企业官网建设流程全解析

人像类 AI 生成这两年被讨论得最多，但真正落地的时候，大部分人卡在同一个地方：出图好看不难，难的是每次都长成同一个人。抽卡抽到一张满意的，第二天再生成就换了张脸，这种体验没法用在正经活儿上。sd-webui-EasyPhoto之所以在社区里被反复提起，就是因为它把「AI 人像 LoRA 训练」和「双阶段推理生成」这两件事打包成了一条流水线：你丢进去十几张同一个人的照片，它自己完成人脸检测、裁剪、打标、训练、验证，然后你选个模板，它再分两步把图给你生成出来，第一步搭骨架，第二步把脸换回去。整个过程不需要你手写训练脚本，也不需要你懂 diffusers 的底层调用。这篇内容面向的是已经摸过一点 WebUI、但还没系统跑通过人像定制的朋友，也照顾完全没接触过 LoRA 训练的新手——我会把每个参数为什么这么设、每一步翻车了该往哪查，都摊开讲清楚。

1. 这套方案到底在解决什么问题

1.1 人像生成的三道坎：一致性、可控性、质感

把话说透，AI 人像定制之所以比风景、比产品图难，是因为它同时被三个指标卡着。一致性指的是同一张脸在几十张不同场景里要保持稳定，眉眼间距、下颌角、鼻梁高度这些细节不能飘；可控性指的是姿势、构图、服装、光位要能被人为指定，而不是全靠提示词祈祷；质感指的是皮肤、发丝、眼神光这些微观细节要经得起放大看。三者里面任意一个掉链子，成片就没法交付。

常规的文生图流程在这三件事上都不占优势。你在提示词里写「一个短发女性，侧脸，窗边自然光」，模型给你的是一张漂亮的陌生人的脸——漂亮但陌生。想让它认人，要么靠img2img拿原图垫着，结果是姿势被原图锁死；要么靠ControlNet控制结构，结果脸依然是随机抽的。EasyPhoto 的思路是把这三个指标拆开，用不同的技术手段分别解决：一致性交给LoRA 微调，可控性交给模板加 ControlNet，质感交给人脸修复与局部重绘。理解了这种「分而治之」的拆解方式，后面所有参数你都能自己对上号。

注意：很多人第一反应是「我把提示词写详细点不就行了」。人脸的个体差异是像素级的，语言描述的分辨率根本不够。提示词能描述「高鼻梁」，但描述不了「鼻梁在两眼之间偏左两毫米的那道小凹陷」，而这恰恰是熟人一眼认出你的依据。

1.2 什么样的活儿适合用它，什么活儿别硬上

从实际使用看，这套流程最舒服的场景是半身到胸像的人像写真、电商模特换装、社交内容配图、证件照风格统一化这类需求。这些场景的共同点是：人脸的像素占比足够大（通常超过画面高度的 1/6），背景复杂度可控，姿势不需要极端（大幅度扭转、倒立、严重遮挡都不行）。

反过来，有些活儿别硬上。全身远景、多人合影、戴墨镜口罩大墨镜遮挡、强烈逆光剪影、婴儿大幅度表情变化——这些场景里人脸区域的像素可能只有几十个，任何基于人脸特征点的方法都会失准。我见过有人拿一张侧脸 90 度的照片去训练，出来的结果五官全糊，还以为是参数没调好，其实是数据阶段就已经废了。判断标准很简单：把照片缩到 512×512，如果这时候你还能一眼认出是谁，那这张图就有训练价值；如果缩完只剩个模糊轮廓，直接剔掉。

1.3 它不是一个「黑盒一键出图」工具

需要提前打个预防针：EasyPhoto 降低了门槛，但它没有消除门槛。它把训练脚本封装成了按钮，把推理流程封装成了滑块，可数据质量、参数含义、失败排查这些事还是得人来判断。我个人的定位是——它是一个把 80% 的重复劳动自动化掉的流水线工具，剩下的 20% 判断力，恰恰决定了你出的图是「像」还是「非常像」。所以下面我会花相当篇幅讲数据准备和参数背后的逻辑，而不是简单地告诉你「点这个按钮」。

