90分钟跑通kohya_ss从克隆仓库到产出第一个LoRA【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ss第一次想训练自己的AI绘画风格时你是不是也卡在命令行参数那一长串上别急kohya_ss把 LoRA、DreamBooth 这些训练流程做成了滑块和按钮照着下面这份清单走一小时内你就能看着自己训练出来的模型输出第一张图。仓库自带测试集里的一张风格样图统一画风、统一色调正是 kohya_ss 训练喜欢的数据长相为什么值得上手一次零命令也能跑所有参数变成滑块、下拉框它替你生成底层训练命令模型覆盖广SD 1.5 / SDXL / SD3 / Flux.1 / Lumina / Anima 一套界面全接住训练方式全LoRA、DreamBooth、Textual Inversion、概念擦除 LECO从入门到折腾都有得练仓库自带教材presets/ 里几十份调好的配置test/config/ 里有现成的数据集模板抄作业就行功能速览这个工具箱里有什么Gradio 训练面板一个浏览器里的训练控制台。场景打开页面就能看到 Dreambooth、LoRA、LECO、Finetuning 等标签页选好模型和数据集即可开跑。Dreambooth 标签页适合教模型认识一个新对象。场景准备十几张同一角色的图填个触发词训出一个专属概念。LoRA 标签页做轻量风格/角色适配最常用的入口。场景用几十张同风格图产出一个几十 MB 的小模型方便分享和叠用。Utilities 工具页数据预处理都在这图片转 WebP、准备数据集缓存等。场景训练前先把数据喂料处理好省掉反复的等待。LECO 概念擦除训练忘掉某个概念的反向 LoRA。场景基础模型总往某些方向跑偏时用擦除训练把它掰回来。预设库presets/ 下的 JSON 文件是可直接加载的成品参数。场景先加载一份社区预设跑通流程再逐项改动比从零猜参数快得多。环境安装四步走依赖怎么装才不踩坑前提一块能跑的 GPUNVIDIA 配 CUDA 12.8AMD 用 ROCm 环境Intel Arc 走 IPEX以及 docs/Installation/ 里对应平台的安装文档。以下以 Linux 为例第1步装好 Python 和 gitsudo apt install python3.11 python3.11-tk python3.11-venv git这一步只装基础工具。成功标志终端输出版本号而不是未找到命令。第2步克隆 kohya_ss 仓库git clone --recursive https://gitcode.com/GitHub_Trending/ko/kohya_ss cd kohya_ss--recursive会一起拉取训练脚本子模块漏了它后面启动会报错。第3步初始化环境并验证显卡./setup.sh装完依赖后跑一句验证命令确认显卡可见python -c import torch; print(torch.cuda.is_available())成功标志屏幕打印True说明 PyTorch 已认到你的 GPU。第4步启动 kohya_ss 图形界面./gui.sh --listen 127.0.0.1 --server_port 7860 --inbrowser浏览器会自动打开面板看到 Dreambooth / LoRA 等标签页即安装成功。之后每次升级只需git pull。任务一Dreambooth 首跑——用自带测试集走通全流程适合谁第一次训练、还没准备好自己数据集的人。仓库 test/img/ 里的 8 张 512x512 图就是为此准备的。启动 GUI 后进入 Dreambooth 标签页训练数据目录指向test/img/10_darius kawasaki person输出目录指向test/output填一个触发词比如darusk分辨率设512batch size先给1勾选gradient_checkpointing显存不够时用它换空间步数设 300先跑一轮看手感点训练盯着终端日志出现Training: 100%且输出目录里多出.safetensors文件即成功 小技巧第一次跑通比跑得好更重要。跑完后在 test/output 找到权重文件记下所有参数这是你调参的基线。masked loss 用的黑白剪影掩码告诉模型只盯着白色区域学小显存卡的省钱招数任务二LoRA 进阶——rank 和 learning_rate 怎么调适合谁跑通了任务一、想训练真正可用的风格 LoRA 的人。