用 kohya_ss 训练你的 AI 画师零基础 LoRA 训练完整教程【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ss你手里有 20 张喜欢的图想让 AI 学会其中的味道再生成同风格的新图。这正是 kohya_ss 干的事它把 Stable Diffusion 训练脚本包进图形界面训练 LoRA 模型全程点击操作不用写一行代码。 kohya_ss 项目名片kohya_ss 是一个免费开源的扩散模型训练工具用 Gradio Web 界面包装了 Kohya 训练脚本。启动后浏览器里是一排训练标签页选模型、选数据集、调参数点开始训练它会自动拼出对应的命令行。支持 LoRA、Dreambooth、完整微调、Textual Inversion 等训练方式底模覆盖 SD 1.5/2.x、SDXL、SD3、Flux.1、Lumina Image 2.0 等presets/内置大量预设配置一键加载附带自动标注、图片分组等批量工具 三行命令跑起来训练需要一张 NVIDIA 显卡跑 SDXL LoRA 建议显存 12GB 以上。把项目拿到电脑上git clone --recursive https://gitcode.com/GitHub_Trending/ko/kohya_ss cd kohya_ssWindows 双击运行gui-uv.batLinux/macOS 执行./gui-uv.sh听起来很技术其实剩下的都归脚本管它检测到没装 uv 时会提示你按 Y 就自动装好环境、依赖它自己处理。首次启动下载依赖比较慢完成后浏览器打开http://localhost:7860就能看到训练界面。 出好效果的关键先备好食材模型好坏八成由训练数据决定。把数据当食材、预设当调味包——食材不行再好的料也救不回来。项目自带一套标准样例test/img/10_darius kawasaki person/里 8 张 512x512 的图片每张配一个同名.txt描述文件这就是理想的目录结构。10~20 张高质量图足够质量比数量重要分辨率至少 512x512SDXL 底模可更高同一主题、风格统一剔除模糊带水印的图每张图一个同名.txt描述写法保持一致角色类 LoRA 在描述里重复特征词 2~3 次预设注释推荐先用 5 张图训 10 轮验证方法跑通再上量 选一条适合你的路三种主要训练方式投入和产出差别很大方式做什么产物适合谁LoRA训练一个可插拔的小网络几十 MB 文件新手首选角色、风格、物体Dreambooth把特征注入底模整体训练改后的底模图片很少时的角色训练完整微调重训整个底模数 GB 新模型要深度改变模型气质拿不准就选 LoRA训得快、显存吃得少效果不满意删掉重来也不心疼。✍️ 上手做出你的第一个 LoRA目标用 20 张喜欢的图教会 AI 一种新风格。配置图片放一个文件夹用tools/caption.py批量生成同名.txt描述文件。打开 LoRA 标签页选好底模和文件夹加载presets/lora/SDXL - LoRA AI_characters standard v1.0.json这个预设。关键参数只需动五个max_resolution保持预设的 1024,1024。SDXL 的标准分辨率低了上限就低了network_dim保持预设的 32。角色风格 LoRA 的均衡选择过小学不动过大易过拟合学习率保持预设的 2e-05。社区验证过的值乱改是最常见的翻车原因max_train_epochs预设默认 100首次改成 10~20。不够再加宁少勿过sample_every_n_epochs设为 5。每 5 轮出一张预览图效果靠眼看训练时盯两件事loss 稳步下降预览图一轮比一轮贴近你的训练图。如果预览开始糊掉、或者只背住了某一张图就是过拟合下次早点停。训练结束会得到一个几十 MB 的 LoRA 文件在出图软件里加载它、提示词带上特征词就能生成你的风格了。⚠️ 踩坑之前先看这启动时提示 uv is not installed按 Y 让脚本自动安装按 N 就需要自己装完再跑一次。报错 No module called tkinter重装 Python 并确保勾选了Add to PATH。Windows 报 page file 相关错误调大系统页面文件虚拟内存训练会临时占用大量内存。远程/SSH 下文件选择器点不动、确认框卡死启动时加--headless界面会隐藏本机选择器、改为手输路径并跳过覆盖确认。效果总是糊、细节丢失八成是数据问题分辨率低、风格杂、缺描述文件。回到食材一节重查。 再进一步tools/group_images.py按主题自动给图片分组整理大批素材省时间把config example.toml复制成config.toml填好默认路径模型目录、输出目录以后不用再选不想手写描述界面里的自动标注标签页BLIP、WD14 tagger 等可以批量生成写在最后跑通比完美更重要第一个 LoRA 不惊艳很正常关键是你会知道下一轮该动哪里。先照着test/img/的样例看懂目录长什么样再换上自己的 20 张图——这一步走完你就成功了一半。【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
