LoRA角色训练实战：训练专属AI漫剧角色的完整教程

步骤1：确定训练目标
  → 明确你要训练什么（角色/风格/服装）
  → 确定使用的基础模型

步骤2：准备训练数据集
  → 收集/生成训练图片（15-50张）
  → 统一图片尺寸和裁剪
  → 编写图片标注（tagging）

步骤3：配置训练环境
  → 安装kohya_ss或其他训练工具
  → 选择合适的基础模型
  → 设置训练参数

步骤4：执行训练
  → 启动训练过程
  → 监控训练进度和损失值
  → 选择最佳的训练节点保存

步骤5：测试和优化
  → 使用测试提示词验证效果
  → 根据测试结果调整参数
  → 必要时重新训练

步骤6：部署使用
  → 将LoRA集成到生成工作流中
  → 建立角色的标准提示词模板
  → 在实际创作中使用

步骤1：确保已安装Python 3.10和Git
步骤2：克隆kohya_ss仓库
  git clone https://github.com/bmaltais/kohya_ss.git
步骤3：进入目录并运行安装脚本
  cd kohya_ss
  ./setup.bat
步骤4：启动WebUI
  ./run.bat
步骤5：在浏览器中打开 http://localhost:7860

步骤1：创建Python虚拟环境
  python -m venv venv
  venv\Scripts\activate  (Windows)
  source venv/bin/activate  (Linux/Mac)

步骤2：安装PyTorch（根据CUDA版本选择）
  pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118

步骤3：安装kohya_ss依赖
  pip install -r requirements.txt

步骤4：启动WebUI
  python gui.py

步骤1：编写角色的详细提示词
  → 包含角色的所有核心视觉特征

步骤2：使用Stable Diffusion或Midjourney生成20-30张图片
  → 变化种子值（seed）以获得不同的图片
  → 保持核心特征一致，变化表情、角度和场景

步骤3：筛选最佳图片
  → 剔除面部变形、手部异常等低质量图片
  → 保留15-30张高质量图片

步骤4：统一尺寸和裁剪
  → 使用脚本或工具将所有图片统一为512x512或1024x1024
  → 确保角色在画面中心，面部清晰可见

步骤1：收集高质量参考图片
  → 从官方渠道获取清晰的高分辨率图片
  → 确保图片中角色的面部清晰可见

步骤2：筛选和分类
  → 按角度分类：正面、侧面、背面
  → 按表情分类：微笑、严肃、惊讶等
  → 按服装分类：不同服装的图片

步骤3：裁剪和调整
  → 裁剪为正方形，角色居中
  → 统一分辨率为512x512或1024x1024

// 好的触发词
shenwei character  （"shenwei"是一个不太常见的名字组合）
xyz123 original character  （使用随机字符串确保唯一性）

// 不好的触发词
girl  （太常见，基础模型已经认识）
beautiful woman  （太常见，会与基础模型的概念冲突）

// 角色特有特征（这些是LoRA需要学习的）
shenwei character, short black hair with red tips,
golden eyes, scar on left cheek, black choker,

// 通用特征（这些基础模型已经会了）
1girl, solo, looking at viewer, upper body,
simple background, white background,

// 推荐的标注顺序
shenwei character, 1girl, short black hair with red tips,
golden eyes, scar on left cheek, black choker,
white tank top, leather jacket, looking at viewer,
simple white background, upper body, masterpiece, best quality,

dataset/
  └── shenwei_character/          ← 角色文件夹名
      ├── 10_shenwei.jpg          ← 图片文件（10是重复次数）
      ├── 10_shenwei.txt          ← 对应的标注文件（同名.txt）
      ├── 10_shenwei_smile.jpg
      ├── 10_shenwei_smile.txt
      ├── 10_shenwei_side.jpg
      ├── 10_shenwei_side.txt
      └── ...

[重复次数]_[图片名称].jpg
[重复次数]_[图片名称].txt

示例：
20_shenwei_front.jpg    ← 这张图片会在训练中重复20次
20_shenwei_front.txt    ← 对应的标注文件

推荐设置：Alpha = Rank / 2 或 Alpha = Rank

示例：
  Rank=32, Alpha=16  （保守，更稳定）
  Rank=32, Alpha=32  （标准，平衡）
  Rank=32, Alpha=64  （激进，效果更强但可能不稳定）

总步数 = (图片数量 × 重复次数) / Batch Size × Epoch数

示例：
  20张图片 × 20次重复 = 400张训练图片
  Batch Size = 2
  每个Epoch的步数 = 400 / 2 = 200步
  训练10个Epoch = 200 × 10 = 2000步

基础模型：SD 1.5 或 NoobAI
图片分辨率：512x512
Network Rank (Dim)：32
Network Alpha：16
U-Net学习率：1e-4
Text Encoder学习率：5e-5
优化器：AdamW8bit
Batch Size：2
梯度累积步数：2
训练Epoch：10-15
保存频率：每500步保存一次
预热步数：总步数的10%