切到 LoRA 标签页网络类型选loka或按预设来数据目录沿用任务一的测试集加载一份预设当起点比如 presets/SDXL - LoRA AI_characters standard v1.1.json再把rank改成16learning_rate从 3e-5 起、优化器选 AdamW8bit、开fp16步数 1000 左右观察每若干步生成的样本图特征开始贴合训练集就是方向对了过拟合画面糊、细节崩就往回降学习率rank显存增量适合场景8小单一动作/物品数据 10 张以内16中通用角色或风格新手推荐32~64大复杂场景需要 20 张以上数据 rank 和 learning_rate 是跷跷板rank 调大时学习率要跟着调小一点两者同大就容易翻车。同一测试集里的另一张样图风格统一的同班同学LoRA 要学的正是这种共性任务三批量数据流水线——缓存与压缩双优化适合谁数据集超过 30 张、不想每次训练都干等的人。先做图片转换在 Utilities 标签页或用 tools/convert_images_to_webp.py把数据集转成WebP体积通常砍掉三到五成需要文字描述时用 tools/caption.py 批量生成 captions或在 GUI 里选一个 caption 工具标签页运行回到训练页点Prepare dataset做数据集缓存把 latent 提前算好后续训练不再重复这一步缓存完成后正式开训数据加载时间会明显缩短优化项操作效果图片转 WebPUtilities / tools 脚本数据集体积 -30%~50%latent 缓存Prepare dataset每次训练省去重复计算masked loss配黑白掩码图显存吃紧时聚焦局部训练参考模板test/config/dataset-multires.toml 展示了多分辨率数据集的写法多尺寸混训时照着改。调优与排障参数怎么调不爆显存先看这张显存→参数对照表照着自己的显卡那一行设初始值显存档位batch sizegradient_checkpointing建议8~12GB1开分辨率 512 起步LoRA 优先16GB1~2开512 稳、768 试探24GB2~4可关768 甚至更高分辨率症状1训练中途显存溢出进程直接挂batch size 降到 1勾选 gradient_checkpointing分辨率从 768 降回 512或改用 masked loss 缩小有效训练区域症状2每次开训前干等很久确认已执行 Prepare dataset 生成缓存数据集放 SSD 上数据目录路径里少用特殊字符仓库特意留了带空格的 test/img with spaces/ 来验证路径引号问题你的路径能跑通测试集说明引号没问题症状3远程/SSH 服务器上 GUI 点不动启动时加--headless隐藏本地文件选择弹窗用浏览器连http://服务器IP:7860操作症状47860 端口被占用换一个端口--server_port 7861或先确认旧的训练服务已退出仓库里的进阶地图docs/Installation/四套平台安装文档uv/pip × Linux/Windows装环境卡住的人先看这里docs/train_README.md、docs/LoRA/options.md训练原理与参数详解想搞懂每个旋钮的人presets/Dreambooth / LoRA / Finetune 三类现成配置抄作业起步的人test/config/dataset.toml 等模板配置数据集的人tools/caption、图片转换、LoRA 分析等脚本批量处理数据的人kohya_gui/GUI 全部源码想读代码看实现的人接下来你可以做的四件事今天就用 test/img/ 的小数据集跑一次 Dreambooth不求效果好只求跑通挑一份 presets/ 预设加载后每次只改一个参数记录前后差别把每次训练的步数、rank、学习率写进自己的笔记下次调参就有基线数据攒到 30 张以上时把 WebP 转换和 latent 缓存接进你的固定流程训练这件事最难的从来不是命令而是第一次点下开始之后的那几分钟等待。kohya_ss 已经把路铺好了剩下的就是你数据集里的想法变成模型里的那份独特。跑通第一个模型后回来试试 LoRA 标签页你会发现第二遍快得多。【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 90分钟跑通kohya_ss：从克隆仓库到产出第一个LoRA
