如何用 SD 训练一套贴纸 LoRA 模型

如何用 SD 训练一套贴纸 LoRA 模型 如何用 SD 训练一套贴纸 LoRA 模型 Modified January 2, 2024 网络设置 • 如果之前已经有训练过的模型，可以在训练过的模型基础上，继续训练 • 在【网络设置】中粘贴已有模型的相对路径 网络维度 • 网络维度 network dim ◦ 线性 dim，代表模型大小，数值越大模型越精细，常用 4 128 ◦ 如果设置为 128，则 LoRA 模型大小为 144M • network alpha ◦ 线性 alpha，常用与 network dim 相同的值或者采用较小的值，如 network dim 的一半 ◦ 使用较小的 alpha 需要提升学习率 ◦ 一般设置为比 Network Dim 小或者相同，通常将 network dim 设置为 128，network alpha 设置为 64 ❗ 警告：这个配置，除非硬件贼硬，否则不要尝试，先用32来玩叭 Caption选项 Keep tokens, 设为1，设为1则是启用“lora的触发词” 开始模型训练 都设置好就可以点击开始训练了！ • 训练参数配置好后，先点击右下角【保存参数】 • 保存完成后，点击【直接开始训练】 • 此时【终端】窗口会开始跑训练代码 • 训练对设备GPU消耗较大，建议不同步开展别的大内存图显任务 报错案例 出现这样的错误提示，就是设置的参数过高，爆显存了，需要下调 Code block Bash Copy raise subprocess.CalledProcessError(returncode=process.returncode, cmd=cmd) subprocess.CalledProcessError: Command '['E:\\SD\\LoRA training\\lora scripts v1.5.1\\python\\python.exe', './sd scripts/train network.py', ' config file', 'E:\\SD\\LoRA training\\lora scripts v1.5.1\\config\\autosave\\20230922 105016.toml']' returned non zero exit status 1. 10:51:43 032680 ERROR Training failed / 训练失败 练后参数 Tensorboard • LoRA训练成功的画，loss值区应在：0.02 0.03 √ • 会等到一条下落并趋近平稳的loss曲线 LoRA调用与测试 • 在关键词中调用LoRA ◦ 比如这样：<lora:leleHQ 000002:1 ，蓝色为lora名字，后面冒号跟着数字为权重 • 注意：把图片大小设置成和lora一样的 • 训练出的lora有点像是一个“画风统一的”NFT角色 模型的泛化性（也会带来不稳定性） 假设我们的模型里没有训练过“sad”这个词，但输入sad作为关键词，模型也是可以画出来的“哭丧着的脸”，因为这是大模型里本身就有学习到的内容，所以我们输入不同的衣服和服饰，是lora里没有训练过的，它也是可以画出来的，就是不会那么稳定而已。 模型测试 模型训练完成后，要对训练好的这些模型进行测试 以找出最适合的那个模型（哪个模型在哪个权重值下表现最佳） ① 把训练好的 LoRA 模型全部放入 LoRA 模型目录 stable diffusion webui/models/Lora。 网络设置 • 如果之前已经有训练过的模型，可以在训练过的模型基础上，继续训练 • 在【网络设置】中粘贴已有模型的相对路径 网络维度 • 网络维度 network dim ◦ 线性 dim，代表模型大小，数值越大模型越精细，常用 4 128 ◦ 如果设置为 128，则 LoRA 模型大小为 144M ◦ 线性 dim，代表模型大小，数值越大模型越精细，常用 4 128 ◦ 如果设置为 128，则 LoRA 模型大小为 144M • network alpha ◦ 线性 alpha，常用与 network dim 相同的值或者采用较小的值，如 network dim 的一半 ◦ 使用较小的 alpha 需要提升学习率 ◦ 一般设置为比 Network Dim 小或者相同，通常将 network dim 设置为 128，network alpha 设置为 64 ❗ 