2. 整体架构拆解：为什么是 LoRA 加双阶段推理

2.1 三个模块各自的分工

整条链路拆开看就三段。第一段是数据预处理：插件对你的原始照片跑人脸检测，拿到人脸框和五点关键点，按框裁出一个正方形的人脸区域，同时保留一张包含肩颈的较大裁剪，再把裁好的图连同文件名、人脸位置写进训练用的元数据。这一步的本质是「把非结构化的照片整理成模型能吃的规整样本」。

第二段是 LoRA 训练：以写实类底模为基础，用这批裁剪图做小规模微调，只更新少量低秩旁路参数，产出一个几十到一百多兆的权重文件。训练期间插件会定期跑验证：用固定的几条提示词生成样张，再拿人脸识别模型去比对这些样张和训练集里的人脸，算一个相似度分数，最后把分数最高的那个检查点挑出来。

第三段是双阶段推理：第一阶段按你选的模板生成一张「结构正确但脸不一定对」的图，第二阶段在上一张图的基础上做人脸区域的局部重绘，用训练好的 LoRA 加上人脸特征约束，把脸往目标身份上拉，一次生成多张候选，用相似度打分挑最好的一张，最后叠一层人脸修复。

2.2 为什么选 LoRA，而不是别的定制方案

这条路线上其实有好几种技术选择，社区里也一直有争论。我把常见的几种放在一起对比，你就明白 EasyPhoto 为什么走 LoRA 这条线。

LoRA 的数学本质是「冻结原权重，在旁边挂一对低秩矩阵做增量更新」。假设原模型某个注意力层的权重矩阵是 1024×1024，全量微调要更新一百多万个参数；LoRA 把它拆成 1024×r 和 r×1024 两个小矩阵相乘，r 取 64 或 128，参数量直接掉一个数量级。带来的好处很直接：显存占用小、训练快、产出文件小、可以随时插拔不污染底模。对一个需要反复切换不同人物身份的工作流来说，这种「可插拔」特性比峰值精度更重要。

免训练的身份注入类方案确实更省事，上传一张参考图就能出图，但它在大幅度姿势变化和复杂光照下的稳定性明显不如微调。我自己的测试结论是：如果只是做几张头像试试水，免训练方案够用；如果要做一套几十张风格统一、姿势各异的写真，还是老老实实训练一个 LoRA 更稳。

2.3 双阶段推理为什么要拆成两段

这是整个方案里最容易被误解的设计。很多人会问：既然已经训了 LoRA，为什么不在第一阶段就用 LoRA 直接生成一张脸对的图？答案是结构和身份这两个目标的优化方向是冲突的。

第一阶段如果强行用 LoRA 加高权重去压身份，模型为了保住脸，会不自觉地把姿势、构图拉回训练集里出现过的样子——训练集里全是正面半身照，那生成出来就永远是正面半身照，模板里那些坐在窗边、侧身回头的构图全部失效。这就是典型的过拟合外溢。

拆成两段之后，第一阶段彻底放飞，用模板图加 ControlNet 去保证结构，LoRA 权重调低甚至不启用，只负责让画风统一；第二阶段拿着第一阶段的成品图当底，只把人脸区域框出来做局部重绘，这时候模型的自由度被限制在一个小方块里，它没法再去改变姿势构图，只能专心把脸画对。约束范围越小，身份还原的精度越高，这个道理和修图时先定构图再精修五官是一个逻辑。

3. 环境搭建与安装落地

3.1 硬件底线与显存估算

训练和推理的显存需求不是一个量级，我按 512 分辨率和 768 分辨率分别估了一遍，供你对号入座。下面这组数字是常见实践下的经验值，不同底模、不同优化器会有浮动，实际以你机器上跑起来为准。

显存只有 8 GB 的话，建议把训练分辨率压在 512，第二阶段候选数从默认的 4 降到 2，人脸修复放到 CPU 上跑（慢但能出结果）。别硬扛，显存爆了不是报个错就完事，有些情况下会让整个 WebUI 进程直接退出，前面跑了一半的训练白费。

