Z-Image Lora 训练

训练 LoRA（尤其是基于 Z-Image 或 Flux 架构）如果不像，通常是由**数据集质量**、**训练参数**或**过拟合/欠拟合**导致的。 请根据以下维度排查并调整： 1. 优化数据集（最关键因素） 增加特写镜头： 确保至少有 40%-50% 的照片是脸部特写。远景照片很难让模型记住面部细节。 光影多样化： 如果所有照片都是室内光或同一种光影，模型会把“光影”误认为“长相”。增加不同天气、室内外、冷暖光的素材。 剔除低画质： 宁可只有 15 张超高清图，也不要混入模糊、噪点多或五官扭曲的图。 背景解耦： 如果背景太单一，模型会把背景也学进去。尝试使用抠图工具更换背景，或在标注中明确写出背景内容（如 `standing in a forest`）。 2. 调整训练参数 提高 Rank (网络维度)： 如果 Rank 设置为 8 或 16，模型可能容量不足以记住复杂的面部特征。尝试提高到 **32 或 64**。 调整学习率 (Learning Rate)：     - **依然不像（欠拟合）**：适当提高学习率（如从 `1e-4` 升至 `4e-4`），或者增加训练步数。 画面崩坏/偏色（过拟合）： 降低学习率，或者减少训练步数。 Alpha 值： 通常设置 Alpha 为 Rank 的一半或相等（如 Rank 32, Alpha 16-32）。Alpha 过低会导致学习效果极其微弱。 3. 优化标注 (Captioning) 触发词唯一性： 使用一个罕见的词作为触发词（如 `SksMan`, `OhwxWoman`），避免使用像 `man` 或 `girl` 这种通用词，否则 LoRA 会和基础模型自带的人物特征产生冲突。 特征解耦： 如果你训练的人戴着眼镜，但在标注里没写 `glasses`，模型就会认为“眼镜”是这个人长相的一部分。你应该在标注里写出所有可变的特征（眼镜、帽子、衣服颜色）。 4. 检查推理设置 权重调节： 在推理（生成图）时，不要死守 1.0 的权重。尝试在 **0.7 - 1.2** 之间滑动测试。 - **采样步数 (Steps)**：Z-Image 是加速模型，步数通常在 4-8 步。如果步数过高，反而会导致面部产生严重的伪影和噪点。 提示词优先级： 确保触发词放在 Prompt 的最前面。 5. 高级技巧：分...

  训练 LoRA（尤其是基于 Z-Image 或 Flux 架构）如果不像，通常是由**数据集质量**、**训练参数**或**过拟合/欠拟合**导致的。 请根据以下维度排查并调整： 1. 优化数据集（最关键因素） - **增加特写镜头**：确保至少有 40%-50% 的照片是脸部特写。远景照片很难让模型记住面部细节。 - **光影多样化**：如果所有照片都是室内光或同一种光影，模型会把“光影”误认为“长相”。增加不同天气、室内外、冷暖光的素材。 - **剔除低画质**：宁可只有 15 张超高清图，也不要混入模糊、噪点多或五官扭曲的图。 - **背景解耦**：如果背景太单一，模型会把背景也学进去。尝试使用抠图工具更换背景，或在标注中明确写出背景内容（如 `standing in a forest`）。 2. 调整训练参数 - **提高 Rank (网络维度)**：如果 Rank 设置为 8 或 16，模型可能容量不足以记住复杂的面部特征。尝试提高到 **32 或 64**。 - **调整学习率 (Learning Rate)**：     - **依然不像（欠拟合）**：适当提高学习率（如从 `1e-4` 升至 `4e-4`），或者增加训练步数。     - **画面崩坏/偏色（过拟合）**：降低学习率，或者减少训练步数。 - **Alpha 值**：通常设置 Alpha 为 Rank 的一半或相等（如 Rank 32, Alpha 16-32）。Alpha 过低会导致学习效果极其微弱。 3. 优化标注 (Captioning) - **触发词唯一性**：使用一个罕见的词作为触发词（如 `SksMan`, `OhwxWoman`），避免使用像 `man` 或 `girl` 这种通用词，否则 LoRA 会和基础模型自带的人物特征产生冲突。 - **特征解耦**：如果你训练的人戴着眼镜，但在标注里没写 `glasses`，模型就会认为“眼镜”是这个人长相的一部分。你应该在标注里写出所有可变的特征（眼镜、帽子、衣服颜色）。 4. 检查推理设置 - **权重调节**：在推理（生成图）时，不要死守 1.0 的权重。尝试在 **0.7 - 1.2** 之间滑动测试。 - **采样步数 (Steps)**：Z-Image 是加速模型...

训练 Z-Image (特别是 Z-Image-Turbo) 的 LoRA 模型主要使用 **AI Toolkit (Ostris)** 工具，其核心在于维持该模型的加速（Turbo）特性。 您也可以通过以下方式，联系我们进行Lora代训练服务： 如果你需要Lora的代训练服务，可以通过以下方式联系我们： 1. public[AT]mail.luolala.com 2. 微信：anandelon_ 请来信或加好友说明来意~ 以下是截至 2025 年末的训练要点与流程： 1. 环境准备 - **硬件要求**：最低需要 **12GB VRAM** 的显卡。推荐使用 16GB 以上（如 RTX 4080/5090）以获得更佳速度和精度。 - **工具选择**：目前主流工具为 Ostris/ai-toolkit。也可使用集成的 ComfyUI 训练插件或国内社区（如 ModelScope）提供的加速训练方案。  2. 数据集准备 - **数量与质量**：通常需要 **20-80 张** 高质量、高分辨率（建议 1024x1024）的照片。 - **标注**：使用标准的文本打标，确保包含触发词。 - **多样性**：如果是训练角色，需包含不同角度（正面、侧面）、表情和光影背景。  3. 关键参数设置 (AI Toolkit) 由于 Z-Image 是基于蒸馏技术的加速模型，其训练参数与普通 SDXL/Flux LoRA 不同：  - **Rank (r)**：推荐设置为 **16 到 64**。若追求皮肤细节和真实感，建议使用 Rank 64；若仅为简单风格，Rank 8-16 即可。 - **学习率 (Learning Rate)**：建议在 **4e-4 到 1e-4** 之间。过低会导致无法学习到特征，过高会破坏 Turbo 的加速能力。 - **训练步数**：根据数据集大小，通常在 **250 到 3000 步** 之间。对于小型数据集，100-500 步即可初见成效。 - **适配器 (Training Adapter)**：需选择针对 Z-Image-Turbo 优化的适配器（如 v1 或 v2），以防直接更新权重破坏预训练的加速轨迹。  4. 训练步骤简述 5. **克隆工具**：部署 AI Toolkit 并在配...