Lora Lab: Press Start, Auto Gen, Auto Label, Auto Compile
详情
下载文件
模型描述
3 步自动 LoRA
设置你的批量数量，点击运行，生成数百张高分辨率图像并自动添加标题！
自动将它们存储在一个统一的文件夹中
将其输入 LoRA 训练器！
我推荐 Auto MED。完全自动化，无需手动打包，精度几乎无损失
Semi-Auto HI 适合愿意投入更多手动操作以换取轻微标题质量提升的用户
Auto LO 适用于低显存 GPU。需要加载一个 ksampler 模型和一个解释器模型（Florence-Basic 或 Large）
https://github.com/anyantudre/Florence-2-Vision-Language-Model
运行版本
**____________________**显存 ______精度_____ 手动工作量
Semi-Auto HI _________高_____________高______________ 高
Auto MED ____________高-___________高-_____________低
Auto LO ____________中__________中_____________低
SemiAuto HI： 双推理模型可提高提示的准确性，但需要手动整理文件夹并为每张图像选择最佳提示。使用双人脸精修器和基础精修模型，配合 4 倍超分，可实现高真实感与高精度。
Auto MED： 单推理模型支持自动编译，无需手动构建打包。但会轻微降低自动提示的准确性（在我看来并不明显）。使用双人脸精修器和基础精修模型，配合 4 倍超分，可实现高真实感与高精度。
Auto LO： 单推理模型支持自动编译，无需手动构建打包。但会轻微降低自动提示的准确性（在我看来并不明显）。不使用人脸精修器，仅使用 2 倍超分，生成中等真实感与精度。
填写提示桶时，请在逗号之间不要添加空格。
(trait1,trait2,trait3)
工作原理（Semi-Auto HI）：
工作流逻辑
真实图像示例
工作流提示桶
工作流结果 1（随机提示，随机方向，Florence 和 MAI 结果）
工作流结果 2（随机提示，随机方向，Florence 和 MAI 结果）
Henry 图像 + 最佳提示 = 自动 LoRA 数据
LoRA 训练图像保存于：/output/train/image/
LoRA 文本保存于：/output/text/Florence 和 /output/text/MAI
超分图像保存于：/output/train/source/
系统规格：
此工作流默认为高显存配置
若有足够支持/需求，我将制作中显存和低显存版本
高显存：尽可能使用大型模型和 fp16/sdpa
低显存：尽可能使用基础模型和 fp8/闪存注意力，跳过精修器、超分和细节增强器（重新连接可能较复杂）
必备条件：
必需的自定义节点：rgthree、easy-use、impact pack、impact subpack、florence 2、MiaoshouAI、basic math、was ns、Crystools、kj nodes、StringOps（感谢开发者们！）
打开工作流时，ComfyUI-Manager 会提示你缺失节点。
点击“安装缺失节点”，重启 ComfyUI，刷新浏览器。
若仍有缺失节点，请在 Manager 窗口的“自定义节点”菜单中搜索安装。
我还必须安装闪存注意力（flash attention）。
最简单的方法是查看你的 CUDA 版本（在命令行运行 nvidia-smi），然后下载与之匹配的预编译 whl 文件：https://github.com/mjun0812/flash-attention-prebuild-wheels?tab=readme-ov-file