企业官网建设流程全解析

kohya_ss 实用指南：用图形界面完成 Stable Diffusion LoRA 训练

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

kohya_ss 是一个基于 Gradio 的 Stable Diffusion 图形化训练工具，把 LoRA、DreamBooth、文本反转和全量微调这些训练方式装进了表单式的网页界面，填完参数后自动拼装并执行训练命令。它支持 SD 1.5/2.x、SDXL、SD3、Flux.1 等主流底模，适合手里有一台带 NVIDIA 显卡的电脑、想训练自己的角色或画风模型，但不想啃长串命令行参数的开发者和 AI 绘画爱好者。读完这篇，你可以完成从安装、启动界面到跑通第一次 LoRA 训练的全部流程。

它适合哪些场景

• 想用几十张图学会一个特定人物、角色或画风，产出一个几 MB 大小的 LoRA 文件
• 不想记住几十个训练参数的含义，希望逐项在界面上勾选和调整
• 希望训练过程中能看到损失数值和周期性生成的样本图，而不是只盯着终端日志
• 计划反复训练不同配置，希望把模型、数据集路径一次性存好
• 不适合：没有 GPU、想用纯 CPU 做大规模预训练的人； kohya_ss 面向的是"有显卡 + 小数据集微调"的路线

快速上手：三步启动训练界面

安装前确认本机已装好 Python（3.10.9 及以上、低于 3.13）、Git，以及可用的 NVIDIA GPU 和对应驱动。

1. 克隆仓库（含子模块）：

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

2. 进入项目目录后运行安装脚本，它会自动创建虚拟环境并装依赖：Linux/macOS 用./setup.sh，Windows 用setup.bat。

3. 启动图形界面：Linux/macOS 运行./gui.sh，Windows 双击gui.bat。浏览器自动打开 Gradio 页面、各标签页可正常展开，即表示环境就绪。

如果安装顺利，接下来唯一要做的事，就是在界面里填路径和参数。

按任务拆解核心能力

把训练参数放进可视化表单

kohya_ss 把 Kohya 训练脚本的常用选项拆成了若干标签页：学习率与调度器、批次大小、网络维度与 alpha、优化器、保存频率等都在表单里，每项旁边有说明文字。界面上点"开始"后，它在后台生成完整的训练命令并执行。对新手的价值是：出问题时可以直接看到实际执行的命令，对照参数排查，而不需要自己先学一遍命令行。

用预设减少试错成本

presets/目录按场景放了一批经过验证的参数组合，其中 LoRA 预设按底模和优化器细分（SD1.5、SDXL、Flux 等）。建议的做法是：第一次训练不要自己从零调参，选一个与底模匹配的预设，只改数据集路径和训练轮数，先保证跑通；第二次再针对效果微调个别参数。

用 config.toml 存好默认路径

把根目录下的config example.toml复制一份改名为config.toml，填入底模、数据集、输出目录的绝对路径后，每次启动 GUI 各标签页都会自动预填这些位置，省去反复选目录的时间。路径建议统一用正斜杠分隔。

用工具目录预处理训练数据

tools/里有一批辅助脚本：批量转换图像格式、为图片生成或整理描述文件、图像分组等。正式训练前先用对应脚本把图片规格统一、描述文件补全，能避免训练中途卡在数据问题上。

进阶：掩码损失做局部控制

当希望模型只学图像中某一块区域（比如只学角色、忽略背景）时，可以为训练图准备对应的掩码图像，训练时只对该区域计算损失。test/masked_loss/里有现成的示例数据可以参考结构。第一次训练不需要用它，等基础流程跑通后再考虑。

最小实践清单

1. 建一个文件夹，放入 20 张以上同一主体的清晰图片，每张图旁放一个同名.txt写一句准确描述——完成后目录里应是一图一文件成对出现。
2. 启动 GUI，切到 LoRA 标签页，填入底模路径、数据集路径、输出目录——三个输入框中应能看到你填的完整路径。
3. 选择一个预设，确认网络维度、学习率、训练轮数——预设字段应已被自动填充，你只改了少数几项。
4. 点击开始训练——日志区应滚动输出损失数值，并且每隔一段时间生成一张样本图。
5. 训练结束后查看输出目录——应出现.safetensors格式的 LoRA 文件。
6. 把该文件加载到出图工具，用训练时的触发词生成一张图——画面风格或主体应与训练集明显相似。

新手最容易卡住的 5 类问题

现象：启动脚本报 "No module called tkinter"可能原因：当前 Python 环境缺少 tkinter 组件。 处理：按 docs/Installation/ 中对应系统的说明，换用 uv 或重新安装带 tkinter 的 Python 后再跑 setup。

现象：通过 SSH 打开远程界面后，弹窗卡住、训练无法开始可能原因：原生文件选择或覆盖确认弹窗出现在无显示器的服务器上。 处理：启动时加--headless参数，它会让界面隐藏本地文件选择按钮并自动跳过覆盖确认。

现象：损失值剧烈跳动或变成 NaN可能原因：学习率相对当前优化器过高。 处理：改用带 warmup 的恒定学习率调度器，把学习率降低一个数量级重试，同时保持优化器与预设一致。

现象：训练中途显存溢出（OOM）可能原因：批次大小或分辨率超出显存上限。 处理：降低批次大小和训练分辨率，开启梯度检查点；SDXL 的 LoRA 训练官方建议预留 12GB 以上显存，参考 docs/LoRA/。

现象：界面里选不到外部磁盘上的模型文件可能原因：文件位于项目目录之外，未被界面允许访问。 处理：在config.toml的[server]段配置allowed_paths，把外部目录加进去。

资源入口与下一步

• 各系统安装说明：docs/Installation/（pip 与 uv 两种方法分平台提供）
• 训练总览与数据准备：docs/train_README.md
• LoRA 专项建议：docs/LoRA/
• 现成参数预设：presets/
• 数据预处理脚本：tools/
• 示例数据集与配置模板：test/、config example.toml

下一步动作很具体：用 20 张同一主体的图片，按上面的清单完整跑一次 LoRA 训练，标准是输出目录里出现可用的.safetensors文件，且用它出图后风格能看出和训练集同源。跑通这一次，再谈调参。

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