kohya_ss 完整指南5 分钟上手 Stable Diffusion LoRA 训练与模型微调【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ss你攒了几十张角色照片想让 Stable Diffusion 画出你的角色却被命令行和几十项超参数劝退kohya_ss 就是为解决这个问题而生的它是 kohya-ss 官方训练脚本的图形界面GUI 命令行接口把 LoRA 训练、Dreambooth、模型微调、自动打标等流程全部收进一个网页面板里。核心能力速览五种训练方式LoRA、LoHa、LoKr、Dreambooth、Textual Inversion外加 LECO 概念擦除一个面板全部覆盖主流基础模型都支持SD1.5/2.x、SDXL、SD3、Flux.1、Lumina Image 2.0、Anima、HunyuanImage-2.1参数可视化所有训练参数都有对应控件点Generate command即可导出完整 CLI 命令自带生产工具批量自动打标WD14、BLIP、git 等、数据集均衡、模型合并/转换/提取、TensorBoard 曲线可视化预置参数库presets/目录内置大量社区验证过的训练配置一键加载从零到第一次训练5 步跑通第 1 步准备环境。需要一张 NVIDIA GPU显存 6GB 起步12GB 更从容安装 Python 3.11.9勾选 Add to PATH、Git 和 CUDA 12.8 工具包。这一步是后面所有东西的地基——训练脚本依赖 CUDA 才能调用 GPU 加速。第 2 步克隆仓库。git clone --recursive https://gitcode.com/GitHub_Trending/ko/kohya_ss cd kohya_ss--recursive不能省核心的训练代码sd-scripts是子模块漏掉它 GUI 会直接报错。第 3 步启动 GUI。Windows运行gui-uv.bat首次会自动提示安装 uv按 Y 即可Linux / macOS运行./gui.sh或gui-uv.sh脚本会用 uv 自动创建隔离的 Python 环境并装好全部依赖不用你手动 pip install。浏览器打开 http://127.0.0.1:7860 就能看到训练面板。第 4 步准备数据集。按 docs/image_folder_structure.md 的规范组织图片images/ └── 30_角色名/ ├── 001.jpg ├── 001.txt # 同名的描述文件caption ├── 002.jpg └── 002.txt文件夹名30_角色名中30是该图的重复次数reg 图用1_xxx角色名就是训练后在提示词里召唤这个角色的关键词。每张图配一个同名.txt写清画面内容能让模型学会角色本身而不是角色这套衣服。第 5 步选标签训练。在 LoRA 标签页填入基础模型路径、数据集目录点Generate command检查命令无误后开始训练。训练过程中会按设定间隔保存 LoRA 检查点结束后把.safetensors文件丢进 WebUI 的 LoRA 目录即可使用。重点功能拆解LoRA / LoHa / LoKr 训练标签页能做什么不动原模型只训练一个几 MB 到几十 MB 的小网络把角色、画风或概念附加到基础模型上。相比整模型微调2~5GB 的模型文件LoRA 文件小、训练快、好分发。怎么操作在 LoRA 标签页选择 LoRA 类型初学选 Standard 即可设置 Network Rank常用 16 或 32、学习率、Epoch2~3 个足够再指定训练目标——UNet、Text Encoder 或两者都训。适合场景训练虚拟角色、复制画师的画风、给模型注入一个特定道具或服装概念。SDXL 建议勾选--network_train_unet_only可避免双文本编码器带来的不稳定见 docs/LoRA/top_level.md。预置参数跳过调参的玄学阶段能做什么presets/目录里是社区反复验证过的完整参数组合覆盖不同优化器、不同基础模型。怎么操作在对应训练标签页选择预置文件例如 SDXL 新手推荐从SDXL - LoRA AI_characters standard v1.1.json开始跑通后再逐项微调。预置的创建方法见 presets/prepare_presets.md。适合场景第一次训练不想踩坑或者复现某个社区教程的完整配置。自动打标与数据集管理能做什么LoRA 训练最耗时的环节是写 captionkohya_ss 内置了 WD14 Tagger、BLIP、git 等多套打标工具支持批量处理、子文件夹遍历examples/caption.ps1有现成脚本。怎么操作打开对应打标标签页如 wd14_caption_gui.py 对应的 WD14 面板指定图片目录后批量运行每张图片旁会生成同名.txt描述文件。配合dataset_balancing_gui.py还能预览各标签出现频率均衡权重防止某些特征过学。适合场景几十张以上图片的 LoRA 训练以及需要手动修正 caption 的工作流manual_caption_gui.py提供逐张编辑界面。训练中的样本图生成能做什么训练每隔 N 步自动生成一张测试图让你实时看到模型正在学会什么而不是训练完才开盲盒。