kohya_ss 实战手册从 10 张图到可出图的 LoRA 微调完整流程【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ss想在两天内把自己的 10 张图变成一版可用的 LoRA 训练权重kohya_ss 是最短的路径。它把 Stable Diffusion 训练脚本包成了图形界面你在界面上填参数它负责生成并执行真正的训练命令。这篇手册带你走完整条链路装环境、备数据、跑通第一次 LoRA 训练最后把权重文件拿到手。项目能力全景kohya_ss 是什么kohya_ss 是 Kohya 那套 Stable Diffusion 训练脚本的 Gradio 图形前端解决的是手写训练命令太劝退的问题。相比直接啃命令行参数它把选项变成下拉框和输入框同时保留了等价的 CLI 能力。和同类工具比它的优势是训练方式覆盖最全从轻量 LoRA 到整模型微调都有入口。GUI 生成命令行界面上每个选项都对应一条真实的 sd-scripts 参数可复制可复现多种训练方式LoRA / LoHa / LoKR、DreamBooth、全量微调、文本反转训练基础模型覆盖广SD1.5、SD2.x、SDXL、SD3、Flux.1、Lumina Image 2.0、Anima、HunyuanImage 2.1自带打标签工具BLIP、WD14 等打标签入口省去手写提示词预设与掩码损失presets/ 内置社区训练预设支持 masked loss 按区域算损失环境要求与安装命令硬件底线一句话NVIDIA 显卡、8GB 以上显存、CUDA 12.8 驱动系统为 Windows 或 LinuxPython 3.10–3.11 和 Git 由安装脚本负责你不用手动折腾。WindowsPowerShell 或 CMDgit clone --recursive https://gitcode.com/GitHub_Trending/ko/kohya_ss cd kohya_ss setup.batLinuxsudo apt install python3.11 python3.11-tk python3.11-venv git git clone --recursive https://gitcode.com/GitHub_Trending/ko/kohya_ss cd kohya_ss ./setup.sh装完依赖后不习惯命令行的用户也有替代入口Windows 直接双击 gui.batLinux 执行 gui.sh效果等价。分步操作从零到首次产出把项目拉到本地并启动 GUI目标跑起 kohya_ss 的 Web 界面。安装脚本结束后Windows 双击gui.batLinux 执行./gui.sh。预期浏览器自动打开 7860 端口或终端打印的地址看到分标签页的界面LoRA 选项卡就在顶部。按规范摆放训练数据目标让程序认识你的图。按 docs/image_folder_structure.md 的规范建目录每类概念一个子文件夹命名数字_概念名数字是训练时的重复权重每张图配一个同名.txt里面写这张图的提示词提示词会优先于文件夹名生效。仓库里的 test/img/ 就是一组现成样本照它的结构搭自己的文件夹最省事连.txt怎么写都有参照。配置并启动第一次 LoRA 训练目标产出第一个.safetensors文件。在 LoRA 选项卡依次填入基础模型路径、训练数据目录上一步的文件夹、输出目录训练参数区填 LoRA 秩 16、学习率 1e-4、最大步数 1000、最大分辨率 1024其余保持默认。预期点击训练后界面拼出完整命令并弹出训练窗口loss 从 0.5 上下开始逐步回落。取走模型去生成图片目标验证 LoRA 生效。训练跑完一轮outputs/里会出现.safetensors文件。把它放进 Stable Diffusion WebUI 的 LoRA 目录生成图时提示词写模型名并加权重 0.8 左右出图带上了你训练的风格说明整条链路通了。核心参数速查LoRA 训练最常动的五个旋钮参数名白话作用推荐起始值改大 / 改小的后果learning_rate学习率模型每步修正的幅度1e-4Adafactor 用 2e-6 级改大容易出图糊掉、变噪改小几乎学不动network_dimLoRA 秩模型能记住的容量16改大文件变大、易过拟合改小细节学不全max_train_steps总训练步数决定学多久500–1500过多过拟合出重复纹理过少学不充分train_batch_size一次吃几张图直接占显存1显存爆就保持 1用梯度累积补max_resolution训练分辨率上限SD1.5 用 1024改大吃显存、拖慢速度改小丢细节新手最常改错的是 learning_rate没有越大越快一说先按 config example.toml 的默认值跑等出图有问题再动它。高频翻车点四种典型现象的排查路径如果训练中途显存爆满OOM现象loss 打印几行后报 CUDA out of memory进程直接退出根因分辨率或 batch 超出显存余量SDXL 基座尤其吃紧解法在 Advanced 区打开 gradient checkpointingtrain_batch_size 保持 1max_resolution 降到 512SDXL 可先试 768重跑如果出图重复纹理、五官扭曲现象生成图里出现固定花纹、重复元素或结构崩坏根因过拟合步数相对数据量太多解法max_train_steps 砍半learning_rate 降一个数量级1e-4 改 1e-5重训后对比样本图如果结果忽好忽坏、提示词不生效现象同一提示词有时像有时完全不像权重拉到 1 也没用根因数据本身风格不一致或.txt提示词与画面内容对不上解法剔除模糊和离群样本用 tools/caption.py 或 GUI 里的 WD14 打标签页统一重打提示词如果 Windows 启动报 No module named tkinter现象setup.bat或gui.bat刚跑就抛 ModuleNotFoundError根因Python 安装时未勾选 tcl/tk 组件解法卸载重装 Python 3.10–3.11安装器里勾上 tcl/tk and IDLE再重跑安装脚本延伸资源流程跑通之后去哪看docs/Installation/uv 与 pip 两套安装方法按平台各有一篇docs/LoRA/options.mdLoRA 参数逐项说明调参前翻一遍presets/lora/社区验证过的参数组合可一键载入examples/caption.ps1批量生成提示词的脚本示例docs/train_lllite_README.md训练脚本参数全集含 masked loss 说明先拿 10 张图和默认参数把完整流程跑一遍出图正常后再逐项调参。【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