kohya_ss 训练指南：从装好环境到产出第一张 LoRA 模型

kohya_ss 训练指南：从装好环境到产出第一张 LoRA 模型

【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ss

本文面向想训练 LoRA 或做 DreamBooth 的新手，讲清楚 kohya_ss 这套 Stable Diffusion 训练 GUI 怎么装、怎么喂数据、参数往哪调、怎么判断训练到位。它支持 SD1.5/2.x、SDXL、SD3、Flux.1 等主流底模，LoRA、LoHa、LoKr、DreamBooth、全量微调都能在一个界面里跑完。

一、装之前：先确认你的机器能不能跑

能不能装成功，八成取决于显卡和 Python 版本，这两个地方最容易翻车。

硬件够不够：两条线

• 够用线：N 卡显存 6GB，可以跑 SD1.5 的 LoRA，batch size 建议压到 1。
• 推荐线：显存 12GB 起，SDXL LoRA 训练建议 12GB 以上（官方 LoRA 指南明确写了这条线），想开更大的 batch 或多开实例就往 16GB 以上配。

内存 16GB 起步比较稳妥。CPU 不是瓶颈，训练大头在显卡。

⚠️ 官方要求 CUDA 12.8 工具包，Python 版本有讲究：uv方式会读仓库根目录.python-version文件指定的版本（3.10.9 及以上、低于 3.13）。Python 版本不对是安装阶段最常见的报错来源。

安装：uv 方式两条命令

选uv还是pip：uv装得快、环境隔离干净，推荐优先试；pip更传统，出问题好排查，某些 IDE 配合更好。拿不准就先uv，不行再退回pip。

git clone --recursive https://gitcode.com/GitHub_Trending/ko/kohya_ss cd kohya_ss

--recursive不能省，否则缺失子模块，训练脚本会找不到代码。

启动：

• Windows：.\gui-uv.bat
• Linux：./gui-uv.sh

脚本检测到没装uv时会提示，按Y自动装。浏览器打开 http://127.0.0.1:7860 看到界面就装好了。Windows 下若报tkinter缺失，重装一遍 Python 并确认装了 tcl/tk 组件；报页文件（page file）错误，去 Windows 系统里调大虚拟内存上限。

把常用路径写进 config.toml

每次手动选模型目录、数据集目录很烦。把仓库根目录的config example.toml复制一份改名为config.toml，GUI 启动时会自动加载。里面用绝对路径填好这几项：

model_dir = "/your/path/to/models" lora_model_dir = "/your/path/to/output/lora" output_dir = "/your/path/to/output" dataset_dir = "/your/path/to/datasets"

路径统一用正斜杠，Windows 也一样。完整的键列表直接看 config example.toml，里面每个键都有注释。

二、喂数据：图片文件夹怎么摆

第一次训练大概率不是卡在软件上，而是卡在数据组织上。新手最容易在这一步卡住，花十分钟把目录结构摆对，后面全是顺的。

目录结构：编号前缀 + 同名 txt

以训练一个角色 LoRA 为例：

dataset/ ├── 10_mychar/ │ ├── img_001.jpg │ ├── img_001.txt │ ├── img_002.jpg │ └── img_002.txt └── 1_cat/ # 正则化图片（可选） ├── reg_001.jpg └── reg_002.jpg

规则就三条：

• 每张图放一个同名的.txt（或.caption）文件，里面写这张图的描述，描述文件优先于文件夹名生效。
• 文件夹名前加数字前缀（如10_、30_），数字表示该组图片重复学习的次数。角色图多、参考图少时，前缀比例大致 10:1 起步。
• 图片支持 png/jpg/jpeg/webp/bmp，不必预先缩放，但 3000×3000 这种超大图建议先缩，避免报错。

更细的摆法看 docs/image_folder_structure.md。描述不会手写的话，GUI 里有 WD14 tagger、BLIP、BLIP2 等打标签页，对数据集目录跑一遍批量生成 txt。

💡 数量上：LoRA 用 15~30 张清晰、构图各异的图就够起步；用 class+identifier 方式做 DreamBooth 时，正则化图建议凑到约 100 张，否则容易"语言漂移"——生成结果和提示词脱钩。

三、参数怎么调：按这个顺序碰

GUI 里选项很多，但第一次跑只需要关心 6 个。下面每个都按"调它会发生什么 → 什么时候要动它 → 给个能抄的值"来讲。

学习率与优化器

调低，模型学得更慢更稳；调高，几小时的效果可能十分钟出，但容易过拟合或学废。LoRA 常用区间是 1e-4 到 1e-5，优化器选AdamW8bit（省显存且精度够用，官方文档的推荐）。

