90分钟跑通kohya_ss：从克隆仓库到产出第一个LoRA

90分钟跑通kohya_ss：从克隆仓库到产出第一个LoRA

【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ss

第一次想训练自己的AI绘画风格时，你是不是也卡在命令行参数那一长串上？别急，kohya_ss把 LoRA、DreamBooth 这些训练流程做成了滑块和按钮，照着下面这份清单走，一小时内你就能看着自己训练出来的模型输出第一张图。

仓库自带测试集里的一张风格样图：统一画风、统一色调，正是 kohya_ss 训练喜欢的数据长相

为什么值得上手一次

• 零命令也能跑：所有参数变成滑块、下拉框，它替你生成底层训练命令
• 模型覆盖广：SD 1.5 / SDXL / SD3 / Flux.1 / Lumina / Anima 一套界面全接住
• 训练方式全：LoRA、DreamBooth、Textual Inversion、概念擦除 LECO，从入门到折腾都有得练
• 仓库自带教材：presets/ 里几十份调好的配置，test/config/ 里有现成的数据集模板，抄作业就行

功能速览：这个工具箱里有什么

Gradio 训练面板

一个浏览器里的训练控制台。场景：打开页面就能看到 Dreambooth、LoRA、LECO、Finetuning 等标签页，选好模型和数据集即可开跑。

Dreambooth 标签页

适合"教模型认识一个新对象"。场景：准备十几张同一角色的图，填个触发词，训出一个专属概念。

LoRA 标签页

做轻量风格/角色适配最常用的入口。场景：用几十张同风格图产出一个几十 MB 的小模型，方便分享和叠用。

Utilities 工具页

数据预处理都在这：图片转 WebP、准备数据集缓存等。场景：训练前先把数据"喂料"处理好，省掉反复的等待。

LECO 概念擦除

训练"忘掉某个概念"的反向 LoRA。场景：基础模型总往某些方向跑偏时，用擦除训练把它掰回来。

预设库

presets/ 下的 JSON 文件是可直接加载的成品参数。场景：先加载一份社区预设跑通流程，再逐项改动，比从零猜参数快得多。

环境安装四步走：依赖怎么装才不踩坑

前提：一块能跑的 GPU（NVIDIA 配 CUDA 12.8；AMD 用 ROCm 环境；Intel Arc 走 IPEX），以及 docs/Installation/ 里对应平台的安装文档。以下以 Linux 为例：

第1步：装好 Python 和 git

sudo apt install python3.11 python3.11-tk python3.11-venv git

这一步只装基础工具。成功标志：终端输出版本号而不是"未找到命令"。

第2步：克隆 kohya_ss 仓库

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

--recursive会一起拉取训练脚本子模块，漏了它后面启动会报错。

第3步：初始化环境并验证显卡

./setup.sh

装完依赖后跑一句验证命令确认显卡可见：

python -c "import torch; print(torch.cuda.is_available())"

成功标志：屏幕打印True，说明 PyTorch 已认到你的 GPU。

第4步：启动 kohya_ss 图形界面

./gui.sh --listen 127.0.0.1 --server_port 7860 --inbrowser

浏览器会自动打开面板，看到 Dreambooth / LoRA 等标签页即安装成功。之后每次升级只需git pull。

任务一：Dreambooth 首跑——用自带测试集走通全流程

适合谁：第一次训练、还没准备好自己数据集的人。仓库 test/img/ 里的 8 张 512x512 图就是为此准备的。

1. 启动 GUI 后进入 Dreambooth 标签页，训练数据目录指向test/img/10_darius kawasaki person，输出目录指向test/output
2. 填一个触发词（比如darusk），分辨率设512，batch size先给1
3. 勾选gradient_checkpointing（显存不够时用它换空间），步数设 300，先跑一轮看手感
4. 点训练，盯着终端日志：出现Training: 100%且输出目录里多出.safetensors文件即成功

