Kohya_ss 快速入门指南稳定扩散 LoRA 训练从 0 到出图【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 的图形化训练工具专为稳定扩散模型设计。你只需要整理好图片文件夹、在界面里勾选参数它就能帮你把 LoRA、Dreambooth 这类训练跑起来并自动生成对应的命令行。如果你的目标是用 AI 画只属于你的角色、画风或物体下面这篇指南能带你走完从安装到第一次训练的全程。 三种场景看看有没有你的情况个人角色 LoRA—— 手头有几十张同一个人的照片想训练一个随时能调用的小模型不想手写train_network.py参数画风迁移—— 想把某位画师的笔触、色调搬进自己的出图流程用 Dreambooth 或 LoRA 微调现成底模批量打标签太累—— 数据集图片成百上千逐张手写 caption 不现实希望工具自动生成交付三种场景的共同点你已经有了底模SD 1.5 / 2.x、SDXL、SD3、Flux.1 等和一批素材缺的只是一个靠谱的本地工作台。Kohya_ss 就是这个工作台同时提供 GUI 和 CLI 两种入口。装好之后你的日常流程就是整理文件夹 → 打开界面 → 点训练剩下的交给它。 最短上手路径两条命令跑起来先确认环境达标参考 docs/Installation/uv_linux.mdPython 3.10.9 及以上低于 3.13、Git、NVIDIA CUDA 12.8 和一块 NVIDIA 显卡cuDNN 可选但建议装。Windows 上依次执行git clone --recursive https://gitcode.com/GitHub_Trending/ko/kohya_ss cd kohya_ss .\gui-uv.batLinux / macOS 把最后一步换成./gui-uv.sh即可完整步骤见 docs/Installation/uv_windows.md 和 docs/Installation/pip_linux.md。首次运行会提示你确认安装uv环境管理器选 Y它会自动拉齐依赖并打开浏览器默认端口 7860。--recursive参数不能省它负责把训练脚本子模块一并拉下来。上图是仓库自带的训练样本每张图旁配一个同名.txt标签文件就是 LoRA 数据集的最小形态。️ 核心能力拆解你最常用的三件事LoRA / Dreambooth 训练能干什么在不动底模的前提下训练一张补丁网支持 LoRA、LoHa、LoKr、Textual Inversion 和全量微调怎么用数据集按文件夹/图片 同名 txt组织规范见 docs/image_folder_structure.md在 LoRA 或 Dreambooth 标签页填入路径和参数界面会自动拼出 CLI 命令你能得到什么一个可直接挂载到底模上的.safetensors小文件体积通常在几十到几百 MB参数怎么调翻 docs/LoRA/top_level.md自动打标签Captioning能干什么批量为数据集图片生成描述文本省去逐张手写怎么用GUI 里提供 BLIP、BLIP-2、WD14 标签器等多个标注入口选中图片目录一键跑你能得到什么与图片同名的.txt文件直接进训练流程数据集整理工具能干什么平衡多概念权重、按规则分组图片、生成文件夹结构怎么用界面里的数据集平衡、图片分组标签页或直接用 tools/ 下的dataset_balancing、group_images.py脚本你能得到什么分布均匀、结构合规的数据集——这是训练不翻车的前提训练、标注、整理三条线打通后剩下的问题多半出在环境和参数上这正是下一节要解决的。⚠️ 进阶与避坑常见报错对照表第一次跑训练遇到卡顿或报错先对照这张表再考虑翻 issue症状解法Windows 报 page file / X 错误调大系统页面文件上限提示缺少tkinter模块重装 Python 3.10远程 / SSH 下训练卡在覆盖确认启动时加--headless并配--listen 0.0.0.0 --server_port 7860模型或数据集放在仓库外的盘在config.toml的[server]段加allowed_paths多张卡不知喂哪张用 Accelerate launch 标签页指定 GPU IDTesla V100 上 GPU 利用率异常见 docs/troubleshooting_tesla_v100.md配置上有两个省时习惯建议第一天就建立路径默认值—— 把根目录的config example.toml复制为config.toml填好model_dir、output_dir等绝对路径每次启动界面不再手选目录训练预设—— presets/lora/ 下有按场景分好的参数预设新手直接套用比盲调安全得多另外两点显存吃紧时从分辨率和 batch 入手SDXL LoRA 建议 12GB 起步见 docs/LoRA/top_level.md--masked_loss这类实验性功能仓库标注了未完全测试正式训练前先在小红书级数据上试跑。下一步把第一条命令跑通克隆仓库、执行启动脚本、打开浏览器看到 Gradio 界面今天的目标到这里就算达成。剩下的事——建数据集、挑预设、点下第一个训练——留给你的第一张素材图。【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 快速入门指南：稳定扩散 LoRA 训练从 0 到出图
