Stable Diffusion怎么训练LoRA SD模型LoRA炼丹详细全流程【教程】

LoRA模型训练需七步：一、确认NVIDIA显卡≥6GB显存、CUDA可用、Python 3.10；二、下载部署kohya_ss；三、准备15–30张高质量正方形图像；四、用BLIP/DeepBooru打标并优化；五、配置SD1.5基模、LoRA参数（Dim=128, Alpha=64）；六、启动训练并监控显存与日志；七、在SD WebUI中加载测试，权重设0.8–1.2并含触发词。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

如果您已安装 Stable Diffusion WebUI 并希望训练专属 LoRA 模型，但对数据准备、参数配置与训练流程不熟悉，则可能是由于缺乏标准化操作路径导致训练失败或效果不佳。以下是完成 LoRA 模型训练的全流程步骤：

一、确认硬件与基础环境

LoRA 训练对 GPU 显存和 CUDA 兼容性有明确要求，本地训练需确保显卡驱动与 Python 环境满足最低依赖。未达标的设备将无法启动训练进程或中途崩溃。

1、检查显卡型号是否为 NVIDIA 系列，且显存 ≥ 6GB；

2、运行 nvidia-smi 命令验证驱动状态与 CUDA 可见性；

3、确认 Python 版本为 3.10.x，避免使用 3.11 或更高版本引发 kohya_ss 兼容异常；

4、若使用 Windows 系统，需提前安装 Microsoft Visual C++ 2019 Redistributable；

5、在命令行中执行 python -c "import torch; print(torch.cuda.is_available())"，返回 True 表示 CUDA 正常启用。

二、下载并部署训练工具包

kohya_ss 是当前最主流的 LoRA 训练 WebUI，它封装了全部训练脚本与前端界面，无需手动编写训练命令，大幅降低入门门槛。

1、访问 GitHub 官方仓库：https://github.com/kohya-ss/sd-scripts；

2、点击绿色 Code 按钮 → Download ZIP，保存至非系统盘（如 D:\kohya）；

3、解压后进入目录，双击运行 setup_windows.bat（Windows）或 setup_linux.sh（Linux）；

4、等待自动安装依赖库，过程中出现多次 yes/no 提示时，全部按回车接受默认选项；

5、安装完成后，双击 gui.bat 启动 WebUI，浏览器自动打开 http://127.0.0.1:7860。

三、准备高质量训练图像集

图像质量与多样性直接决定 LoRA 复刻精度。低分辨率、模糊、背景杂乱或角度单一的图片将导致模型泛化能力差，无法稳定生成指定特征。

1、收集 15–30 张目标主体图像，涵盖正面、侧面、半身、全身、不同光照与表情；

2、统一裁剪为正方形，推荐尺寸为 512×512 像素，使用在线工具或 Python PIL 批量处理；

3、对真人图像建议使用 AI 抠图工具（如 rembg 或阿里云 API）去除背景，仅保留主体；

4、将所有图像保存至新建文件夹，例如 D:\lora_train\input\，禁止中文路径与空格；

5、命名采用纯英文+数字，如 chara_01.png、chara_02.png，避免特殊符号。

四、图像自动打标与标签优化

标签是模型理解图像语义的关键输入，错误或冗余标签会干扰特征学习。BLIP 适用于写实类图像，DeepBooru 更适合二次元风格，需按需选择。

1、在 WebUI 左侧导航栏点击 Image Captioning；

2、设置输入目录为刚才创建的 input 文件夹，输出目录设为同级 captioned 文件夹；

3、模型选择 BLIP（真人）或 DeepBooru（二次元），勾选 Overwrite existing captions；

4、点击 Run 开始批量生成 .txt 标签文件；

标签： linux python redis 前端 git windows github 显卡 浏览器 工具 阿里云 nvidi