用 kohya_ss 训练你的 AI 画师：零基础 LoRA 训练完整教程
用 kohya_ss 训练你的 AI 画师零基础 LoRA 训练完整教程【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ss你手里有 20 张喜欢的图想让 AI 学会其中的味道再生成同风格的新图。这正是 kohya_ss 干的事它把 Stable Diffusion 训练脚本包进图形界面训练 LoRA 模型全程点击操作不用写一行代码。 kohya_ss 项目名片kohya_ss 是一个免费开源的扩散模型训练工具用 Gradio Web 界面包装了 Kohya 训练脚本。启动后浏览器里是一排训练标签页选模型、选数据集、调参数点开始训练它会自动拼出对应的命令行。支持 LoRA、Dreambooth、完整微调、Textual Inversion 等训练方式底模覆盖 SD 1.5/2.x、SDXL、SD3、Flux.1、Lumina Image 2.0 等presets/内置大量预设配置一键加载附带自动标注、图片分组等批量工具 三行命令跑起来训练需要一张 NVIDIA 显卡跑 SDXL LoRA 建议显存 12GB 以上。把项目拿到电脑上git clone --recursive https://gitcode.com/GitHub_Trending/ko/kohya_ss cd kohya_ssWindows 双击运行gui-uv.batLinux/macOS 执行./gui-uv.sh听起来很技术其实剩下的都归脚本管它检测到没装 uv 时会提示你按 Y 就自动装好环境、依赖它自己处理。首次启动下载依赖比较慢完成后浏览器打开http://localhost:7860就能看到训练界面。 出好效果的关键先备好食材模型好坏八成由训练数据决定。把数据当食材、预设当调味包——食材不行再好的料也救不回来。项目自带一套标准样例test/img/10_darius kawasaki person/里 8 张 512x512 的图片每张配一个同名.txt描述文件这就是理想的目录结构。10~20 张高质量图足够质量比数量重要分辨率至少 512x512SDXL 底模可更高同一主题、风格统一剔除模糊带水印的图每张图一个同名.txt描述写法保持一致角色类 LoRA 在描述里重复特征词 2~3 次预设注释推荐先用 5 张图训 10 轮验证方法跑通再上量 选一条适合你的路三种主要训练方式投入和产出差别很大方式做什么产物适合谁LoRA训练一个可插拔的小网络几十 MB 文件新手首选角色、风格、物体Dreambooth把特征注入底模整体训练改后的底模图片很少时的角色训练完整微调重训整个底模数 GB 新模型要深度改变模型气质拿不准就选 LoRA训得快、显存吃得少效果不满意删掉重来也不心疼。✍️ 上手做出你的第一个 LoRA目标用 20 张喜欢的图教会 AI 一种新风格。配置图片放一个文件夹用tools/caption.py批量生成同名.txt描述文件。打开 LoRA 标签页选好底模和文件夹加载presets/lora/SDXL - LoRA AI_characters standard v1.0.json这个预设。关键参数只需动五个max_resolution保持预设的 1024,1024。SDXL 的标准分辨率低了上限就低了network_dim保持预设的 32。角色风格 LoRA 的均衡选择过小学不动过大易过拟合学习率保持预设的 2e-05。社区验证过的值乱改是最常见的翻车原因max_train_epochs预设默认 100首次改成 10~20。不够再加宁少勿过sample_every_n_epochs设为 5。每 5 轮出一张预览图效果靠眼看训练时盯两件事loss 稳步下降预览图一轮比一轮贴近你的训练图。如果预览开始糊掉、或者只背住了某一张图就是过拟合下次早点停。训练结束会得到一个几十 MB 的 LoRA 文件在出图软件里加载它、提示词带上特征词就能生成你的风格了。⚠️ 踩坑之前先看这启动时提示 uv is not installed按 Y 让脚本自动安装按 N 就需要自己装完再跑一次。报错 No module called tkinter重装 Python 并确保勾选了Add to PATH。Windows 报 page file 相关错误调大系统页面文件虚拟内存训练会临时占用大量内存。远程/SSH 下文件选择器点不动、确认框卡死启动时加--headless界面会隐藏本机选择器、改为手输路径并跳过覆盖确认。效果总是糊、细节丢失八成是数据问题分辨率低、风格杂、缺描述文件。回到食材一节重查。 再进一步tools/group_images.py按主题自动给图片分组整理大批素材省时间把config example.toml复制成config.toml填好默认路径模型目录、输出目录以后不用再选不想手写描述界面里的自动标注标签页BLIP、WD14 tagger 等可以批量生成写在最后跑通比完美更重要第一个 LoRA 不惊艳很正常关键是你会知道下一轮该动哪里。先照着test/img/的样例看懂目录长什么样再换上自己的 20 张图——这一步走完你就成功了一半。【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
