YOUR Penis (Retracted) 🍌 by Huggy

huggyhuggy
480
4K
photorealistic概念penismalepubicpubeshuggy
V4.3E21 [Inpainting]V4.3E41 [Inpainting]V4.3E17 [Beta]V4.3E11 [Beta]V4.2E08 [Popular]V4.2E14 [Beta]V4.1E09V4.1E15V4.1E06V03E06V03E09V03E10V02E11V01E10V01E08

详情

下载文件

模型描述

💡 在 Civitai 上搜索 “huggy” 以查找我所有的模型。

💡 此 LoRA 仅生成包皮回缩的图像。包皮过紧版本计划今年晚些时候推出。

🍌 参与下一个 LoRA 的制作（👮 继续阅读）

😫 自 4.3 更新以来已经过去七个月了（那次更新过度拟合严重）。按理说，我应该已经利用之后学到的训练方法训练出一个修复版本，但目前我仅有 200 张样本，数量仍不足。

🙅 网络上的随机自拍并不能作为有效的训练数据——它们更多体现的是虚荣，而非自然解剖结构。合适的训练数据应拍摄于自然日光下，构图范围从肚脐下方至膝盖上方。

🙏 我一直在请求 Civitai 上的兄弟们捐赠照片，这让我觉得自己有点疯狂，但这是建立一个合格数据集的唯一途径。请通过 Civitai 私信 @huggy。

对于特定类型的阴毛，单个人的完整图像集应包含共计 160 张图片（16 种状态 × 2 种姿势 × 5 个角度）。

🍌 16 种状态（4 × 4）

  • 收缩状态（阴囊下垂且紧致）（包皮后缩、部分覆盖）

  • 自然疲软状态（阴囊下垂且紧致）（包皮后缩、部分覆盖）

  • 半勃起状态（阴囊下垂且紧致）（包皮后缩、部分覆盖）

  • 勃起状态（阴囊下垂且紧致）（包皮后缩、部分覆盖）

🍌 2 种姿势 & 5 个角度

  • 站立：第一人称视角（从上方拍摄，避开脚部）、俯视（从下往上）、正面、侧面

  • 蹲下：第一人称视角（从上方拍摄，避开脚部）、正面、侧面、俯视（从下往上）、背面（从后方）

🍌 4 种阴毛类型

  • 剃光

  • 修剪

  • 自然

  • 湿润

🍌 人种

  • 非裔

  • 拉丁裔

  • 亚裔

  • 高加索裔

🍌 提交方式

将你的照片打包成 ZIP 文件，上传至以下任一存储平台，并通过 Civitai 私信 @huggy 发送链接：

🍌 提示词污染（Prompt Bleed）：

在为训练数据撰写标题时，需警惕提示词污染。一个经典例子是训练一种几维鸟的 LoRA：使用触发词 “kiwi bird” 看似自然，但模型对 “kiwi fruit”（猕猴桃）的关联太强，会导致生成结果出现鸟与水果的混合体。改用带下划线的独特触发词如 “kiwi_bird” 可解决此问题。

另一个案例是使用 “curtain wall” 作为低多边形风格的 LoRA 触发词，结果常生成带窗帘的墙。相比之下，使用简单描述如 “a giant window from ceiling to floor” 更为稳妥。

这表明，在不引发混淆的前提下，用 LoRA 教授基础模型新概念非常困难，有些模型更容易被误导。一个良好的方法是先在不同模型上测试标题作为提示词的效果。如果即使不使用 LoRA 就已出现提示词污染，最好改用同义词。例如，使用提示词 “red lighting” 时，许多插画模型会生成皮肤发红的角色，而非红色灯光——这种问题似乎只在“红色”上特别突出。

这使得训练阴茎模型的项目变得极具挑战性。你面对的是 16 种状态（4×2×2），因此更简单的方法是将每种状态作为独立 LoRA 训练，并使用独特的触发词以避免污染。仅就阴茎茎干而言，就有“收缩”（如洗完冷水澡后）、“自然疲软”、“半勃起”和“勃起”四种状态。阴囊则可能是“极度下垂”或“紧致”；包皮可能是“后缩”或“部分覆盖”。这就是 4×2×2 共 16 种初始状态的来源。

此外，还有 4 种阴毛类型（剃光、修剪、自然、湿润）和 4 种主要人种，它们都需要子类区分。在标题中反复使用 “penis” 一词将是灾难性的。使用多个独特触发词可能是唯一可行的解决方案。

