企业官网建设流程全解析

Kohya_ss Flux 训练指南：Flux.1 LoRA 一次配齐，从零到出图

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

第一次打开 Kohya_ss 的 Flux.1 LoRA 训练面板，所有格子都是空的——四个模型路径、一堆没听过的开关。别慌，整件事其实就三段：把文件放对位置、把预设里该动的参数动掉、盯住前 10 分钟。这篇文章带你完整走一遍，跑完你会得到一个能直接插进生成工作流的 LoRA 文件。

开训前一次性配齐四个模型文件

GUI 的 "Flux.1" 面板（对应源码 kohya_gui/class_flux1.py）需要你喂四个文件。别一个个手写参数，直接在预设区载入 presets/lora/flux1D - adamw8bit fp8.json——它天生就是为 fp8 省显存准备的那套。四个字段在预设里都印着 "put the full path to ... here"，套用时你唯一要做的，是把它们替换成磁盘上的真实路径：

Base Model Type 下拉里 flux 和 chroma 二选一：用 flux1-dev 就保持 flux；chroma 是给 schnell 系模型用的，不需要 CLIP-L，guidance_scale 还会自动归零。

只动这几个参数

预设里真正要理解的只有两组：LoRA_type = Flux1、optimizer = AdamW8bit、mixed_precision = bf16、fp8_base = true、learning_rate = 0.0003、network_dim = 16、network_alpha = 16、max_train_steps = 1000、train_batch_size = 1。

• batch 为什么焊死在 1：Flux.1 的双块（double blocks，Transformer 里的主要算子层）又宽又深，batch 1 是显存装得下、收敛又成立的那个交点。
• AdamW8bit 为什么省显存：优化器状态（一阶/二阶矩）改用 8 位存储，比普通 AdamW 的显存占用直接砍掉一截，这也是 "Flux LoRA 显存" 话题里最值钱的一刀。

其余参数收进这张表，照抄即可：

数据与桶：10–50 张图加同名标注

数据集不用多：目标人物（或目标风格）的图 10–50 张，每张旁边放一个同名的 .txt 标注文件。预设里 caption_extension 已写好 .txt，train_data_dir 填你的图片文件夹就齐活了。仓库里就有现成范例：



test/img 下每张图配一个 .txt（内容就一句描述，比如 "a painting of a steam punk skull with a gas mask, by darius kawasaki"），这就是 Flux.1 LoRA 训练数据的最小单元。

分辨率的事全交给桶（bucket）机制：预设里 enable_bucket = true、max_resolution = 512,512、bucket_reso_steps = 64、bucket_no_upscale = true——图按宽高比缩进对应的桶，小图绝不上采样。别手痒把 max_resolution 往上调，分辨率上去一档，显存占用近乎翻倍，前面的省显存配置全白做。

启动后的前 10 分钟

启动四步：选基础模型 → 加载数据集 → 把 output_dir 和 output_name 填成你自己的 → 点 Start。然后只盯三处：

• Checkpoint 落盘：save_every_n_steps = 50，每 50 步写一个 safetensors（save_precision = bf16）。1000 步下来有 20 个快照，最终效果不满意，回头挑中间最好的一步就行。
• loss 曲线：从初始值逐渐往下走是正常剧本；前几步抖动不用怕，但整体趋势不能往上爬。
• 样图：预设的 sample_prompts 是 "saruman posing under a stormy lightning sky, photorealistic --w 832 --h 1216 --s 20 --l 4 --d 42"，euler 采样器生成。样图风格应逐步向目标人物靠拢——loss 在降 + 样图在变像，两条都成立才说明方向对了。

翻车快查

⚠️ 九成翻车落在这三种里：

• 症状：OOM，报显存不足→ 原因：double blocks 太大，优化器状态又占一截 → 一个动作：train_blocks 从 all 改成 double 或 single；还不够，再开 CPU Offload Checkpointing（实验性功能）。fp8_base + bf16 已经是保守方案，减块 + batch 1 能救绝大多数情况。
• 症状：启动即模型加载失败→ 原因：路径没给全，或 T5-XXL 拿成了 fp8 版 → 一个动作：逐个核对四个路径是不是完整绝对路径，把 T5-XXL 换成 fp16 版。
• 症状：loss 不降或来回震荡→ 原因：0.0003 的学习率对当前数据太猛 → 一个动作：learning_rate 降到 0.0001，确认 max_grad_norm = 1 真的生效；仍不稳就把 min_snr_gamma、loss_type 还原成预设值。

出图验收：LoRA 装回工作流才算数

训练结束 ≠ 训好了。把 output_dir 里那个 safetensors 丢进 ComfyUI 的 models/loras 目录，用 Flux 加载 LoRA 的节点挂进你现有的出图工作流，然后做三个动作：

1. 固定 prompt 和 seed，权重从 0.8 左右起，出 3–5 张：目标人物的特征要能稳定出现，且脸、身体不崩。
2. 权重降到 0.5：只留风格或特征残留、无关内容不被污染，说明 LoRA 是"可插拔"的，没有把底模拖坏。
3. 换一张完全不相干的 prompt试：画面不该被目标人物绑架；如果加载后出图毫无变化，则是权重没生效，先查节点连接。

中间那 20 个 checkpoint 就是你的调节旋钮——哪个步骤出的图最稳就用哪个，不必迷信最后一步。

开训前 5 条检查清单

• flux1-dev、ae.sft、clip_l.safetensors、T5-XXL（fp16 版）四个文件就位，填的是完整绝对路径
• AdamW8bit 预设已加载，LoRA_type = Flux1
• fp8_base、gradient_checkpointing、文本编码器缓存（含落盘）已打开
• 数据集 10–50 张图、每张配同名 .txt；train_data_dir 已填
• output_dir、output_name 已改成自己的，样图 prompt 就位，TensorBoard 已打开

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