Animal Lora训练器附详细说明一键部署

控制台

立即注册

Animal Lora训练器附详细说明

Animal Lora训练器，有训练设置的详细说明

0元/小时

v1.0

项目地址

https://github.com/gazingstars123/Anima-Standalone-Trainer

打标

推荐标签格式： @frieren, 1girl, blue hair, long hair, school uniform, smile

支持自然语言格式： @frieren, a character with white hair and green eyes, is depicted in a playful pose with her arms raised above her head, wearing a black reverse bunnysuit that includes a black hairband, black pantyhose, and a red bowtie, while her expression shows a hint of embarrassment or shyness with a slight blush and a visible navel, set against a simple white background.

触发词,推荐@格式： @frieren

Resolution&Bucketing

我们可以把它们理解为**“目标清晰度”和“智能收纳盒”**。

1. Resolution(s) —— 你的“目标清晰度”

在界面中，你看到的 Resolution(s)（例如设置为 1536），它其实代表的是画面的总像素面积（1536 × 1536），而不是死板的正方形长宽。

支持多分辨率输入： 界面提示你可以用逗号隔开输入多个值（比如 512, 1024, 1536）。这就相当于告诉模型：“我的图有大有小，请分级处理。”
进阶玩法（Progressive Resolution Schedule）： 如果你输入了多个分辨率，开启这个选项后，模型会像升级打怪一样，先在低分辨率（512）下学习画面的大体轮廓，然后再到高分辨率（1536）下雕琢细节。这是一种非常高级且高效的训练方式。

2. Bucketing —— 保护画面的“智能收纳盒”

现实中我们的图片长宽比各不相同（横屏、竖屏、正方形）。Enable Aspect Ratio Bucketing（启用宽高比分桶） 就是为了不裁切图片！

它的原理： 开启后，系统会按照你设置的 Bucket Resolution Steps（默认 64 像素为一档），自动创建出很多个不同长宽比的“空盒子”（比如 1024×1536 的竖盒，1536×1024 的横盒）。然后把你的训练图原封不动地丢进最匹配的盒子里。
Do Not Upscale Images（不放大图片）：强烈建议勾选！ 如果你的原图只有 800×800，而你的目标分辨率是 1536，如果不勾选，系统会强行把小图拉大，导致画面充满马赛克和噪点（浪费显存还学坏了模型）。勾选后，小图就安安静静待在小盒子里，原汁原味地训练。

3. 尺寸限制：Min / Max Bucket Resolution

这两个参数决定了“收纳盒”的极限边长：

Min Bucket Resolution (比如 512)： 盒子最短的一边不能低于 512。太小的图会被抛弃或者跳过处理，防止模型学到“电子包浆”。
Max Bucket Resolution (比如 1536)： 盒子最长的一边不能超过 1536。
⚠️ 避坑指南： 如果你的 Resolution(s) 设置得很高（比如 1536），那么你的 Max Bucket Resolution 最好也设置得足够大（至少等于或大于 1536，如果是更极端的宽图长图，甚至可以设到 2048 或 4096）。否则，一张超长的高清图为了不超出这个最大边长限制，会被强行压缩成很小的一张图，白白损失了清晰度。

Epochs、Steps、Repeats

🎨 零基础看懂：训练参数 Epochs、Steps 与 Repeats

在训练模型时，这三个参数决定了你的模型要“学习多久”以及“怎么分配学习精力”。

1. Num Repeats（单图重复次数）—— “每一页连续看几遍”

这是针对每一张图片的设置。

通俗理解： 假设你的训练素材有 20 张图片（一本 20 页的画册）。如果把 Repeats 设置为 10，就意味着学生在翻页之前，必须盯着每一张图片连续看 10 遍，死记硬背里面的细节。
什么时候用： 如果你的图片素材很少，提高 Repeats 可以强制模型加深对每一张图的记忆。

2. Epochs（训练轮数）—— “整本画册从头到尾复习几遍”

这是针对整个训练集的设置。

通俗理解： 当学生把这 20 张图片（每张都看了 10 遍）全部看完之后，我们称之为完成了一个 Epoch（一轮）。如果你把 Epochs 设置为 10，就意味着学生要把整本画册完整地循环复习 10 遍。
作用与意义： 我们通常会在跑完一个 Epoch 后进行一次保存或采样测试。你可以把 Epoch 理解为一个“存档点”。

3. Steps（总步数）—— “显卡一共做了多少次练习”

Steps 它代表了在整个训练过程中，模型一共更新了多少次权重。

它的计算公式： (图片总数 × Repeats × Epochs) ÷ Batch Size
举个例子： 20张图 × 每图看 10 遍 (Repeats) × 复习 10 轮 (Epochs) = 2000。假设你的显卡一次只能处理 1 张图（Batch Size = 1），那么最终的总步数（Steps）就是 2000 步。

在训练常规人物或服装 LoRA 时，最核心的指标是关注“总步数 (Steps)”。

火候控制： 推荐的总步数通常在 1500步到 3000步 之间。低于 1000 步可能没学明白（欠拟合），高于 3500 步画面就容易崩坏、变得僵硬（过拟合）。

图片少怎么设： 图片少于 20 张：建议 Repeats 设高一点（比如 10-20），Epochs 设为 10。

图片多怎么设： 图片多于 100 张：建议 Repeats 设低一点（比如 1-2），全靠庞大的图量和多跑几个 Epochs 来凑够总步数。