kohya_ss 实用指南用图形界面完成 Stable Diffusion LoRA 训练【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_sskohya_ss 是一个基于 Gradio 的 Stable Diffusion 图形化训练工具把 LoRA、DreamBooth、文本反转和全量微调这些训练方式装进了表单式的网页界面填完参数后自动拼装并执行训练命令。它支持 SD 1.5/2.x、SDXL、SD3、Flux.1 等主流底模适合手里有一台带 NVIDIA 显卡的电脑、想训练自己的角色或画风模型但不想啃长串命令行参数的开发者和 AI 绘画爱好者。读完这篇你可以完成从安装、启动界面到跑通第一次 LoRA 训练的全部流程。它适合哪些场景想用几十张图学会一个特定人物、角色或画风产出一个几 MB 大小的 LoRA 文件不想记住几十个训练参数的含义希望逐项在界面上勾选和调整希望训练过程中能看到损失数值和周期性生成的样本图而不是只盯着终端日志计划反复训练不同配置希望把模型、数据集路径一次性存好不适合没有 GPU、想用纯 CPU 做大规模预训练的人 kohya_ss 面向的是有显卡 小数据集微调的路线快速上手三步启动训练界面安装前确认本机已装好 Python3.10.9 及以上、低于 3.13、Git以及可用的 NVIDIA GPU 和对应驱动。克隆仓库含子模块git clone https://gitcode.com/GitHub_Trending/ko/kohya_ss进入项目目录后运行安装脚本它会自动创建虚拟环境并装依赖Linux/macOS 用./setup.shWindows 用setup.bat。启动图形界面Linux/macOS 运行./gui.shWindows 双击gui.bat。浏览器自动打开 Gradio 页面、各标签页可正常展开即表示环境就绪。如果安装顺利接下来唯一要做的事就是在界面里填路径和参数。按任务拆解核心能力把训练参数放进可视化表单kohya_ss 把 Kohya 训练脚本的常用选项拆成了若干标签页学习率与调度器、批次大小、网络维度与 alpha、优化器、保存频率等都在表单里每项旁边有说明文字。界面上点开始后它在后台生成完整的训练命令并执行。对新手的价值是出问题时可以直接看到实际执行的命令对照参数排查而不需要自己先学一遍命令行。用预设减少试错成本presets/目录按场景放了一批经过验证的参数组合其中 LoRA 预设按底模和优化器细分SD1.5、SDXL、Flux 等。建议的做法是第一次训练不要自己从零调参选一个与底模匹配的预设只改数据集路径和训练轮数先保证跑通第二次再针对效果微调个别参数。用 config.toml 存好默认路径把根目录下的config example.toml复制一份改名为config.toml填入底模、数据集、输出目录的绝对路径后每次启动 GUI 各标签页都会自动预填这些位置省去反复选目录的时间。路径建议统一用正斜杠分隔。用工具目录预处理训练数据tools/里有一批辅助脚本批量转换图像格式、为图片生成或整理描述文件、图像分组等。正式训练前先用对应脚本把图片规格统一、描述文件补全能避免训练中途卡在数据问题上。进阶掩码损失做局部控制当希望模型只学图像中某一块区域比如只学角色、忽略背景时可以为训练图准备对应的掩码图像训练时只对该区域计算损失。test/masked_loss/里有现成的示例数据可以参考结构。第一次训练不需要用它等基础流程跑通后再考虑。最小实践清单建一个文件夹放入 20 张以上同一主体的清晰图片每张图旁放一个同名.txt写一句准确描述——完成后目录里应是一图一文件成对出现。启动 GUI切到 LoRA 标签页填入底模路径、数据集路径、输出目录——三个输入框中应能看到你填的完整路径。选择一个预设确认网络维度、学习率、训练轮数——预设字段应已被自动填充你只改了少数几项。点击开始训练——日志区应滚动输出损失数值并且每隔一段时间生成一张样本图。训练结束后查看输出目录——应出现.safetensors格式的 LoRA 文件。把该文件加载到出图工具用训练时的触发词生成一张图——画面风格或主体应与训练集明显相似。新手最容易卡住的 5 类问题现象启动脚本报 No module called tkinter可能原因当前 Python 环境缺少 tkinter 组件。 处理按 docs/Installation/ 中对应系统的说明换用 uv 或重新安装带 tkinter 的 Python 后再跑 setup。现象通过 SSH 打开远程界面后弹窗卡住、训练无法开始可能原因原生文件选择或覆盖确认弹窗出现在无显示器的服务器上。 处理启动时加--headless参数它会让界面隐藏本地文件选择按钮并自动跳过覆盖确认。现象损失值剧烈跳动或变成 NaN可能原因学习率相对当前优化器过高。 处理改用带 warmup 的恒定学习率调度器把学习率降低一个数量级重试同时保持优化器与预设一致。现象训练中途显存溢出OOM可能原因批次大小或分辨率超出显存上限。 处理降低批次大小和训练分辨率开启梯度检查点SDXL 的 LoRA 训练官方建议预留 12GB 以上显存参考 docs/LoRA/。现象界面里选不到外部磁盘上的模型文件可能原因文件位于项目目录之外未被界面允许访问。 处理在config.toml的[server]段配置allowed_paths把外部目录加进去。资源入口与下一步各系统安装说明docs/Installation/pip 与 uv 两种方法分平台提供训练总览与数据准备docs/train_README.mdLoRA 专项建议docs/LoRA/现成参数预设presets/数据预处理脚本tools/示例数据集与配置模板test/、config example.toml下一步动作很具体用 20 张同一主体的图片按上面的清单完整跑一次 LoRA 训练标准是输出目录里出现可用的.safetensors文件且用它出图后风格能看出和训练集同源。跑通这一次再谈调参。【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