企业官网建设流程全解析

3 小时拿到自己的风格模型：kohya_ss LoRA 训练完整指南

【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 的可视化训练工具，把 Kohya 的 Stable Diffusion 训练脚本封装成图形界面：你在页面上选模型路径、填参数，它自动生成对应的训练命令行并执行，支持 LoRA、DreamBooth、文本反转等训练方式。适合懂命令行但不想背几十个训练参数的人——想给某个风格或角色训一个 LoRA，这是目前最省事的路线之一。

四十分钟的报错，最后卡在哪了

上周有个朋友跟我说，他盯着终端里的红字报错盯了四十分钟，分不清是依赖没装对还是参数打错了，后来换到 kohya_ss 上，按页面提示点了几下就跑通了。SD 训练的大部分门槛其实不在理论，而在环境和参数录入上；把这两件事搬进界面里，难度就砍掉一半。

🗺 先看边界：能训什么、各要什么条件

界面里每个训练页对应一类训练方法，用一张表把能力边界说清楚：

它支持的基模型范围很宽：SD 1.5/2.x、SDXL、SD3、Flux.1、Lumina Image 2.0、Anima、HunyuanImage-2.1。你的基础模型在这张单子里，就能在对应页面里把训练参数拼出来。

🛠 第一条 LoRA：四步从图片到模型

第一步：装好环境，在浏览器里看到训练页

先克隆项目并进入目录：

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

然后按系统跑安装脚本：Windows 依次执行 setup.bat 和 gui.bat，Linux/macOS 依次执行 ./setup.sh 和 ./gui.sh。浏览器打开后出现 LoRA、DreamBooth、Finetune 这些页签，说明环境好了——看到这一页就算跑通，卡在这一步很正常，多半是 Python 版本不是 3.10。

第二步：把训练数据整理好，配好描述文件

数据集最标准的结构是"图片 + 同名 .txt"。仓库里就有现成例子：test/img/10_darius kawasaki person/目录下一批图片，每张旁边一个 .txt，里面一行描述文字。


组织自己的数据时，分辨率、批大小、重复次数这些字段可以参考 test/config/dataset.toml 的配置写法。描述怎么写有讲究：写清风格、主体、场景，比一句"一张图片"有用得多。

第三步：填四个关键参数，点下开始

LoRA 页参数很多，第一次只盯四个：源模型路径、训练数据集目录、网络维度（dim/alpha）、学习率。拿不准就直接从 预设配置目录 里挑一份 SDXL 或 SD1.5 的预设载入，省掉调参时间。点"开始训练"后，终端会打出一条完整命令行并自动执行，损失值开始滚动就说明跑起来了。

第四步：确认第一张样本图和模型文件

训练中可以配置提示词文件，让它周期性生成样本图，风格变化肉眼可见。结束后检查输出目录两样东西：有没有 .safetensors 模型文件，损失是不是稳定下降。这两样都齐，LoRA 就能拿到绘图软件里实测了。

🎛 跑通之后的三种深玩法

模型只记得一张脸，泛化怎么救

你遇到的问题：生成图和训练集长得太像，换个姿势都是同一张脸。背后的思路：过拟合就是模型在"背"原图，思路是减少记忆量、增加泛化量。具体操作：把 num_repeats 调小，训练步数缩短、多存几个中间检查点，取效果最好的那版；做 DreamBooth 时一定填上正则化图像目录，让模型看一些同类型但不是目标角色的图。预期效果：图里还能认出来这个风格，但主体和场景可以自由变化。

只想学局部区域，怎么让背景别掺和

你遇到的问题：想训的是角色面部，结果训练图里的背景也被学进去了。背后的思路：掩码损失让模型只在掩码的白色区域计算误差，黑色区域直接忽略。具体操作：给每张训练图准备一张同尺寸黑白掩码，白色是需要学习的区域，test/masked_loss/ 目录里有全套示例，照它的画法来就行。

预期效果：模型只学面部与服装特征，背景在出图时随便换，不会被训练图污染。

SDXL 训练总爆显存，从哪下手

你遇到的问题：SDXL 训 LoRA，跑几十步就崩，显存打满。背后的思路：SDXL 有双文本编码器，整条链路占显存比 SD1.5 高一大截。具体操作：开启 --network_train_unet_only 只训 U-Net；优化器换 adamW8bit；批大小降到 1 再靠梯度累积补步数。这些建议都写在 docs/LoRA/top_level.md 里，12GB 是它的显存底线。预期效果：训练完整跑完，显存占用明显下降。

⚠️ 高频坑自排查清单

现象一：CUDA out of memory，训练中途崩掉

• 批大小降到 1
• 打开梯度检查点
• 调低最大分辨率
• 优化器换成 adamW8bit

根因：训练链路的基础显存占用加上文本编码器缓存，两项相加超过卡上限，按清单顺序逐项排查即可。

现象二：SSH 远程训练，进程卡住不动

• 启动参数加 --headless（配合 --listen 0.0.0.0 --server_port 7860）
• 确认界面上没有出现本地文件选择弹窗

根因：GUI 的原生对话框跑在服务器进程里，远程无显示环境时弹窗永远等不到响应，进程看起来像死机。

现象三：LoRA 训完装上没效果

• 生成提示词里加上 class_tokens 对应的触发词
• LoRA 权重先用 1.0 试
• 确认出图用的基础模型和训练时一致

根因：多数时候不是模型没训好，是触发词没用，模型不知道什么时候该激活这个 LoRA。

现象四：启动就报 No module called tkinter

• 重装 Python 3.10 后重新执行安装脚本

根因：GUI 的部分交互依赖 tkinter，系统 Python 版本与项目要求对不上。

📚 资料去哪找

• 文档：各平台安装指南、LoRA 参数详解、完整训练流程
• 工具脚本：tools/ 里有批量打标 caption.py、图像分组 group_images.py、LoRA 分析 analyse_loha.py，python 直接跑
• 示例与测试集：examples/ 是各阶段训练和打标脚本，test/ 有现成小数据集与配置样例
• 社区：项目由社区共同维护，问题排查和功能讨论都发生在仓库 Issues 区，提问前先搜一下同款问题

跑通第一个 LoRA 只是开始，后面真正的难度全在"怎么让它学明白"。建议先用 SD1.5 做个简单 LoRA，确认样本图和模型文件都正常产出，再上 SDXL 和 DreamBooth——路不会走偏。

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