Ideogram 4 LoRA 训练 — AI Toolkit

环境要求

• GPU：4090（24G）推荐，3090（24G）可用但需调整配置
• 显存占用区间：18G ~ 24G

3090 用户注意：需要手动调低配置，否则容易爆显存

训练前准备

1. 准备训练集图像

• 角色训练：收集角色参考图
• 图像打标：推荐使用 Gemini 或 ComfyUI 打标工作流批量处理

2. 打标格式（重要）

⚠️ 强烈推荐使用 JSON 格式打标，不要用自然语言

Ideogram 4 官方训练集大量使用 JSON 格式。如果用自然语言打标：

• 切换到 JSON 格式推理时 LoRA 效果大幅减弱
• 提示词偏离训练内容时，LoRA 可能完全失效

已有自然语言标注的，可以让 AI 写脚本批量转换为 JSON 格式。

快速开始（云端）

# 1. 部署 GPU 实例，选择最新镜像（私有/社区共享镜像）
# 2. 打开 Jupyter Lab，复制启动指令粘贴运行
# 3. 启动完成后，打开 AI Toolkit 界面

关键参数配置

| 参数 | 推荐值 | 说明 |

|------|--------|------| | LoRA Rank | 64（可用32） | 模型本身 9.3B，64 给 LoRA 更强影响力 |

| Offload | 50~60 | 爆显存时调大此值 |

| Low VRAM | 开启 | 必须开启，否则直接爆显存 |

| Adam 优化器 | 8bit | 测试 adamw 会爆显存，用 8bit |

| Number Repeat | 5 | 按训练集大小调整，不确定用默认值 5 |

训练流程

1. 上传数据集到 datasets 目录（右键新建文件夹）
2. 加载参数配置（可使用提供的预设）
3. 只需加入触发词，其他保持默认
4. 点击开始训练
5. 训练完成后直接下载 LoRA 文件

训练速度参考（4090）：

• 约 4.0 it/s
• 2000 步大约需要 2~3 小时

采样预览

训练过程中可点击 Edit Capture 手动绘制区域，给不同区域分配提示词，对生成内容进行更精确的控制。