💡 小技巧：第一次跑通比跑得好更重要。跑完后在 test/output 找到权重文件，记下所有参数，这是你调参的基线。

masked loss 用的黑白剪影掩码：告诉模型"只盯着白色区域学"，小显存卡的省钱招数

任务二：LoRA 进阶——rank 和 learning_rate 怎么调

适合谁：跑通了任务一、想训练真正可用的风格 LoRA 的人。

1. 切到 LoRA 标签页，网络类型选loka或按预设来；数据目录沿用任务一的测试集
2. 加载一份预设当起点，比如 presets/SDXL - LoRA AI_characters standard v1.1.json，再把rank改成16
3. learning_rate从 3e-5 起、优化器选 AdamW8bit、开fp16，步数 1000 左右
4. 观察每若干步生成的样本图：特征开始贴合训练集就是方向对了，过拟合（画面糊、细节崩）就往回降学习率

rank	显存增量	适合场景
8	小	单一动作/物品，数据 10 张以内
16	中	通用角色或风格，新手推荐
32~64	大	复杂场景，需要 20 张以上数据

💡 rank 和 learning_rate 是跷跷板：rank 调大时学习率要跟着调小一点，两者同大就容易翻车。

同一测试集里的另一张样图：风格统一的"同班同学"，LoRA 要学的正是这种共性

任务三：批量数据流水线——缓存与压缩双优化

适合谁：数据集超过 30 张、不想每次训练都干等的人。

1. 先做图片转换：在 Utilities 标签页（或用 tools/convert_images_to_webp.py）把数据集转成WebP，体积通常砍掉三到五成
2. 需要文字描述时，用 tools/caption.py 批量生成 captions，或在 GUI 里选一个 caption 工具标签页运行
3. 回到训练页点"Prepare dataset"做数据集缓存：把 latent 提前算好，后续训练不再重复这一步
4. 缓存完成后正式开训，数据加载时间会明显缩短

优化项	操作	效果
图片转 WebP	Utilities / tools 脚本	数据集体积 -30%~50%
latent 缓存	Prepare dataset	每次训练省去重复计算
masked loss	配黑白掩码图	显存吃紧时聚焦局部训练

参考模板：test/config/dataset-multires.toml 展示了多分辨率数据集的写法，多尺寸混训时照着改。

调优与排障：参数怎么调不爆显存

先看这张"显存→参数"对照表，照着自己的显卡那一行设初始值：

显存档位	batch size	gradient_checkpointing	建议
8~12GB	1	开	分辨率 512 起步，LoRA 优先
16GB	1~2	开	512 稳、768 试探
24GB+	2~4	可关	768 甚至更高分辨率

症状1：训练中途显存溢出，进程直接挂

1. batch size 降到 1
2. 勾选 gradient_checkpointing
3. 分辨率从 768 降回 512，或改用 masked loss 缩小有效训练区域

症状2：每次开训前干等很久

1. 确认已执行 Prepare dataset 生成缓存
2. 数据集放 SSD 上
3. 数据目录路径里少用特殊字符（仓库特意留了带空格的 test/img with spaces/ 来验证路径引号问题，你的路径能跑通测试集说明引号没问题）

症状3：远程/SSH 服务器上 GUI 点不动

1. 启动时加--headless，隐藏本地文件选择弹窗
2. 用浏览器连http://服务器IP:7860操作

症状4：7860 端口被占用

1. 换一个端口：--server_port 7861
2. 或先确认旧的训练服务已退出

仓库里的进阶地图

• docs/Installation/：四套平台安装文档（uv/pip × Linux/Windows），装环境卡住的人先看这里
• docs/train_README.md、docs/LoRA/options.md：训练原理与参数详解，想搞懂每个旋钮的人
• presets/：Dreambooth / LoRA / Finetune 三类现成配置，抄作业起步的人
• test/config/：dataset.toml 等模板，配置数据集的人
• tools/：caption、图片转换、LoRA 分析等脚本，批量处理数据的人
• kohya_gui/：GUI 全部源码，想读代码看实现的人

接下来你可以做的四件事

1. 今天就用 test/img/ 的小数据集跑一次 Dreambooth，不求效果好，只求跑通
2. 挑一份 presets/ 预设加载后，每次只改一个参数，记录前后差别
3. 把每次训练的步数、rank、学习率写进自己的笔记，下次调参就有基线
4. 数据攒到 30 张以上时，把 WebP 转换和 latent 缓存接进你的固定流程

训练这件事，最难的从来不是命令，而是第一次点下"开始"之后的那几分钟等待。kohya_ss 已经把路铺好了，剩下的，就是你数据集里的想法变成模型里的那份独特。跑通第一个模型后回来试试 LoRA 标签页，你会发现第二遍快得多。

【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ss