Stable Diffusion -- 訓練LoRA（四）
閱讀時間約 7 分鐘
前言
接續上一篇：
Stable Diffusion -- 訓練LoRA（三）
，我們開始用準備好的訓練素材圖跟規範圖來烘焙我們的LoRA。
訓練
我們開始使用另一個Colab頁面來執行真正的訓練步驟：
這個版本的Colab訓練頁面多了一些與規範圖相關的功能，在執行訓練前，我們要來指定素材圖與規範圖擺放的目錄。
先往下捲動到Extras區，找到Multiple folders in dataset這個區塊，將裡面的數值改成這樣：
custom_dataset = """
[[datasets]]
[[datasets.subsets]]
image_dir = "/content/drive/MyDrive/Loras/{專案目錄名}/dataset"
num_repeats = 10
[[datasets.subsets]]
image_dir = "/content/drive/MyDrive/Loras/{規範圖目錄名}/dataset"
is_reg = true
num_repeats = 1
"""
在這裡，專案目錄名就是你擺放的素材圖的地方，以我為例，就是XingBar30。
接著的num_repeats是每個素材圖會被訓練的次數，通常是總圖數乘上本數值要等於300到400。因為我的素材總共有30張，所以我選擇10這個數字，這樣每回合就會被訓練300次。
而規範圖目錄名則是你放置規範圖的目錄，在本例中我將男性圖片的規範圖放在Man這個目錄底下。
要注意的是，is_reg = true一定要放在規範圖這一小節的地方，否則訓練程式會認不出來，這樣訓練出來的LoRA會完全做不出你要的角色。
通通設定完之後就可以執行這個小節的程式。
這格執行完之後，我們就可以開始在Setup小節填入其他資料了。
project_name這邊填入專案目錄名，例如XingBar30。
training_model目前有三個選項，如果是動漫傾向的角色，可以用Anime這個模型，否則用AnyLoRA就好。以我個人三種都試過的經驗，影響似乎不大。
在Step步驟，我只有改變how_many到20或30回合。這樣可以得到品質更好的成果。
總訓練步數的計算方法是：
素材圖張數 X 每張訓練次數 X 總回合數。
以我的例子就是 30 X 10 X 30 = 9000。
最後是AI訓練參數，這邊作者有特別提到不同類型的模型需要不同的參數，我們訓練的LoRA的推薦參數是：
network_dim： 32
network_alpha： 16
其他則保持原樣。
一切都設定好之後，就可以按下執行，開始訓練LoRA了！
在執行紀錄裡面，請一定要確認Multiple folders in dataset裡面的設定有正確執行，你可以看到類似這樣的紀錄跑出來：
以我個人的經驗，Colab的GPU一個小時可以跑大約6000步，所以一個9000步的LoRA訓練可以在一個半小時之內跑完。
由於我時常使用Colab來跑這些東西，所以索性買了Colab的點數，通常訓練LoRA的時候，一個小時消耗2個點數，也就是說10美金的Colab點數100點，可以讓我們訓練50小時，算是蠻實惠的。
訓練出來的LoRA檔案，就在雲端硬碟的output目錄下，點下Done連結會自動打開該目錄，讓你可以下載。
常見錯誤
訓練最常出錯的地方，是沒有把素材圖跟規範圖放到正確的目錄下，使得程式找不到圖而停止。要是程式很快就停止了，請在Colab左側的欄位上點開檔案目錄，查看自己的檔案結構是不是類似這樣：
驗證
LoRA訓練完成之後，下載下來到/models/Lora/目錄，重開Automatic1111，在Lora標籤下按下Refresh，應該就能看到自己訓練的LoRA了。
要驗證自己的LoRA有沒有用，最簡單的就是用較低的權重直接產生一張圖，比較一下自己的素材圖，如果不像的話，試著調高權重到0.7再試試，如果還是不像，那就是訓練失敗了。
當確認LoRA有成功之後，接下來就要來比較同一角色不同版本的LoRA的成效，通常我們會使用X/Y/Z plot來做全面的比對。X/Y/Z plot的詳細用法請參考：