Kohya_ss 快速入门指南稳定扩散 LoRA 训练从 0 到出图【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 的图形化训练工具专为稳定扩散模型设计。你只需要整理好图片文件夹、在界面里勾选参数它就能帮你把 LoRA、Dreambooth 这类训练跑起来并自动生成对应的命令行。如果你的目标是用 AI 画只属于你的角色、画风或物体下面这篇指南能带你走完从安装到第一次训练的全程。 三种场景看看有没有你的情况个人角色 LoRA—— 手头有几十张同一个人的照片想训练一个随时能调用的小模型不想手写train_network.py参数画风迁移—— 想把某位画师的笔触、色调搬进自己的出图流程用 Dreambooth 或 LoRA 微调现成底模批量打标签太累—— 数据集图片成百上千逐张手写 caption 不现实希望工具自动生成交付三种场景的共同点你已经有了底模SD 1.5 / 2.x、SDXL、SD3、Flux.1 等和一批素材缺的只是一个靠谱的本地工作台。Kohya_ss 就是这个工作台同时提供 GUI 和 CLI 两种入口。装好之后你的日常流程就是整理文件夹 → 打开界面 → 点训练剩下的交给它。 最短上手路径两条命令跑起来先确认环境达标参考 docs/Installation/uv_linux.mdPython 3.10.9 及以上低于 3.13、Git、NVIDIA CUDA 12.8 和一块 NVIDIA 显卡cuDNN 可选但建议装。Windows 上依次执行git clone --recursive https://gitcode.com/GitHub_Trending/ko/kohya_ss cd kohya_ss .\gui-uv.batLinux / macOS 把最后一步换成./gui-uv.sh即可完整步骤见 docs/Installation/uv_windows.md 和 docs/Installation/pip_linux.md。首次运行会提示你确认安装uv环境管理器选 Y它会自动拉齐依赖并打开浏览器默认端口 7860。--recursive参数不能省它负责把训练脚本子模块一并拉下来。上图是仓库自带的训练样本每张图旁配一个同名.txt标签文件就是 LoRA 数据集的最小形态。️ 核心能力拆解你最常用的三件事LoRA / Dreambooth 训练能干什么在不动底模的前提下训练一张补丁网支持 LoRA、LoHa、LoKr、Textual Inversion 和全量微调怎么用数据集按文件夹/图片 同名 txt组织规范见 docs/image_folder_structure.md在 LoRA 或 Dreambooth 标签页填入路径和参数界面会自动拼出 CLI 命令你能得到什么一个可直接挂载到底模上的.safetensors小文件体积通常在几十到几百 MB参数怎么调翻 docs/LoRA/top_level.md自动打标签Captioning能干什么批量为数据集图片生成描述文本省去逐张手写怎么用GUI 里提供 BLIP、BLIP-2、WD14 标签器等多个标注入口选中图片目录一键跑你能得到什么与图片同名的.txt文件直接进训练流程数据集整理工具能干什么平衡多概念权重、按规则分组图片、生成文件夹结构怎么用界面里的数据集平衡、图片分组标签页或直接用 tools/ 下的dataset_balancing、group_images.py脚本你能得到什么分布均匀、结构合规的数据集——这是训练不翻车的前提训练、标注、整理三条线打通后剩下的问题多半出在环境和参数上这正是下一节要解决的。⚠️ 进阶与避坑常见报错对照表第一次跑训练遇到卡顿或报错先对照这张表再考虑翻 issue症状解法Windows 报 page file / X 错误调大系统页面文件上限提示缺少tkinter模块重装 Python 3.10远程 / SSH 下训练卡在覆盖确认启动时加--headless并配--listen 0.0.0.0 --server_port 7860模型或数据集放在仓库外的盘在config.toml的[server]段加allowed_paths多张卡不知喂哪张用 Accelerate launch 标签页指定 GPU IDTesla V100 上 GPU 利用率异常见 docs/troubleshooting_tesla_v100.md配置上有两个省时习惯建议第一天就建立路径默认值—— 把根目录的config example.toml复制为config.toml填好model_dir、output_dir等绝对路径每次启动界面不再手选目录训练预设—— presets/lora/ 下有按场景分好的参数预设新手直接套用比盲调安全得多另外两点显存吃紧时从分辨率和 batch 入手SDXL LoRA 建议 12GB 起步见 docs/LoRA/top_level.md--masked_loss这类实验性功能仓库标注了未完全测试正式训练前先在小红书级数据上试跑。下一步把第一条命令跑通克隆仓库、执行启动脚本、打开浏览器看到 Gradio 界面今天的目标到这里就算达成。剩下的事——建数据集、挑预设、点下第一个训练——留给你的第一张素材图。【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