警告：这个配置，除非硬件贼硬，否则不要尝试，先用32来玩叭 ◦ 线性 alpha，常用与 network dim 相同的值或者采用较小的值，如 network dim 的一半 ◦ 使用较小的 alpha 需要提升学习率 ◦ 一般设置为比 Network Dim 小或者相同，通常将 network dim 设置为 128，network alpha 设置为 64 ❗ 警告：这个配置，除非硬件贼硬，否则不要尝试，先用32来玩叭 警告：这个配置，除非硬件贼硬，否则不要尝试，先用32来玩叭 Caption选项 Keep tokens, 设为1，设为1则是启用“lora的触发词” 开始模型训练 都设置好就可以点击开始训练了！ • 训练参数配置好后，先点击右下角【保存参数】 • 保存完成后，点击【直接开始训练】 • 此时【终端】窗口会开始跑训练代码 • 训练对设备GPU消耗较大，建议不同步开展别的大内存图显任务 报错案例 出现这样的错误提示，就是设置的参数过高，爆显存了，需要下调 练后参数 Tensorboard • LoRA训练成功的画，loss值区应在：0.02 0.03 √ • 会等到一条下落并趋近平稳的loss曲线 LoRA调用与测试 • 在关键词中调用LoRA ◦ 比如这样：<lora:leleHQ 000002:1 ，蓝色为lora名字，后面冒号跟着数字为权重 ◦ 比如这样：<lora:leleHQ 000002:1 ，蓝色为lora名字，后面冒号跟着数字为权重 • 注意：把图片大小设置成和lora一样的 • 训练出的lora有点像是一个“画风统一的”NFT角色 模型的泛化性（也会带来不稳定性） 假设我们的模型里没有训练过“sad”这个词，但输入sad作为关键词，模型也是可以画出来的“哭丧着的脸”，因为这是大模型里本身就有学习到的内容，所以我们输入不同的衣服和服饰，是lora里没有训练过的，它也是可以画出来的，就是不会那么稳定而已。 模型测试 模型训练完成后，要对训练好的这些模型进行测试 以找出最适合的那个模型（哪个模型在哪个权重值下表现最佳） 模型训练完成后，要对训练好的这些模型进行测试 以找出最适合的那个模型（哪个模型在哪个权重值下表现最佳） ① 把训练好的 LoRA 模型全部放入 LoRA 模型目录 stable diffusion webui/models/Lora。 ② 打开 Stable Diffusion WebUI，在 Stable Diffusion 模型里先加载个模型训练时的底模，LoRA 模型里加载一个刚才训练好的 LoRA 模型，如 000001 模型，填上一些必要的提示词和参数。 划重点： 把引入的 LoRA 模型提示词，改成变量模式，如： 改成 ，NUM 变量代表模型序号，STRENGTH 变量代表权重值。 ③ 在 Stable Diffusion WebUI 页面最底部的脚本栏中调用 XYZ plot 脚本，设置模型对比参数。 划重点：其中 X 轴类型和 Y 轴类型都选择「提示词搜索/替换」Prompt S/R。 X 轴值输入：NUM,000001,000002,000003,000004,000005，对应模型序号 Y 轴值输入：STRENGTH,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1，对应模型权重值 这样就形成了一张模型测试对比表。 设置完毕后，点击「生成」，开始生成模型测试对比图。 通过对比生成结果，选出表现最佳的模型和权重值。 把选出的 LoRA 训练模型做一个规范化命名，比如 bighand lora v1，重新刷新 LoRA 模型列表就能加载使用啦。在实际应用中，我们可以结合 ControlNet 来使用，以提升可控性。 最后总结下 LoRA 模型训练的要点 • 训练数据集准备（训练素材处理、图像预处理、打标优化） • 训练环境参数配置（选择本地或云端训练环境、训练环境配置、训练参数配置） • 模型训练（基于 kohya ss 训练模型） • 模型测试（通过 XYZ plot 测试模型） 本篇介绍使用 SD 的LoRA训练方法，来制作一套风格稳定的平面贴纸的工作流程。演示所用软件为B站up主秋葉aaaki 提供的SD开源整合包和LoRA模型训练一键包 秋葉aaaki 本篇介绍使用 SD 的LoRA训练方法，来制作一套风格稳定的平面贴纸的工作流程。演示所用软件为B站up主秋葉aaaki 提供的SD开源整合包和LoRA模型训练一键包 秋葉aaaki 📌 @ 秋葉aaaki 最新一次更新整合包版本v4.5，11月更新。 