我最常用：
X軸：各種動作
Y軸：幾個常用的模型
Z軸：兩個不同版本的LoRA使用同樣的權重
比較不同的版本LoRA，來確定新版本更合你意。
確認了新版本LoRA表現更佳之後，就可以繼續用X/Y/Z plot來深入探究在各種模型上，最好的權重是多少，每個模型最適合的權重都有些不一樣，品質好的LoRA可以在高權重時，在不同模型上依舊產生特徵一樣的角色，而且同時不摧毀原模型的畫質。
在這邊，如果各種驗證步驟都沒有出什麼大問題，恭喜你，你已經烘焙好一個高品質，穩定的角色LoRA了！
結語
訓練LoRA是很吃耐心跟細心的，很多時候，就是素材圖或規範圖的圖樣不一致，或者素材的文字檔忘了刪除某些提示詞，於是角色特徵沒有正確融入這個LoRA，一切就要從頭再訓練。但是當你正確產生了第一個高品質LoRA之後，依照同樣的步驟，就能一遍又一遍將你夢想中的角色製作出來，用在任何模型上！這種成就感是非常讓人滿足的。
祝大家算圖愉快！
LoRA目錄：
為什麼會看到廣告
留言0
查看全部
你可能也想看
Google News 追蹤
這個秋，Chill 嗨嗨！穿搭美美去賞楓，裝備款款去露營⋯⋯你的秋天怎麼過？秋日 To Do List 等你分享！
秋季全站徵文，我們準備了五個創作主題，參賽還有機會獲得「火烤兩用鍋」，一起來看看如何參加吧～
11/20日NVDA即將公布最新一期的財報, 今天Sell Side的分析師, 開始調高目標價, 市場的股價也開始反應, 未來一週NVDA將重新回到美股市場的焦點, 今天我們要分析NVDA Sell Side怎麼看待這次NVDA的財報預測, 以及實際上Buy Side的倉位及操作, 從
Hi 大家好，我是Ethan😊
相近大家都知道保濕是皮膚保養中最基本，也是最重要的一步。無論是在畫室裡長時間對著畫布，還是在旅途中面對各種氣候變化，保持皮膚的水分平衡對我來說至關重要。保濕化妝水不僅能迅速為皮膚補水，還能提升後續保養品的吸收效率。
曾經，我的保養程序簡單到只包括清潔和隨意上乳液
Stable Diffusion Online是網頁版的Stable Diffusion AI圖像生成工具，省去了繁瑣的安裝和設定步驟，可以無限生成圖片，且不用註冊就可以免費使用，更棒的是還可以商業使用，為使用者提供更便捷的圖像生成體驗。
在 Stable Diffusion 中有時人物的大小遠近好像很隨機，除了用 ControlNet 其實可以利用 prompt 輸入 拍攝電影的鏡頭控制術語用來控制距離及角度。
Generative models have made remarkable strides in recent years, enabling machines to create diverse and realistic content across various domains. Amon
stable-diffusion-webui AUTOMATIC1111在近期更新到1.6版了，我在本文中列出較重要的8個有感且實用的更新項目。
而那些較為底層的，或是專給高手使用的更新項目我就不細說了。
因為最近 Vlad 頻繁出問題，且Img2Img算一張1024x2048、Denoising Strength 0.45 的圖要整整兩個小時，想說暫時先用 A1111 應急。沒想到 A1111 現在也是半斤八兩，沒有 --no-half --no-half-vae u 一定出問題不說，Img2Img
可能是這個問題太過基本，所以網路上幾乎沒有人在提問或回答，但我一開始嘗試Stable Diffusion時，常會遇到一個令我困擾的問題----紫色斑塊。
以下講一些有關stable diffusion webui的幾個小操作，都不難，也都很實用，也許其實你早就知道了，這些都不是什麼驚奇的事，但我發現似乎並不是所有人都知道這些事。
這些真的都是一些雞毛蒜皮的小事，不足以獨立寫成一篇教學文章，所以我就簡單的匯整一下就好。
本教學使用Automatic 1111介面