90分钟跑通kohya_ss从克隆仓库到产出第一个LoRA【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ss第一次想训练自己的AI绘画风格时你是不是也卡在命令行参数那一长串上别急kohya_ss把 LoRA、DreamBooth 这些训练流程做成了滑块和按钮照着下面这份清单走一小时内你就能看着自己训练出来的模型输出第一张图。仓库自带测试集里的一张风格样图统一画风、统一色调正是 kohya_ss 训练喜欢的数据长相为什么值得上手一次零命令也能跑所有参数变成滑块、下拉框它替你生成底层训练命令模型覆盖广SD 1.5 / SDXL / SD3 / Flux.1 / Lumina / Anima 一套界面全接住训练方式全LoRA、DreamBooth、Textual Inversion、概念擦除 LECO从入门到折腾都有得练仓库自带教材presets/ 里几十份调好的配置test/config/ 里有现成的数据集模板抄作业就行功能速览这个工具箱里有什么Gradio 训练面板一个浏览器里的训练控制台。场景打开页面就能看到 Dreambooth、LoRA、LECO、Finetuning 等标签页选好模型和数据集即可开跑。Dreambooth 标签页适合教模型认识一个新对象。场景准备十几张同一角色的图填个触发词训出一个专属概念。LoRA 标签页做轻量风格/角色适配最常用的入口。场景用几十张同风格图产出一个几十 MB 的小模型方便分享和叠用。Utilities 工具页数据预处理都在这图片转 WebP、准备数据集缓存等。场景训练前先把数据喂料处理好省掉反复的等待。LECO 概念擦除训练忘掉某个概念的反向 LoRA。场景基础模型总往某些方向跑偏时用擦除训练把它掰回来。预设库presets/ 下的 JSON 文件是可直接加载的成品参数。场景先加载一份社区预设跑通流程再逐项改动比从零猜参数快得多。环境安装四步走依赖怎么装才不踩坑前提一块能跑的 GPUNVIDIA 配 CUDA 12.8AMD 用 ROCm 环境Intel Arc 走 IPEX以及 docs/Installation/ 里对应平台的安装文档。以下以 Linux 为例第1步装好 Python 和 gitsudo apt install python3.11 python3.11-tk python3.11-venv git这一步只装基础工具。成功标志终端输出版本号而不是未找到命令。第2步克隆 kohya_ss 仓库git clone --recursive https://gitcode.com/GitHub_Trending/ko/kohya_ss cd kohya_ss--recursive会一起拉取训练脚本子模块漏了它后面启动会报错。第3步初始化环境并验证显卡./setup.sh装完依赖后跑一句验证命令确认显卡可见python -c import torch; print(torch.cuda.is_available())成功标志屏幕打印True说明 PyTorch 已认到你的 GPU。第4步启动 kohya_ss 图形界面./gui.sh --listen 127.0.0.1 --server_port 7860 --inbrowser浏览器会自动打开面板看到 Dreambooth / LoRA 等标签页即安装成功。之后每次升级只需git pull。任务一Dreambooth 首跑——用自带测试集走通全流程适合谁第一次训练、还没准备好自己数据集的人。仓库 test/img/ 里的 8 张 512x512 图就是为此准备的。启动 GUI 后进入 Dreambooth 标签页训练数据目录指向test/img/10_darius kawasaki person输出目录指向test/output填一个触发词比如darusk分辨率设512batch size先给1勾选gradient_checkpointing显存不够时用它换空间步数设 300先跑一轮看手感点训练盯着终端日志出现Training: 100%且输出目录里多出.safetensors文件即成功 小技巧第一次跑通比跑得好更重要。跑完后在 test/output 找到权重文件记下所有参数这是你调参的基线。masked loss 用的黑白剪影掩码告诉模型只盯着白色区域学小显存卡的省钱招数任务二LoRA 进阶——rank 和 learning_rate 怎么调适合谁跑通了任务一、想训练真正可用的风格 LoRA 的人。