如何快速配置 Kohya_ss Flux 训练从环境到出图的完整实战指南【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ssKohya_ss 的 Flux 训练模式专为 Flux.1 模型设计支持 LoRA 微调与 fp8 低精度训练显存占用明显低于传统方案。本文带你走完 Kohya_ss Flux训练的全流程准备四个模型文件、勾选 GUI 中的 Flux.1 面板、加载官方预设并启动训练最后给出显存不足等高频问题的排查方法看完即可跑通第一条 Flux LoRA。 快速上手5 分钟跑通第一次 Flux 训练拿到项目如果还没克隆执行git clone https://gitcode.com/GitHub_Trending/ko/kohya_ss进入项目目录。准备模型文件下载 4 个文件——主模型flux1-dev.safetensors、文本编码器clip_l.safetensors与t5xxl.safetensors用 fp16 版本、VAE 编码器ae.safetensors放在任意固定目录。启动 GUILinux/macOS 执行bash gui.shWindows 执行gui.ps1浏览器自动打开界面即成功。勾选 Flux1在 LoRA 页签选择LoRA_type Flux1并勾选 Flux1 复选框界面会展开 Flux.1 配置面板。加载预设启动加载 presets/lora/flux1D - adamw8bit fp8.json填入模型路径和数据集路径后点 Train控制台开始打印训练日志即成功。 Flux LoRA 微调配置方法关键参数解析以下参数集中在 kohya_gui/class_flux1.py 的 Flux.1 面板中首次使用时只需理解这几项参数白话作用推荐值ae/clip_l/t5xxlVAE、CLIP-L、T5-XXL 三个组件的路径缺一个都加载不了填完整路径model_typeflux是标准 FLUX.1-devchroma基于 schnell不需要 CLIP-Lfluxdiscrete_flow_shift控制时间步在离散调度器上的偏移影响高/低噪声阶段的权重3.0model_prediction_type模型预测目标的数学形式Flux 训练一般用rawrawtimestep_sampling训练时怎么抽时间步sigmoid对中小分辨率更均衡sigmoidapply_t5_attn_mask对 T5 输出加注意力掩码避免无意义 token 干扰trueflux1_cache_text_encoder_outputs把文本编码结果缓存起来不用每步重算显著提速true显存紧张时加 to diskfp8_base用 fp8半半精度存储基础模型权重显存占用直接减半truetrain_blocks决定 LoRA 注入哪些 Transformer 块all全量、double/single只注入一部分allguidance_scale训练时使用的 CFG 强度chroma 模型应设 03.5⚙️ 完整配置流程从 GUI 勾选到训练脚本选择训练入口。打开 kohya_gui/lora_gui.py 对应的 LoRA 页签LoRA_type下拉框选Flux1也支持Flux1 OFT和LyCORIS同时勾选 Flux1 复选框。GUI 会在此校验如果勾了 Flux1 却把 LoRA_type 选成别的训练不会启动。填写模型路径。在 Flux.1 面板中填入ae、clip_l、t5xxl三个路径。注意model_type切到chroma时 CLIP-L 输入框会自动隐藏并自动把guidance_scale置 0这是面板内置的行为。组织数据集。按 docs/image_folder_structure.md 的规范图片放进带数字前缀的文件夹前缀表示重复次数每张图配同名.txt描述文件dataset/ └── 10_my-character/ ├── image1.jpg ├── image1.txt └── image2.jpg加载预设。选择 presets/lora/flux1D - adamw8bit fp8.json它预置了经过验证的核心组合{ LoRA_type: Flux1, fp8_base: true, mixed_precision: bf16, model_prediction_type: raw, timestep_sampling: sigmoid, discrete_flow_shift: 3, learning_rate: 0.0003, network_dim: 16, network_alpha: 16 }确认启动。点击 Train 后GUI 会拼装命令并调用sd-scripts/flux_train_network.py日志出现 loss 数值即进入正常训练。 端到端实战从零创建一个角色 Flux LoRA数据准备收集 10~50 张角色一致性较强的图512 以上分辨率风格统一。项目自带的测试集就是标准形态——文件夹名带前缀图片配.txt描述参数决策沿用预设只改三处——train_data_dir指向数据集、max_resolution 512,512、max_train_steps 1000。数据少于 20 张时把文件夹前缀调到 10~20让每张图多训几轮想省显存就把train_blocks从all降到double。启动训练设置output_name和output_dir后点 Train。