kohya_ss图形化训练 Stable Diffusion 模型从 10 张照片练出自己的风格 LoRA【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_sskohya_ss 是一个 Stable Diffusion 训练的图形化工具把 Kohya 的命令行训练脚本做成了 Gradio 网页界面LoRA 微调、Dreambooth、整模微调和 Textual Inversion 都能点鼠标完成。想用自己 10-20 张照片练一个风格模型不用背任何命令。从手里有一批图到模型学会这个风格你手里有一批风格统一的插画或者某个角色、物件的一组照片想让 AI 能复现这种画风。查一下训练脚本会看到一排看不懂的参数学习率、优化器、桶分辨率、正则化图片还没开始就想放弃。kohya_ss 就是做这一层的这些参数全部变成复选框、滑块和下拉框训练时由界面自动生成对应的命令行指令。本文给没训过模型的人讲清楚整条路它能干什么、适合谁、怎么跑起来。它帮你解决的三件事训练数据怎么准备图放进一个文件夹每张图配一个同名的 .txt 写一行描述分辨率 512x51210-20 张就够。项目里的示例数据就是这个格式——一张蒸汽朋克风格的画作旁边放着它的 caption 文件配套的自动标注工具可以批量生成 .txt不用每张手写。预设配置怎么用presets/lora/ 目录里放了几十个社区沉淀下来的 JSON 预设覆盖 SD1.5、SDXL 等底模常见的优化器和学习率组合。加载一个就能拿到一套验证过能用的参数你只要改数据集路径和输出模型名不用逐个理解参数含义。训练过程怎么盯点开始之后控制台实时输出进度和 loss 值还能开启定期生成样图隔一段时间看一次模型学到什么程度。样图开始接近训练数据的风格就可以停不用干等整轮跑完。怎么跑起来先拿到仓库git clone --recursive https://gitcode.com/GitHub_Trending/ko/kohya_ss然后进目录Windows 双击gui-uv.batLinux/macOS 跑./gui-uv.sh。脚本用 uv 装全部依赖走隔离环境不用手动管 Python 版本和库冲突装完直接弹开浏览器指向 localhost:7860。进去之后先在设置里确认底模路径SDXL 或 SD1.5 的 .safetensors 文件再到 LoRA训练界面 选好数据文件夹、加载预设、点开始。一个 LoRA 跑一次8G 显存够用训一个风格大概 30 分钟到 1 小时。一个完整场景以练一个蒸汽朋克机械风 LoRA 为例。你收集了 16 张同风格的蒸汽朋克画作放进文件夹每张的 .txt 里写steampunk, gears, mask这类关键词。界面选 LoRA 标签页加载 presets 里的SDXL - LoRA AI_characters standard v1.0.json输出模型名改成 steampunk_style轮数设 30。约 40 分钟后产出一个 .safetensors 文件丢进出图工具、权重设 0.8提示词写蒸汽朋克头骨、防毒面具出来的画面就是贴近你素材的蒸汽朋克味道而不是通用模型的泛化结果。常见卡点训练刚跑就爆显存——现象是开始几步就报 CUDA out of memory。原因是预设里的批量和桶分辨率超出了你的显存。动作批量降到 1在高级设置里打开 block swap 这类显存优化项或者把分辨率降一档。训完模型没学会——现象是训练完成但样图依然模糊、风格不出。原因通常是训练图风格太杂或者 caption 缺失、写错模型提不出共同特征。动作把数据收拢到 10-20 张风格统一的图逐张检查 .txt 是否和图片对得上。安装脚本跑不完——现象是 uv 启动脚本跑到装依赖阶段就报错。原因是网络问题或本机 Python 版本和脚本要求不匹配。动作改用 pip 启动脚本重试具体步骤见安装文档。收尾一句话总结kohya_ss 是 Kohya 那套 Stable Diffusion 训练脚本的图形化外壳覆盖 LoRA、Dreambooth、微调和 Textual Inversion 四种训练方式支持 SD1.5、SDXL、SD3、Flux.1 等底模。下一步最小动作把仓库 clone 下来跑一次默认安装放 10 张自己的图进文件夹用任意预设试跑 5 轮。效果对得上再逐步加轮数和数据量。【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