kohya_ss新手上手指南5步跑通第一次LoRA训练【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ss最后一行模型文件落进硬盘程序在训练中途生成的那张样图终于有了你脑子里那个感觉——这就是 kohya_ss 给你的时刻一个图形化训练工具靠LoRA训练把一批参考图变成你的专属风格模型。全程不写代码每一步都有画面可以对照。它替你做掉了哪几件烦事以前你得逐条背十几条命令行参数现在它帮你点几下鼠标就自动拼好命令。以前你得一行行手敲训练配置现在加载一个预设JSON几十个参数两次点击全填满。以前得自己装 Python 环境、逐个找依赖现在一个脚本帮你全部装好。 动手前的最小准备一张 NVIDIA 显卡唯一的硬件硬要求Windows 需另装 CUDA 工具包细节见 docs/Installation/装好 Git并备一个基础模型文件Stable Diffusion 1.5 或 SDXL 的 .safetensors放进固定目录10-20 张风格统一的图512x512 以上没有素材仓库 test/img/ 里就有 8 张配好说明的示例图先拿它们走一遍流程几 GB 空闲磁盘装依赖 模型文件 主线跑通第一次 LoRA 训练包括上面的准备一共 5 步。就算你手上没有自己的图也能用仓库自带素材完整走一遍。第1步准备 10-20 张图与它们的文字说明你做什么把图放进同一个文件夹每张图片配一个同名的 .txt内容是一句简短英文描述比如a steampunk mechanical skull, gas mask。你会看到每个 .jpg 旁边都躺着一个 .txt数量一一对应。注意这一步图和 .txt 必须同名说明才不会对上号。素材没头绪的话直接看 test/config/dataset.toml分辨率 512、class 词写的是 darius kawasaki person。这份官方演示配置就是你自己写数据集配置时最直接的抄写范本。第2步启动界面用预设两次点击填满参数你做什么把仓库克隆下来启动界面。git clone --recursive https://gitcode.com/GitHub_Trending/ko/kohya_ss cd kohya_ssWindows 双击 gui-uv.batLinux/macOS 运行./gui-uv.sh。首次启动时脚本会自动装好依赖浏览器随后打开 http://localhost:7860。你会看到由 kohya_gui.py 驱动的 Gradio 界面顶部一排 LoRA、Finetuning、Dreambooth 等标签。接下来三次点击点 LoRA 标签在预训练模型栏选你的基础模型文件把数据集目录指向第1步的素材文件夹。然后是重头戏——加载预设。在预设加载栏指向 presets/任选一个 JSON比如SDXL - LoRA AI_characters standard v1.0.json。学习率、网络维度、轮数等几十个参数一次性填好。预设就像调料包配比都称好了撕开就用你不用搞懂每一种香料。你会发现参数面板整片变满空白表格焦虑瞬间消失。第3步用 30-50 轮启动训练你做什么输出模型栏写个名字比如 my_steampunk轮数设 30-50点 Start training。为什么先设 30-50 轮头一回训练是探路有效果再加量没效果也不至于白等一整夜。你会看到控制台实时刷日志训练中途还会周期性生成几张样图。这是它有没有在学的反馈窗口不用干等到最后。第4步5分钟验证——对比第一张和最后一张样图你会看到输出目录里多了一个 .safetensors 模型文件和一组样图。怎么算练成了把第一批样图和最后一批放在一起对比。开头模糊、跑题结尾逐渐出现素材的构图和色调越接近说明训练越有效。正式检验是把 LoRA 丢进 Stable Diffusion WebUIREADME 推荐搭配 additional-networks 扩展用你 caption 里的 class 词生成几张图——出了那个蒸汽朋克味儿这次训练才算闭环。⚠️ 三个最常卡住的点现象首次启动很慢像卡死了。 原因脚本在装依赖、初始化环境进程没死。 解法耐心等看终端有没有文件写入动静就能确认它还活着。现象训练完成了出图却只是有点像没有辨识度。 原因轮数偏少或学习率偏低模型只学会了素材的平均脸。 解法把轮数加到 50-100或换 presets/lora/ 里学习率更高一档的预设重跑对比样图变化。现象启动时报找不到数据集或说明全部为空。 原因路径和实际文件夹对不上或 .txt 没跟图片同名。 解法用界面里的路径选择器代替手敲数一下文件夹里 .jpg 和 .txt 的数量是否相等。️ 顺手能加的小动作自动打标tools/caption.py 能给整个文件夹的图片批量生成 .txt 描述省掉逐张手写。批量整理tools/group_images.py 按尺寸把图分进子文件夹tools/convert_images_to_webp.py 把它们批量转成 webp 省空间。记住常用路径在仓库外建一份 config.toml 记下你的常用目录启动时用--config参数指过去下次所有栏位自动预填。键名全集见 config example.toml。最后今天就能做这件事克隆仓库跑一次 gui-uv.bat用 test/img 里那 8 张示例图跑一轮 30 轮的演示训练。先把流程跑通味道自然会来。【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新手上手指南：5步跑通第一次LoRA训练