本整合包支持SDXL，预装多种必须模型。无需安装python、cuda、git，无需任何配置解压即用 【下载链接】 一键三连+关注 私信发送『整合包』可获得最新整合包+额外超多常用推荐大模型、LoRA 百度盘：https://pan.baidu.com/s/1MjO3CpsIvTQIDXplhE0 OA?pwd=aaki 启动器在整合包的压缩包内置，为防止网盘链接炸掉，启动器运行依赖不再放在网盘内，将会在首次打开启动器时，弹出窗口跳转下载。 一定要用网盘官方客户端下载，否则压缩包会损坏无法解压。下载完毕一定要先测试压缩包是否完好再解压！！！ 秋葉aaaki @ 秋葉aaaki 秋葉aaaki 最新一次更新整合包版本v4.5，11月更新。 本整合包支持SDXL，预装多种必须模型。无需安装python、cuda、git，无需任何配置解压即用 【下载链接】 一键三连+关注 私信发送『整合包』可获得最新整合包+额外超多常用推荐大模型、LoRA 百度盘：https://pan.baidu.com/s/1MjO3CpsIvTQIDXplhE0 OA?pwd=aaki 启动器在整合包的压缩包内置，为防止网盘链接炸掉，启动器运行依赖不再放在网盘内，将会在首次打开启动器时，弹出窗口跳转下载。 一定要用网盘官方客户端下载，否则压缩包会损坏无法解压。下载完毕一定要先测试压缩包是否完好再解压！！！ 📌 @ 秋葉aaaki LoRA模型训练一键包 百度盘：https://pan.baidu.com/s/1TBaoLkdJVjk gPpqbUzZFw 提取码：p8uy AutoDL 云端使用教程：https://www.bilibili.com/read/cv24050162 秋葉aaaki @ 秋葉aaaki 秋葉aaaki LoRA模型训练一键包 百度盘：https://pan.baidu.com/s/1TBaoLkdJVjk gPpqbUzZFw 提取码：p8uy AutoDL 云端使用教程：https://www.bilibili.com/read/cv24050162 工作流 • 原始形象：MJ初步产出符合设计想法的贴纸原始形象 • 二次加工：完成贴纸的白色边线等细节加工 • 处理素材：给训练集图片打tag，修改tag • 训练模型：将上述处理好的数据集做成训练集，进行训练 原始形象：MJ关键词 📌 A drawing for a rabbit stickers, in the style of hallyu,screenshot,mori kei,duckcore plush doll art exaggerated poses, cry/happy/sad/... ar 3:4 niji 5 style cute s 180 兔子贴纸绘制的图画，采用韩流风格，截图，森喜朗，鸭核毛绒玩偶夸张的姿势 A drawing for a rabbit stickers, in the style of hallyu,screenshot,mori kei,duckcore plush doll art exaggerated poses, cry/happy/sad/... ar 3:4 niji 5 style cute s 180 兔子贴纸绘制的图画，采用韩流风格，截图，森喜朗，鸭核毛绒玩偶夸张的姿势 • 会得到不同风格的贴图，我们可以先看看自己喜欢哪一种 • 我一开始找的画面风格不是特别统一，但初次训练的时候不那么严格也是可以的 • 出图过程可以有意识地总结这一类贴图都有什么特征： ◦ 都是可爱的兔子 ◦ 有不同的衣服和头饰 ◦ 都有一双大大的卡通眼睛，会有不同的面部表情 ◦ 都是可爱的兔子 ◦ 有不同的衣服和头饰 ◦ 都有一双大大的卡通眼睛，会有不同的面部表情 注意事项： • 关键词中限制了颜色，因此MJ生成的图片会一种情绪对应一种颜色，所以我们同一种情绪最好多生成几张不同色系的，可以减少后续训练中模型把情绪和颜色做挂钩（如果你需要这样的话，也可以反其道而行之） • 数据集中正面情绪与负面情绪最好比例差不多，如果都是正面积极的，在出一些负面情时（sad，cry）的时候，可能会出现奇怪的问题（如我们训练的是兔子形象，但ai认知的sad可能是人的形象，可能会出现人物特征） • 如果我们训练256 256大小的表情包，那么这样的素材就已经够用了 • 如果要训练更高像素的图片，则需要进一步使用MJ垫图和高清扩展功能 高清化 左（256）→ 