Kohya_ss

[Lora] 關於訓練的 Noise 與 Loss

[Lora] 關於訓練的 Noise 與 Loss

13 min read AIAIGCLoraLora 訓練Kohya-ssKohya_ssStableDiffusionNoise OffsetLossHuber loss
說在最前面的，這些訓練數據可能會因為演算法、優化器、排程器或是各種相關套件更新而失準。本次的實驗主要是要測試 Noise 對於整體訓練的差異，與可能可以怎麼選擇或是設定的紀錄。 Kohya GUI 本次所使用的 Kohya GUI 版本是 24.1.4，如果你不是這個版本，或者是你是直接使用 kohya-ss/sd-script v0.8.7 也可以。 我們在 Kohya 的進階設定中可以找到本篇文章所提到的各種設定，你可以參考我之前的文章 [Lora] Kohya_ss GUI
[Lora] 切臉訓練設定誤區

[Lora] 切臉訓練設定誤區

4 min read LoraLora 訓練Kohya-ssStableDiffusionAIAIGCKohya_ss
這是一個我一直忘記也沒有拿出來講的事情，在 Kohya 訓練參數當中，所使用的 face_crop_aug_range 一直都有一個誤會。 其實單純設定他是沒有效果的。 face_crop_aug_range 這個參數在 Kohya-ss/sd-script 當中，其實是需要針對檔案名稱作特殊處理，這個參數才會生效。然後我之前的文章好像都沒特別提到這件事情。 根據原始碼 train_util.py#L1095， face_cx = face_cy = face_w
[Lora] 減法拆分融合 - 製作專屬特徵人物

[Lora] 減法拆分融合 - 製作專屬特徵人物

12 min read AIAIGCLoraLora 訓練Lora Block WeightStableDiffusionStable Diffusion WebUIKohya_ss融合模型訓練模型
說在最前面的，你需要先訓練出一個屬於你自己的人物的 Lora，畢竟拿別人的 Lora 來用可能會有版權的問題，所以盡可能的自己訓練一個會比較好。 關於減法的訓練我在 2023 年的 SD 年會中已經聊過，這邊就不贅述。 關於訓練的減法 如果沒有看過的人可以看一下，這篇文章會用到裡面說的一些方式。 事前準備 訓練的方式就不提了，總之就是準備一個你覺得訓練的不錯的一個人物的 Lora，然後選擇幾個你喜歡的模型。 * 準備好一個人物 Lora，或是多個（如果你有訓練多個的話） * 基底模型，例如 9527 Detail Realistic XL * 或是 SD1.
[Lora] TensorArt, CivitAI, Kohya-ss 訓練 SDXL Lora 記錄

[Lora] TensorArt, CivitAI, Kohya-ss 訓練 SDXL Lora 記錄

10 min read AIAIGCTensorArtCivitAIKohya_ssSDXLLoraLora 訓練StableDiffusion
由於 SDXL 的模型訓練的硬體需求實在很高，所以多半得靠第三方服務，或是自己去弄一台雲端的 GPU 來幫我們訓練。我在本地端用比較低的設定來跑，勉強還能夠訓練比較小型的 SDXL Lora，更高的需求就真的只能靠第三方。 所以這次就記錄一下各組訓練的數據，跟產出的對比。 TensorArt 我在上一篇文章 [TensorArt] Lora 訓練筆記 中，已經有介紹過。詳細的設定我就不在這邊贅述了。然後，官方已經把 Prodigy 優化器修好了，所以這次就用 Prodigy 來訓練。以下是本次訓練的相關參數， Use Base Model:
[Lora] 訓練概念筆記

[Lora] 訓練概念筆記

14 min read AIAIGCLoraLora 訓練訓練模型StableDiffusionKohya-ssKohya_ss
這是我目前訓練 Lora 的流程概念筆記，訓練的過程其實大概就煮飯一樣，現在電子鍋很方便，就跟訓練器一樣，只是準備不周的話，飯會不會熟就是另一回事了。 訓練資料集 首先你需要明確的知道你想要訓練的「目標」是什麼，這樣才能準備資料。無論你訓練的目標是什麼，盡量多元的資料集是必須的。 1. 如果只訓練一個概念（ Concept ），那麼請盡量刪除或抹去與這個概念會產生衝突的資料。 2. 訓練多個概念，可以透過特定的標籤（ Tag ）來解決，這樣會需要更多的訓練時間。 3. 如果你使用 ARB ( Aspect Ratio Bucket) 的訓練方式，可以不裁切資料集圖片（