3.2 安装步骤与目录约定

EasyPhoto 是挂在 WebUI 下的扩展，安装方式和其他扩展一致。我习惯用命令行装，比在界面里点更可控，出问题也容易看日志。

# 进入 WebUI 的扩展目录 cd stable-diffusion-webui/extensions # 拉取扩展仓库 git clone <扩展仓库地址> sd-webui-easyphoto # 回到 WebUI 根目录安装依赖 cd .. ./venv/bin/python -m pip install -r extensions/sd-webui-easyphoto/requirements.txt

Windows 环境下把./venv/bin/python换成venv\Scripts\python.exe，路径分隔符也要跟着改。装完之后启动 WebUI，在顶部标签栏能看到对应页签就说明加载成功了。

底模的选择上，训练和推理必须用同一个写实类底模，这一点没有商量余地。用 A 底模训出来的 LoRA 挂到 B 底模上，身份还原度会掉一大截，因为不同底模对「人脸」这件事的内部表征方式根本不一样。我一般固定用一个偏写实、皮肤纹理保留较好的 1.5 系底模，训练、推理、验证全程不换，出问题的概率最低。如果是 768 以上的高分辨率流程，就要换成对应的 XL 系底模，注意 LoRA 和底模的大版本必须对齐，1.5 的 LoRA 挂到 XL 上会直接报维度不匹配。

3.3 路径与缓存的几个坑

扩展目录下会有几个关键路径，建议先摸清楚，后面排查问题时能省很多时间。训练产物、验证图、缓存文件一般分散在扩展目录和 WebUI 的输出目录里，照片原图和预处理后的裁剪图要分开存放。我遇到过磁盘满了导致训练在最后一步写文件失败的情况，因为缓存图一直在累积没人清，几十次试验下来占了几十 GB。养成习惯，每跑完一轮就去清一次临时目录，尤其是那种只跑了一百步就中断的失败试验，缓存文件一个不少地留在那儿。

4. 训练数据准备：最容易翻车的一步

4.1 照片的硬指标清单

这一节我建议你逐条对照着筛。数据决定上限，参数只能逼近上限，这句话在人像定制里是铁律。

• 数量：5 到 20 张，我一般用 12 到 15 张。少于 5 张，模型抓不住面部特征的稳定成分，容易把某一根碎发当成身份标识；超过 20 张，边际收益急剧下降，训练时间却线性增加。
• 分辨率：人脸区域至少 512×512 像素。整张图是 2000×3000 但人是远景，裁出来只有 100×100，那和直接拍一张 100×100 没区别。
• 角度分布：正面占一半以上，剩下的给左右 30 度以内的侧脸、轻微俯仰。极端角度一张都不要。
• 光照：尽量统一。全是柔和自然光最好；如果混了强烈顶光和逆光，模型会学到两套完全不同的阴影逻辑，出图时光位容易错乱。
• 遮挡：刘海遮眼、口罩、手指挡脸、墨镜，全部剔除。模型会把这些遮挡物当成脸的组成部分，之后你换任何场景，它都会想方设法给你加回来。
• 妆容：素颜或淡妆为主。浓妆和大浓妆混在一起，会得到一个「半永久浓妆」的脸，想生成自然状态就没戏了。
• 表情：微表情可以，大笑、张嘴、眯眼这类会改变面部几何形状的，控制在一两张以内。

提示：筛选照片时有个很实用的办法——把这批照片并排铺开看。如果一眼扫过去觉得「这是同一个人在同一天拍的」，那这批数据就是合格的；如果一眼扫过去觉得「这几张是同一个人，那几张不太确定」，那就先把不确定的剔掉再说。

4.2 自动预处理流水线在干什么

你把照片拖进去之后，插件会依次做几件事。先跑人脸检测，拿到人脸框和五个关键点（双眼、鼻尖、两嘴角）；然后以关键点为基准做相似变换，把人脸摆正、对齐到一个标准模板上；接着按固定比例裁出人脸区域和更大的肩颈区域；最后把文件名、人脸框坐标这些信息写进元数据，供后续训练和推理定位人脸用。

