One-image LoRAs vol.1

这是一个实验性合集，由每个仅基于1张图像训练的LoRA组成。它们显然存在过拟合，但这正是预期的结果。

请注意，结果经常不稳定，因此请根据需要使用或不使用触发词。如果你使用了触发词，不妨随时调整LoRA的权重或任何触发词。

基础模型为 Suzumehachi。

更新：

工作流程如下。

我的制作方式是：找到一张有趣的照片，将其调整为正方形，或手动裁剪成一至两个有趣的部分。接着使用BLIP（有时配合DeepDanbooru）生成描述文字，并检查其是否合适。之后，我通常会添加一个特殊触发词以备不时之需（在LoRA可能面对非常规提示环境时增强其表现力）。

我使用kohya进行训练，参数如下（仅列出最重要的几项）：

数据集图像的训练步数 - 100-200

--network_alpha="128"

--text_encoder_lr=5e-5

--unet_lr=0.0001

--network_dim="128"

--lr_scheduler_num_cycles="1"

--learning_rate="0.0001"

--lr_scheduler="constant"

--train_batch_size="2"

--mixed_precision="bf16"

--clip_skip=2

--noise_offset=0.1

--min_snr_gamma=5

由于我的其他工作流程，我会用不同种子生成4个LoRA变体，然后两两组合，使用约0.7的乘数因子：

python.exe "networks\merge_lora.py" --save_precision fp16 --precision fp16 --save_to combined_lora.safetensors --models lora_1.safetensors lora_2.safetensors --ratios 0.7 0.7

如果出现异常，我会尝试使用不同乘数因子重新组合，或剔除某些表现异常的LoRA。