kohya_ss Docker部署完整教程如何快速搭建跨平台Stable Diffusion训练环境【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ss配置Stable Diffusion训练环境通常要折腾Python版本、CUDA依赖和一堆版本冲突。kohya_ss是支持LoRA、DreamBooth、微调的GUI训练工具本文用Docker把整套环境打包成镜像在有NVIDIA显卡的机器上3条命令就能打开可用的训练界面全程不碰Python环境。 为什么值得这样部署传统本地安装要做的事是装Python 3.11、下载数GB的torch和CUDA依赖、克隆sd-scripts训练核心再逐个解决版本冲突。Docker把这些全部装进一个镜像里差别体现在这几点跨平台一致Windows、Linux、macOS经WSL2上拿到同一套运行环境不再有我电脑上是好的环境隔离Python、CUDA、依赖全在镜像里不碰系统包删容器即可彻底清理更新成本低docker compose up -d --pull always拉新镜像重启即可数据不落容器训练数据和模型都在宿主机目录容器可随时销毁重建TensorBoard自带独立容器在6006端口看训练曲线不用另装官方Docker安装细节可在 docs/installation_docker.md 交叉核对。 准备工作清单Windows安装Docker Desktop确认启用WSL2后端——容器运行时的基础安装最新NVIDIA Windows驱动——宿主机GPU加速的入口安装CUDA Toolkit——WSL2 Docker的GPU链路需要它在宿主机一侧Linux / macOS安装Docker Engine和docker compose插件——容器运行时安装NVIDIA GPU驱动已装可跳过安装NVIDIA Container Toolkit——让容器能看见GPU缺了它 compose 里的--gpus配置不会生效装完后在宿主机跑一次nvidia-smi能输出显卡型号和驱动版本即说明宿主机就绪。 部署执行3条命令启动推荐最短路径使用预构建镜像# 克隆仓库必须加 --recursive否则缺少训练核心sd-scripts子模块构建会失败 git clone --recursive https://gitcode.com/GitHub_Trending/ko/kohya_ss # 进入项目目录 cd kohya_ss # 后台启动容器首次会下载预构建镜像ghcr.io/bmaltais/kohya-ss-gui:latest体积数GB等待时间取决于带宽 docker compose up -ddocker-compose.yaml 会同时拉起两个服务kohya-ss-gui训练界面7860端口和tensorboard训练曲线6006端口。替代方案本地构建镜像需要自定义依赖或离线部署时从本地代码构建# 克隆仓库同样必须 --recursive git clone --recursive https://gitcode.com/GitHub_Trending/ko/kohya_ss # 进入项目目录 cd kohya_ss # 本地构建镜像并启动需下载PyTorch等依赖并逐层编译预期最长约20分钟 docker compose up -d --build目录结构数据放哪里容器被刻意设计成可丢弃的数据全部留在宿主机kohya_ss/ ├── dataset/ # 训练数据容器内挂载为 /dataset图片和文本标注都放这里 ├── models/ # 预训练模型与训练产出的模型文件 └── .cache/ # 配置与缓存目录保证设置持久化kohya_ss 训练产出的Stable Diffusion图像示例注意一个设计点GUI在容器内以--headless模式运行见 Dockerfile 的CMD没有文件选择器目录路径需要手动输入所以开始训练前先确认数据放在dataset/下。✅ 部署后验证依次做三件事全部通过就可以开始训练# 检查两个容器都是Up状态应看到 kohya-ss-gui 和 tensorboard docker compose ps # 确认容器内能看到GPU输出显卡型号和显存即为正常 docker exec -it kohya-ss-gui nvidia-smi浏览器打开http://localhost:7860能看到 kohya_ss 的 Gradio 界面Train Network 等标签页即GUI正常跑一次训练产生日志后http://localhost:6006能看到TensorBoard曲线。 关键配置改法最常想改的是端口、GPU、TensorBoard端口改动点都在 docker-compose.yaml。一行命令改GUI端口7860被占用时只改宿主机侧端口ports: - 7861:7860 # 宿主机7861映射到容器7860浏览器访问 http://localhost:7861只用指定GPU多卡机器想锁定某一张卡时- driver: nvidia capabilities: [gpu] device_ids: [0] # 默认 all改成卡号即只分配该卡改TensorBoard端口在项目目录创建或编辑.env文件TENSORBOARD_PORT6007 # TensorBoard将监听 http://localhost:6007️ 日常维护常用命令清单docker compose ps # 查看容器状态 docker compose logs -f kohya-ss-gui # 实时跟踪训练日志 docker compose stop kohya-ss-gui # 只停GUI保留TensorBoard docker compose down # 停止并移除容器宿主机数据保留 docker compose up -d --pull always # 拉取最新预构建镜像并重启日常更新 docker exec -it kohya-ss-gui bash # 进入容器内部查看文件 遇到卡点时容器内nvidia-smi报错或找不到GPUNVIDIA Container Toolkit 没装或装完没重启Docker。