基础模型：SDXL 或 NoobAI
图片分辨率：1024x1024
Network Rank (Dim)：64
Network Alpha：32
U-Net学习率：1e-4
Text Encoder学习率：5e-5
优化器：Prodigy 或 AdamW8bit
Batch Size：2
梯度累积步数：4
训练Epoch：8-12
保存频率：每200步保存一次
预热步数：总步数的10%
LR调度器：cosine

基础模型：SD 1.5
图片分辨率：512x512
Network Rank (Dim)：16
Network Alpha：8
U-Net学习率：8e-5
Text Encoder学习率：4e-5
优化器：Adafactor
Batch Size：1
梯度累积步数：4
训练Epoch：15-20
启用xformers：是
启用缓存latents：是
保存频率：每500步保存一次

观察要点：
1. 角色的面部特征是否准确？
2. 触发词是否有效触发了角色特征？
3. 是否出现了过度拟合的迹象？（如背景被"记住"）
4. 不同训练阶段的样本是否有明显差异？

选择最佳节点的标准：
1. 角色特征准确（面部、发型、服装都正确）
2. 触发词有效（使用触发词能稳定生成角色）
3. 泛化能力好（在不同场景和表情下都能生成角色）
4. 没有过拟合（不会"记住"训练图片的背景）
5. 与基础模型兼容（可以与正常提示词配合使用）

测试方法：
对每个保存的节点，使用以下测试提示词生成图片：
  shenwei character, 1girl, looking at viewer, smile,
  simple white background, upper body

选择生成效果最好、最稳定的节点作为最终使用的LoRA。

// 测试1：基础触发测试
shenwei character, 1girl, masterpiece, best quality,
upper body, simple white background, looking at viewer,

// 测试2：表情变化测试
shenwei character, 1girl, smile,
shenwei character, 1girl, serious expression,
shenwei character, 1girl, surprised expression,
shenwei character, 1girl, sad expression,

// 测试3：角度变化测试
shenwei character, 1girl, from side,
shenwei character, 1girl, from behind,
shenwei character, 1girl, close-up face,

// 测试4：场景适配测试
shenwei character, 1girl, in a cafe,
shenwei character, 1girl, in a park,
shenwei character, 1girl, in a library,

// 测试5：与其他概念组合测试
shenwei character, 1girl, wearing a red dress,
shenwei character, 1girl, holding a sword,
shenwei character, 1girl, sitting on a bench,

// 角色标准提示词模板
[画质标签], [触发词], [基础特征描述], [表情描述], [动作描述], [服装描述], [场景描述], [技术参数]

// 具体示例
masterpiece, best quality,
shenwei character, 1girl,
short black hair with red tips, golden eyes, scar on left cheek,
gentle smile, looking at viewer,
wearing white tank top and leather jacket,
standing in a cafe, afternoon sunlight,
upper body, simple background,

// 多LoRA组合示例
LoRA 1: 角色LoRA (shenwei) - 权重 0.8
LoRA 2: 画风LoRA (watercolor_style) - 权重 0.5
LoRA 3: 服装LoRA (battle_armor) - 权重 0.6

提示词：
masterpiece, best quality,
shenwei character, 1girl,
wearing battle armor, watercolor painting style,
dynamic pose, battle scene,

// 基本语法
<lora:LoRA文件名:权重>

// 示例
<lora:shenwei_v1:0.8>

// 完整提示词示例
masterpiece, best quality, 1girl,
<lora:shenwei_v1:0.8>,
gentle smile, looking at viewer,
white background, upper body,

在数据集中添加正则化图片：
  → 使用与训练图片相同分布的普通图片
  → 标注中不包含触发词
  → 数量可以是训练图片的0.5-1倍

目录结构：
  dataset/
    ├── 20_shenwei/        ← 训练图片（包含触发词）
    │   ├── shenwei_01.jpg
    │   └── ...
    └── 1_reg/             ← 正则化图片（不包含触发词）
        ├── reg_01.jpg
        └── ...

第一阶段：训练角色面部特征
  → 只使用面部特写图片
  → Rank=32, 训练1000步
  → 保存为 shenwei_face

第二阶段：训练角色全身特征
  → 使用全身图片
  → Rank=32, 训练1000步
  → 保存为 shenwei_full

使用时：同时加载两个LoRA
  <lora:shenwei_face:0.8>
  <lora:shenwei_full:0.6>

Dreambooth：微调整个模型（效果最好但成本高）
LoRA：只训练适配器（效率高但效果稍弱）

混合策略：
  1. 先用LoRA训练获得基础角色特征
  2. 再用Dreambooth进行精细调整
  3. 最终使用Dreambooth模型作为基础模型

入门阶段：
  1. 使用kohya_ss训练一个简单的角色LoRA
  2. 使用默认参数，体验完整的训练流程
  3. 学会基本的测试和评估方法

进阶阶段：
  1. 学习调整训练参数以优化效果
  2. 尝试更复杂的数据集准备方法
  3. 学习多LoRA组合使用

高级阶段：
  1. 掌握分阶段训练技巧
  2. 学习正则化图片的使用
  3. 探索Dreambooth + LoRA混合方法