数据集质量直接决定 LoRA 训练效果。Fizgig 是一款免费开源的 LoRA & Fine-tune 训练工作室，支持 Klein 9B、Krea 2、MiniMax H3、Qwen Image 2.1、Z-Image Turbo、SDXL 等图像/视频/音乐模型，内置AI 标注（AI Captioning）、人脸裁剪（Face Crops）、外观一致性过滤器（Look Consistency Filter）、Masked Training等一站式数据集准备工具。本文面向新手，分享 7 个让 LoRA 训练数据集更好用的技巧，帮你少走弯路。

快速上手：安装 Fizgig

先克隆仓库并安装（需要 NVIDIA RTX 30/40/50 系列显卡或 AMD ROCm，Python 3.10–3.13）：

git clone https://gitcode.com/gh_mirrors/fi/Fizgig cd Fizgig

Windows 上双击install_fizgig.bat再运行Launch Fizgig.bat；Linux 上执行python install_fizgig.py后运行./launch_fizgig.sh。模型文件在 Preferences 页一键下载。完整要求见 docs/INSTALL.md。

技巧 1：从 Start 页选对训练文件夹

在Start页指定训练图片文件夹，这是整个流程的起点。注意两点：

• 一文件夹一主题：一个 LoRA 只教一个主题（一个人物、一种风格或一套服装），混在一起训练效果会互相稀释。
• 善用子文件夹：勾选 Training 页的Also train on its sub-folders，大数据集可以按服装、形态、来源分子文件夹整理，每个子文件夹使用各自的标注与缓存，互不干扰（详见 docs/TRAINING.md 的 Sub-folders 章节）。

💡 经验值：人物 LoRA 通常 20–60 张图就够用，关键是角度、光照、背景的多样性，而不是数量堆砌。

技巧 2：Image Prep 批量整理图片

进入Image Prep页，一次性完成数据集"卫生工作"：

官方文档 docs/TRAINING.md 特别指出：一张紧凑的人脸裁剪图 + 一张全身照搭配使用，能显著提升人物 LoRA 的表现。

技巧 3：AI 标注一键生成，告别手写 caption

手动给几十张图写标注非常痛苦。Fizgig 的Captions页用Qwen3-VL（或零配置的 Florence-2）自动写"视角感知"的训练标注，支持 5 种可编辑的预设风格：

• Trigger word（触发词）：每条标注开头绑定你的触发词，让模型学会"词 = 这个人/这个角色"；
• Style 风格：只描述画面中除主角外貌以外的一切，让触发词干净地绑定主角长相——做人物 LoRA 推荐；
• Custom 自定义：用一句英文告诉模型该怎么写，比如只描述服装不描述脸。

几个加分选项：

• Bilingual（中英双语标注）：相当于文本级数据增强，官方测试显示在 Klein 上能改善皮肤细节；
• Static Caption All：全部只用触发词，适合风格类 LoRA；
• 标注列表支持搜索、分页、逐条编辑和Re-caption重新生成，改完直接 Save。

自动标注的源码入口在 src/fizgig/web/captions.py。

技巧 4：人脸裁剪，让主角在数据集中"突出"

Image Prep → Face close-ups会自动检测人脸并生成特写图：

• 人物数据集：默认使用 InsightFace 检测器，支持Largest / Male / Female三种性别定向——多人合影里只裁剪你的主角；
• 动漫 / Furry / 手绘角色：默认检测器基本找不到"画出来的脸"，需在 Image Prep 页的Anime/furry/drawn characters区块把 Face finder 切换为 YOLO 模型（推荐 Fdetailer），Look match 切换为 DINOv2（详见 docs/FACE_BACKENDS.md）；
• 点Test face detection on one photo可以单张试检测，确认框画对了再全量运行。

人脸特写让模型在训练早期就"看清脸"，是人物 LoRA 相似度（likeness）提升最快的免费技巧之一。

技巧 5：外观一致性过滤器，一键揪出"跑偏"图

数据集里混进几张"不像这个人"的图（代练脸、风格突变、错放的照片），LoRA 就会学歪。Look Consistency Filter（Image Prep 页最后一张卡片）可以自动帮你筛：

1. 从文件夹里挑 3 张最能代表"这个长相"的图作为基线；
2. 点扫描，每张图与基线比对打分（人物用 ArcFace，动漫/furry 用 DINOv2），最差匹配排在最前；
3. 开启Auto-Suggest，系统按中位数 − 1.5×IQR 自动标出离群图；
4. 一键将标记图移入excluded_by_look文件夹——不会删除任何文件，反悔随时捞回来。

更妙的是，扫描产生的分数会存为fizgig_look_scores.json，训练时的look-outlier warm-up会读取它：对"真实但不常见"的镜头（大侧脸、极端角度）先用低学习率热身，等形象稳住再全量训练（见 docs/KREA2.md）。

技巧 6：Masked Training，只教该教的部分

黑白蒙版放在图片旁边，白色部分重点训练、黑色部分少学甚至不学——LoRA 学的是人，而不是人背后的房间。官方测试表明蒙版能显著提升角色 LoRA 的最终相似度并加快收敛。

在Image Prep → Masks for masked training卡片里选择蒙版要覆盖的范围：

• The person（头发到衣服）：人物 LoRA，背景大幅降权；
• Just the face and hair：只要脸，连服装都不学；
• Just the clothes：服装 LoRA，人不学脸；
• 还可以勾选Use SAM 3.1: masks from words，直接输入"person"、"the dog"、"red dress"等词生成任意蒙版，边缘比人体检测更锐利。

点Make masks全文件夹一键生成（CPU 上每张不到一秒），然后在 Training 页打开开关：

🎯 推荐值：How much outside the mask counts保持 0.1，保留少量背景上下文；也可以开启prior preservation让蒙版外区域维持模型原生画风。完整参数见 docs/MASKED_TRAINING.md。

技巧 7：开训前 3 分钟自检清单

按下 Start Training 之前，按这张清单过一遍，能省掉 90% 的返工：

• 标注全部就位：没有 caption 的图，Start 会直接拒绝开训并点名文件夹；
• 人脸检测已验证：至少用 Test 按钮试过 2–3 张，框都画在主角脸上；
• 跑偏图已移出：Look Filter 扫描完成，离群图已移走；
• 蒙版数量核对：Training 页会显示"Masks found for X of Y pictures"，有蒙版需求时数字要匹配（Masked training 的源码见 src/fizgig/web/mask_edit.py）；
• Samples 页写预览提示词：给其中一条提示词加一个数据集里没有的姿态或场景（如"从低角度回头"），训练时它一旦失守，就是过训的信号——最后一个还能听它的 epoch 最值得保留。

然后按 Training 页模型对应的 ✨ 预设开训，训练中的相似度评分（likeness badges）会实时告诉你数据集"教得怎么样"：

延伸阅读

一句话总结：先用 Image Prep 整理与裁剪、再用 AI 标注批量写 caption、用外观一致性过滤器清洗离群图、最后叠上 Masked Training——按这 7 个步骤准备好的 LoRA 训练数据集，相似度更高、收敛更快、翻车更少。