这套流程里最需要注意的是检测失败的静默处理。有些照片的人脸检测模型给不出结果，比如侧脸太偏、分辨率太低、戴了墨镜，插件的表现可能是不报错但那张图被跳过，也可能是给了一个错误的人脸框。所以预处理跑完之后，一定要把裁剪结果过一遍。我见过裁剪框偏到只剩半张脸的，训练出来的 LoRA 出图时人脸永远是斜的，排查了半天才发现是数据阶段的问题。

4.3 数据扩充与三条经验法则

如果手头照片不够，可以用水平翻转做简单扩充，但要注意两点：左右脸不对称比较明显的人，翻转后会产生「镜像脸」，训练时要控制翻转样本的比例；纯侧脸不要翻转，翻转后就变成反方向的侧脸，会给模型注入矛盾信息。

三条我自己总结的法则：宁可少而精，不要多而杂——10 张干净照片的效果通常优于 30 张杂乱照片；先看裁剪结果再训练——预处理这步花两分钟检查，能省下半小时的无效训练；每次只换一个变量做对比——不要一次改五个参数然后看结果，那样你永远不知道是哪个改动起了作用。

5. LoRA 训练参数与过程观察

5.1 核心参数该设多少

下面这张表是常用的起点配置，覆盖了大部分需求。表格里的数值是基于 512 分辨率、12 张训练图的场景，你可以按比例调整。

学习率设 1e-4 是个人像 LoRA 的甜点区。设成 5e-4 的时候我在几个案例里都观察到类似现象：前两百步看起来还行，四百步之后开始出现肤色不均、脸部有色块，这就是步子太大直接跳出了好的解空间。设成 1e-5 又太保守，八百步跑完人脸还是「有点像我但说不清哪不像」。rank 的取舍更微妙：64 够用，128 在细节上确实更锐利，但如果你只有 8 张训练图，128 的 rank 必然会记住照片的噪声，出图时出现「人脸很像我但背景里莫名有训练照片的家具」这种诡异现象。

5.2 训练步数怎么算，不是拍脑袋

训练步数和图像数量、批大小、累积步数、轮数之间是有一组换算关系的：

总步数 = 轮数 × 图像数 ÷ (批大小 × 梯度累积) 例：12 张图，批大小 1，累积 1，跑 60 轮 总步数 = 60 × 12 ÷ (1 × 1) = 720 步

要注意这里的「轮数」不是传统意义上的概念微调，因为每一轮喂进去的是同一批图，模型很容易在几十轮内就记住了。人像 LoRA 的经验区间是：每张图跑 50 到 80 步。12 张图就是 600 到 960 步，取中间值 800 步是个稳妥的起点。图越少，单图步数要给得越多，但也不要超过 100 步/图，否则过拟合的概率远超收益。

判断是否过拟合有个很直观的方法：拿训练集里没有的姿势去生成，比如训练图全是正面，你就让它生成一张低头侧脸。如果脸还是像的、结构也正常，说明泛化不错；如果脸变形、五官挤压、或者干脆生成了一张正脸贴到侧身的头上，那就是过拟合了，回去把步数砍两成、rank 降一档。

5.3 训练过程中盯什么指标

跑起来之后别放着不管，有几个东西值得盯。损失值的绝对数值意义不大，要看趋势，正常情况下应该是前期快速下降、中期缓慢波动、后期基本走平。如果出现剧烈震荡甚至突然飙升，通常是学习率太高或者某张数据有问题。验证样张才是真正有价值的东西，插件每 100 步会用固定提示词出一组图，你看这组图里的脸是不是越来越像、细节是不是越来越稳。

最关键的还是相似度打分。插件会自动计算验证图和训练集人脸的相似度，训练结束后把分数最高的那个检查点选出来。这个机制很实用，因为它能规避「跑满步数反而变差」的问题。我建议训练结束后手动去看一眼分数曲线，如果分数在第 300 步就到顶、后面一直在平台期波动，那下次可以直接把最大步数设到 500，省一半时间。

