"AI绘画革命：Flux-dev-de-distill与PixelWave的深度调优实验大揭秘！"

我深入试验了Flux-dev-de-distill、PixelWave v03、Verus Vision和基础FLUX Dev模型的微调/DreamBooth训练。此外，我还尝试了多概念训练，将道恩·强森和我自己作为两个概念一起训练。此外，我还测试了类别覆盖问题。

在这些实验中，我使用了28张自己的照片（从我的256张照片中选取）和28张道恩·强森的高质量照片。

我在这里发布了一篇非常详细的文章，包含完整的网格和更多信息：https://www.patreon.com/posts/114969137

然而，我的发现总结如下：

你可以使用Kohya GUI对社区训练的模型（如PixelWave v03、Flux-dev-de-distill或Verus Vision）进行微调/DreamBooth训练。

实际上，这在几天前是不可能的，但在我向Kohya报告错误后，他修复了这个问题，他真是个了不起的开发者。

我为官方FLUX DEV模型研究出的配置和工作流程在社区训练的模型上完全适用，无需任何改动。

PixelWave v03不适合写实训练，这是一个过拟合的模型。

Flux-dev-de-distill和Verus Vision的表现相近，我认为Flux-dev-de-distill更好。

Flux-dev-de-distill的质量几乎与FLUX DEV相当，但除非你想一次性训练多个概念，否则我看不出有什么理由现在使用它。

Flux-dev-de-distill仍然存在混合问题，但相比FLUX DEV官方模型，这个问题有所减轻。

Flux-dev-de-distill仍然存在类别信息覆盖问题。

分析完整的尺寸网格会给你更多的想法和信息。

作为下一步的研究，我希望能够完全训练SD 3.5大型和中型模型，找到LoRA和微调/DreamBooth训练的最佳超参数。

然后，希望我们能看到是否也能解决这个疯狂的混合问题和类别信息覆盖问题。

Kohya一直在更新和应用修复。