企业官网建设流程全解析

kohya_ss LoRA 训练快速上手：从素材图片到产出模型

【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ss

kohya_ss 是 Stable Diffusion 的 Gradio 图形化训练工具，把 LoRA、Dreambooth、文本反转等流程封装成可视化界面，支持 SD1.5 到 Flux.1 的多个基础模型。按本文完成环境安装、启动 GUI 并跑完一次 LoRA 训练，你将得到一个能直接加载到 WebUI 或 ComfyUI 中出图的模型文件。

项目能替你做什么

• 把 train_network.py 等脚本的训练参数封装成表单控件，GUI 配置完成后自动生成并执行对应命令行，不用手写长命令。
• 覆盖 LoRA、LoHa、LoKr、Dreambooth、文本反转等训练类型，支持 SD1.5/2.x、SDXL、SD3、Flux.1 基础模型。
• Accelerate launch 标签页负责选卡与多卡配置，TensorBoard 可直接从 GUI 打开查看训练曲线。
• 仓库自带 presets 预设目录，"SDXL 单图 LoRA"等参数组合可直接导入复用。

十分钟安装 kohya_ss 并启动 GUI

系统要求（3 条）：

• Python 3.10 及以上（低于 3.13），已安装 Git
• NVIDIA 显卡及 CUDA 12.8 驱动，LoRA 训练 8GB 显存起步
• 50GB 以上可用磁盘空间存放依赖与模型

git clone --recursive https://gitcode.com/GitHub_Trending/ko/kohya_ss cd kohya_ss && ./setup.sh

setup 完成后启动：

./gui.sh --listen 127.0.0.1 --server_port 7860 --inbrowser

无显示器的服务器加--headless参数启动。终端输出Running on local URL: http://127.0.0.1:7860且浏览器出现训练面板，即代表启动成功。

LoRA 训练参数速查：从素材到产出

准备素材

将 10-20 张同一主体的图片（512x512 及以上）放入一个文件夹，每张图配一个同名 .txt 文件写描述词；不想写描述词可用 class_tokens 标识符方式。仓库 test/img/10_darius kawasaki person/ 目录是现成的示例结构，可直接照搬。

关键参数设置

• Network rank：16，单角色/风格学习容量足够，不会撑大模型体积。
• Network alpha：8，取 rank 的一半保持有效学习率均衡，且不超过 rank 上限。
• 学习率：1e-4，搭配 cosine 调度器，官方默认组合，对十几张图的数据集稳定收敛。
• batch size：1，8GB 显存下以跑完为先；16GB 以上再提到 2-4。
• epochs：10-20，小数据集足够收敛，过多易过拟合。

执行与进度观察

在 LoRA 标签页填好基础模型、数据集与输出路径后点击开始，终端会打印 train_network.py 命令并实时滚动 step 与 loss。完成的标志：输出目录生成与网络同名的 .safetensors 文件，sample_images 文件夹中出现各阶段的样图。

检查训练效果与参数调优

三个可观察指标：

• TensorBoard 中 loss 曲线平稳下降，无明显跳变或发散。
• 间隔生成的样图里目标特征逐步清晰，画面其余部分不崩坏。
• 用 0.7-0.8 权重加载模型，多条提示词下目标稳定出现，且不污染其他类别。

效果不达预期时：

• 特征不明显：增加 epochs 或数据集 num_repeats，或调低 alpha 增强学入强度。
• 背景崩坏、过拟合：减少总训练量，或换更低的学习率调度再训。
• 显存不足报 OOM：启用 8-bit 优化器与 fp8，降低 batch size 或训练分辨率。

继续深入的方向

• LoRA 训练选项文档：学习率、调度器、rank/alpha 的逐项说明。
• 训练通用文档：toml 数据集配置、正则化图片等多组数据方案。

【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ss