lora-scripts 训练IP形象

CodeWithGPU | 能复现才是好算法CodeWithGPU | GitHub AI算法复现社区，能复现才是好算法https://www.codewithgpu.com/i/Akegarasu/lora-scripts/lora-trainstable-diffusion打造自己的lora模型（使用lora-scripts）-CSDN博客文章浏览阅读1.1k次。accelerate config这个命令进入之后，对于多项选择的可以用上下键，或者使用（0，1，2...）去选择相关的选项，yes or no的直接输入然后回车，大部分配置项选择默认就可以了，我这里没有使用DeepSpeed，所以这一项，我选择的No，根据自己的实际情况去选就行了，不知道啥意思的可以挨个查下。比如要训练一个自己头像的模型，就可以拍一些自己的照片（20-50张，最少15张），要求画质清晰，脸部轮廓清楚，背景较为简单的照片。方式一，直接修改train.ps1文件，修改以下配置。_lora-scriptshttps://blog.csdn.net/weixin_50516745/article/details/132434104Stable Diffusion：使用XYZ脚本生成对比图进行LoRA模型测试教程 - 知乎如下图，我们先来看下Stable Diffusion生成的对比图。这种对比图的制作离不开XYZ plot脚本，有时候我们需要根据不同的权重来生成一系列图来进行对比测试，以此来发现最优解，这时候我们就需要用到XYZ plot脚本。 …https://zhuanlan.zhihu.com/p/634901715直接秋叶的lora-scripts，做的非常专业。

1.wd 1.4打标

2. 标签编辑器

主要就是把其中识别错误的tag做一些替换。

3.训练

配置一下数据集和模型

3.1 实验

Lion优化器，V100不支持bitsandbytes，用AdamW8bit会有问题，因此用Lion。

V1：

wd 1.4 tagger 达标，加了提示词，做了简单修改，模型rev122

snlion\\\(ip\\\), solo, white background, simple background, crewmate \(among us\), outline

pretrained_model_name_or_path = "/home/image_team/image_team_docker_home/lgd/e_commerce_sd/stable-diffusion-webui/models/Stable-diffusion/revAnimated_v122.safetensors"
train_data_dir = "/home/image_team/image_team_docker_home/lgd/e_commerce_sd/data/sn/lion_lora_scripts/lion_v1/"
resolution = "512,512"
enable_bucket = true
min_bucket_reso = 256
max_bucket_reso = 1024
output_name = "lion"
output_dir = "/home/image_team/image_team_docker_home/lgd/e_commerce_sd/outputs/lion_rev_v1/"
save_model_as = "safetensors"
save_every_n_epochs = 2
max_train_epochs = 20
train_batch_size = 4
network_train_unet_only = false
network_train_text_encoder_only = false
learning_rate = 0.0001
unet_lr = 0.0001
text_encoder_lr = 1e-5
lr_scheduler = "cosine_with_restarts"
optimizer_type = "Lion"
lr_scheduler_num_cycles = 1
network_module = "networks.lora"
network_dim = 32
network_alpha = 32
logging_dir = "./logs"
caption_extension = ".txt"
shuffle_caption = true
keep_tokens = 0
max_token_length = 255
seed = 1337
prior_loss_weight = 1
clip_skip = 2
mixed_precision = "fp16"
save_precision = "fp16"
xformers = false
cache_latents = true
persistent_data_loader_workers = true
lr_warmup_steps = 0