怎么操作在样本提示词文件中写多段 prompt支持行内参数控制生成行为# prompt 1 masterpiece, best quality, (1girl), in white shirts, upper body --n low quality, worst quality --w 768 --h 768 --l 7.5 --s 28--n是负向提示词--l是 CFG 强度--s是采样步数#开头为注释。适合场景长训练任务的中途质量检查判断是否需要提前停止防过拟合或继续。实战场景场景 A训练一个专属角色的 LoRA收集 15~30 张角色照片覆盖不同角度、光照、服装裁剪成训练分辨率如 1024x1024按30_角色名结构放入数据集目录用 WD14 打标后人工修正 caption确保每张图都提到角色特征加载SDXL - LoRA AI_characters standard v1.1.json预置Rank 设 32Epoch 设 3训练中途观察样本图角色特征稳定后就可以停防止背景元素被强行绑定场景 B快速复现社区的 SDXL 训练配置把社区的参数表优化器、学习率、批量等对照填入或直接用 presets/lora/ 里的同类预置用config.toml把模型目录、输出目录等固定路径一次配好复制仓库根目录的config example.toml改名为config.toml即可之后每次启动界面都是填好的状态训练结束后对比不同 Epoch 保存的检查点挑样本图最好的那个版本场景 C远程 GPU 上无界面训练在远程机器上用无头模式启动隐藏本地文件选择器、跳过覆盖确认弹窗否则会卡死训练./gui.sh --listen 0.0.0.0 --server_port 7860 --headless本地浏览器访问http://远程IP:7860路径全部手填headless 模式下选择器按钮已隐藏Linux 多开实例时换不同端口7860、7861分别监控配合tmux管理进程进阶调优config.toml路径预填支持model_dir、output_dir、lora_model_dir等几十个 key全部用绝对路径、正斜杠[server]段还能配allowed_paths白名单访问外部磁盘指定 GPU在Accelerate launch标签页勾选/取消 Multi-GPU 并设置 GPU ID多卡机器可以固定用某张卡训练训练分辨率与显存SDXL 的 Max resolution 至少设 1024x1024显存不足时降 batch size默认 16GB 显存最多 2或启用混合精度Timestep 可视化DiT 类模型训练可加--show_timesteps参数控制台直接绘制时间步分布图帮助判断数据桶设置高频问题 启动报No module called tkinter原因tkinter 是 Python 自带的图形库Windows 安装器默认不勾选。解决重新安装 Python 3.11.9 时勾选 tcl/tk 组件或改装完整版安装器。 Windows 提示页面文件page file错误原因训练初期会大量读图缓存默认虚拟内存上限不够。解决在 Windows 系统设置里调大页面文件上限建议设为物理内存的 1.5 倍以上。 远程 SSH 训练卡在覆盖模型弹窗原因未加--headless时覆盖确认框在服务器进程上弹无显示器环境下永远等不到点击。解决启动命令加--headless同名输出会自动覆盖而不是弹窗。 Tesla V100 上 GPU 利用率异常低原因V100 与新版 PyTorch 的某些内核路径不匹配。解决按 docs/troubleshooting_tesla_v100.md 的说明降级相应组件或调整参数。 显存不够OOM原因batch size、分辨率、是否训练 Text Encoder 三项都会显著吃显存。解决batch 降回 1 → 只训 UNet--network_train_unet_only→ 降 Max resolution按这个顺序逐项让步。安全与合规只训练你有权使用的素材训练数据涉及版权内容时确认自己获得授权或素材是原创远程部署要加认证--headless暴露到公网时务必配--username/--password或用[server] allowed_paths限制可访问目录依赖版本留意项目对关键依赖做了安全版本锁定见 SECURITY.md升级依赖前先看 changelog小结学完这篇你可以✅ 用gui-uv.bat/gui.sh在 5 分钟内启动训练面板 ✅ 按30_角色名结构组织数据集并完成自动打标 ✅ 用预置参数跑通第一次 LoRA 训练并挑出最佳检查点 ✅ 用config.toml固化路径用--headless管理远程 GPU ✅ 对照高频问题清单自助排查 tkinter、显存、弹窗卡死等故障现在就把你的第一份数据集放进30_角色名文件夹点下 Generate command——第一次 LoRA 训练跑通之后剩下的都是调优的快活了。遇到问题去 docs/ 翻一翻或直接到项目仓库提 Issue。【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 完整指南：5 分钟上手 Stable Diffusion LoRA 训练与模型微调
