企业官网建设流程全解析

AI Toolkit 上手指南：24GB 显存训 FLUX 与 SDXL LoRA 的最短路径

【免费下载链接】ai-toolkitThe ultimate training toolkit for finetuning diffusion models项目地址: https://gitcode.com/GitHub_Trending/ai/ai-toolkit

24GB 显存的显卡想训 FLUX LoRA，光 base 模型就快把显存占满；换成 SDXL 又是一堆要调的参数。AI Toolkit 是一个面向消费级显卡的扩散模型训练工具包，把 FLUX、SDXL 这类模型的 LoRA 微调压成一份带注释的 YAML 配置，本地或云端都能跑。

它替你省掉的事

先说自定义 LoRA：数据集就是一个文件夹，jpg/jpeg/png 图片配同名 txt 描述，描述里写[trigger]，配置里定了 trigger_word 后会自动替换。图片不需要手动裁剪或缩放——加载器只做下采样，并按不同宽高比分桶，配置里可以一次给多个分辨率（FLUX 示例是 512/768/1024）。

显卡方面不用你自己算账：24GB 配置默认开了 8bit 量化（quantize: true），base 模型按 8bit 混合精度加载，LoRA 本身仍按 bf16 训练；显存更紧时还能再开low_vram。想试视频模型也直接有模板，Wan 2.1 的 1.3B/14B 到 Wan 2.2 的 14B 都有对应配置。

第一次跑通的最短路径

克隆后不需要手动搭环境。仓库内置 manager，会自动装对应 GPU 的 PyTorch、建虚拟环境、拉 Node.js 和 FFmpeg，全部留在仓库目录内，不污染系统：

git clone https://gitcode.com/GitHub_Trending/ai/ai-toolkit cd ai-toolkit chmod +x run_linux.sh && ./run_linux.sh

Mac 用 run_mac.zsh（Apple Silicon 为实验性支持），Windows 双击 run_windows.bat。启动后 UI 开在http://localhost:8675，任务的启停、采样图预览都在里面；部署到公网前建议设置AI_TOOLKIT_AUTH环境变量加访问口令。偏好手动安装的话：venv + pip 装 torch 2.13.0（cu130）再装 requirements.txt 即可。

训练走配置文件：把示例拷到 config/ 目录，改三处——任务名、数据集 folder_path、触发词，然后：

cp config/examples/train_lora_flux_24gb.yaml config/my_first_lora.yml python run.py config/my_first_lora.yml

checkpoint 和采样图都写在 output 目录；中途 ctrl+c 停掉，下次会从最近的 checkpoint 续训（保存的瞬间别按，会损坏该 checkpoint）。

进阶：两个值得多花时间的配置点

低显存量化训练怎么开

FLUX 这类 flow 模型在 24GB 卡上能跑通，关键就在 model 段的quantize: true：权重以 8bit 存储、前向回到 bf16 计算，精度损失可控，换来的是显存从"放不下"到"还有余量"。配套项：train 段保持gradient_checkpointing: true（显存换时间），optimizer 用 adamw8bit；如果显卡接显示器导致显存被桌面占用，解开low_vram: true，量化时的峰值再降一些，代价是稍慢。

AI 自动配文：Florence-2 接入方式

数据集最大的隐性成本是写描述。UI 里可以直接调 Florence-2 给每张图生成 caption，结果可逐张编辑，[trigger]占位符会替换成你设置的触发词，相当于把描述质量的下限拉平了。剩下的训练细节（save_every: 250、EMA decay 0.99、caption dropout 5%）示例配置里都有默认值，第一遍不需要动。

训练块里还有实验项linear_timesteps: true，给每个时间步重新分配损失权重，对 FLUX 可能出更好结果；toolkit/timestep_weighing/ 目录里有配套脚本和权重曲线。

按硬件和场景怎么选

• 24GB 卡训 FLUX LoRA：用 train_lora_flux_24gb.yaml 作底稿，量化和 gradient checkpointing 保持开启。
• 想要出图更快：FLUX.1-schnell 有独立配置，采样 guidance_scale 为 1，省掉 CFG 开销。
• 32GB 以上显存：可以关掉 quantize 跑全精度，或试 config/examples/ 里的 Qwen-Image-Edit 32GB 模板。
• 视频模型实验：从 Wan 2.1 1.3B 起步，14B/720P 版本显存要求高不少，先用小模型验证流程。
• 不想本地跑：config/examples/modal/ 下有 Modal 云模板，配合 run_modal.py 提交到云端 GPU。

下一步：从哪个配置文件起步

第一遍别改太多：拿 train_lora_flux_24gb.yaml 当底稿，只填数据集路径和触发词，跑通 250 步看第一次采样，再决定加 LoKr、用 only_if_contains 选层训练，还是换时间步权重。配置文件里几乎每行都有注释，照着改就行。

【免费下载链接】ai-toolkitThe ultimate training toolkit for finetuning diffusion models项目地址: https://gitcode.com/GitHub_Trending/ai/ai-toolkit