Kohyas GUI Stable Diffusion 训练指南从环境安装到第一个 LoRA 模型【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ssKohyas GUI 是一个 Stable Diffusion 训练可视化工具把 kohya-ss/sd-scripts 的训练脚本封装成 Gradio 网页界面LoRA、DreamBooth、Textual Inversion、全模型微调的参数都在浏览器里配置工具在启动时自动生成对应的命令行供核对。如果你有一块 NVIDIA 显卡建议 8GB 以上显存想微调出自己的风格或角色模型这是一个可靠的入口。直接用 Stable Diffusion 训练脚本的人为什么会卡在第一步不借助图形界面跑 sd-scripts一次 LoRA 训练要手写--dataset_dir、--learning_rate、--network_dim等几十个命令行参数写错一个就得重来数据集的分桶、caption 格式、重复次数各有各的约定显存上限也总在实际训练时才暴露出来。GUI 把这套参数拼装改成表单填写用合理的默认值兜底启动前还能看到它将要执行的完整命令出错时便于对照排查。Kohyas GUI 安装步骤与首次启动系统要求Windows 10/11 或 LinuxUbuntu 20.04 及以上NVIDIA 显卡 8GB 以上显存SDXL LoRA 建议 12GBPython 3.10.x。流程分三步克隆仓库git clone https://gitcode.com/GitHub_Trending/ko/kohya_ss安装依赖Windows 双击setup.batLinux 执行./setup.sh脚本会自动探测 Python 3.10/3.11 并创建虚拟环境也可改用gui-uv.bat/gui-uv.sh这类 uv 包管理器入口启动gui.bat或./gui.sh浏览器打开 7860 端口的页面把仓库根目录的config example.toml复制改名为config.toml可以预填模型目录、数据集目录、输出目录的默认路径省掉每次启动都手动选文件夹的重复操作。第一次 LoRA 训练流程数据、参数、验证数据准备。一个文件夹放 10~20 张 jpg/png 图片每张配一个同名 txt 文件存放 caption。仓库test/img/里就有一份现成样例Dariusz_Zawadzki.jpg与同名 txt 组成的结构就是标准数据集组织方式。没有现成 caption 时可以用tools/caption.py批量生成或直接用 GUI 内置的 BLIP、WD14 字幕标签页。参数配置。在 LoRA 训练标签页里重点盯四项基础模型选 SD 检查点SD1.5、SDXL、SD3、Flux.1 都支持学习率SD1.5 小数据集约 5e-5~1e-4SDXL 建议 Adafactor 配constant_with_warmup量级在 4e-7 附近、warmup 100 步两者的数量级差距大不要互相套用步数10~20 张图对应 500~2000 步输出保存目录与文件名训练会自动留存中间检查点中断不丢进度。8GB 显存下 batch 设 1~2、SD1.5 用 512 分辨率SDXL 跑 1024 建议 12GB 起步否则开启低显存模式。结果验证。训练开始后采样图像标签页会按你配置的提示词定期生成样图直接观察风格是否成形loss 不再下降、样图趋于稳定时就可以提前结束。训练方式与配套工具模块训练方式覆盖。除 LoRA 外DreamBooth、Textual Inversion、全模型微调各有独立标签页另支持 LoHa/LoKr 与 LECO 概念擦除训练基础模型覆盖 SD1.5/2.x、SDXL、SD3、Flux.1、Lumina Image 2.0、Anima、HunyuanImage-2.1。正则化图像如何组织docs/train_README.md有分步骤说明。tools/ 辅助脚本。caption.py批量生成字幕文件group_images.py按长宽比归类图片方便整理分桶数据集caption_from_filename.py从文件名派生 captioncleanup_captions.py清理冗余标签convert_images_to_webp.py压缩转换图片、缩小数据集体积。预设与文档。presets/lora/存有一批调通过的预设配置adafactor、prodigy 等不同优化器组合可一键载入作对照实验docs/LoRA/options.md对参数逐项做了说明。常见问题排查显存不足直接 OOM。先把 batch 降到 1再降分辨率最后尝试 xformers 或低显存模式SDXL LoRA 可启用--network_train_unet_only只训练 UNet省下文本编码器占用的显存。结果模糊、角色不清晰。多为步数不够或学习率偏高把步数加到上限、学习率减半再跑一轮反过来样图长得和训练图一模一样属于过拟合应减少重复次数、调低学习率。角色偏移提示词改了风格却不变。先怀疑 caption逐条检查 txt 是否准确描述了对应图片DreamBooth 场景还应准备约 100 张类别正则化图像防止语言漂移。报 No module called tkinter。重新安装一次 Python 3.10部分安装渠道默认不带这个模块。Windows 报页面文件错误。在系统设置中调大页面文件虚拟内存上限。小结Kohyas GUI 的思路是把参数收进表单、命令自动生成先用十几张图跑通一次 LoRA 建立手感再逐步尝试 DreamBooth 与全量微调用 presets 做对照实验。延伸阅读训练通用文档、LoRA 训练指南、presets 目录。【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‘s GUI Stable Diffusion 训练指南：从环境安装到第一个 LoRA 模型
