kohya_ss LoRA训练快速入门6种微调方式全图形化【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_sskohya_ss 是一款基于 Gradio 的图形界面工具把 Kohya 的扩散模型训练脚本包装成了网页界面覆盖 LoRA、Dreambooth、全量微调等 6 种训练方式。想用自己的图片训练 LoRA 却不想写命令行的你跟着本文走一遍就能出第一个模型。 它能做什么训练方式一览图形化界面训练参数全部做成表单你不用记命令行也能跑训练。6 种训练方式支持 LoRA、LoHa、LoKr、Dreambooth、全量微调和 Textual Inversion还能做 LECO 概念擦除。覆盖主流底模SD 1.5、SDXL、SD3、Flux.1以及 Lumina Image 2.0、Anima、HunyuanImage-2.1 都可以作为训练基础。kohya_ss 训练集文件夹结构示例数字前缀表示图片重复次数 硬件门槛与4步部署配置项最低要求GPUNVIDIA 显卡LoRA 训练建议 12GB 显存系统内存建议 16GB 以上磁盘预留模型与数据集空间建议 20GB 以上依赖Python 3.10.9 以上、Git、CUDA 12.8本地安装四步走第一步装好 Python、Git 和 CUDA 12.8。Windows 用户记得勾选 Add to PATH。第二步克隆仓库git clone --recursive https://gitcode.com/GitHub_Trending/ko/kohya_ss第三步Linux 或 macOS 先运行环境脚本./setup.sh。第四步启动界面Windows 运行gui-uv.batLinux 运行./gui.sh浏览器会自动打开 kohya_ss 界面。Windows 下脚本会自动处理依赖可跳过第三步。 LoRA首次训练三步走刚打开界面第一件事是准备数据集。数据集文件夹怎么组织把图片放进以数字开头的子文件夹前缀数字代表每张图的重复次数。每张图片旁边放一个同名的.txt标签文件标签会优先于文件夹名生效images/ └── 30_cat/ ├── image1.jpg └── image1.txt打开LoRA标签页开始训练在 LoRA 标签页里选底模和数据集路径设置rank、learning_rate、batch_size优化器拿不准就选AdamW8bit更省显存。点击开始训练后kohya_ss 会按设定周期生成样图供你检查效果。训练结束后.safetensors格式的 LoRA 文件会出现在输出目录可以直接加载到绘图工具里使用。 按显存档位选训练方案显存档位推荐方案预期效果注意事项6GBSD 1.5 LoRA可跑通速度慢batch_size最高开到 2 都很勉强12GBSDXL LoRA文档推荐起步线建议加--network_train_unet_only24GBSDXL 全量微调batch 1 可训练需开--cache_text_encoder_outputs和 gradient checkpointingLoRA 不是唯一选项LoHa 与 LoKr 能更省参数地控制模型保存精度选fp16或bf16也能让文件更小。 训练报错速查现象训练中途崩溃日志提示显存溢出。根因分辨率、batch 或精度超出显存预算。解法打开 gradient checkpointing优化器换 8bit 版本batch_size降回 1。现象远程 SSH 训练点开始后一直卡住。根因未加--headless界面弹窗在无显示的服务器上等待输入。解法改用./gui.sh --listen 0.0.0.0 --server_port 7860 --headless启动。现象启动报No module called tkinter。根因Python 环境不完整。解法重装 Python 3.10.9 再跑一次环境脚本。 延伸学习与下一步官方文档入口LoRA 训练指南、LoRA 参数详解、微调指南。下一步建议先通读参数详解弄懂rank、epoch、optimizer各自的作用再照着 presets/lora 预设目录 里现成的学习率与优化器组合开练。打开界面挑一个文件夹开始你的第一次 kohya_ss LoRA 训练吧。【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