kohya_ss Stable Diffusion 训练完整指南LoRA 与 DreamBooth 实战【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ss微调 Stable Diffusion 模型往往要背下几十条命令行参数而 kohya_ss 把 Kohya 训练脚本包装成浏览器里的图形界面选选项、点按钮就能提交训练。本教程带你从零完成安装、数据组织、LoRA 与 DreamBooth 训练以及常见报错处理在自有显卡上跑通第一次 Stable Diffusion 微调。这份教程适合你吗三个前提满足其一即可开始你有一块显卡的电脑SD 1.5 的 LoRA 训练 8GB 显存即可SDXL LoRA 建议 12GB 以上你不会写 Python 也没关系kohya_ss 在浏览器里收集所有训练参数自动生成并执行train_network.py、train_db.py等命令行没有本地显卡也可以官方提供 Colab 笔记本网页版kohya_ss_colab.ipynb和 Docker 部署方案但新手走本地安装路径最短。3 步把界面跑起来安装全程只有三件事克隆代码、运行安装脚本、运行启动脚本。克隆项目并进入目录git clone https://gitcode.com/GitHub_Trending/ko/kohya_ss cd kohya_ss运行安装脚本它会自动创建 Python 3.10 虚拟环境并装好全部依赖bash setup.sh # Linux / macOS setup.bat # Windows启动图形界面bash gui.sh # Linux / macOS gui.bat # Windows终端出现Running on local URL后打开 http://localhost:7860 即可看到 Dreambooth、Fine-tune、LoRA、Settings 等标签页。第一次建议直接选一个 SD 1.5 基础模型开练参数默认值就能跑通。️ 用文件夹命名规则组织训练数据kohya_ss 不靠复杂配置指定数据集文件夹名本身就承载信息前缀数字是重复次数名字是训练目标。my_dataset/ ├── 10_shs_dog/ # 前缀 10每张图一个 epoch 内被用 10 次 │ ├── dog1.jpg │ └── dog1.txt # 同名 caption内容优先于文件夹名 └── 1_regularization/ # 正则化图片防止语言漂移 └── reg1.jpg图片旁边存在同名.txt或.caption文件时文件内容作为该图的描述caption否则以文件夹名作为标签正则化图片建议约 100 张同类通用图放在前缀1_的独立文件夹里支持.png、.jpg、.jpeg、.webp、.bmp边长超过 3000 像素的图先缩到训练分辨率附近再放入。上图是仓库内置测试数据集里的一张 512x512 样本正是 LoRA 训练常用的尺寸。 核心功能实操LoRA 训练产出一个几十 MB 的小附件LoRALow-Rank Adaptation不改原模型只训练一组小权重推理时叠加到原模型上最终产出一个独立的小文件。打开 LoRA 标签页选择基础模型.safetensors文件填入数据集文件夹、输出目录、network dimrank等参数可选填 sample prompt 文件训练中定期生成对比图点击开始训练在控制台观察步数与 loss。参数建议参数SD 1.5SDXLnetwork dimrank1616–32network alpha与 rank 相同如 16与 rank 相同optimizerAdafactorAdafactorscale_parameterFalse、relative_stepFalselearning rate1e-4 ~ 2e-44e-7constant_with_warmupwarmup 100 步最大分辨率768至少 1024x1024训练步数1000–20001500–3000显存需求8GB 以上12GB 以上alpha 与 rank 的比值是强度系数alpha16、rank32 时有效学习率减半。训练 SDXL 时建议勾选--network_train_unet_only只训图像生成部分避开双文本编码器带来的不稳定。DreamBooth把自定义角色写进模型DreamBooth 把特定人物或物体的特征直接写进模型权重产出完整模型文件数 GB效果比 LoRA 更强耗时也更长。打开 Dreambooth 标签页选择基础模型填写 class类别名如1girl或dog和 identifier3–4 个字母的生僻词如shs生成时用shs 1girl组合调用指定目标图片文件夹与正则化图片文件夹步数设 800–1500开始训练。项目建议目标图片10–20 张光照与构图统一质量优先正则化图片约 100 张可用基础模型只输 class 词提前生成训练步数800–1500出现过拟合每张都长得一样时提前停止训练中生成样本图实时观察收敛kohya_ss 支持训练过程中每隔固定步数用当前权重推理几张图不用等训练结束才验证效果。在训练页的 sample prompt 区每行写一条提示词#开头为注释提示词尾部追加推理参数。选项含义示例--n负面提示词--n low quality, worst quality--w/--h生成宽高--w 768 --h 768--d随机种子--d 1--lCFG scale--l 7.5--s采样步数--s 28完整示例masterpiece, best quality, shs 1girl, in white shirts --n low quality --w 768 --h 768 --d 1 --l 7.5 --s 28️ 4 个进阶技巧masked_loss 掩码损失在数据集里配黑白掩码图白色区域才参与 loss 计算让模型只精学主体、不管背景。用--masked_loss选项开启官方标注该功能尚未完全测试。config.toml 记住默认路径把 config example.toml 复制为config.toml并填好model_dir、lora_model_dir、output_dir每次打开 GUI 时路径自动填好省去重复选择。远程运行加--headless在服务器或 SSH 场景下用./gui.sh --listen 0.0.0.0 --server_port 7860 --headless启动它隐藏本地文件选择弹窗并自动覆盖同名输出文件避免训练被卡住。LECO 概念擦除v26.0.0 起支持对 SD 1.x/2.x 和 SDXL 做概念擦除与编辑训练入口在 LECO 标签页适合去掉模型里某个不想要的角色这类需求。⚠️ 避坑指南5 个常见卡点症状原因解法CUDA out of memory显存不足降低最大分辨率与 batch_size启用梯度累积SDXL LoRA 需 12GB 以上显存SSH 下训练卡在覆盖已有文件提示原生系统弹窗在无显示环境弹不出启动参数加--headlessWindows 训练报 page file 相关错误系统分页文件大小不够在 Windows 系统设置中调大页面文件上限启动报No module named tkinterPython 安装时未带 tkinter 组件重装 Python 3.10 并勾选 tkinter 选项V100 显存占用正常但 GPU 利用率低、速度慢驱动与 PyTorch 版本适配问题按官方 V100 排查文档 逐项调整另外WSL2 环境启动时若提示LD_LIBRARY_PATH未设置先执行export LD_LIBRARY_PATH/usr/lib/wsl/lib/再运行 gui.sh。 下一步正式训练前通读 LoRA 训练指南核对你的基础模型对应参数与显存需求从 presets/lora/ 复制一份现成预设含 Adafactor、Lion、LoCon 等 JSON在 GUI 中直接导入省去逐项试错逐个参数查 docs/LoRA/options.md完整训练选项见 docs/train_README.md。建议的第一件事用仓库自带的 test/img/ 测试数据集跑一次 200 步的小规模 LoRA 训练看到第一张样本图出现就说明你的环境完全就绪可以换自己的图片正式开练。【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