装好Toolkit后执行systemctl restart docker再用docker run --rm --gpus all nvidia/cuda:12.8.0-base-ubuntu nvidia-smi单独验证能打印GPU信息说明宿主机链路正常问题出在容器配置。本地构建失败提示找不到 sd-scripts训练子模块没拉下来。在项目目录执行git submodule update --init --recursive然后重新docker compose up -d --build。训练启动不了日志报路径不存在headless模式没有文件选择器路径必须手填且数据必须放在宿主机dataset/下容器内对应/dataset。把图片和标注txt放进dataset/在GUI中手填/dataset/你的文件夹名。7860端口被占用把 docker-compose.yaml 里的映射改成7861:7860然后docker compose down docker compose up -d重启。容器启动后立即退出或报权限错误容器以UID 1000运行。宿主机dataset/、models/目录若对该用户无读写权限容器会直接退出。宿主机执行ls -ld dataset models检查属主把目录属主调整为对应UID或用--build-arg UID你的UID重建镜像。 与其他方案对比方案上手难度隔离性更新成本适用场景Docker部署本文低3条命令高整套环境在镜像里低拉镜像或重建本地有GPU、长期训练本地 pip/uv 安装高要自己管Python和依赖无直接使用系统环境中git pull并重装依赖需要调试、修改代码的开发者Colab/Runpod 云端极低浏览器打开即用高平台托管极低平台自动处理本地无GPU、只想快速试用 收尾行动清单克隆仓库git clone --recursive https://gitcode.com/GitHub_Trending/ko/kohya_ss启动服务cd kohya_ss docker compose up -d打开http://localhost:7860确认GUIdocker exec -it kohya-ss-gui nvidia-smi确认GPU把训练图片放进dataset/在 Train Network 标签页发起第一次LoRA训练训练参数怎么调照着 docs/LoRA/top_level.md 和 docs/train_README.md 走。环境搭好后剩下的就是选模型、调参数——去跑你的第一个LoRA吧。【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 Docker部署完整教程：如何快速搭建跨平台Stable Diffusion训练环境
kohya_ss Docker部署完整教程如何快速搭建跨平台Stable Diffusion训练环境【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ss配置Stable Diffusion训练环境通常要折腾Python版本、CUDA依赖和一堆版本冲突。kohya_ss是支持LoRA、DreamBooth、微调的GUI训练工具本文用Docker把整套环境打包成镜像在有NVIDIA显卡的机器上3条命令就能打开可用的训练界面全程不碰Python环境。 为什么值得这样部署传统本地安装要做的事是装Python 3.11、下载数GB的torch和CUDA依赖、克隆sd-scripts训练核心再逐个解决版本冲突。Docker把这些全部装进一个镜像里差别体现在这几点跨平台一致Windows、Linux、macOS经WSL2上拿到同一套运行环境不再有我电脑上是好的环境隔离Python、CUDA、依赖全在镜像里不碰系统包删容器即可彻底清理更新成本低docker compose up -d --pull always拉新镜像重启即可数据不落容器训练数据和模型都在宿主机目录容器可随时销毁重建TensorBoard自带独立容器在6006端口看训练曲线不用另装官方Docker安装细节可在 docs/installation_docker.md 交叉核对。 准备工作清单Windows安装Docker Desktop确认启用WSL2后端——容器运行时的基础安装最新NVIDIA Windows驱动——宿主机GPU加速的入口安装CUDA Toolkit——WSL2 Docker的GPU链路需要它在宿主机一侧Linux / macOS安装Docker Engine和docker compose插件——容器运行时安装NVIDIA GPU驱动已装可跳过安装NVIDIA Container Toolkit——让容器能看见GPU缺了它 compose 里的--gpus配置不会生效装完后在宿主机跑一次nvidia-smi能输出显卡型号和驱动版本即说明宿主机就绪。 部署执行3条命令启动推荐最短路径使用预构建镜像# 克隆仓库必须加 --recursive否则缺少训练核心sd-scripts子模块构建会失败 git clone --recursive https://gitcode.com/GitHub_Trending/ko/kohya_ss # 进入项目目录 cd kohya_ss # 后台启动容器首次会下载预构建镜像ghcr.io/bmaltais/kohya-ss-gui:latest体积数GB等待时间取决于带宽 docker compose up -ddocker-compose.yaml 会同时拉起两个服务kohya-ss-gui训练界面7860端口和tensorboard训练曲线6006端口。