kohya_ss LoRA训练从数据集到可加载的权重文件【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ss读完能整理出带 caption 的数据集在 kohya_ss 里跑通一次 LoRA 训练产出可被推理界面直接加载的 .safetensors 文件。项目定位kohya_ss 是面向扩散模型训练的图形界面和命令行工具把 Kohya sd-scripts 的训练参数做成表单支持 LoRA、LoHa/LoKr、DreamBooth、全量微调和文本反转等训练方式底模覆盖 SD 1.5/2.x、SDXL、SD3、Flux.1。适合想训练风格或角色 LoRA、又不想手拼一串命令行参数的人。环境准备克隆并进入仓库git clone https://gitcode.com/GitHub_Trending/ko/kohya_ss cd kohya_ssWindows 两条命令setup.bat gui.batLinux/macOS./setup.sh ./gui.sh启动后打开本地 Gradio 页面。需要远程访问时追加--listen 0.0.0.0 --server_port 7860 --headless。核心工作流准备数据集图像质量和 caption 一致性决定效果上限。训练数据放在根目录下的分类子文件夹每张图配同名.txt内容即 caption仓库自带样本test/img/同一个角色 8 张图配同一句描述可直接用来跑通流程单图 512x512 即可bucketing 按宽高比分桶不需要预裁剪统一 captioncaption 描述的是主体共有特征推理时不会写进 prompt 的词会被模型学进LoRA。批量生成可用 GUI 的 WD14/BLIP/GIT caption 页签或tools/里的标注脚本生成后逐个核对.txt删掉与主体无关的标签配置训练参数LoRA 页签的核心参数先按下面这张表起步参数作用推荐值选择依据learning_rate学习率1e-4 (SD1.5) / 4e-7 (SDXL)SDXL 文档以 4e-7 为标准值train_batch_size批大小1受显存限制可用梯度累积替代max_resolution训练分辨率上限1024,1024 (SDXL)SDXL 标准分辨率为 1024lr_scheduler学习率衰减方式cosine配置文件默认值cache_latents缓存 VAE 结果省显存true显存 8GB 以内先开sample_every_n_steps采样间隔每个 epoch 1 次用于观察收敛情况presets/lora/目录里放了 Adafactor、AdamW8bit 等优化器的组合加载预设比逐项填写更快。配置采样提示词采样提示词文件每行一条 prompt#开头为注释。行尾可加--n、--w、--h、--d、--l、--s分别指定负面提示词、宽高、种子、CFG 和采样步数。固定尺寸和种子方便对比不同 epoch 的同一条出图。运行训练并核对产出填好底模路径、数据集目录和输出名后点击运行GUI 会拼装命令行并调用 sd-scripts 的 train_network.py。权重按 epoch 写入输出目录格式为 .safetensors用采样图和 loss 曲线判断取哪个 epoch。关键调优点采样图某个 epoch 后变糊——原因过拟合学习率偏高或轮数过多。处理学习率降一个数量级或用 save_every_n_epochs 存多个版本取中段产物。训练后采样图没有变化——原因学习率过低或 caption 没覆盖主体共有特征模型没有学到东西。处理先对照图片和.txt内容确认描述一致后再提高学习率。CUDA out of memory——原因VAE 编码或激活值占用显存。处理开启 cache_latentsbatch 保持 1仍不够再打开 gradient_checkpointing。masked loss 指定区域不生效——原因掩码必须是 RGB 图只有 R 通道为 255 的像素才计入 loss。处理把掩码做成黑底白色主体形状存为三通道图片再勾选--masked_loss选项。高频卡点报 No module named tkinter——系统 Python 缺 tkinter 组件。排查方向重装 Python 3.10 并勾选 tcl/tk 选项用python -c import tkinter验证。SSH 场景下点运行后无响应——原生覆盖确认弹窗在服务器上无显示器可显示进程被阻塞。排查方向日志里找--headless提示启动时带上该参数。V100 训练时 GPU 利用率低——先看日志里的利用率数值再按docs/troubleshooting_tesla_v100.md里的排查步骤逐项检查驱动和 xformers 配置。延伸方向docs/LoRA/——LoRA 选项详解包括 SDXL 建议只训 UNet 和显存要求docs/troubleshooting_tesla_v100.md——V100 利用率问题的专项排查老卡用户值得先看test/——完整示例数据集和 masked loss 样本可作环境验证的一套现成材料先用 test/ 里的样本数据跑通一个小 LoRA确认权重能在推理界面加载再换成自己的数据集开始正式训练。【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 LoRA训练：从数据集到可加载的权重文件
