企业官网建设流程全解析

kohya_ss：图形化训练 Stable Diffusion 模型，从 10 张照片练出自己的风格 LoRA

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

kohya_ss 是一个 Stable Diffusion 训练的图形化工具，把 Kohya 的命令行训练脚本做成了 Gradio 网页界面，LoRA 微调、Dreambooth、整模微调和 Textual Inversion 都能点鼠标完成。想用自己 10-20 张照片练一个风格模型，不用背任何命令。

从"手里有一批图"到"模型学会这个风格"

你手里有一批风格统一的插画，或者某个角色、物件的一组照片，想让 AI 能复现这种画风。查一下训练脚本，会看到一排看不懂的参数：学习率、优化器、桶分辨率、正则化图片，还没开始就想放弃。kohya_ss 就是做这一层的：这些参数全部变成复选框、滑块和下拉框，训练时由界面自动生成对应的命令行指令。本文给没训过模型的人讲清楚整条路：它能干什么、适合谁、怎么跑起来。

它帮你解决的三件事

训练数据怎么准备

图放进一个文件夹，每张图配一个同名的 .txt 写一行描述，分辨率 512x512，10-20 张就够。项目里的示例数据就是这个格式——一张蒸汽朋克风格的画作，旁边放着它的 caption 文件：

配套的自动标注工具可以批量生成 .txt，不用每张手写。

预设配置怎么用

presets/lora/ 目录里放了几十个社区沉淀下来的 JSON 预设，覆盖 SD1.5、SDXL 等底模常见的优化器和学习率组合。加载一个就能拿到一套验证过能用的参数，你只要改数据集路径和输出模型名，不用逐个理解参数含义。

训练过程怎么盯

点开始之后，控制台实时输出进度和 loss 值，还能开启定期生成样图，隔一段时间看一次模型学到什么程度。样图开始接近训练数据的风格就可以停，不用干等整轮跑完。

怎么跑起来

先拿到仓库：

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

然后进目录，Windows 双击gui-uv.bat，Linux/macOS 跑./gui-uv.sh。脚本用 uv 装全部依赖，走隔离环境，不用手动管 Python 版本和库冲突，装完直接弹开浏览器指向 localhost:7860。进去之后先在设置里确认底模路径（SDXL 或 SD1.5 的 .safetensors 文件），再到 LoRA训练界面 选好数据文件夹、加载预设、点开始。一个 LoRA 跑一次，8G 显存够用，训一个风格大概 30 分钟到 1 小时。

一个完整场景

以练一个蒸汽朋克机械风 LoRA 为例。你收集了 16 张同风格的蒸汽朋克画作，放进文件夹，每张的 .txt 里写"steampunk, gears, mask"这类关键词。界面选 LoRA 标签页，加载 presets 里的SDXL - LoRA AI_characters standard v1.0.json，输出模型名改成 steampunk_style，轮数设 30。约 40 分钟后产出一个 .safetensors 文件，丢进出图工具、权重设 0.8，提示词写"蒸汽朋克头骨、防毒面具"，出来的画面就是贴近你素材的蒸汽朋克味道，而不是通用模型的泛化结果。

常见卡点

训练刚跑就爆显存——现象是开始几步就报 CUDA out of memory。原因是预设里的批量和桶分辨率超出了你的显存。动作：批量降到 1，在高级设置里打开 block swap 这类显存优化项，或者把分辨率降一档。

训完模型没学会——现象是训练完成但样图依然模糊、风格不出。原因通常是训练图风格太杂，或者 caption 缺失、写错，模型提不出共同特征。动作：把数据收拢到 10-20 张风格统一的图，逐张检查 .txt 是否和图片对得上。

安装脚本跑不完——现象是 uv 启动脚本跑到装依赖阶段就报错。原因是网络问题或本机 Python 版本和脚本要求不匹配。动作：改用 pip 启动脚本重试，具体步骤见安装文档。

收尾

一句话总结：kohya_ss 是 Kohya 那套 Stable Diffusion 训练脚本的图形化外壳，覆盖 LoRA、Dreambooth、微调和 Textual Inversion 四种训练方式，支持 SD1.5、SDXL、SD3、Flux.1 等底模。下一步最小动作：把仓库 clone 下来跑一次默认安装，放 10 张自己的图进文件夹，用任意预设试跑 5 轮。效果对得上再逐步加轮数和数据量。

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