• SD1.5：学习率1e-4，调度器cosine。
• SDXL：学习率降到4e-7，配adafactor优化器（关掉 relative_step 和 warmup_init），调度器constant_with_warmup。SDXL 这条是官方 LoRA 指南 里给的标准值，直接抄。

Rank 与 Alpha

Rank 决定 LoRA 能存多少信息。调大，模型容量变大、文件变大，也更容易记住训练图里的背景杂物；调小则容量不足。试探期从 2~8 开始，正式训练 16~32 够用，128 封顶。Alpha 控制实际作用强度（等于 alpha/rank 的比值），和 Rank 设成一样就互不干扰。

• 推荐抄的值：Rank16，Alpha16。

Epoch 与 Batch size

Epoch 是"把全部数据过多少遍"。LoRA 两到三轮就够，轮数太多直接过拟合——生成图越来越像训练原图，换个背景就崩。Batch size 一次读几张图，越大越快但显存吃得越多，6GB 卡就设 1。

• 推荐抄的值：Epoch2，Batch size1（显存 12GB 以上可试 2，此时学习率可翻倍）。

其余高级项——停止文本编码器训练、Min SNR gamma、噪声偏移——第一次全留默认。SDXL 用户加一条：勾上"只训练 U-Net"，避免双文本编码器带来不可预期的结果（官方指南强烈建议）。逐项解释见 docs/LoRA/options.md，写得比大多数教程都细。

四、判断练没练够：存点、样图与省显存开关

训练本身不产生"完成"信号，得靠中间产物判断。

存点与训练中出样图

两个开关配合着看：

• Save every N epochs：每 N 个 epoch 存一次 LoRA。设成1，每个 epoch 都有可检查的文件；不想留中间产物就设成和 Epoch 相同。
• Sample prompts：训练期间定期生成样图。一个 prompt 文件长这样：

masterpiece, best quality, (1girl), simple background --n low quality, bad anatomy --w 512 --h 768 --d 1 --l 7 --s 28

--d固定种子，保证每张样图可比对。判断标准很朴素：样图里角色的特征稳定出现了，但换成训练集里没有的姿势/背景仍成立，就停。样图逐张越来越接近原图、背景开始"长"进画面，就是过拟合的信号。

显存吃紧时的两个开关

• Cache latents：默认开启，把压缩后的潜缓存留内存里，省 VRAM、提速，代价是不能用随机裁剪等增强。
• Cache latents to disk：把缓存落盘，同一份数据反复实验时第二次起明显更快。

⚠️ 两者都开的时候，flip 之外的数据增强和 random crop 会失效，介意的话二选一。

训练报错先看这两个

• Windows 报页文件不足：调大系统虚拟内存上限，见 README 的 Troubleshooting 一节。
• Tesla V100 上 GPU 利用率异常、loss 不降：这是驱动/软件栈的已知坑，官方有专门的排查文档 docs/troubleshooting_tesla_v100.md，照里面改环境变量即可。

五、接进出图软件：产物怎么用、怎么批量跑

产物去哪、怎么用

训练完成的 LoRA 是 fp16 权重的.safetensors文件（保存精度默认 fp16，文件小，ComfyUI、SD WebUI 等主流出图端都能直接加载）。训练配置记得一起存档：GUI 里用的参数组合可以存成 preset，仓库的presets/lora/目录里已经放了一批现成参数（比如 SDXL 标准 LoRA、adafactor 配置），改一改就能复用。

全量微调的产物是完整模型，同样放进出图软件的 checkpoints 目录。训练目标怎么选（DreamBooth / LoRA / 全量微调各适合什么场景），docs/train_README.md 开头有一张对照表，第一次选型前看一眼能少走弯路。

批量与远程训练

• 多开实例：同一台机器起多个 GUI 用不同端口（7860、7861…），各自跑一个训练任务。
• 远程/无界面服务器：启动参数必须带--headless。不带的话，原生文件选择框和覆盖确认弹窗会挂在服务器上无人应答，训练直接卡死。示例：

./gui.sh --listen 0.0.0.0 --server_port 7860 --headless

速查表

下一步建议：挑 20 张左右的同主题图，按"编号前缀 + 同名 txt"摆好文件夹，先用上表 SD1.5 那组参数跑一个 2 epoch 的完整流程，重点看样图在第 1 个 epoch 末的样子——这个对照点会帮你以后一眼分辨"没学会"和"学过了"。

【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ss