右（1024） 输入左图，加入内容描述，加入风格描述，挑选合适的 选出新30张图片 （卡通二次元类型的lora训练集30张差不多，真人60 100张） 白色描边+背景处理 去除背景中的一些干扰项，这样训练出来的lora跑出的图也会更干净 去除背景中的一些干扰项，这样训练出来的lora跑出的图也会更干净 • 方法一：用ps单独做的处理 ◦ 优点：可控性高，可严格控制出血线大小和底色 ◦ 缺点：传统方法，耗时较长 ◦ 优点：可控性高，可严格控制出血线大小和底色 ◦ 缺点：传统方法，耗时较长 • 方法二：MJ关键词控制白色边框 ◦ 在关键词最前添加：贴纸 Design a sticker of sth. 白色边框 ◦ 优点：快速直接 ◦ 缺点：不可控 ◦ 在关键词最前添加：贴纸 Design a sticker of sth. 白色边框 ◦ 优点：快速直接 ◦ 缺点：不可控 补充：不同的训练素材要求 📌 素材要求 素材图的质量直接决定了模型的质量，好的训练集有以下要求： • 不少于 15 张的高质量图片，一般可以准备 20 50 张图 ◦ 静物/服装 ▪ 10 20张即可 ▪ 背景干净 ▪ 线条封闭，清晰 ▪ 素材本身的样式/纹样等基础，会直接影响这个lora产出的服装类型 ▪ 最好是一个lora只产出一类衣服 ◦ 人物/脸部特征 ▪ 30 50张即可 ◦ 场景/大环境 ▪ 100张以上 • 图片主体内容清晰可辨、特征明显，图片构图简单，避免其它杂乱元素 • 如果是人物照，尽可能以脸部特写为主（多角度、多表情），再放几张全身像（不同姿势、不同服装） • 减少重复或相似度高的图片 素材裁剪 • 统一素材图分辨率，注意分辨率为 64 的倍数 • 显存低的可裁切为 512x512 • 显存高的可裁切为 768x768 • 推荐统一裁切网页：https://www.birme.net 素材要求 素材图的质量直接决定了模型的质量，好的训练集有以下要求： 素材图的质量直接决定了模型的质量，好的训练集有以下要求： • 不少于 15 张的高质量图片，一般可以准备 20 50 张图 ◦ 静物/服装 ▪ 10 20张即可 ▪ 背景干净 ▪ 线条封闭，清晰 ▪ 素材本身的样式/纹样等基础，会直接影响这个lora产出的服装类型 ▪ 最好是一个lora只产出一类衣服 ◦ 人物/脸部特征 ▪ 30 50张即可 ◦ 场景/大环境 ▪ 100张以上 ◦ 静物/服装 ▪ 10 20张即可 ▪ 背景干净 ▪ 线条封闭，清晰 ▪ 素材本身的样式/纹样等基础，会直接影响这个lora产出的服装类型 ▪ 最好是一个lora只产出一类衣服 ▪ 10 20张即可 ▪ 背景干净 ▪ 线条封闭，清晰 ▪ 素材本身的样式/纹样等基础，会直接影响这个lora产出的服装类型 ▪ 最好是一个lora只产出一类衣服 ◦ 人物/脸部特征 ▪ 30 50张即可 ▪ 30 50张即可 ◦ 场景/大环境 ▪ 100张以上 ▪ 100张以上 • 图片主体内容清晰可辨、特征明显，图片构图简单，避免其它杂乱元素 • 如果是人物照，尽可能以脸部特写为主（多角度、多表情），再放几张全身像（不同姿势、不同服装） • 减少重复或相似度高的图片 素材裁剪 • 统一素材图分辨率，注意分辨率为 64 的倍数 • 显存低的可裁切为 512x512 • 显存高的可裁切为 768x768 • 推荐统一裁切网页：https://www.birme.net SD：打tag（给图片写关键词） LoRA训练器 强制更新 国内加速 • 在lora训练器的根目录下，点击【A强制更新 国内加速】 • 跑完即可关闭窗口 双击【A启动脚本】 请保持终端一直运行，不要关闭 出现下列代码即为启动成功 SD训练UI Web启动成功 • 滚动至最下 点击【LoRA训练】 • 或者直接点击左侧菜单【LoRA训练】 素材打标 注意：图片和文件都使用英文命名 自动打标 • 点击左侧菜单【WD1.4 标签器】 • 在path中粘贴素材文件夹的根目录路径 • 阈值设置为 0.35（生成尽可能多的标签来描述图片内容） 阈值是什么：ai理解这种图片中内容，给出关键词，会有一个自己的评分，0 1，分数越大，就说明越确定是这个东西，一般阈值设大于0.35 阈值是什么：ai理解这种图片中内容，给出关键词，会有一个自己的评分，0 1，分数越大，就说明越确定是这个东西，一般阈值设大于0.35 • Tagger模型即训练lora的底模，尽可能选择公认成熟稳定的模型 • 其它设置基本不用更改调试 • 