预设中save_every_n_steps 50意味着每 50 步存一个检查点方便回退。监控验证把sample_every_n_steps设为 100 左右训练过程会定期用sample_prompts出参考图观察角色特征是否逐渐稳定、细节是否过拟合皮肤出现重复纹理就是过拟合信号此时用已保存的检查点回滚。 Flux 训练排错与调优高频问题三段式排查现象显存不足OOM原因Flux.1 主模型约 12B 参数默认配置显存压力大。 解法按顺序尝试——开启fp8_base预设已含→ 勾选Cache Text Encoder Outputs to Disk和 latent 缓存到磁盘 → 开启gradient_checkpointing→ 仍不够就把train_blocks降为double或启用CPU Offload Checkpointing实验性。现象模型加载失败或路径报错原因四个模型文件路径不全或 T5-XXL 用错了精度版本。 解法对照预设中ae、clip_l、t5xxl的占位文案逐个核对T5-XXL 务必用 fp16 版本如果model_type是chroma则无需 CLIP-L 文件。现象点 Train 后提示 LoRA type must be set to Flux1...原因勾选了 Flux1 复选框但LoRA_type选成了 SD1.5/SDXL 等类型。 解法把LoRA_type改为Flux1、Flux1 OFT或LyCORIS之一即可通过校验。现象loss 不收敛或震荡原因学习率偏高或时间步采样策略不匹配。 解法先把learning_rate降到0.0001加lr_warmup几百步确认max_grad_norm 1保持梯度裁剪noise_offset建议保留预设的0.05以稳定低噪声段。现象训练速度偏慢原因文本编码器每步重复计算。 解法勾选Cache Text Encoder Outputs显存够时或加 to disk 版本同时开启 latent 缓存数据加载环节也能提速。下一步想深入调参可以看 docs/LoRA/options.md 中关于network_dim、分层 rankRank for layers面板的说明训练完成后若得到完整模型想反向提取 LoRA可用 kohya_gui/flux_extract_lora_gui.py 对应的提取工具。多角色场景下参考presets/lora/目录里其他预设的学习率配置按数据量微调即可。【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ss创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 如何快速配置 Kohya_ss Flux 训练：从环境到出图的完整实战指南
如何快速配置 Kohya_ss Flux 训练从环境到出图的完整实战指南【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ssKohya_ss 的 Flux 训练模式专为 Flux.1 模型设计支持 LoRA 微调与 fp8 低精度训练显存占用明显低于传统方案。本文带你走完 Kohya_ss Flux训练的全流程准备四个模型文件、勾选 GUI 中的 Flux.1 面板、加载官方预设并启动训练最后给出显存不足等高频问题的排查方法看完即可跑通第一条 Flux LoRA。 快速上手5 分钟跑通第一次 Flux 训练拿到项目如果还没克隆执行git clone https://gitcode.com/GitHub_Trending/ko/kohya_ss进入项目目录。准备模型文件下载 4 个文件——主模型flux1-dev.safetensors、文本编码器clip_l.safetensors与t5xxl.safetensors用 fp16 版本、VAE 编码器ae.safetensors放在任意固定目录。启动 GUILinux/macOS 执行bash gui.shWindows 执行gui.ps1浏览器自动打开界面即成功。勾选 Flux1在 LoRA 页签选择LoRA_type Flux1并勾选 Flux1 复选框界面会展开 Flux.1 配置面板。加载预设启动加载 presets/lora/flux1D - adamw8bit fp8.json填入模型路径和数据集路径后点 Train控制台开始打印训练日志即成功。 Flux LoRA 微调配置方法关键参数解析以下参数集中在 kohya_gui/class_flux1.py 的 Flux.1 面板中首次使用时只需理解这几项参数白话作用推荐值ae/clip_l/t5xxlVAE、CLIP-L、T5-XXL 三个组件的路径缺一个都加载不了填完整路径model_typeflux是标准 FLUX.1-devchroma基于 schnell不需要 CLIP-Lfluxdiscrete_flow_shift控制时间步在离散调度器上的偏移影响高/低噪声阶段的权重3.0model_prediction_type模型预测目标的数学形式Flux 训练一般用rawrawtimestep_sampling训练时怎么抽时间步sigmoid对中小分辨率更均衡sigmoidapply_t5_attn_mask对 T5 输出加注意力掩码避免无意义 token 干扰trueflux1_cache_text_encoder_outputs把文本编码结果缓存起来不用每步重算显著提速true显存紧张时加 to diskfp8_base用 fp8半半精度存储基础模型权重显存占用直接减半truetrain_blocks决定 LoRA 注入哪些 Transformer 块all全量、double/single只注入一部分allguidance_scale训练时使用的 CFG 强度chroma 模型应设 03.5⚙️ 完整配置流程从 GUI 勾选到训练脚本选择训练入口。