kohya_ss新手上手指南5步跑通第一次LoRA训练【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ss最后一行模型文件落进硬盘程序在训练中途生成的那张样图终于有了你脑子里那个感觉——这就是 kohya_ss 给你的时刻一个图形化训练工具靠LoRA训练把一批参考图变成你的专属风格模型。全程不写代码每一步都有画面可以对照。它替你做掉了哪几件烦事以前你得逐条背十几条命令行参数现在它帮你点几下鼠标就自动拼好命令。以前你得一行行手敲训练配置现在加载一个预设JSON几十个参数两次点击全填满。以前得自己装 Python 环境、逐个找依赖现在一个脚本帮你全部装好。 动手前的最小准备一张 NVIDIA 显卡唯一的硬件硬要求Windows 需另装 CUDA 工具包细节见 docs/Installation/装好 Git并备一个基础模型文件Stable Diffusion 1.5 或 SDXL 的 .safetensors放进固定目录10-20 张风格统一的图512x512 以上没有素材仓库 test/img/ 里就有 8 张配好说明的示例图先拿它们走一遍流程几 GB 空闲磁盘装依赖 模型文件 主线跑通第一次 LoRA 训练包括上面的准备一共 5 步。就算你手上没有自己的图也能用仓库自带素材完整走一遍。第1步准备 10-20 张图与它们的文字说明你做什么把图放进同一个文件夹每张图片配一个同名的 .txt内容是一句简短英文描述比如a steampunk mechanical skull, gas mask。你会看到每个 .jpg 旁边都躺着一个 .txt数量一一对应。注意这一步图和 .txt 必须同名说明才不会对上号。素材没头绪的话直接看 test/config/dataset.toml分辨率 512、class 词写的是 darius kawasaki person。这份官方演示配置就是你自己写数据集配置时最直接的抄写范本。第2步启动界面用预设两次点击填满参数你做什么把仓库克隆下来启动界面。git clone --recursive https://gitcode.com/GitHub_Trending/ko/kohya_ss cd kohya_ssWindows 双击 gui-uv.batLinux/macOS 运行./gui-uv.sh。首次启动时脚本会自动装好依赖浏览器随后打开 http://localhost:7860。你会看到由 kohya_gui.py 驱动的 Gradio 界面顶部一排 LoRA、Finetuning、Dreambooth 等标签。接下来三次点击点 LoRA 标签在预训练模型栏选你的基础模型文件把数据集目录指向第1步的素材文件夹。然后是重头戏——加载预设。在预设加载栏指向 presets/任选一个 JSON比如SDXL - LoRA AI_characters standard v1.0.json。学习率、网络维度、轮数等几十个参数一次性填好。预设就像调料包配比都称好了撕开就用你不用搞懂每一种香料。你会发现参数面板整片变满空白表格焦虑瞬间消失。第3步用 30-50 轮启动训练你做什么输出模型栏写个名字比如 my_steampunk轮数设 30-50点 Start training。为什么先设 30-50 轮头一回训练是探路有效果再加量没效果也不至于白等一整夜。你会看到控制台实时刷日志训练中途还会周期性生成几张样图。这是它有没有在学的反馈窗口不用干等到最后。第4步5分钟验证——对比第一张和最后一张样图你会看到输出目录里多了一个 .safetensors 模型文件和一组样图。怎么算练成了把第一批样图和最后一批放在一起对比。开头模糊、跑题结尾逐渐出现素材的构图和色调越接近说明训练越有效。正式检验是把 LoRA 丢进 Stable Diffusion WebUIREADME 推荐搭配 additional-networks 扩展用你 caption 里的 class 词生成几张图——出了那个蒸汽朋克味儿这次训练才算闭环。⚠️ 三个最常卡住的点现象首次启动很慢像卡死了。 原因脚本在装依赖、初始化环境进程没死。 解法耐心等看终端有没有文件写入动静就能确认它还活着。现象训练完成了出图却只是有点像没有辨识度。 原因轮数偏少或学习率偏低模型只学会了素材的平均脸。 解法把轮数加到 50-100或换 presets/lora/ 里学习率更高一档的预设重跑对比样图变化。现象启动时报找不到数据集或说明全部为空。 原因路径和实际文件夹对不上或 .txt 没跟图片同名。 解法用界面里的路径选择器代替手敲数一下文件夹里 .jpg 和 .txt 的数量是否相等。️ 顺手能加的小动作自动打标tools/caption.py 能给整个文件夹的图片批量生成 .txt 描述省掉逐张手写。批量整理tools/group_images.py 按尺寸把图分进子文件夹tools/convert_images_to_webp.py 把它们批量转成 webp 省空间。记住常用路径在仓库外建一份 config.toml 记下你的常用目录启动时用--config参数指过去下次所有栏位自动预填。键名全集见 config example.toml。最后今天就能做这件事克隆仓库跑一次 gui-uv.bat用 test/img 里那 8 张示例图跑一轮 30 轮的演示训练。先把流程跑通味道自然会来。【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