AI繪圖風行至今，網上已有不少中文教學，包括教導如何訓練LoRA、LoCon等模型的文章，而訓練上述模型時，通常會經過一道「Preprocess Images」工序，中文稱為「圖片預處理」。
stable diffusion 是一款AI繪圖軟體，你可以免費把stable diffusion算出來的圖免費拿來商用，但是像我的電腦因為顯卡太舊而無法快速運行，而浪費很多時間，你只要準備一個google帳號即可。
先說結論：
演算Img2Img時，Sampling Methods（取樣方法）中Karras類型比較忠於原圖，非Karras類型比較放飛自我。
這個秋，Chill 嗨嗨！穿搭美美去賞楓，裝備款款去露營⋯⋯你的秋天怎麼過？秋日 To Do List 等你分享！
秋季全站徵文，我們準備了五個創作主題，參賽還有機會獲得「火烤兩用鍋」，一起來看看如何參加吧～
11/20日NVDA即將公布最新一期的財報, 今天Sell Side的分析師, 開始調高目標價, 市場的股價也開始反應, 未來一週NVDA將重新回到美股市場的焦點, 今天我們要分析NVDA Sell Side怎麼看待這次NVDA的財報預測, 以及實際上Buy Side的倉位及操作, 從
Hi 大家好，我是Ethan😊
相近大家都知道保濕是皮膚保養中最基本，也是最重要的一步。無論是在畫室裡長時間對著畫布，還是在旅途中面對各種氣候變化，保持皮膚的水分平衡對我來說至關重要。保濕化妝水不僅能迅速為皮膚補水，還能提升後續保養品的吸收效率。
曾經，我的保養程序簡單到只包括清潔和隨意上乳液
Stable Diffusion Online是網頁版的Stable Diffusion AI圖像生成工具，省去了繁瑣的安裝和設定步驟，可以無限生成圖片，且不用註冊就可以免費使用，更棒的是還可以商業使用，為使用者提供更便捷的圖像生成體驗。
在 Stable Diffusion 中有時人物的大小遠近好像很隨機，除了用 ControlNet 其實可以利用 prompt 輸入 拍攝電影的鏡頭控制術語用來控制距離及角度。
Generative models have made remarkable strides in recent years, enabling machines to create diverse and realistic content across various domains. Amon
stable-diffusion-webui AUTOMATIC1111在近期更新到1.6版了，我在本文中列出較重要的8個有感且實用的更新項目。
而那些較為底層的，或是專給高手使用的更新項目我就不細說了。
因為最近 Vlad 頻繁出問題，且Img2Img算一張1024x2048、Denoising Strength 0.45 的圖要整整兩個小時，想說暫時先用 A1111 應急。沒想到 A1111 現在也是半斤八兩，沒有 --no-half --no-half-vae u 一定出問題不說，Img2Img
可能是這個問題太過基本，所以網路上幾乎沒有人在提問或回答，但我一開始嘗試Stable Diffusion時，常會遇到一個令我困擾的問題----紫色斑塊。
以下講一些有關stable diffusion webui的幾個小操作，都不難，也都很實用，也許其實你早就知道了，這些都不是什麼驚奇的事，但我發現似乎並不是所有人都知道這些事。
這些真的都是一些雞毛蒜皮的小事，不足以獨立寫成一篇教學文章，所以我就簡單的匯整一下就好。
本教學使用Automatic 1111介面
AI繪圖風行至今，網上已有不少中文教學，包括教導如何訓練LoRA、LoCon等模型的文章，而訓練上述模型時，通常會經過一道「Preprocess Images」工序，中文稱為「圖片預處理」。
stable diffusion 是一款AI繪圖軟體，你可以免費把stable diffusion算出來的圖免費拿來商用，但是像我的電腦因為顯卡太舊而無法快速運行，而浪費很多時間，你只要準備一個google帳號即可。
先說結論：
演算Img2Img時，Sampling Methods（取樣方法）中Karras類型比較忠於原圖，非Karras類型比較放飛自我。