kohya_ss 完整指南5 分钟上手 Stable Diffusion LoRA 训练与模型微调【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ss你攒了几十张角色照片想让 Stable Diffusion 画出你的角色却被命令行和几十项超参数劝退kohya_ss 就是为解决这个问题而生的它是 kohya-ss 官方训练脚本的图形界面GUI 命令行接口把 LoRA 训练、Dreambooth、模型微调、自动打标等流程全部收进一个网页面板里。核心能力速览五种训练方式LoRA、LoHa、LoKr、Dreambooth、Textual Inversion外加 LECO 概念擦除一个面板全部覆盖主流基础模型都支持SD1.5/2.x、SDXL、SD3、Flux.1、Lumina Image 2.0、Anima、HunyuanImage-2.1参数可视化所有训练参数都有对应控件点Generate command即可导出完整 CLI 命令自带生产工具批量自动打标WD14、BLIP、git 等、数据集均衡、模型合并/转换/提取、TensorBoard 曲线可视化预置参数库presets/目录内置大量社区验证过的训练配置一键加载从零到第一次训练5 步跑通第 1 步准备环境。需要一张 NVIDIA GPU显存 6GB 起步12GB 更从容安装 Python 3.11.9勾选 Add to PATH、Git 和 CUDA 12.8 工具包。这一步是后面所有东西的地基——训练脚本依赖 CUDA 才能调用 GPU 加速。第 2 步克隆仓库。git clone --recursive https://gitcode.com/GitHub_Trending/ko/kohya_ss cd kohya_ss--recursive不能省核心的训练代码sd-scripts是子模块漏掉它 GUI 会直接报错。第 3 步启动 GUI。Windows运行gui-uv.bat首次会自动提示安装 uv按 Y 即可Linux / macOS运行./gui.sh或gui-uv.sh脚本会用 uv 自动创建隔离的 Python 环境并装好全部依赖不用你手动 pip install。浏览器打开 http://127.0.0.1:7860 就能看到训练面板。第 4 步准备数据集。按 docs/image_folder_structure.md 的规范组织图片images/ └── 30_角色名/ ├── 001.jpg ├── 001.txt # 同名的描述文件caption ├── 002.jpg └── 002.txt文件夹名30_角色名中30是该图的重复次数reg 图用1_xxx角色名就是训练后在提示词里召唤这个角色的关键词。每张图配一个同名.txt写清画面内容能让模型学会角色本身而不是角色这套衣服。第 5 步选标签训练。在 LoRA 标签页填入基础模型路径、数据集目录点Generate command检查命令无误后开始训练。训练过程中会按设定间隔保存 LoRA 检查点结束后把.safetensors文件丢进 WebUI 的 LoRA 目录即可使用。重点功能拆解LoRA / LoHa / LoKr 训练标签页能做什么不动原模型只训练一个几 MB 到几十 MB 的小网络把角色、画风或概念附加到基础模型上。相比整模型微调2~5GB 的模型文件LoRA 文件小、训练快、好分发。怎么操作在 LoRA 标签页选择 LoRA 类型初学选 Standard 即可设置 Network Rank常用 16 或 32、学习率、Epoch2~3 个足够再指定训练目标——UNet、Text Encoder 或两者都训。适合场景训练虚拟角色、复制画师的画风、给模型注入一个特定道具或服装概念。SDXL 建议勾选--network_train_unet_only可避免双文本编码器带来的不稳定见 docs/LoRA/top_level.md。预置参数跳过调参的玄学阶段能做什么presets/目录里是社区反复验证过的完整参数组合覆盖不同优化器、不同基础模型。怎么操作在对应训练标签页选择预置文件例如 SDXL 新手推荐从SDXL - LoRA AI_characters standard v1.1.json开始跑通后再逐项微调。预置的创建方法见 presets/prepare_presets.md。适合场景第一次训练不想踩坑或者复现某个社区教程的完整配置。自动打标与数据集管理能做什么LoRA 训练最耗时的环节是写 captionkohya_ss 内置了 WD14 Tagger、BLIP、git 等多套打标工具支持批量处理、子文件夹遍历examples/caption.ps1有现成脚本。怎么操作打开对应打标标签页如 wd14_caption_gui.py 对应的 WD14 面板指定图片目录后批量运行每张图片旁会生成同名.txt描述文件。配合dataset_balancing_gui.py还能预览各标签出现频率均衡权重防止某些特征过学。适合场景几十张以上图片的 LoRA 训练以及需要手动修正 caption 的工作流manual_caption_gui.py提供逐张编辑界面。