替代方案本地构建镜像需要自定义依赖或离线部署时从本地代码构建# 克隆仓库同样必须 --recursive git clone --recursive https://gitcode.com/GitHub_Trending/ko/kohya_ss # 进入项目目录 cd kohya_ss # 本地构建镜像并启动需下载PyTorch等依赖并逐层编译预期最长约20分钟 docker compose up -d --build目录结构数据放哪里容器被刻意设计成可丢弃的数据全部留在宿主机kohya_ss/ ├── dataset/ # 训练数据容器内挂载为 /dataset图片和文本标注都放这里 ├── models/ # 预训练模型与训练产出的模型文件 └── .cache/ # 配置与缓存目录保证设置持久化kohya_ss 训练产出的Stable Diffusion图像示例注意一个设计点GUI在容器内以--headless模式运行见 Dockerfile 的CMD没有文件选择器目录路径需要手动输入所以开始训练前先确认数据放在dataset/下。✅ 部署后验证依次做三件事全部通过就可以开始训练# 检查两个容器都是Up状态应看到 kohya-ss-gui 和 tensorboard docker compose ps # 确认容器内能看到GPU输出显卡型号和显存即为正常 docker exec -it kohya-ss-gui nvidia-smi浏览器打开http://localhost:7860能看到 kohya_ss 的 Gradio 界面Train Network 等标签页即GUI正常跑一次训练产生日志后http://localhost:6006能看到TensorBoard曲线。 关键配置改法最常想改的是端口、GPU、TensorBoard端口改动点都在 docker-compose.yaml。一行命令改GUI端口7860被占用时只改宿主机侧端口ports: - 7861:7860 # 宿主机7861映射到容器7860浏览器访问 http://localhost:7861只用指定GPU多卡机器想锁定某一张卡时- driver: nvidia capabilities: [gpu] device_ids: [0] # 默认 all改成卡号即只分配该卡改TensorBoard端口在项目目录创建或编辑.env文件TENSORBOARD_PORT6007 # TensorBoard将监听 http://localhost:6007️ 日常维护常用命令清单docker compose ps # 查看容器状态 docker compose logs -f kohya-ss-gui # 实时跟踪训练日志 docker compose stop kohya-ss-gui # 只停GUI保留TensorBoard docker compose down # 停止并移除容器宿主机数据保留 docker compose up -d --pull always # 拉取最新预构建镜像并重启日常更新 docker exec -it kohya-ss-gui bash # 进入容器内部查看文件 遇到卡点时容器内nvidia-smi报错或找不到GPUNVIDIA Container Toolkit 没装或装完没重启Docker。装好Toolkit后执行systemctl restart docker再用docker run --rm --gpus all nvidia/cuda:12.8.0-base-ubuntu nvidia-smi单独验证能打印GPU信息说明宿主机链路正常问题出在容器配置。本地构建失败提示找不到 sd-scripts训练子模块没拉下来。在项目目录执行git submodule update --init --recursive然后重新docker compose up -d --build。训练启动不了日志报路径不存在headless模式没有文件选择器路径必须手填且数据必须放在宿主机dataset/下容器内对应/dataset。把图片和标注txt放进dataset/在GUI中手填/dataset/你的文件夹名。7860端口被占用把 docker-compose.yaml 里的映射改成7861:7860然后docker compose down docker compose up -d重启。容器启动后立即退出或报权限错误容器以UID 1000运行。宿主机dataset/、models/目录若对该用户无读写权限容器会直接退出。宿主机执行ls -ld dataset models检查属主把目录属主调整为对应UID或用--build-arg UID你的UID重建镜像。 与其他方案对比方案上手难度隔离性更新成本适用场景Docker部署本文低3条命令高整套环境在镜像里低拉镜像或重建本地有GPU、长期训练本地 pip/uv 安装高要自己管Python和依赖无直接使用系统环境中git pull并重装依赖需要调试、修改代码的开发者Colab/Runpod 云端极低浏览器打开即用高平台托管极低平台自动处理本地无GPU、只想快速试用 收尾行动清单克隆仓库git clone --recursive https://gitcode.com/GitHub_Trending/ko/kohya_ss启动服务cd kohya_ss docker compose up -d打开http://localhost:7860确认GUIdocker exec -it kohya-ss-gui nvidia-smi确认GPU把训练图片放进dataset/在 Train Network 标签页发起第一次LoRA训练训练参数怎么调照着 docs/LoRA/top_level.md 和 docs/train_README.md 走。环境搭好后剩下的就是选模型、调参数——去跑你的第一个LoRA吧。【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