零门槛上手 LoRA 训练Kohya_ss 用 30 张图微调出你的 AI 绘画风格【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ssKohya_ss 是一个 Stable Diffusion 图形化训练工具。你不用写代码准备 20–50 张图片就能微调出可用的 LoRA 模型、DreamBooth 角色模型或文本反转。先看效果训练出来的成品长什么样不确定效果是否合你预期这节直接给你看结果。下面两张样图来自项目自带的 test/ 数据集属于同一套生物机械风格。注意两张图的风格高度一致。这就是训练要做的事让模型学会一组图的长相之后你用一句话就能复现这个风格。它帮你解决什么按场景对号入座不知道选哪个功能别记功能名看你的需求属于哪种场景学一种绘画风格LoRA 训练。几十张图就够产出的文件只有几 MB可以直接塞进生图软件。固定一个人或 IPDreamBooth。适合训练专属角色模型但文件较大、耗时较长。发明一个新提示词文本反转。模型文件只有几十 KB专门用来给某个概念绑定触发词。显存不太够用GUI 帮你管好混合精度和内存参数低显存机器也有得跑。先选路再动手训练方式怎么选 ⚡方法选错练再久也白费。四种维度对比一遍结论基本就出来了训练方式速度模型体积显存要求适合干什么LoRA 训练最快几 MB6GB风格迁移、概念微调DreamBooth中等几个 GB8GB个性化主体训练文本反转较慢几十 KB4GB创建自定义提示词新手直接选 LoRA30 分钟到 2 小时能跑完显存友好翻车成本最低。实操全流程4 个关卡从装好到训练跑通每关都给了过关信号。对上信号再进下一关别跳步。关卡 1环境装好git clone https://gitcode.com/GitHub_Trending/ko/kohya_ss cd kohya_ss # Windows双击 setup.bat # Linux运行 ./setup.sh过关信号装完后双击 gui.batWindows或运行 ./gui.shLinux/macOS浏览器里能打开训练界面。关卡 2数据备齐数据质量决定八成效果。准备 20–50 张清晰、主题明确、风格统一的图按类别归档训练数据目录/ └── 类别1/ ├── 图像1.jpg └── 图像1.txt该图的描述过关信号每张图都有同名 txt描述内容真实对应画面。关卡 3参数设对在 GUI 里选好基础模型和数据集然后从 presets/ 加载一个预设里面是调好的参数组合不用从零配。过关信号GUI 拼出的训练指令没有红色报错。关卡 4训练跑通点击开始训练LoRA 大约 30 分钟到 2 小时。训练过程中会持续生成样图随时瞄一眼方向。过关信号输出目录里出现 .safetensors 模型文件且中途样图已经接近目标风格。翻车自查症状、原因、解法一一对应效果不对别慌先对着这份清单对症状图发糊、风格不像多半轮次过多或学习率偏高。把 max_train_epochs 调小learning_rate 放回默认值。越练越差这是过拟合的信号。盯着训练中的样图效果到达高点就提前停。每张图风格都不一样训练图风格太杂。只保留 20–50 张质量一致的图宁缺毋滥。DreamBooth 角色脸部崩坏缺正则化图像。补一批同主题的通用图防止模型被少数图带偏。进阶调节预设、关键参数与掩码损失 跑通之后还有三个杠杆可以拧预设起手presets/ 里按风格、模型、优化器分好了预设LoRA、DreamBooth、SDXL 都有。挑一个最接近的当起点比手调省时间。关键参数batch_size 显存够就往上加训练更稳learning_rate 宁低勿高max_train_epochs 先小后大mixed_precision 开混合精度省显存低显存卡必开。全部参数含义可对照 config example.toml。掩码损失只想让模型学图片的某个局部时开启 masked loss再给一张黑白掩码白色区域参与损失计算。项目 test/masked_loss/ 目录里就有现成样本。资源地图卡住时去哪里查安装教程docs/Installation/Windows、Linux 分平台uv 和 pip 两种装法都有训练文档docs/train_README.mdLoRA 选项细节看 docs/LoRA/辅助工具tools/批量处理图片、自动打标签、LoRA 分析都在这里示例脚本examples/分阶段训练、批量标注脚本可直接参考快速启动清单克隆仓库并跑安装脚本GUI 能打开备齐 20–50 张训练图 同名 txt加载一个 LoRA 预设确认指令无报错启动训练盯着样图判断方向把训好的 LoRA 装进生图软件实测效果【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