企业官网建设流程全解析

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。

1. 克隆项目并进入目录：

git clone https://gitcode.com/GitHub_Trending/ko/kohya_ss cd kohya_ss

2. 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

3. 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

LoRA（Low-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。

1. 打开 LoRA 标签页，选择基础模型（.safetensors文件）；
2. 填入数据集文件夹、输出目录、network dim（rank）等参数；
3. 可选填 sample prompt 文件，训练中定期生成对比图；
4. 点击开始训练，在控制台观察步数与 loss。

参数建议：

alpha 与 rank 的比值是强度系数：alpha=16、rank=32 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。

1. 打开 Dreambooth 标签页，选择基础模型；
2. 填写 class（类别名，如1girl或dog）和 identifier（3–4 个字母的生僻词，如shs），生成时用shs 1girl组合调用；
3. 指定目标图片文件夹与正则化图片文件夹；
4. 步数设 800–1500，开始训练。

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。

1. 在训练页的 sample prompt 区每行写一条提示词，#开头为注释；
2. 提示词尾部追加推理参数。

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 28

🛠️ 4 个进阶技巧

1. 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。
2. 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。
3. 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。
4. 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

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

1. 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；
2. 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；
3. 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