5.4 训练失败的典型表现对照

6. 双阶段推理：从模板到成片

6.1 第一阶段：模板匹配与结构锁定

第一阶段的核心是「给定一个结构，让模型往里面填内容」。模板本质上是一张构图参考图，插件会从模板里提取边缘、深度或者姿态信息，通过 ControlNet 注入生成过程。这一步 LoRA 的作用被刻意压低，因为它负责的是画风一致性，不是身份。

选模板有个诀窍：模板的构图复杂度和你的需求复杂度要匹配。想要一张大特写，就用构图简单的模板，背景干净、人物居中；想要环境人像，就用带场景的模板，但这时候人脸像素占比会下降，第二阶段的还原难度会上升。我一般会把模板分成三档——特写档（脸占画面 1/3 以上）、半身档、环境人像档，按最终用途选，而不是按模板好不好看去选。

ControlNet 的权重不要给满。设到 0.8 到 1.0 之间，结构会锁得很死，但画面容易僵；设到 0.6 左右，模型有余地去补细节，自然度更好。我的习惯是从 0.75 起步，看第一张效果再调。

6.2 第二阶段：人脸融合、多候选择优与修复

第二阶段是整个方案里最精巧的部分。拿到第一阶段成品后，插件会重新对成品跑一次人脸检测，把检测到的人脸区域框出来，然后只在这个区域里做局部重绘。重绘时的条件包括：训练好的 LoRA、目标人脸的参考特征、以及你填的补充提示词。

关键参数是人脸相似度阈值。它决定了候选图里哪些会被判定为「合格」。设得太高（比如 0.85 以上），可能全部候选都不达标，白跑一轮；设得太低，又容易放进不像的图。0.5 到 0.6 是比较务实的区间。插件通常会一次性生成多张候选，逐张打分，把分数最高的那张输出，如果全都不达标，就会调整参数重试。

人脸修复这一步单独说。皮肤质感的重绘和人脸几何的还原是两回事，局部重绘负责后者，修复模型负责前者。修复强度我一般给 0.3 到 0.5，给太高会把皮肤磨成塑料，纹理全丢，出图一看就是 AI 味；给 0.2 以下又修不干净，原图里的噪点和瑕疵都留着。这个值跟你的底模质量强相关，写实类底模本身质感好的话，修复强度可以再往下压。

6.3 参数组合实测对照

补充提示词这一栏容易被忽略，但它很有用。写清楚你要的光线质感、镜头焦段感、皮肤状态，能明显改善成片观感，比如加上「柔和窗光、浅景深、自然肤质」这类描述词。但别在这里重复描述长相，长相交给 LoRA 和特征约束，提示词写长相只会打架。

7. 常见问题排查实录

7.1 训练侧的高频故障

训练启动就报显存不足。先确认分辨率是不是被默认设成了 768，再检查是不是有其他进程占着显存。把批大小降到 1、打开梯度检查点、关掉同时运行的其他生成任务，九成以上能解决。如果还不行，就是底模本身太大，考虑换一个更轻量的写实模型。

训练跑完了但 LoRA 加载报错。多半是底模和 LoRA 的大版本不匹配，或者扩展版本和 WebUI 版本不兼容。先看日志里的维度信息，报维度不符基本就是版本错配；如果是文件读不出来，检查文件是不是完整写入，磁盘满导致的半截文件很常见。

验证图全是黑的或者全是噪点。这是训练发散，通常是学习率过高或者数据里有损坏文件。把学习率砍半重跑，同时把数据重新过一遍，找那种打开就花屏的图。

7.2 推理侧的高频故障

生成的人脸完全不像。按可能性从高到低排查：LoRA 有没有真的加载上、相似度阈值是不是设得太宽松导致放行了低分候选、模板分辨率是不是太低导致人脸像素不够、第一阶段 ControlNet 权重是不是太高把脸框死了。我遇到最多的是第一个——以为加载了其实没生效。

人脸位置错乱，出现两张脸的残影。这是第二阶段的人脸检测框出了问题，可能是第一阶段生成的图里人脸被头发或手遮挡，检测框给偏了。换一个更简洁的模板，或者把补充提示词里加上「无遮挡、完整面部」试试。