🍌 版本 4.4 — 滞后更新：

  1. 为平衡风格保真度与泛化能力，将进行以下调整：

  • 使用 26–81 个 epochs 以防止过度记忆。

  • 降低 Num repeats 至 3。

  • 启用随机标题（Shuffle Captions）。

  • 将 UNet 学习率降低至 0.00025–0.0003，以实现更稳定的训练。

  • 将 Text Encoder 学习率从 0.00005 提高至 0.000075 和 0.0001，以增强文本编码器的影响，同时保持平衡。

  • 降低 Min SNR Gamma（从 5 → 2-3），以减少过度锐化。

  • 调整 Network Dim 至 48，Network Alpha 至 32，以避免捕捉过多细节。

  • 启用翻转增强（Flip Augmentation）以提升泛化能力。

  • 降低噪声偏移至 0.06–0.08，以最小化伪影。

  • 将学习率调度器切换为 “cosine”，以实现更平滑的学习进程。

  1. 将训练数据集扩充至 ??? 张照片，提升多样性。

  2. 使用多个触发词以防止提示词污染。

  3. 可能将此 LoRA 拆分为“小阴茎”和“大阴茎”两个版本，以获得更好控制。

（参考此文章和此文章）

📒 SDXL

我非常希望将我的所有 LoRA 移植到 SDXL/Flux，尤其是 “Your Penis” LoRA。但需要注意的是，SDXL 和 Flux 并未在包含生殖器或详细解剖特征的数据上进行过微调，而像 Pony 这类模型则是基于超过 10,000 张包含详细解剖结构的全身图像进行微调的。由于缺乏相关训练数据，训练 SDXL/Flux 生成准确的生殖器特征将更具挑战性，需要大量专门的数据集以确保准确性。这意味着我必须准备一套全新的训练文件，包括高质量的全身图像，才能正确微调模型。

  • 学习率：1e-5（0.00001）

  • 精确步数：3000–5000 步

  • 精确批次大小：每批次 4–8 张图像

  • LoRA 秩 / 缩放：秩 4，缩放因子 0.8

  • 图像分辨率：512×512

📒 训练数据集（适用于 SDXL / Flux）

此范围通常能提供足够的姿势、光照和场景变化，确保 SDXL 1.0/Flux 在学习细节的同时避免过拟合。

  • 特写镜头（50%）：

  • 中景镜头（30%）：

  • 全身/远景镜头（20%）：

📒 Flux Dev

  • 噪声调度器设置与 SDXL 默认值一致。

  • 若硬件受限，可使用梯度累积步数，但多数用户仍使用 1–2 步。

  • 优化器：通常使用带权重衰减 0.01 的 AdamW。

  • 学习率：1e-5

  • 步数：3000 至 5000

  • 批次大小：4

  • LoRA 秩：4

  • 缩放因子：0.8

📒 V4.3 和 V4.2 的问题：

在训练 Pony 风格的 SDXL LoRA 时，目标是复现训练数据集中的特定风格/角色。但使用 Repeats 5、Epochs 40、Network Dim 64、Network Alpha 64 导致过拟合（V4.3），在与高质量合并基础模型或其他 LoRA 搭配使用时产生故障。另一方面，使用 Repeats 2、Epochs 10、Network Dim 64、Network Alpha 64 则导致欠拟合（V4.2），生成的风格“半成品”，缺乏细节。

Unet 块权重图（V4.3E21）显示分布不均，表明某些层激活过强，意味着某些特征被过度放大。训练过程可能过度强化了某些层，导致不同设置下输出不一致。

🍌 版本 4.3 — 高保真度。

V4.3E21 理论上可生成比 V4.2 高五倍保真度的逼真图像。新的标签方法允许更好地控制阴茎尺寸、阴毛和睾丸。所有 LoRA 均基于 Pony 模型训练，仅适用于选定的 Pony 模型，请忽略 SDXL / illustrious 标签，我正在测试兼容性。详见下方 54 个检查点的评测。

