 准备 10–30 张风格、主体一致剔除模糊和重复构图同名牌必须同名character_001.txt对应character_001.jpg内容写主体描述而非标签堆砌有 .txt 时它会覆盖文件夹名作为训练提示分辨率统一建议原图短边 ≥ 512交给分桶enable_bucket true自动对齐比例批量打标可选不想手写 .txt 时可用 tools/caption.py 或 GUI 里的打标功能批量生成描述仓库自带的一套样例数据可直接打开看参数调优总表学习率、批次与精度参数推荐值备注learning_rateSD1.51e-4~2e-4SDXL4e-7全表最敏感的参数先定它再动别的lr_schedulercosine或constant_with_warmup配合 warmup 100 步起步更稳train_batch_size1–2显存 8GB 设 112GB 以上可试 2gradient_accumulation_steps4与 batch 相乘为等效批次等效 8 常用mixed_precisionfp16RTX 30 系或bf16RTX 40 系/A100两者都显著省显存优先开gradient_checkpointingtrue用约 20% 速度换 30% 显存默认建议开xformerstrueNVIDIA 卡降低注意力显存峰值enable_buckettrue多比例混训必开配合min_bucket_reso 64三条易错说明学习率不是越高越好超过 2e-4SD1.5后损失曲线容易震荡出现学崩了的画风等效批次 ≠ 单批batch 2 累积 4 与 batch 8 的显存占用完全不同前者峰值更低步数按重复数算总步数 ≈ 图片数 ×num_repeats÷ 等效批次 × 轮数轮数取 2–3别盲设 5000 步出错了自查3 个高频问题与解法现象CUDA out of memory显存不足可能原因分辨率、batch、未开省显存选项叠加。 解决方案按顺序做——开gradient_checkpointing true→ 开xformers true→resolution从 1024 降到 768 或 512 →train_batch_size降为 1。老卡如 Tesla V100的利用率问题另见 docs/troubleshooting_tesla_v100.md。现象启动 GUI 报 No conda environment active and venv folder does not exist可能原因没跑过安装脚本或虚拟环境建在别处。 解决方案在仓库根目录先执行bash setup.shWindows 为setup.bat成功后再运行gui.sh用 conda 环境的用户先conda activate对应环境再启动。现象SSH/远程机器上训练卡死不动可能原因覆盖确认弹窗easygui在无显示器的服务器上阻塞。 解决方案启动时加--headless它会隐藏本地文件选择器并跳过覆盖弹窗./gui.sh --listen 0.0.0.0 --server_port 7860 --headless进阶与资源仓库内关键路径导航资源路径用途LoRA 训练文档docs/LoRA/options.md全部网络类型与参数说明数据集规范docs/image_folder_structure.md目录/命名规则权威版默认路径配置config example.toml复制为config.toml可预填所有目录LoRA 预设presets/lora/含 SDXL、Flux 等现成训练参数组合工具脚本tools/打标、分桶裁剪、LoRA 缩放resize_lora.py等GUI 源码kohya_gui/每个标签页一个 .py 文件可对照界面改行为测试样例数据test/现成的图 标签 配置可拿来练手后续学习方向先吃透 docs/LoRA/top_level.md 中 LoHa/LoKr 与 LoRA 的差异再用 TensorBoardGUI 内置观察 loss 曲线判断何时停训最后尝试 tools/resize_lora.py 把 SD1.5 LoRA 升尺寸到 SDXL 复用。你已经拥有从零跑通 LoRA 训练的全部要素图形界面、样例数据、可复制的配置模板。现在把 test/ 里的样例配置填进 LoRA 标签页按下训练你的第一个 LoRA 权重文件 30 分钟内就能出炉。【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微调完整指南4步从安装到启动训练【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ss你想用自己的角色、画风或物体训练一个 Stable Diffusion LoRA却被命令行参数劝退kohya_ss 是一个图形化的扩散模型训练工具基于 Gradio 搭建界面把 Kohya 的 LoRA、Dreambooth、微调、Textual Inversion 等训练脚本全部做成标签页你只需填参数、点按钮它自动生成对应的训练命令。下面按装好 → 跑通 → 调参 → 排错的顺序带你走完第一条训练。