训练集准备与关键参数配置方案
一、训练集准备要点
素材选择与处理
- 图片质量：选择高分辨率（不低于1024x1024）、光影层次分明的素材，确保明暗过渡自然且细节清晰。
- 多样化覆盖：包含不同光源（如逆光、侧光、顶光）、阴影强度（强/弱阴影）、环境光（自然光/人工光）的样本，每个角度至少3-5张。
- 预处理要求：
- 统一裁剪为512x512或768x768（需64的倍数）。
- 去除复杂背景，保留主体光影结构，避免干扰项。
数据增强策略
- 通过调整对比度、亮度模拟不同光照强度（±20%以内）。
- 添加噪点（控制在5%以下）模拟低光环境细节。
二、关键参数配置方案
| 参数项 | 推荐值/策略 | 作用说明 |
|---|---|---|
| 训练步数 | 总步数=图片数量×20-30 | 过少导致欠拟合，过多引发过拟合 |
| 学习率 | 初始值1e-5~5e-5，配合余弦退火 | 平衡收敛速度与稳定性 |
| Batch Size | 根据显存选择：12G显卡建议2-4，24G可提升至6-8 | 影响梯度更新频率 |
| Rank值 | 设置64-128（SDXL模型建议128） | 控制参数矩阵复杂度 |
| 正则化强度 | 启用正则化图片，权重0.5-0.8 | 防止过拟合关键光影特征 |
| Dropout率 | 0.05-0.1（高细节场景建议下限） | 增强模型泛化能力 |
三、标签处理与算法优化
自动打标优化
- 使用BLIP+Booru双模型联合标注，确保识别"backlighting"、"rim_light"等专业术语。
- 手动补充细节标签：
hard_lighting, soft_shadow, ambient_occlusion, volumetric_light
分层训练策略
- 前30%步数专注底层特征（学习率1e-5）。
- 后70%步数强化高频细节（学习率升至5e-5）。
四、训练后验证方法
测试提示词示例
(masterpiece), (intricate_details), dramatic_lighting, sharp_shadows, <lora:lighting_v1:0.8>
对比验证
- 关闭LoRA时观察基础模型的光影表现。
- 启用LoRA后检查高光/阴影区域的纹理保留度。
注意事项
- 若出现局部过曝/欠曝，需检查正则化图片的光照分布是否覆盖极端场景。
- 建议保存多个中间模型（每200步存档），通过A/B测试选择最优版本。
这样整理后的内容更加清晰易读，方便您进行查阅和修改。