点击【启动】，会为目标文件夹里的图像素材自动打标 • 自动打标完成后，会在素材原文件直接生成对应图像的txt打标文件 优化打标 下载打标插件 📌 打标插件：百度云链接 https://pan.baidu.com/s/1z2nsInPJIG1Oz9VMkym5Ag?pwd=f73w 提取码：f73w 打标插件：百度云链接 https://pan.baidu.com/s/1z2nsInPJIG1Oz9VMkym5Ag?pwd=f73w 提取码：f73w 启动打标插件 • 无需安装，双击运行BooruDatasetTagManager.exe • 开启后界面如下↓ • 点击左上角菜单File Load folder 选择已准备好的图像素材文件夹 • 打开后界面如下图，分别是图像缩略图Image，每幅图像的标签Image tags，以及所有图像的标签All tags 添加触发词 • 触发词：在prompt中输入这个词，就触发或调用这个lora • 触发词添加的位置设置为：Top 📌 提供一个常用的特征tag： face,nose,lips,hairstyle,eyes,ears,forehead,breast 点击软件最右上角的+号，把它添加到All tags中，Adding Position选择TOP 提供一个常用的特征tag： face,nose,lips,hairstyle,eyes,ears,forehead,breast 点击软件最右上角的+号，把它添加到All tags中，Adding Position选择TOP 打标优化方法 预处理生成 tags 打标文件后，就需要对文件中的标签再进行优化，一般有两种优化方法： 预处理生成 tags 打标文件后，就需要对文件中的标签再进行优化，一般有两种优化方法： • 方法一：保留全部标签 ◦ 对标签不做删标处理, 直接用于训练。一般在训练画风，或想省事快速训练人物模型时使用。 ◦ 优点：不用处理 tags 省时省力，过拟合的出现情况低。 ◦ 缺点：风格变化大，需要输入大量 tag 来调用、训练时需要把 epoch 训练轮次调高，导致训练时间变长。 ◦ 对标签不做删标处理, 直接用于训练。一般在训练画风，或想省事快速训练人物模型时使用。 ◦ 优点：不用处理 tags 省时省力，过拟合的出现情况低。 ◦ 缺点：风格变化大，需要输入大量 tag 来调用、训练时需要把 epoch 训练轮次调高，导致训练时间变长。 • 方法二：删除部分特征标签 ◦ 训练某个特定角色，要保留蓝眼睛作为其自带特征，那么就要将 blue eyes 标签删除，以防止将基础模型中的 blue eyes 引导到训练的 LoRA 上。 ◦ 简单来说删除标签即将特征与 LoRA 做绑定，保留的话画面可调范围就大。 ◦ 一般需要删掉的标签：如人物特征 long hair，blue eyes 这类。 ◦ 不需要删掉的标签：如人物动作 stand，run 这类，人物表情 smile，open mouth 这类，背景 simple background，white background 这类，画幅位置等 full body，upper body，close up 这类。 ◦ 优点：调用方便，更精准还原特征。 ◦ 缺点：容易导致过拟合，泛化性降低。 📌 过拟合：过拟合会导致画面细节丢失、画面模糊、画面发灰、边缘不齐、无法做出指定动作、在一些大模型上表现不佳等情况。 ◦ 训练某个特定角色，要保留蓝眼睛作为其自带特征，那么就要将 blue eyes 标签删除，以防止将基础模型中的 blue eyes 引导到训练的 LoRA 上。 ◦ 简单来说删除标签即将特征与 LoRA 做绑定，保留的话画面可调范围就大。 ◦ 一般需要删掉的标签：如人物特征 long hair，blue eyes 这类。 ◦ 不需要删掉的标签：如人物动作 stand，run 这类，人物表情 smile，open mouth 这类，背景 simple background，white background 这类，画幅位置等 full body，upper body，close up 这类。 ◦ 优点：调用方便，更精准还原特征。 ◦ 缺点：容易导致过拟合，泛化性降低。 📌 过拟合：过拟合会导致画面细节丢失、画面模糊、画面发灰、边缘不齐、无法做出指定动作、在一些大模型上表现不佳等情况。 过拟合：过拟合会导致画面细节丢失、画面模糊、画面发灰、边缘不齐、无法做出指定动作、在一些大模型上表现不佳等情况。 