kohya_ss新手完整指南从安装到训出第一张图的四步LoRA实操【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_sskohya_ss 是一个面向扩散模型训练的图形界面工具把 LoRA 训练、Dreambooth 和全量微调的所有参数都变成浏览器里的滑块和输入框适合没有命令行基础、但想训练专属风格的创作者。它解决什么问题很多训练脚本LoRA、Dreambooth原本只能靠拼写一长串命令行参数完成写错一个字符就要重来。kohya_ss 把这些参数收进一个 Gradio Web 界面你填好表单后它自动生成对应的训练命令并执行。它支持 SD1.5/2.x、SDXL、SD3、Flux.1、Lumina、Anima、HunyuanImage 等主流基模也覆盖 LoRA、LoHa、LoKr、Textual Inversion 等多种训练方式。换句话说你的电脑有 NVIDIA 显卡、有一批喜欢的图片剩下交给 kohya_ss LoRA 训练界面。开始前准备安装环境约 10 分钟先确认两件事NVIDIA 显卡建议显存 12GB 以上跑 SDXL 更从容、Python 3.11.9 并已加入 PATH安装时勾选 Add to PATH。然后克隆仓库并启动git clone --recursive https://gitcode.com/GitHub_Trending/ko/kohya_ss cd kohya_ssWindows双击运行gui-uv.batLinux / macOS终端执行./gui-uv.sh脚本会自动安装依赖浏览器打开 http://localhost:7860 即表示成功。两种安装方式的完整说明见 uv 版 Windows 安装 和 pip 版说明。准备训练素材kohya_ss 要求数据集按文件夹 同名 .txt 描述组织参考 文件夹结构文档dataset/ └── 10_my_style/ ├── image1.jpg ├── image1.txt # 内容如a painting of a steam punk skull └── image2.jpg数量10~20 张风格统一、主题明确质量优先于数量分辨率SD1.5 建议 512x512 起步SDXL 建议 1024x1024每张图必须有同名的 .txt 描述文件描述会覆盖文件夹名参与训练仓库里自带一组示例数据可以直接打开研究test/img/10_darius kawasaki person/8 张图配 8 个 .txt是最小可用数据集的样板。核心操作四阶段阶段一设置默认路径目标让界面记住你的模型和数据存放位置省得每次手填。具体操作把根目录的config example.toml复制一份改名为config.toml填入你的基模目录、数据集目录、输出目录路径用正斜杠绝对路径或相对仓库根目录的路径均可。完成标志重新启动 GUI 后各标签页的路径输入框已自动预填好你的目录。阶段二选择训练模式并加载预设目标用社区调好的参数起步而不是从零猜。具体操作进入 LoRA 标签页点击加载配置从presets/lora/目录选一个预设。例如SDXL - LoRA AI_characters standard v1.0.json角色类训练SDXL - LoRA finetuning phase 1_v1.1.json两阶段训练的第一阶段iA3-Prodigy-sd15.jsonSD1.5 场景完成标志表单中的 network_dim、学习率、优化器等字段全部被预设值填充。阶段三配置数据集与采样图目标告诉界面训练什么、训练中如何预览效果。具体操作填入数据集目录阶段准备里的结构在采样提示词文件里写 1~2 条提示词可加生成参数如--w 768 --h 768 --l 7.5 --s 28宽度、高度、CFG、步数。完成标志数据集目录被识别出子文件夹和图数采样提示词文件保存成功。阶段四开始训练并观察目标启动训练并判断是否健康。具体操作点击开始训练在控制台观察 loss 变化训练中会按采样提示词周期性生成预览图。完成标志输出目录默认outputs/中出现 .safetensors 模型文件预览图风格逐渐接近你的素材。完整案例用仓库示例图训一个蒸汽朋克骷髅风格 LoRA素材直接用test/img/10_darius kawasaki person/下的 8 张图它们已带同名 .txt 描述如a painting of a steam punk skull with a gas mask无需改动。配置在 LoRA 标签页加载presets/lora/SDXL - LoRA AI_characters standard v1.0.json做三处修改输出模型名my_steampunk_loramax_train_epochs100 改为 10首跑验证用train_batch_size8 改为 2显存不够时先降这里预设自带的network_dim32、network_alpha32是社区验证过的标准组合保持不动。运行点击开始训练。SDXL 8 张图 10 轮8GB 显存显卡大约几十分钟可完成期间留意控制台 loss 是否在下降以及每隔若干步生成的采样图是否出现骷髅、面具、黄铜管这些元素。结果在outputs/得到my_steampunk_lora.safetensors约几十 MB。把它放进 ComfyUI 或 WebUI 的 LoRA 目录提示词中加上触发词即可生成同风格新图。如果首跑效果偏淡把max_train_epochs提到 30~100 再训一轮这是最直接的改进路径。常见问题速查如果启动时提示No module named tkinter重装 Python勾选 tcl/tk 组件 kohya_ss 的图形依赖它详见 README 故障排查。如果训练中途显存爆掉OOM按顺序降train_batch_size、降max_resolution、在优化器选项里选 8bit 版本如 AdamW8bit三项通常解决 90% 的情况。如果在 SSH 远程机器上启动界面卡死不动原生弹窗在无显示器环境会阻塞进程改用./gui.sh --headless启动即可跳过本地文件选择框和覆盖确认。如果训了几小时看不出效果先用 5 张图、5 轮做快速验证确认流程与描述文件没问题再加数据和轮数避免盲目长训。另外进阶场景如只对图片某个区域计损失masked loss仓库的test/masked_loss/目录提供了对应的黑白遮罩示例行动清单按安装文档跑通gui-uv.bat/gui-uv.sh浏览器能看到 7860 端口界面复制config example.toml为config.toml填好基模与数据目录整理 10 张风格统一的图片每张配同名 .txt 描述加载一个presets/lora/预设改输出名和轮数后完成首跑用训练产出的 .safetensors 生成 3 张测试图对比你的原始素材风格工具只管把参数交给机器风格判断始终在你手里——从最小数据集开始跑通一次后面的路就清晰了。【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