Kohyas GUI Stable Diffusion 训练指南从环境安装到第一个 LoRA 模型【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ssKohyas GUI 是一个 Stable Diffusion 训练可视化工具把 kohya-ss/sd-scripts 的训练脚本封装成 Gradio 网页界面LoRA、DreamBooth、Textual Inversion、全模型微调的参数都在浏览器里配置工具在启动时自动生成对应的命令行供核对。如果你有一块 NVIDIA 显卡建议 8GB 以上显存想微调出自己的风格或角色模型这是一个可靠的入口。直接用 Stable Diffusion 训练脚本的人为什么会卡在第一步不借助图形界面跑 sd-scripts一次 LoRA 训练要手写--dataset_dir、--learning_rate、--network_dim等几十个命令行参数写错一个就得重来数据集的分桶、caption 格式、重复次数各有各的约定显存上限也总在实际训练时才暴露出来。GUI 把这套参数拼装改成表单填写用合理的默认值兜底启动前还能看到它将要执行的完整命令出错时便于对照排查。Kohyas GUI 安装步骤与首次启动系统要求Windows 10/11 或 LinuxUbuntu 20.04 及以上NVIDIA 显卡 8GB 以上显存SDXL LoRA 建议 12GBPython 3.10.x。流程分三步克隆仓库git clone https://gitcode.com/GitHub_Trending/ko/kohya_ss安装依赖Windows 双击setup.batLinux 执行./setup.sh脚本会自动探测 Python 3.10/3.11 并创建虚拟环境也可改用gui-uv.bat/gui-uv.sh这类 uv 包管理器入口启动gui.bat或./gui.sh浏览器打开 7860 端口的页面把仓库根目录的config example.toml复制改名为config.toml可以预填模型目录、数据集目录、输出目录的默认路径省掉每次启动都手动选文件夹的重复操作。第一次 LoRA 训练流程数据、参数、验证数据准备。一个文件夹放 10~20 张 jpg/png 图片每张配一个同名 txt 文件存放 caption。仓库test/img/里就有一份现成样例Dariusz_Zawadzki.jpg与同名 txt 组成的结构就是标准数据集组织方式。没有现成 caption 时可以用tools/caption.py批量生成或直接用 GUI 内置的 BLIP、WD14 字幕标签页。参数配置。在 LoRA 训练标签页里重点盯四项基础模型选 SD 检查点SD1.5、SDXL、SD3、Flux.1 都支持学习率SD1.5 小数据集约 5e-5~1e-4SDXL 建议 Adafactor 配constant_with_warmup量级在 4e-7 附近、warmup 100 步两者的数量级差距大不要互相套用步数10~20 张图对应 500~2000 步输出保存目录与文件名训练会自动留存中间检查点中断不丢进度。8GB 显存下 batch 设 1~2、SD1.5 用 512 分辨率SDXL 跑 1024 建议 12GB 起步否则开启低显存模式。结果验证。训练开始后采样图像标签页会按你配置的提示词定期生成样图直接观察风格是否成形loss 不再下降、样图趋于稳定时就可以提前结束。训练方式与配套工具模块训练方式覆盖。除 LoRA 外DreamBooth、Textual Inversion、全模型微调各有独立标签页另支持 LoHa/LoKr 与 LECO 概念擦除训练基础模型覆盖 SD1.5/2.x、SDXL、SD3、Flux.1、Lumina Image 2.0、Anima、HunyuanImage-2.1。正则化图像如何组织docs/train_README.md有分步骤说明。tools/ 辅助脚本。caption.py批量生成字幕文件group_images.py按长宽比归类图片方便整理分桶数据集caption_from_filename.py从文件名派生 captioncleanup_captions.py清理冗余标签convert_images_to_webp.py压缩转换图片、缩小数据集体积。预设与文档。presets/lora/存有一批调通过的预设配置adafactor、prodigy 等不同优化器组合可一键载入作对照实验docs/LoRA/options.md对参数逐项做了说明。常见问题排查显存不足直接 OOM。先把 batch 降到 1再降分辨率最后尝试 xformers 或低显存模式SDXL LoRA 可启用--network_train_unet_only只训练 UNet省下文本编码器占用的显存。结果模糊、角色不清晰。多为步数不够或学习率偏高把步数加到上限、学习率减半再跑一轮反过来样图长得和训练图一模一样属于过拟合应减少重复次数、调低学习率。角色偏移提示词改了风格却不变。先怀疑 caption逐条检查 txt 是否准确描述了对应图片DreamBooth 场景还应准备约 100 张类别正则化图像防止语言漂移。报 No module called tkinter。重新安装一次 Python 3.10部分安装渠道默认不带这个模块。Windows 报页面文件错误。在系统设置中调大页面文件虚拟内存上限。小结Kohyas GUI 的思路是把参数收进表单、命令自动生成先用十几张图跑通一次 LoRA 建立手感再逐步尝试 DreamBooth 与全量微调用 presets 做对照实验。延伸阅读训练通用文档、LoRA 训练指南、presets 目录。【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