前言

最近我做了两期使用自己训练的 lora 去生成脚模和手模的文章，大伙的关注度还是蛮高的。也在后台纷纷私信我如何训练 lora。

自训练 lora 配合 comfyui 工作流的文章：

其实，现在的训练程序已经变得非常傻瓜化了。

当然如果要深入微调，是需要对深度学习有更深入的了解。就“出效果“”而言，训练工具的默认参数下，如果素材质量不差，那么也会达到出效果这样的要求的。

之前我也记录过如何训练 sdxl 和 flux lora，主要是训练风格 lora 为主，感兴趣的可以回顾一下：

【AI辅助设计】没错！训练FLUX LoRA就这么简单！【AI辅助设计】记一次图标风格LoRA训练

以上两篇文章，已经记录了从素材获取、素材处理（裁剪、打标）、到训练参数设置，如果大家想要理解训练的基础，可以前往去看看。

本人非深度学习专业的，对训练还是粗浅😂，如果想深入了解训练的相关的，可以在 B 站搜索相关教程哈~

所以，今天不打算再讲这个 lora 的训练过程了，只补充一些我认为值得设计师或者新手快速训练出 lora 的事。

第一事：工具的选择

设计师有好的工具：fluxgym

如果要选一个工具，我推荐 fluxgym，主要是体验非常好，直接用默认参数出的效果也不错。

当然，这个项目也是基于：AI-Tookit、Kohya Script 这个两个训练始祖发展而来的，只是做了一些易用性和界面上的改动，使得界面对新手、设计师友好。

从界面，其实就可以看到流程是非常清晰的。只需要三步设置。尤其是第二步，内置了围绕的反推模型，可以较为精准地为素材打标，省去不少工作。

如何部署 fluxgym？

虽然，工具本身对设计师友好，但是部署上还是需要一丢丢努力💪。

性能最优方案：wsl 2 部署

深度学习离不开 linux，如果有条件大家还是基于 Windows 子系统（wsl），部署一个，这样性能上损耗最小，且易于更新。

我还是那个观点哈，AI 时代，设计师还是需要懂点代码，不需要多深入，在 gpt 等一众助手的帮助下，会搭个简单，了解技术框架，其实就够了 😎。

走远了，我们回到正题，如果确实不会、不想搞 wsl 怎么办呢？

AI 时代的 docker？Pinokio

因为处理 wsl 环境的搭建，还需要安装 cuda、conda 等等，也挺难的，对于设计师而言。那么我推荐一个工具：Pinokio，大家可以理解为他就是一个环境或者一个容器，很多 AI 应用都可以一键部署，自动化安装依赖。

目前支持一键部署的 AI 应用还是挺多的，主流的，热门的都有。

使用非常简单，官网上找到喜欢的应用，点击一键安装即可。当然，前提是你已经安装了 pinokio 客户端。

这样，设计师们应该能用起来了吧~

第二事：大模型选择

推荐选择：Flux-dev 2 Pro 地址：https://huggingface.co/ashen0209/Flux-Dev2Pro

许多人第一反应，flux 底模就是使用 flux. 1 dev 版本进行训练，其实不然，虽然 flux 系列模型，在出图时，比起 sdxl 和 sd 1.5，甚至 sd 3 都有很大的进步，但就训练而言，难度却比 sd 系列要高，主要体现在要么在短时间内完全崩溃，要么产生糟糕的微调效果。人体肢体扭曲、语义理解减弱以及图像模糊无意义等问题变得普遍。

这篇文章出自：https://medium.com/@zhiwangshi28/why-flux-lora-so-hard-to-train-and-how-to-overcome-it-a0c70bc59eaf

我尝试总结一下：

Flux-dev LoRA 训练的劣势

引导尺度（Guidance Scale）问题
Flux-dev 在训练 LoRA 时，依赖传统无分类器引导（CFG），这需要额外的计算资源，且容易导致模型失效或图像质量下降。CFG 的复杂性使得训练过程难以稳定控制。
模型失效风险
在微调过程中，Flux-dev 容易出现模型失效的情况，尤其是在高引导尺度下。这导致生成的图像质量不稳定，甚至无法生成有效结果。
计算成本高
CFG 在训练和推理阶段都需要额外的计算资源，增加了训练成本和时间消耗。
蒸馏技术的局限性
Flux-dev 通过蒸馏将引导机制融入模型，但蒸馏过程可能丢失部分信息，导致模型在某些场景下表现不佳。

Flux-dev 2 Pro 的改进与效果

优化引导尺度设置
Flux-dev 2 Pro 在训练 LoRA 时，将引导尺度固定为 1.0，避免了传统 CFG 的复杂性。这一设置显著提升了训练稳定性和图像质量。
降低模型失效风险
通过优化引导机制和训练策略，Flux-dev 2 Pro 在微调过程中几乎不会出现模型失效的情况，生成的图像质量更加稳定。
减少计算成本
Flux-dev 2 Pro 的引导机制在训练阶段已融入模型，无需额外的计算资源，降低了训练成本和时间消耗。
改进蒸馏技术
Flux-dev 2 Pro 进一步优化了蒸馏过程，确保引导机制的信息在蒸馏过程中不被丢失，提升了模型在微调和推理阶段的性能。
效果提升
- 图像质量：生成的图像细节更丰富，色彩更自然，整体质量显著提升。
- 稳定性：在多种场景下，模型表现更加稳定，不易出现失效或质量下降的情况。
- 适应性：Flux-dev 2 Pro 能够更好地适应不同任务和数据集，生成更符合预期的图像。