AGM Style AKA 阿戈魔agm (Omone Hokoma AGM)

트리거는 필요하지 않지만

illustration_by_omone_hokoma_agm

는 모든 캡션에 추가되었으며 효과가 더 강해지는 것처럼 보이지만 AGM의 서명을 지나치게 많이 추가하는 경향이 있습니다. 따라서 트리거 단어를 사용하는 경우, 네거티브에 signature,watermark,artist_name을 추가하면 이를 제거할 수 있습니다. 그러나 저는 이 모든 데이터셋 이미지의 서명을 수동으로 Photoshop으로 제거한 후 해당 데이터셋으로 다시 학습할 예정이므로, 이후에는 추가 네거티브 단어가 불필요해질 것입니다.

여기서 파라미터를 확인하세요

학습 정보▼

캡션에서 가장 빈번한 태그

illustration_by_omone_hokoma_agm
100%

데이터셋 폴더 구조

이름
40_agm

이미지 수
595

반복 횟수
40
총 이미지 수
23800
(총)
595
이미지 수
595
반복 횟수
40
총 이미지 수
23800

학습 파라미터
{

"ss_adaptive_noise_scale": "None",

"ss_caption_dropout_rate": "0.0",

"ss_steps": "8500",

"ss_noise_offset": "None",

"ss_sd_scripts_commit_hash": "15dd0a638af86f89dd0c457428e165598d4884a2",

"ss_num_batches_per_epoch": "23800",

"ss_color_aug": "False",

"ss_epoch": "0",

"ss_total_batch_size": "1",

"ss_network_alpha": "64.0",

"ss_ip_noise_gamma": "None",

"ss_num_epochs": "1",

"ss_session_id": "3173715531",

"ss_network_dim": "64",

"ss_keep_tokens": "0",

"ss_learning_rate": "1.0",

"ss_new_sd_model_hash": "e6bb9ea85bbf7bf6478a7c6d18b71246f22e95d41bcdd80ed40aa212c33cfeff",

"ss_lr_warmup_steps": "0",

"ss_optimizer": "prodigyopt.prodigy.Prodigy",

"ss_caption_dropout_every_n_epochs": "0",

"ss_network_module": "lycoris.kohya",

"ss_reg_dataset_dirs": "{}",

"ss_sd_model_hash": "be9edd61",

"ss_gradient_accumulation_steps": "1",

"ss_bucket_no_upscale": "False",

"ss_bucket_info": "null",

"ss_full_fp16": "False",

"ss_mixed_precision": "fp16",

"ss_network_dropout": "0.0",

"ss_gradient_checkpointing": "True",

"ss_random_crop": "False",

"ss_prior_loss_weight": "1.0",

"ss_max_grad_norm": "1.0",

"ss_max_bucket_reso": "None",

"ss_training_comment": "None",

"ss_num_reg_images": "0",

"ss_max_train_steps": "10000",

"ss_min_snr_gamma": "10.0",

"ss_num_train_images": "23800",

"ss_network_args": "{"conv_dim": "64", "conv_alpha": "64", "factor": "-1", "use_cp": "True", "algo": "lokr", "dropout": 0.0}",

"ss_shuffle_caption": "False",

"ss_unet_lr": "1.0",

"ss_resolution": "(1024, 1024)",

"ss_batch_size_per_device": "1",

"ss_multires_noise_discount": "0.2",

"ss_flip_aug": "False",

"ss_text_encoder_lr": "1.0",

"ss_lr_scheduler": "constant",

"ss_min_bucket_reso": "None",

"ss_zero_terminal_snr": "False",

"ss_lowram": "False",

"ss_seed": "12345",

"ss_multires_noise_iterations": "6",

"ss_base_model_version": "sdxl_base_v1-0",

"ss_enable_bucket": "False",

"ss_training_started_at": "1708377854.7039077",

"ss_clip_skip": "None",

"ss_v2": "False",

"ss_caption_tag_dropout_rate": "0.0",
"ss_max_token_length": "225",

"ss_output_name": "AGMXL",

"ss_scale_weight_norms": "None",

"ss_training_finished_at": "1708441002.8566256",

"ss_sd_model_name": "sdXL_v10VAEFix.safetensors",

"ss_cache_latents": "True",

"ss_face_crop_aug_range": "None"

}

이것은 제 두 번째 LoRA입니다. 첫 번째는 캐릭터 LoRA였기 때문에, 스타일 LoRA를 시도해보았습니다. SD1.5에는 AGM 스타일의 LoRA가 많지만, SDXL용으로는 아직 없는 것 같아서요. 제 첫 번째 LoRA와 마찬가지로, 제가 사용한 정확한 학습 데이터를 업로드합니다. 더 경험 있는 분들이 이 데이터셋을 사용해 더 나은 결과를 만들어주시기 바랍니다. 각 이미지에 캡션을 사용했지만, 테스트 결과 큰 차이가 없어 트리거 단어는 불필요합니다. 이 LoRA가 잘 작동한다면 평가와 댓글을 남겨주세요. 피드백은 저에게 매우 중요합니다. 감사합니다!