打开 kohya_gui/lora_gui.py 对应的 LoRA 页签LoRA_type下拉框选Flux1也支持Flux1 OFT和LyCORIS同时勾选 Flux1 复选框。GUI 会在此校验如果勾了 Flux1 却把 LoRA_type 选成别的训练不会启动。填写模型路径。在 Flux.1 面板中填入ae、clip_l、t5xxl三个路径。注意model_type切到chroma时 CLIP-L 输入框会自动隐藏并自动把guidance_scale置 0这是面板内置的行为。组织数据集。按 docs/image_folder_structure.md 的规范图片放进带数字前缀的文件夹前缀表示重复次数每张图配同名.txt描述文件dataset/ └── 10_my-character/ ├── image1.jpg ├── image1.txt └── image2.jpg加载预设。选择 presets/lora/flux1D - adamw8bit fp8.json它预置了经过验证的核心组合{ LoRA_type: Flux1, fp8_base: true, mixed_precision: bf16, model_prediction_type: raw, timestep_sampling: sigmoid, discrete_flow_shift: 3, learning_rate: 0.0003, network_dim: 16, network_alpha: 16 }确认启动。点击 Train 后GUI 会拼装命令并调用sd-scripts/flux_train_network.py日志出现 loss 数值即进入正常训练。 端到端实战从零创建一个角色 Flux LoRA数据准备收集 10~50 张角色一致性较强的图512 以上分辨率风格统一。项目自带的测试集就是标准形态——文件夹名带前缀图片配.txt描述参数决策沿用预设只改三处——train_data_dir指向数据集、max_resolution 512,512、max_train_steps 1000。数据少于 20 张时把文件夹前缀调到 10~20让每张图多训几轮想省显存就把train_blocks从all降到double。启动训练设置output_name和output_dir后点 Train。预设中save_every_n_steps 50意味着每 50 步存一个检查点方便回退。监控验证把sample_every_n_steps设为 100 左右训练过程会定期用sample_prompts出参考图观察角色特征是否逐渐稳定、细节是否过拟合皮肤出现重复纹理就是过拟合信号此时用已保存的检查点回滚。 Flux 训练排错与调优高频问题三段式排查现象显存不足OOM原因Flux.1 主模型约 12B 参数默认配置显存压力大。 解法按顺序尝试——开启fp8_base预设已含→ 勾选Cache Text Encoder Outputs to Disk和 latent 缓存到磁盘 → 开启gradient_checkpointing→ 仍不够就把train_blocks降为double或启用CPU Offload Checkpointing实验性。现象模型加载失败或路径报错原因四个模型文件路径不全或 T5-XXL 用错了精度版本。 解法对照预设中ae、clip_l、t5xxl的占位文案逐个核对T5-XXL 务必用 fp16 版本如果model_type是chroma则无需 CLIP-L 文件。现象点 Train 后提示 LoRA type must be set to Flux1...原因勾选了 Flux1 复选框但LoRA_type选成了 SD1.5/SDXL 等类型。 解法把LoRA_type改为Flux1、Flux1 OFT或LyCORIS之一即可通过校验。现象loss 不收敛或震荡原因学习率偏高或时间步采样策略不匹配。 解法先把learning_rate降到0.0001加lr_warmup几百步确认max_grad_norm 1保持梯度裁剪noise_offset建议保留预设的0.05以稳定低噪声段。现象训练速度偏慢原因文本编码器每步重复计算。 解法勾选Cache Text Encoder Outputs显存够时或加 to disk 版本同时开启 latent 缓存数据加载环节也能提速。下一步想深入调参可以看 docs/LoRA/options.md 中关于network_dim、分层 rankRank for layers面板的说明训练完成后若得到完整模型想反向提取 LoRA可用 kohya_gui/flux_extract_lora_gui.py 对应的提取工具。多角色场景下参考presets/lora/目录里其他预设的学习率配置按数据量微调即可。【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ss创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考