出图肤色和本人差太多。检查训练数据里的光照是不是太单一，同时推理阶段的光照描述词和数据里的光照要匹配。训练图是室内暖光，你推理时写「户外正午强光」，肤色必然走偏。

多张候选全都一样。说明随机种子被固定了，或者候选生成时的噪声参数被设成了同一值。检查种子设置，把它设成 -1 让每张走随机。

7.3 排查速查表

8. 实操心得与边界认知

8.1 我自己踩过的几个坑

第一个坑是贪多。刚开始做的时候，我觉得照片越多越好，塞了三十多张进去，角度妆容全都不一样。训出来的 LoRA 出图时好时坏，同样的参数跑两次结果差很多，排查了半天才意识到是数据内部的矛盾在打架——一会儿学到浓妆，一会儿学到素颜，模型自己也没想明白该听谁的。后来砍到 14 张统一条件的照片，稳定性立刻上来了。

第二个坑是迷信默认参数。默认步数是通用的折中值，不是为你的数据调的。我有一次只用了 6 张照片，还按默认的 800 步跑，结果严重过拟合，出图表情全是同一个僵硬的微笑。后来改成单图 80 步、总共 480 步，效果反而更好。参数没有绝对的好坏，只有和数据匹不匹配。

第三个坑是跳过裁剪检查。省那两分钟，后面可能要花两小时重新训练。现在我固定流程：预处理完先看裁剪图的九宫格，确认每张都是完整的正脸，再去点训练。

8.2 质量判定的三个肉眼标准

出图之后怎么判断合格？我的三条标准：放大到 100% 看眼睛，眼白和瞳孔的边缘是否干净，这里的细节最能暴露模型有没有真的学到；看脖子和下巴的过渡，合成痕迹最常出现在这个位置，皮肤纹理断裂或者阴影不连续就是有问题；眯起眼睛看，模糊状态下如果能一眼认出是谁，说明骨相抓对了，而不是靠某个局部特征硬凑出来的相似。

8.3 使用边界这件事必须说清楚

这套技术能做的事和不能做的事，边界其实很清楚。它能把一个人的面部特征迁移到新的场景里，这意味着任何使用都必须建立在本人知情同意的基础上。用于自己的形象创作、用于有授权的商业拍摄、用于已获授权的模特素材，这些是正向的。拿别人的照片去做任何未经许可的内容，不管技术上多容易实现，都是越界的。行业中已经有明确的共识和规范，实际落地时留痕、存证、取得书面授权这些流程一步都不能省。

另外要留意的是不要追求过度逼真。现在很多人追求「完全看不出是 AI」的效果，这个方向本身没问题，但一旦脱离了授权范围，技术越逼真风险越大。我个人的做法是：产出图里保留合理的艺术化处理，不做一比一的写实复刻，既好看，也把边界守住了。

8.4 后续还能往哪些方向扩展

跑通基础流程之后，我试过几个延伸玩法，效果不错。一个是多人物 LoRA 混合，把两个人的 LoRA 按不同权重叠加，做家庭合影或者双人构图，权重比例 0.6/0.4 这种配置比较稳，各 0.5 容易产生「缝合脸」。另一个是服装和配饰单独训一个 LoRA，人物 LoRA 负责脸，服饰 LoRA 负责衣服，两者解耦之后换装灵活度大幅提升，比在一个 LoRA 里混训要清晰得多。还有一个是固定模板加批量出图，把一套模板配好参数存下来，接一个批量脚本跑几十张，做内容矩阵的时候效率非常高，但前提是前面的人脸一致性已经调稳了，否则批量出来一堆废图更浪费时间。

最后一个实用建议：建一个自己的实验记录表，每次训练记下数据量、参数、相似度分数、主观评价。跑个十几次之后你会明显感觉到规律，哪些参数组合在你的底模上是稳的，哪些是雷区，一目了然。这件事看着笨，但它比任何教程都管用，因为你的数据、你的底模、你的审美偏好，只有这套记录能对上号。