Racing Women

我制作这个LoRA时，希望它能帮助生成穿着迷人赛车服装的女性图像，并不特别针对任何真实风格，而是带有一些性感的暗示。

我的源图是通过XL、Z-Image，甚至Qwen Image Edit 2511生成的，但我本人并不特别喜欢这一类型，因此我不确定人脸与角色的匹配度如何——虽然我个人并不在意这一点，但我确实欣赏这些服装所具备的潜力。我的初衷当然是在创建这个LoRA时避免任何真实人物的相似性。

尽管没有使用真实图像，我还是将所有面部彻底抹去，用白色覆盖，并在没有系统指令的情况下从这些图像中创建了LoRA，结果推理时主要生成的是没有面部的女性图像。

我为服装的细节和颜色设置了多种提示，并尽可能想象了各种姿势，所有姿势均为直立状态：坐着、倚靠或站立。

从这些图像中，我移除了大部分背景，为每张图添加了不同尺寸的白色背景，并仔细审视了我希望调整的部分，以引导训练朝向特定的服装风格、姿势和环境方向。

随后，我使用qwen-image-edit-2511生成了新一批图像，作为最终数据集，确保修复了面部并添加了我想要的细节。

然而，在我数百张图像的制作过程中途，我们遭遇了Flux Klein。我彻底测试了其基础版和四步版，最终选择了非量化的四步版本，并将其推至六步。由于该模型能快速生成可接受的源素材，我便采用它完成了整个数据集的制作流程。

我快速浏览了一遍结果，检查是否存在瑕疵和不一致之处，并将部分图像重新输入以进行润色或补充我之前未曾想到的细节。最终，我从中挑选了50张符合我目标的图像。

这就是我用于训练的数据集。我没有调整太多超参数，只是增加了512和768的维度以提升灵活性，使横向图像能获得更好的质量；我将训练步数提升至20,000步，整个过程大约耗时3小时。

在整个数据集制作流程中，没有任何裸露或性暗示的内容。

我通常不会在大多数LoRA描述中写入如此详尽的细节，但我觉得，如果我能多做几个这样的案例，其他人或许可以尝试我的方法，看看是否对他们有效。我很想知道你们的体验如何——无论是否采用了上述任何步骤。

我忘了提一点：我在每个阶段都进行了自动标注。我喜欢自动标注，因为它能提供大量加权概念，我认为这在后期整合不同学习部分时很有帮助。当然，这种方式更简便快捷，而且生成的标注中常出现的错误，我通常无法识别出来。