kohya_ss LoRA训练从数据集到可加载的权重文件【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ss读完能整理出带 caption 的数据集在 kohya_ss 里跑通一次 LoRA 训练产出可被推理界面直接加载的 .safetensors 文件。项目定位kohya_ss 是面向扩散模型训练的图形界面和命令行工具把 Kohya sd-scripts 的训练参数做成表单支持 LoRA、LoHa/LoKr、DreamBooth、全量微调和文本反转等训练方式底模覆盖 SD 1.5/2.x、SDXL、SD3、Flux.1。适合想训练风格或角色 LoRA、又不想手拼一串命令行参数的人。环境准备克隆并进入仓库git clone https://gitcode.com/GitHub_Trending/ko/kohya_ss cd kohya_ssWindows 两条命令setup.bat gui.batLinux/macOS./setup.sh ./gui.sh启动后打开本地 Gradio 页面。需要远程访问时追加--listen 0.0.0.0 --server_port 7860 --headless。核心工作流准备数据集图像质量和 caption 一致性决定效果上限。训练数据放在根目录下的分类子文件夹每张图配同名.txt内容即 caption仓库自带样本test/img/同一个角色 8 张图配同一句描述可直接用来跑通流程单图 512x512 即可bucketing 按宽高比分桶不需要预裁剪统一 captioncaption 描述的是主体共有特征推理时不会写进 prompt 的词会被模型学进LoRA。批量生成可用 GUI 的 WD14/BLIP/GIT caption 页签或tools/里的标注脚本生成后逐个核对.txt删掉与主体无关的标签配置训练参数LoRA 页签的核心参数先按下面这张表起步参数作用推荐值选择依据learning_rate学习率1e-4 (SD1.5) / 4e-7 (SDXL)SDXL 文档以 4e-7 为标准值train_batch_size批大小1受显存限制可用梯度累积替代max_resolution训练分辨率上限1024,1024 (SDXL)SDXL 标准分辨率为 1024lr_scheduler学习率衰减方式cosine配置文件默认值cache_latents缓存 VAE 结果省显存true显存 8GB 以内先开sample_every_n_steps采样间隔每个 epoch 1 次用于观察收敛情况presets/lora/目录里放了 Adafactor、AdamW8bit 等优化器的组合加载预设比逐项填写更快。配置采样提示词采样提示词文件每行一条 prompt#开头为注释。行尾可加--n、--w、--h、--d、--l、--s分别指定负面提示词、宽高、种子、CFG 和采样步数。固定尺寸和种子方便对比不同 epoch 的同一条出图。运行训练并核对产出填好底模路径、数据集目录和输出名后点击运行GUI 会拼装命令行并调用 sd-scripts 的 train_network.py。权重按 epoch 写入输出目录格式为 .safetensors用采样图和 loss 曲线判断取哪个 epoch。关键调优点采样图某个 epoch 后变糊——原因过拟合学习率偏高或轮数过多。处理学习率降一个数量级或用 save_every_n_epochs 存多个版本取中段产物。训练后采样图没有变化——原因学习率过低或 caption 没覆盖主体共有特征模型没有学到东西。处理先对照图片和.txt内容确认描述一致后再提高学习率。CUDA out of memory——原因VAE 编码或激活值占用显存。处理开启 cache_latentsbatch 保持 1仍不够再打开 gradient_checkpointing。masked loss 指定区域不生效——原因掩码必须是 RGB 图只有 R 通道为 255 的像素才计入 loss。处理把掩码做成黑底白色主体形状存为三通道图片再勾选--masked_loss选项。高频卡点报 No module named tkinter——系统 Python 缺 tkinter 组件。排查方向重装 Python 3.10 并勾选 tcl/tk 选项用python -c import tkinter验证。SSH 场景下点运行后无响应——原生覆盖确认弹窗在服务器上无显示器可显示进程被阻塞。排查方向日志里找--headless提示启动时带上该参数。V100 训练时 GPU 利用率低——先看日志里的利用率数值再按docs/troubleshooting_tesla_v100.md里的排查步骤逐项检查驱动和 xformers 配置。延伸方向docs/LoRA/——LoRA 选项详解包括 SDXL 建议只训 UNet 和显存要求docs/troubleshooting_tesla_v100.md——V100 利用率问题的专项排查老卡用户值得先看test/——完整示例数据集和 masked loss 样本可作环境验证的一套现成材料先用 test/ 里的样本数据跑通一个小 LoRA确认权重能在推理界面加载再换成自己的数据集开始正式训练。【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