这是用于真实风格粉红色小猪的 LoRA。

通常小巧，多为粉色，但始终是小猪。

很多人问我训练方法，以下是设置：

更新于 2023 年 5 月 15 日：将 epoch 改为 50，文件名（重复）改为 2_xxx。

1：Koyah_SS GUI

我使用 Koyha_SS GUI 来训练我的 LoRA。

一些关键设置：

"max_resolution": "768,768"

（如果你的 GPU 非常强大，使用 1024,1024 会更好）

"learning_rate": "3e-6",

"lr_scheduler": "cosine_with_restarts",

"lr_warmup": "5",

"train_batch_size": 4,

"epoch": "5",

• （2023 年 5 月 15 日："epoch": "50"，文件名为 2_xxx）

"save_every_n_epochs": "40",

"mixed_precision": "bf16",

"save_precision": "bf16",

"enable_bucket": true,

"use_8bit_adam": false,

"text_encoder_lr": "1e-5",

"unet_lr": "5e-5",

"network_dim": 128,

"clip_skip": 2,

"network_alpha": 64,

"persistent_data_loader_workers": true,

"optimizer": "Lion"

如果你的硬件不支持我的设置，可以尝试将批量大小降低到 2 或 1，这会显著增加训练时间。若希望缩短训练时间，使用 epoch 2 即可解决。

我个人使用 epoch 5，因为我的硬件支持，我认为更高的 epoch 可能能捕捉到源图中更多细节，但这并非必需。

2. 训练源图像集：

图像选择：

50 张高分辨率图像（裁剪前至少为 1024×1024），其中约 25 张为特写，20 张为上半身，5 张为全身照。图像角度越多越好。

预处理：

在 webUI 中使用自动焦点裁剪，裁剪尺寸至少为 768×768，最高可达 1536×1536。

与 BLIP 和 Deepdanbooru 集成以生成描述标签，同时使用 stable-diffusion-webui-wd14-tagger 插件生成更多标签。记得选择“在现有标签后追加”并勾选 移除重复标签。

然后我使用 BooruDatasetTagManager 手动调整标签为我想要的形式。

图像文件名：

50_xxx

（这意味着每张图像在图像文件中被重复 50 次）

• 2023 年 5 月 15 日：改为 2_xxx，但 epoch 增加至 50

此时你已经准备就绪！

不过，由于源图像的选择，你可能需要多次尝试生成的 LoRA，并多次修改源图像，直到获得满意的 LoRA。此外，每个人的硬件不同，若无法在批量大小为 4 的情况下运行 768×768，可尝试使用 2 或 1。

我认为 LoRA 的效果对源图像非常敏感，因此图像选择和标签才是最关键的部分。通过试用 LoRA，你可以判断哪些图是“差的”源图像，只需从源中删除这些“差”的图像即可改进。有时你甚至会发现 LoRA 有特定问题，提示你需要修改标签。例如，模型总是生成“湿润”效果，说明你可能未在相关源图像上标记“wet, rain, pool”。

3. 训练：

检查你通常使用的检查点是基于什么模型，然后据此选择你的基础模型。祝你训练顺利。