训练中的样本图生成能做什么训练每隔 N 步自动生成一张测试图让你实时看到模型正在学会什么而不是训练完才开盲盒。怎么操作在样本提示词文件中写多段 prompt支持行内参数控制生成行为# prompt 1 masterpiece, best quality, (1girl), in white shirts, upper body --n low quality, worst quality --w 768 --h 768 --l 7.5 --s 28--n是负向提示词--l是 CFG 强度--s是采样步数#开头为注释。适合场景长训练任务的中途质量检查判断是否需要提前停止防过拟合或继续。实战场景场景 A训练一个专属角色的 LoRA收集 15~30 张角色照片覆盖不同角度、光照、服装裁剪成训练分辨率如 1024x1024按30_角色名结构放入数据集目录用 WD14 打标后人工修正 caption确保每张图都提到角色特征加载SDXL - LoRA AI_characters standard v1.1.json预置Rank 设 32Epoch 设 3训练中途观察样本图角色特征稳定后就可以停防止背景元素被强行绑定场景 B快速复现社区的 SDXL 训练配置把社区的参数表优化器、学习率、批量等对照填入或直接用 presets/lora/ 里的同类预置用config.toml把模型目录、输出目录等固定路径一次配好复制仓库根目录的config example.toml改名为config.toml即可之后每次启动界面都是填好的状态训练结束后对比不同 Epoch 保存的检查点挑样本图最好的那个版本场景 C远程 GPU 上无界面训练在远程机器上用无头模式启动隐藏本地文件选择器、跳过覆盖确认弹窗否则会卡死训练./gui.sh --listen 0.0.0.0 --server_port 7860 --headless本地浏览器访问http://远程IP:7860路径全部手填headless 模式下选择器按钮已隐藏Linux 多开实例时换不同端口7860、7861分别监控配合tmux管理进程进阶调优config.toml路径预填支持model_dir、output_dir、lora_model_dir等几十个 key全部用绝对路径、正斜杠[server]段还能配allowed_paths白名单访问外部磁盘指定 GPU在Accelerate launch标签页勾选/取消 Multi-GPU 并设置 GPU ID多卡机器可以固定用某张卡训练训练分辨率与显存SDXL 的 Max resolution 至少设 1024x1024显存不足时降 batch size默认 16GB 显存最多 2或启用混合精度Timestep 可视化DiT 类模型训练可加--show_timesteps参数控制台直接绘制时间步分布图帮助判断数据桶设置高频问题 启动报No module called tkinter原因tkinter 是 Python 自带的图形库Windows 安装器默认不勾选。解决重新安装 Python 3.11.9 时勾选 tcl/tk 组件或改装完整版安装器。 Windows 提示页面文件page file错误原因训练初期会大量读图缓存默认虚拟内存上限不够。解决在 Windows 系统设置里调大页面文件上限建议设为物理内存的 1.5 倍以上。 远程 SSH 训练卡在覆盖模型弹窗原因未加--headless时覆盖确认框在服务器进程上弹无显示器环境下永远等不到点击。解决启动命令加--headless同名输出会自动覆盖而不是弹窗。 Tesla V100 上 GPU 利用率异常低原因V100 与新版 PyTorch 的某些内核路径不匹配。解决按 docs/troubleshooting_tesla_v100.md 的说明降级相应组件或调整参数。 显存不够OOM原因batch size、分辨率、是否训练 Text Encoder 三项都会显著吃显存。解决batch 降回 1 → 只训 UNet--network_train_unet_only→ 降 Max resolution按这个顺序逐项让步。安全与合规只训练你有权使用的素材训练数据涉及版权内容时确认自己获得授权或素材是原创远程部署要加认证--headless暴露到公网时务必配--username/--password或用[server] allowed_paths限制可访问目录依赖版本留意项目对关键依赖做了安全版本锁定见 SECURITY.md升级依赖前先看 changelog小结学完这篇你可以✅ 用gui-uv.bat/gui.sh在 5 分钟内启动训练面板 ✅ 按30_角色名结构组织数据集并完成自动打标 ✅ 用预置参数跑通第一次 LoRA 训练并挑出最佳检查点 ✅ 用config.toml固化路径用--headless管理远程 GPU ✅ 对照高频问题清单自助排查 tkinter、显存、弹窗卡死等故障现在就把你的第一份数据集放进30_角色名文件夹点下 Generate command——第一次 LoRA 训练跑通之后剩下的都是调优的快活了。遇到问题去 docs/ 翻一翻或直接到项目仓库提 Issue。【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