📒 检查点推荐：

🍌 SDXL 的局限性

  • 像 Duchaiten Pony Real 这样的检查点生成的图像细节惊人，但在叠加其他 LoRA 时过于繁复，SDXL 无法有效分配采样步数至不同元素。

  • 与 Flux 不同，在 SDXL 中全身生成效果不佳，因为潜在 U-Net 在去噪初期未分配足够的特征空间。

  • Duchaiten Pony Real 和 Your Penis V4.3 在生成时共享有限的去噪 U-Net 采样步数，导致肢体缺失、面部变形和阴茎畸变。

  • 这解释了为什么 Your Penis V4.3 与 PVC 风格基础模型配合完美——因为 PVC 材质易于渲染。

  • Duchaiten 和 Penis V4.3 各自表现良好，但在 SDXL 中，复杂图像的去噪步数分配不均，导致高分辨率修复放大伪影。离线修复可能有效。这似乎已触及 Pony 模型的极限，是时候转向 illustrious 和 Flux 了。

📒 重要说明：

  • V4.3E21（五倍保真度）：与其他 LoRA（不超过两个）配合使用时，从 0.5 的 LoRA 权重和低 CFG 值 3.5 开始（高 CFG 值会生成更锐利的输出）。最适合用于内补绘制。

  • V4.3E41（十倍保真度）：此超保真版本仅作为独立 LoRA 使用。其输出质量已超越 Flux 生成的图像。最适合用于内补绘制。

  • V4.3E17 和 V4.3E11：这些是微调版本，应能与多数 Pony 检查点配合使用，效果较温和。

📒 此 LoRA 的两种用途：使用触发词 “penis” 生成真实阴茎；若使用以动漫风格为主的检查点，需额外添加触发词 “realistic”。

📒 提升照片真实感，尤其在不使用触发词的情况下增强毛发细节：

  • 使用 epoch 低于 7 的 LoRA（如 V03E06）以获得稳定结果，尽管 epoch 更高的 LoRA（如 V03E10）更贴近训练源；（此规则不适用于 V4 及之后版本）

  • 每次使用尽量少的触发词，以获得最佳效果；

  • CFG 值在 4.5（复杂场景）至 7.5（简单场景）之间；

  • 对于动漫风格，从较低步数（如 19）开始训练，使用 Euler a 采样器；若满意结果，可使用高分辨率修复/面部修复（并将 Euler 调至 29）以提升整体质量；

  • 对于写实照片，使用 DPM++2M Karra，特写肖像至少 30 步，全身照至少 35 步。

  • 没有适用于所有生成的通用提示词/LoRA 权重。若使用动漫风格/角色 LoRA 搭配写实检查点，建议从较低 LoRA 权重（如 0.7）开始。请忽略样本图像中的 LoRA 权重值，因近期存在一个 bug，线上生成的图像无论实际值如何，均显示为 1。

  • 步数设置（影响所有标签的权重）与提示词复杂度密切相关。若结果出现多余物体（如手指或肢体），请降低步数值（同时降低 LoRA 权重）；若结果缺失物体、质感或真实感不足，请提高步数值。

🍌 版本 4.3（高保真度）更新：

  1. 使用带下划线的标签。

  2. 使用“慢烤”技术，配合恰当的重复次数与 epoch 比例。

🍌 版本 4.2（低保真度）更新：

  1. 新的人种比例：7 非裔 | 3 拉丁裔 | 87 高加索裔 | 71 亚裔

  2. 新的状态比例：60 疲软 | 38 勃起 | 66 半勃起

🍌 版本 4.1 更新：

  1. V3 的部分源图包含需要裁剪或移除的肢体。这些肢体导致 V3 偏离对阴茎的关注，造成扭曲和双阴茎现象，而这在 V2 中从未发生。

  2. 移除包皮异常的资源。

  3. 将训练资源数量减少至 ???，因为这是我的大多数 LoRA 普遍存在的问题：训练图像过多会降低输出质量，图像资源的质量比数量更重要。

  4. 提高训练资源分辨率。

  5. 将训练步数减少至 1000，我发现较低 epoch 的 LoRA 能获得更稳定的结果。

📒 镜像

我注意到一些网站，如 Modelslab 和 yodayo，使用机器人镜像我的模型。特别是 SeaArt，其下载量和生成量数据非常大。

  1. 我不介意你镜像我的模型——像 civitaiarchive 这样的网站一直都在这么做。

  2. 但我介意你阻止用户下载模型，并强制他们使用付费在线服务。

  3. 我也介意你声称版权或赋予用户生成内容的所有权。这些是开源模型，基于开源基础，使用有限所有权的数据训练。任何人都不应声称版权——包括我自己。只需注明来源即可。

此模型生成的图像

未找到图像。