kohya_ss 是什么给 Stable Diffusion 加一个图形训练台kohya_ss 解决的核心问题只有一个把底层训练脚本train_network.py 等包装成可视化界面让你不用手写 CLI 就能完成微调。它适合三类人想训练 LoRA 的 AI 绘画用户、需要批量训练不同模型的开发者、以及显存有限想省着练的进阶用户。核心能力速览支持 LoRA、LoHa、LoKr、Dreambooth、全量微调、Textual Inversion、LECO 共 7 类训练方式覆盖 SD 1.5/2.x、SDXL、SD3、Flux.1、Lumina 2.0、HunyuanImage-2.1 等基础模型内置样本图生成、TensorBoard 监控、模型/LoRA 合并与提取工具启动后浏览器访问 http://localhost:7860 每个训练方式一个标签页一键启动kohya_ss 安装与启动步骤前提Python 3.10/3.11、Git、NVIDIA GPU训练必须有显存 8GB 以上可练 SD1.5 LoRASDXL 建议 12GB 以上。安装文档在 docs/Installation/Linux 推荐 uv 方式macOS 推荐 pip 方式。Linux / macOSgit clone https://gitcode.com/GitHub_Trending/ko/kohya_ss cd kohya_ss bash setup.sh bash gui.shWindowsgit clone https://gitcode.com/GitHub_Trending/ko/kohya_ss cd kohya_ss setup.bat gui.bat每一步一句话第 1 步获取代码第 2 步进入目录第 3 步自动建虚拟环境并装依赖约 10–20 分钟第 4 步启动 GUI浏览器自动打开 http://localhost:7860 看到 LoRA、Dreambooth 等标签页就说明跑通了。 避坑提示gui.sh启动时会检查 venv 是否存在报Please run setup.sh first就是跳过了第 3 步先跑 setup 再启动。LoRA 微调实战参数速查表与示例配置一句话原理LoRA 不动原始权重只在注意力层旁边挂一对低秩矩阵一起训练最终产物是一个几 MB 到几十 MB 的 .safetensors 文件加载后即可生效。关键参数速查表参数推荐值说明network_dim32–128从 64 起步低秩矩阵维度数值越大容量越大、越容易过拟合network_alphanetwork_dim的一半控制 LoRA 输出缩放设为 dim 的 0.5 倍最稳learning_rateSD1.51e-4~2e-4SDXL4e-7SDXL 因双文本编码器需显著更低的学习率resolutionSD1.5 用 512SDXL 用 1024训练分辨率上限直接决定显存占用train_batch_size1–2显存吃紧就先设 1用梯度累积补max_train_steps按 批次总数 × 2–3 计算10 张图 × 10 次重复 100 批练 1500–2000 步为宜可运行的数据集配置示例仓库里自带一份可直接参考的 test/config/dataset.toml结构如下[[datasets]] resolution 512 batch_size 1 enable_bucket true [[datasets.subsets]] image_dir test/img/10_darius kawasaki person num_repeats 10 class_tokens darius kawasaki person caption_extension .txt文件夹名前缀10_表示每张图重复 10 次与num_repeats配合决定总步数class_tokens是触发词标识符 类别词生成时必须原样写进提示词。 避坑提示SDXL 训练建议加上--network_train_unet_only只训 UNet 部分可避免双文本编码器带来的训练异常详见 docs/LoRA/top_level.md。其他训练模式按需选Dreambooth、TI 与掩码损失Dreambooth 角色定制适合让模型学会某个具体人物/物体的场景5–20 张图即可。和 LoRA 标签页的区别是它输出完整模型而非外挂文件产物更大。最关键参数是class_tokens类别名如dog、person配 10–20% 正则化图片防过拟合。Textual Inversion 文本反转只训练一个新词向量一个 .pt 文件几 KB 大小适合给模型注入一个新概念。最关键参数是训练步数通常 1000–3000 步配合 10 张左右图片。掩码损失Masked Loss在 LoRA 训练中叠加黑白掩码图白色区域为损失重点区让 LoRA 只学主体、忽略背景适合人物特写类数据。使用时在高级参数区开启masked_loss选项即可掩码图与训练图同名放置。