ROSprite

LoRa模型改进：标签自定义

尽管我创建的LoRa模型在复刻《仙境传说Online》的精灵图方面表现良好，但仍存在多个可改进之处，尤其是在训练标签的自定义方面。通过调整和优化标签，可以增强模型对风格的理解，并提升生成结果的精确度。以下是一些改进建议：

1. 使用自定义标签（Tagging）

不要仅依赖基础标签，你可以为每个精灵图或图像集生成更具体的标签。像WD 1.4 Tagger这样的工具能帮助你创建更详尽的标签，为模型提供更多关于应包含或强调哪些元素的上下文。建议如下：

• 具体的视觉特征：例如，详细描述头发颜色、装甲类型、角色持有的武器及其他重要配件。

• 姿势与视角：区分角色是处于静止、战斗、行走还是攻击姿态。

• 精灵风格：添加与像素大小、配色方案相关的标签，或标记为经典精灵图或修改版精灵图。

2. 按类别对图像进行分组

另一个关键改进是将图像集划分为子组，并根据《仙境传说Online》中角色的类别和类型分配特定标签。这有助于模型更精确地学习不同职业间的风格差异，例如：

• 物理职业：剑士、骑士、刺客等。

• 魔法职业：法师、牧师、贤者。

• 混合职业：猎人、盗贼。

每个组可附加额外标签，如“近战”、“魔法”、“远程”等，以更好地引导模型。

3. 根据动画细节优化标签

为提升对动画细节（如行走、攻击）的准确性，可按运动序列为每个精灵帧打标签：

• 空闲（Idle）：角色未行动时的状态。

• 行走（Walk）：区分腿部、手臂的姿势及头部转动。

• 攻击（Attack）：详述攻击的不同阶段、方向及武器使用方式。

4. 使用脚本自动化标签处理

对于大型数据集，建议使用脚本自动化标签过程。像BLIP或DeepBooru这样的工具可根据图像中的模式自动建议标签，从而简化工作流程。

5. 调整训练参数

最后，根据图像类型和标签数量定制标签，并相应调整训练参数。需注意以下几点：

• 训练轮次（Epochs）与重复次数：对于标签复杂度较高的数据集，可适当增加训练轮次或每张图像的重复次数。

• 使用负向标签：若某些特征不应出现，可添加负向标签，帮助模型忽略这些内容。