方法二实例：控制白边 • 此处在BooruDatasetTagManager中采用方法二：删除部分特征标签 • All tags：删除不该出现的错误识别的自动标签 • Image tags：删除作为特定角色的自带特征的标签，将特征与 LoRA 做绑定 • 完成所有优化删除后，需要保存当前的设置 • 点击左上角菜单 File Save all changes 📌 首先我们先明确我们的需求，我需要lora生成图片都带有这样的白边，而且是我的关键词lele输入之后，他就会带上白边。 那么我们需要这样做： • 我们将有白边的图片进行标签tag检测后，会得到“outline”或者“white outline”的关键词 • 我们将标签tag中这样的关键词删掉 • 那么在训练的时候，ai会检测到每张图都有“白边”，和关键词lele，那么它就会把lele和“白边”进行关联 • 训练出来的lora只要输入lele，那么图片就可以出现白边 首先我们先明确我们的需求，我需要lora生成图片都带有这样的白边，而且是我的关键词lele输入之后，他就会带上白边。 那么我们需要这样做： • 我们将有白边的图片进行标签tag检测后，会得到“outline”或者“white outline”的关键词 • 我们将标签tag中这样的关键词删掉 • 那么在训练的时候，ai会检测到每张图都有“白边”，和关键词lele，那么它就会把lele和“白边”进行关联 • 训练出来的lora只要输入lele，那么图片就可以出现白边 训练集制作 免责声明：各项数据都是需要经验灵活设置的，我的数据取的比较折中，所以都没啥大问题，可能训练会多花点时间，但效果是ok的！ 免责声明：各项数据都是需要经验灵活设置的，我的数据取的比较折中，所以都没啥大问题，可能训练会多花点时间，但效果是ok的！ • 将图片和对应的标签tag文件（txt文件）放在一个文件夹里 • 注意：图片大小记得改成自己电脑能够训练得动的大小，可以用sd画出的大小，基本上就是训练时的上限 • 文件夹的命名方式：数字+下划线+名称 • 名称叫啥都行（使用英文或数字），你可以用自己的记录版本的方式记录它 • 数字代表了这个文件夹的内容会被训练多少次 • 建议：二次元内容：15 20，真人30，场景100 训练设置 添加训练集文件夹 • 在下述路径文件夹【train】中添加准备好的图像素材及打标文件 • 建议命名：train01 xx xx可以是触发词，这样方便记忆和关联 • 在【train01 xx】中建立子文件夹，命名为【repeat数 触发词】 • repeat数 训练次数：每张图片重复训练多少次，把这个数字改成几。例如训练30次，就是 30 xx • 在【数据集设置】中选择训练数据集路径，./ 代表此时选取的路径是相对路径，与A启动器同级 正则化设置 Resolution • 训练图片分辨率，宽x高。支持非正方形，但必须是 64 倍数 • 分辨率要和图像素材保持一致，比如这里就是768×768 保存设置 • 模型名称建议与触发词一致，方便记忆与关联，全英文或拼音，能辨认即可 • 模型保存文件夹默认是与训练器同目录的【output】文件夹 • 每 N epoch（轮）自动保存一次模型：2 训练相关参数 • 最大训练轮数 max train epochs：模型会在整个训练数据集上循环训练的次数 ◦ 如最大训练 epoch 为 10，那么训练过程中将会进行 10 次完整的训练集循环，一般可以设为 5 10 ◦ 此处演示为人物lora训练，设置为30 ◦ 如最大训练 epoch 为 10，那么训练过程中将会进行 10 次完整的训练集循环，一般可以设为 5 10 ◦ 此处演示为人物lora训练，设置为30 • 批量大小 train batch size：一次性送入训练模型的样本数 ◦ 为保证出图质量，批量大小请设置为1，但耗时较长 ◦ 除1之外，批量大小必须为偶数 ◦ 显存小推荐 1，12G 以上可以 2 6，并行数量越大，训练速度越快 ◦ 为保证出图质量，批量大小请设置为1，但耗时较长 ◦ 除1之外，批量大小必须为偶数 ◦ 显存小推荐 1，12G 以上可以 2 6，并行数量越大，训练速度越快 • 最终训练步数=素材数量×X train次数×最大训练轮数epochs 需要调研 ◦ 一般总训练步数不低于 1500，不高于 5000 ◦ 一般总训练步数不低于 1500，不高于 5000 学习率与优化器设置 初次训练lora，这些设置基本保持预设，不要调整 初次训练lora，这些设置基本保持预设，不要调整