切到 LoRA 标签页网络类型选loka或按预设来数据目录沿用任务一的测试集加载一份预设当起点比如 presets/SDXL - LoRA AI_characters standard v1.1.json再把rank改成16learning_rate从 3e-5 起、优化器选 AdamW8bit、开fp16步数 1000 左右观察每若干步生成的样本图特征开始贴合训练集就是方向对了过拟合画面糊、细节崩就往回降学习率rank显存增量适合场景8小单一动作/物品数据 10 张以内16中通用角色或风格新手推荐32~64大复杂场景需要 20 张以上数据 rank 和 learning_rate 是跷跷板rank 调大时学习率要跟着调小一点两者同大就容易翻车。同一测试集里的另一张样图风格统一的同班同学LoRA 要学的正是这种共性任务三批量数据流水线——缓存与压缩双优化适合谁数据集超过 30 张、不想每次训练都干等的人。先做图片转换在 Utilities 标签页或用 tools/convert_images_to_webp.py把数据集转成WebP体积通常砍掉三到五成需要文字描述时用 tools/caption.py 批量生成 captions或在 GUI 里选一个 caption 工具标签页运行回到训练页点Prepare dataset做数据集缓存把 latent 提前算好后续训练不再重复这一步缓存完成后正式开训数据加载时间会明显缩短优化项操作效果图片转 WebPUtilities / tools 脚本数据集体积 -30%~50%latent 缓存Prepare dataset每次训练省去重复计算masked loss配黑白掩码图显存吃紧时聚焦局部训练参考模板test/config/dataset-multires.toml 展示了多分辨率数据集的写法多尺寸混训时照着改。调优与排障参数怎么调不爆显存先看这张显存→参数对照表照着自己的显卡那一行设初始值显存档位batch sizegradient_checkpointing建议8~12GB1开分辨率 512 起步LoRA 优先16GB1~2开512 稳、768 试探24GB2~4可关768 甚至更高分辨率症状1训练中途显存溢出进程直接挂batch size 降到 1勾选 gradient_checkpointing分辨率从 768 降回 512或改用 masked loss 缩小有效训练区域症状2每次开训前干等很久确认已执行 Prepare dataset 生成缓存数据集放 SSD 上数据目录路径里少用特殊字符仓库特意留了带空格的 test/img with spaces/ 来验证路径引号问题你的路径能跑通测试集说明引号没问题症状3远程/SSH 服务器上 GUI 点不动启动时加--headless隐藏本地文件选择弹窗用浏览器连http://服务器IP:7860操作症状47860 端口被占用换一个端口--server_port 7861或先确认旧的训练服务已退出仓库里的进阶地图docs/Installation/四套平台安装文档uv/pip × Linux/Windows装环境卡住的人先看这里docs/train_README.md、docs/LoRA/options.md训练原理与参数详解想搞懂每个旋钮的人presets/Dreambooth / LoRA / Finetune 三类现成配置抄作业起步的人test/config/dataset.toml 等模板配置数据集的人tools/caption、图片转换、LoRA 分析等脚本批量处理数据的人kohya_gui/GUI 全部源码想读代码看实现的人接下来你可以做的四件事今天就用 test/img/ 的小数据集跑一次 Dreambooth不求效果好只求跑通挑一份 presets/ 预设加载后每次只改一个参数记录前后差别把每次训练的步数、rank、学习率写进自己的笔记下次调参就有基线数据攒到 30 张以上时把 WebP 转换和 latent 缓存接进你的固定流程训练这件事最难的从来不是命令而是第一次点下开始之后的那几分钟等待。kohya_ss 已经把路铺好了剩下的就是你数据集里的想法变成模型里的那份独特。跑通第一个模型后回来试试 LoRA 标签页你会发现第二遍快得多。【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