仓库里的 test/masked_loss/ 就是现成样例数据集组织目录结构与标注要点标准目录结构仓库 docs/image_folder_structure.md 有完整说明dataset/ ├── 10_my_character/ # 前缀 10 每张图重复 10 次 │ ├── character_001.jpg │ ├── character_001.txt # 同名牌描述这张图 │ ├── character_002.jpg │ └── character_002.txt └── reg/ # 正则化图同类的其他对象 ├── reg_001.jpg └── reg_001.txt预处理要点图片数量LoRA 准备 10–30 张风格、主体一致剔除模糊和重复构图同名牌必须同名character_001.txt对应character_001.jpg内容写主体描述而非标签堆砌有 .txt 时它会覆盖文件夹名作为训练提示分辨率统一建议原图短边 ≥ 512交给分桶enable_bucket true自动对齐比例批量打标可选不想手写 .txt 时可用 tools/caption.py 或 GUI 里的打标功能批量生成描述仓库自带的一套样例数据可直接打开看参数调优总表学习率、批次与精度参数推荐值备注learning_rateSD1.51e-4~2e-4SDXL4e-7全表最敏感的参数先定它再动别的lr_schedulercosine或constant_with_warmup配合 warmup 100 步起步更稳train_batch_size1–2显存 8GB 设 112GB 以上可试 2gradient_accumulation_steps4与 batch 相乘为等效批次等效 8 常用mixed_precisionfp16RTX 30 系或bf16RTX 40 系/A100两者都显著省显存优先开gradient_checkpointingtrue用约 20% 速度换 30% 显存默认建议开xformerstrueNVIDIA 卡降低注意力显存峰值enable_buckettrue多比例混训必开配合min_bucket_reso 64三条易错说明学习率不是越高越好超过 2e-4SD1.5后损失曲线容易震荡出现学崩了的画风等效批次 ≠ 单批batch 2 累积 4 与 batch 8 的显存占用完全不同前者峰值更低步数按重复数算总步数 ≈ 图片数 ×num_repeats÷ 等效批次 × 轮数轮数取 2–3别盲设 5000 步出错了自查3 个高频问题与解法现象CUDA out of memory显存不足可能原因分辨率、batch、未开省显存选项叠加。 解决方案按顺序做——开gradient_checkpointing true→ 开xformers true→resolution从 1024 降到 768 或 512 →train_batch_size降为 1。老卡如 Tesla V100的利用率问题另见 docs/troubleshooting_tesla_v100.md。现象启动 GUI 报 No conda environment active and venv folder does not exist可能原因没跑过安装脚本或虚拟环境建在别处。 解决方案在仓库根目录先执行bash setup.shWindows 为setup.bat成功后再运行gui.sh用 conda 环境的用户先conda activate对应环境再启动。现象SSH/远程机器上训练卡死不动可能原因覆盖确认弹窗easygui在无显示器的服务器上阻塞。 解决方案启动时加--headless它会隐藏本地文件选择器并跳过覆盖弹窗./gui.sh --listen 0.0.0.0 --server_port 7860 --headless进阶与资源仓库内关键路径导航资源路径用途LoRA 训练文档docs/LoRA/options.md全部网络类型与参数说明数据集规范docs/image_folder_structure.md目录/命名规则权威版默认路径配置config example.toml复制为config.toml可预填所有目录LoRA 预设presets/lora/含 SDXL、Flux 等现成训练参数组合工具脚本tools/打标、分桶裁剪、LoRA 缩放resize_lora.py等GUI 源码kohya_gui/每个标签页一个 .py 文件可对照界面改行为测试样例数据test/现成的图 标签 配置可拿来练手后续学习方向先吃透 docs/LoRA/top_level.md 中 LoHa/LoKr 与 LoRA 的差异再用 TensorBoardGUI 内置观察 loss 曲线判断何时停训最后尝试 tools/resize_lora.py 把 SD1.5 LoRA 升尺寸到 SDXL 复用。你已经拥有从零跑通 LoRA 训练的全部要素图形界面、样例数据、可复制的配置模板。现在把 test/ 里的样例配置填进 LoRA 标签页按下训练你的第一个 LoRA 权重文件 30 分钟内就能出炉。【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
