巨大的 FLUX LoRA 与微调 / DreamBooth 实验已完成。此外，批量大小 1 与 7 的全面对比……

巨型 FLUX LoRA 与微调 / DreamBooth 实验已完成

此外，批量大小 1 与 7 也进行了全面测试，不仅针对真实感，还包括风格化——对比了 15 张与 256 张图像的数据集（也测试了表情/情感）——使用了 Kohya GUI 进行训练。

• 完整文件和文章： 点击这里

完整文章链接

• 点击这里
• 文章底部提供了图像

详细信息

• 下载全分辨率图像以查看提示和模型名称
• 所有训练均使用 Kohya GUI 完成，完全可以在 Windows 本地进行，所有训练图像为 1024x1024 像素
• 微调 / DreamBooth 在 6 GB GPU 上也能正常工作（质量没有下降，完全与 48 GB 配置相同）
• LoRA 的最佳质量需要 48 GB GPU，24 GB 也能很好地工作，最低需要 8 GB GPU（质量会有较大下降）
• 点击这里
• 还分享了以下内容的全尺寸网格：点击这里
• 训练使用了 15 张图像的数据集：15_Images_Dataset.png
• 训练使用了 256 张图像的数据集：256_Images_Dataset.png
• 15 张图像数据集，批量大小 1 微调训练：15_imgs_BS_1_Realism_Epoch_Test.jpg，15_imgs_BS_1_Style_Epoch_Test.jpg
• 15 张图像数据集，批量大小 7 微调训练：15_imgs_BS_7_Realism_Epoch_Test.jpg，15_imgs_BS_7_Style_Epoch_Test.jpg
• 256 张图像数据集，批量大小 1 微调训练：256_imgs_BS_1_Realism_Epoch_Test.jpg，256_imgs_BS_1_Stylized_Epoch_Test.jpg
• 256 张图像数据集，批量大小 7 微调训练：256_imgs_BS_7_Realism_Epoch_Test.jpg，256_imgs_BS_7_Style_Epoch_Test.jpg
• 15 张图像数据集，批量大小 1 LoRA 训练：15_imgs_LORA_BS_1_Realism_Epoch_Test.jpg，15_imgs_LORA_BS_1_Style_Epoch_Test.jpg
• 15 张图像数据集，批量大小 7 LoRA 训练：15_imgs_LORA_BS_7_Realism_Epoch_Test.jpg，15_imgs_LORA_BS_7_Style_Epoch_Test.jpg
• 256 张图像数据集，批量大小 1 LoRA 训练：256_imgs_LORA_BS_1_Realism_Epoch_Test.jpg，256_imgs_LORA_BS_1_Style_Epoch_Test.jpg
• 256 张图像数据集，批量大小 7 LoRA 训练：256_imgs_LORA_BS_7_Realism_Epoch_Test.jpg，256_imgs_LORA_BS_7_Style_Epoch_Test.jpg

比较

• 微调 / DreamBooth 15 张与 256 张图像，批量大小 1 与 7 的真实感比较：Fine_Tuning_15_vs_256_imgs_BS1_vs_BS7.jpg
• 微调 / DreamBooth 15 张与 256 张图像，批量大小 1 与 7 的风格比较：15_vs_256_imgs_BS1_vs_BS7_Fine_Tuning_Style_Comparison.jpg
• LoRA 训练 15 张与 256 张图像，批量大小 1 与 7 的真实感比较：LoRA_15_vs_256_imgs_BS1_vs_BS7.jpg
• LoRA 训练 15 张与 256 张图像，批量大小 1 与 7 的风格比较：15_vs_256_imgs_BS1_vs_BS7_LoRA_Style_Comparison.jpg
• 测试 LoRA 训练的微笑表情：LoRA_Expression_Test_Grid.jpg
• 测试微调 / DreamBooth 训练的微笑表情：Fine_Tuning_Expression_Test_Grid.jpg

微调 / DreamBooth 与 LoRA 比较

• 15 张图像微调与 LoRA，批量大小 1：15_imgs_BS1_LoRA_vs_Fine_Tuning.jpg
• 15 张图像微调与 LoRA，批量大小 7：15_imgs_BS7_LoRA_vs_Fine_Tuning.jpg
• 256 张图像微调与 LoRA，批量大小 1：256_imgs_BS1_LoRA_vs_Fine_Tuning.jpg
• 256 张图像微调与 LoRA，批量大小 7：256_imgs_BS7_LoRA_vs_Fine_Tuning.jpg
• 15 张与 256 张图像，批量大小 1 与 7，LoRA 与微调的比较：15_vs_256_imgs_BS1_vs_BS7_LoRA_vs_Fine_Tuning_Style_Comparison.jpg
• 还分享了完整的结论和建议：点击这里
• 此外，我还分享了完整的训练日志，可以查看每个检查点所需的时间。我分享了最佳检查点、它们的步骤计数和所需时间，涵盖了 LoRA、微调、批量大小 1、7、15 张图像或 256 张图像，因此这是一篇非常详细的文章。
• 查看图像以查看帖子中分享的所有文件。
• 此外，提供了非常详细的分析，文章中包含了所有最新的 DreamBooth / 微调配置和 LoRA 配置，并附有适用于 Windows、Runpod 和 Massed Compute 的 Kohya GUI 安装程序。
• 此外，我还分享了新的 28 个真实感和 37 个风格化测试提示。

当前教程如下：

• Windows 环境要求 CUDA、Python、cuDNN 等：点击这里
• 如何使用 SwarmUI：点击这里
• 如何在 SwarmUI 上使用 FLUX：点击这里
• 如何使用 Kohya GUI 进行 FLUX 训练：点击这里
• 如何在云端（RunPod 和 Massed Compute）使用 Kohya GUI 进行 FLUX 训练：点击这里
• 希望很快会有新的教程，涵盖这项研究和微调 / DreamBooth 的教程

我进行了以下训练，并进行了全面分析和比较：

• 微调 / DreamBooth：15 张训练图像，批量大小为 1
• 微调 / DreamBooth：15 张训练图像，批量大小为 7
• 微调 / DreamBooth：256 张训练图像，批量大小为 1
• 微调 / DreamBooth：256 张训练图像，批量大小为 7
• LoRA：15 张训练图像，批量大小为 1
• LoRA：15 张训练图像，批量大小为 7
• LoRA：256 张训练图像，批量大小为 1
• LoRA：256 张训练图像，批量大小为 7
• 对于每个批量大小 1 与 7，研究了独特的新学习率（LR），并使用了最佳的学习率
• 然后非常仔细和全面地比较了所有这些检查点，并分享了所有发现和分析
• 巨型 FLUX LoRA 与微调 / DreamBooth 实验已完成，此外批量大小 1 与 7 也进行了全面测试，不仅针对真实感，还包括风格化：点击这里

研究的一部分图像