在 AMD（ROCm）上跑通 kohya_ss：完成你的第一次 LoRA 训练-港品优选

在 AMD（ROCm）上跑通 kohya_ss：完成你的第一次 LoRA 训练

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

ROCm 驱动装好了，kohya_ss 界面也启动了，一点"开始训练"却报错或只跑 CPU——这是 AMD GPU 用户最常见的卡点。这篇文章面向会用终端、但没训练过模型的人，在 Linux 上把 kohya_ss 完整跑一遍：先逐项自查环境，装 ROCm 依赖，再启动图形界面，最后完成一次最小 LoRA 训练。

环境自查：开训前逐项核对

kohya_ss 是一个基于 Gradio 的模型训练图形界面，LoRA、DreamBooth、文本反转都靠它操作。ROCm 是 AMD 的 GPU 计算栈，作用类似 NVIDIA 的 CUDA。下表是硬性条件，装驱动之前先核一遍。

项目	要求	怎么核对
显卡	支持 ROCm 的 AMD 卡，RX 6000/7000 系列（RDNA 2/3）成熟度最高	终端运行`rocm-smi`，能看到卡名与显存即通过
系统	Linux，Ubuntu 22.04 及以上最省心	`cat /etc/os-release`查看发行版
Python	3.10 或 3.11（项目要求`>=3.10,<3.12`，见 pyproject.toml）	`python3 --version`
ROCm 驱动	6.x 版本；仓库锁定的 PyTorch 是 rocm6.3 轮子，见 ROCm 依赖	`rocm-smi`无报错，且`rocminfo`能列出设备

验证命令只有一条：

rocm-smi

预期结果是列出你的显卡、显存容量和占用率。如果提示找不到设备，说明 ROCm 驱动没装好，先解决这一项再往下走。

完整流程：从空环境到第一次训练

环境准备

把仓库克隆下来，--recursive不能省，kohya_ss 的训练逻辑在 sd-scripts 子模块里：

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

安装 ROCm 依赖

在仓库目录里运行安装脚本，--use-rocm让脚本走 AMD 分支：

./setup.sh --use-rocm

脚本会创建 venv 虚拟环境，检测到 ROCm 环境（它检查rocminfo命令）后，先升级 pip 再按 ROCm 依赖安装——该文件锁定了torch==2.7.1+rocm6.3和tensorflow-rocm，比 CUDA 版体积大，所以老版本 pip 装不动。怎么算成功：结尾打印Setup finished! Run ./gui.sh to start.。装 Python 依赖前注意选对版本，细节可查 pip 安装文档和 uv 安装文档。

启动验证

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

浏览器会打开 kohya_ss 界面，左上角显示项目名和版本。远程 SSH 环境下要加--headless，否则文件选择框会卡住进程。也可以用 uv 方式启动：./gui-uv.sh。

第一次训练

数据集就是"图片 + 同名 txt"。每张图旁放一个同名的.txt，写一句画面描述，作用像给照片贴标签，告诉模型图里有什么。支持.png、.jpg、.jpeg、.webp、.bmp。目录结构参考 test/img/ 和数据集目录结构说明。

图里的.txt内容是a painting of a steam punk skull with a gas mask, by darius kawasaki，这就是配套标注。

数据准备好后进界面 LoRA 页签：选源模型，数据集路径指向图片目录，训练参数可以先用 LoRA 预设里的一份起步。怎么算成功：输出目录里出现.safetensors文件，且训练过程中生成的示例图越来越像你给的照片，而不是越来越糊。

LoRA 和 DreamBooth 怎么选

中文训练文档里列了四种训练方式，对应不同脚本，差异见下表。显存一栏是相对关系，具体数值随模型和分辨率变化。

训练方式	对应脚本	适用场景	显存消耗（相对）
LoRA	`train_network.py`	学一个角色、画风，产物是小插件文件，可挂到任何兼容模型上	最低
DreamBooth	`train_db.py`	把目标学进底模本身，不产出插件	较高，训练整个网络
全模型微调	`fine_tune.py`	数据量大、想整体改变模型风格	最高
SDXL 底模	以上均可换 SDXL 模型	出图分辨率和细节更高	比 SD1.5 对应方式高一档

第一次训练建议直接选 LoRA：数据集小、跑得动、失败成本最低。想省参数调优的时间，LoRA 预设和微调预设里都有现成 JSON。

排障速查：按现象查表

现象	可能原因	处理方法
pip 装依赖时报冲突或中断	Python 不在 3.10/3.11 范围，或 pip 过老装不动大轮子	核对`python3 --version`；删除 venv 重跑`./setup.sh --use-rocm`，脚本会自动升级 pip
`onnxruntime-rocm`安装失败	该包没有 Python 3.11 的构建（依赖文件里有注释）	换到 Python 3.10 再装
训练跑在 CPU 上，GPU 无占用	ROCm 驱动未装好，或启动时没加`--use-rocm`	先跑`rocm-smi`确认识别到卡，再用`--use-rocm`参数启动 GUI
AMD 显存不足，报 OOM 或 HSA 错误	分辨率、batch 开太大	打开梯度检查点（GUI 高级选项默认开启），调低训练分辨率和 batch size，用 fp16/bf16 混合精度；Accelerate 配置里还有 fp8 选项可进一步压显存
启动 GUI 提示"Please run setup.sh first"	venv 不存在，说明没跑过安装脚本	先执行`./setup.sh --use-rocm`

资源索引

中文训练说明（数据准备、各方式选项）：docs/train_README-zh.md
数据集目录结构：docs/image_folder_structure.md
安装文档：pip 方式、uv 方式
ROCm 依赖清单：requirements_linux_rocm.txt
预设配置：LoRA 预设、微调预设
训练脚本示例：examples/
示例数据集：test/img/
界面源码（想改默认参数时看这里）：kohya_gui/

一个低门槛的起步

先用仓库自带的 test/img/ 数据（8 张图加标注）配一份 SD1.5 的 LoRA 预设跑通全流程，确认界面、GPU、显存都正常，再换自己的数据集。跑通这一次，剩下的都是参数调整。

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

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

企业官网建设流程全解析