LoRA-Modell für Stable Diffusion trainieren

LoRA (Low-Rank Adaptation) ermöglicht das effiziente Training spezialisierter Stable Diffusion Modelle mit wenigen Trainingsdaten. Diese Technik erstellt kompakte Anpassungen, die spezifische Stile, Charaktere oder Konzepte lernen, ohne das Grundmodell zu überschreiben.

1. Kohya_ss GUI installieren. Laden Sie Kohya_ss von GitHub herunter und folgen Sie der Windows-Installation über setup.bat. Starten Sie das Interface mit gui.bat und warten Sie, bis die lokale Weboberfläche unter http://127.0.0.1:7860 verfügbar ist. Installieren Sie zusätzlich xformers über die Konsole mit pip install xformers für bessere Performance.
2. Trainingsdaten vorbereiten. Erstellen Sie einen Ordner mit 20-50 hochwertigen Bildern Ihres Zielobjekts in 512x512 Pixel Auflösung. Benennen Sie jeden Ordner nach dem Schema 'X_konzeptname', wobei X die Anzahl der Wiederholungen ist (z.B. '10_meincharakter'). Verwenden Sie konsistente Beleuchtung und verschiedene Winkel für optimale Ergebnisse.
3. Grundmodell auswählen. Downloaden Sie ein Stable Diffusion Checkpoint (.ckpt oder .safetensors) als Basis. Beliebte Optionen sind SD 1.5, Realistic Vision oder DreamShaper. Platzieren Sie die Datei in einem zugänglichen Ordner und notieren Sie den vollständigen Pfad für die Konfiguration.
4. LoRA-Trainingsparameter konfigurieren. Öffnen Sie den LoRA-Tab in Kohya_ss GUI. Setzen Sie Learning Rate auf 1e-4, Batch Size auf 1-2 (je nach VRAM), und Epochs auf 10-20. Konfigurieren Sie Network Dimension auf 128 und Network Alpha auf 64. Wählen Sie AdamW8bit als Optimizer für speichereffizientes Training.
5. Training starten und überwachen. Klicken Sie auf 'Start Training' nachdem alle Pfade und Parameter gesetzt sind. Das Training dauert 30-120 Minuten je nach Hardware und Datenmenge. Überwachen Sie den Loss-Wert - dieser sollte kontinuierlich sinken. Stoppen Sie bei Anzeichen von Overfitting (Loss steigt wieder).
6. LoRA-Modell testen. Kopieren Sie die generierte .safetensors Datei in den LoRA-Ordner Ihrer Stable Diffusion Installation. Laden Sie das Modell mit der Syntax <lora:modelname:0.8> in Ihren Prompts. Testen Sie verschiedene Gewichtungen zwischen 0.5-1.0 um die optimale Stärke zu finden.