AUTOMATED Flux-Kontext LoRA Training: My "Reverse Engineering" Workflow for Perfect Datasets

大家好，我想分享一个我用来在 Flux-Kontext LoRA 训练中获得极其精确结果的工作流程。这种方法对于任何在数据集准备上遇到困难的人来说都是革命性的。

核心思路：反向操作并自动化一切

标准的 Flux-Kontext 方法是先找到一张“之前”的图像，然后设法创建“之后”的图像（例如，添加一个物体、移除衣物）。这通常是 hardest 的部分，尤其是当 AI 无法一致生成你想要的特定变化时。接着你还得手动编写所有配套的文本文件。

我的方法是逆转这个过程，并自动化整个流程。

分步工作流程

假设你想训练一个 LoRA 来移除某种特定的帽子。

1. 创建你的“之后”文件夹（数据集）：首先，收集或创建一组图像，其中主体戴着你想要移除的帽子。这是你的起点，将成为你的数据集文件夹。

2. 生成你的“之前”文件夹（控制集）和提示词：现在，取数据集文件夹中的所有图像，通过 Flux-Kontext 批量处理运行它们。你的目标是逆转这个变化。你可以提示它：“移除帽子”、“给这个人一个干净的发型”等。输出的干净、无帽图像就是你的控制图像。最棒的是：这个工作流程会自动为每一对图像生成所需的配套文本文件。

3. “清理”带来的优势：这种方法的巨大优势在于，你是在训练模型从一个可能存在缺陷的“之后”图像，转化为完美的“之前”图像。这通常能教会 LoRA 去除 AI 产生的伪影和瑕疵，从而获得更干净的最终输出。

4. 最终整理与训练：你现在拥有一组完美配对的控制图像和数据集图像，所有配套文本文件都已自动生成。只需再添加几张示例图像，就可以开始训练了。生成的 LoRA 将高度专业化地完成这一特定任务。

让这个工作流程更简单

管理控制图像、数据集图像及其对应的文本文件可能很繁琐。你必须不断来回点击，确保 image_a.jpg 与 image_b.jpg 和 prompt_a.txt 正确匹配。

为了解决这个问题，我开发了一个自定义桌面应用程序，可以在单个窗口中同时查看这三者。这大大节省了时间，并完全消除了文件错配导致训练失败的风险。

如果你希望简化这个工作流程，该工具和我更深入的教程已为我的 Patreon 支持者提供：Patreon。你可以访问 Patreon.com/LoboForge 查看详情。
视频演示：https://vimeo.com/manage/videos/1134804036?fl=pl&fe=vl

另外，如果你想使用“Takeitoff” LoRA 来移除衣物，它也在我的 Patreon 上提供。

试试这个工作流程，告诉我你用它创造了哪些创意十足的 LoRA！