我总共进行了104次不同的LoRA训练，并通过比较每一次来找到最适合FLUX LoRA训练的最佳超参数和工作流程，通过使用Kohya GUI训练脚本进行。
你可以在下面的公开帖子中看到所有已完成实验的检查点名称及其对应的仓库链接： https://www.patreon.com/posts/110838414
完成所有这些FLUX LoRA训练之后，使用最节省VRAM且性能最佳的优化器Adafactor后，我整理出以下已准备好使用的配置方案。
从以下链接可以下载所有配置、研究资料、安装包和说明文件：https://www.patreon.com/posts/110879657
https://www.patreon.com/posts/110879657
学习教程我也准备了两个完整的教程视频。第一个教程教你如何在你的Windows电脑上本地训练和使用最佳的FLUX LoRA：在https://youtu.be/nySGu12Y05k 这是一段视频的链接。
这是你必须看完以学习所有内容的主要教程。它总共有74章节，配有手动英文字幕。它是从零到高手学习FLUX LoRA的训练的完美资源。
FLUX LoRA 训练简化教程（适用于8GB GPU，Windows系统）：从零到高手的Kohya SS GUI教程指南
我准备的第二个教程是如何在云端训练 FLUX LoRA。这个教程非常重要，原因有几方面。如果你没有强大的 GPU，可以通过 Massed Compute 和 RunPod 租用非常强大且非常便宜的 GPU。我更喜欢使用 Massed Compute，因为它不仅更快，而且更便宜，并且我们有特别优惠券 SECourses。另一个原因是，在这个教程视频中，我详细展示了如何在多 GPU 设置下加速训练。此外，我还展示了如何将你的检查点和文件快速上传到 Hugging Face，以便免费保存和传输。请先观看上面的 Windows 教程，以便更好地理解下面的云端教程： 别忘了看这个搞笑视频哦！[https://youtu.be/-uhL2nW7Ddw]
超快速且极其低廉的FLUX LoRA训练，大规模计算资源与RunPod使用教程 无需GPU！
示例生成的图片这些图片是在SwarmUI上用上述共享配置生成的，我用只有15张图片的小数据集训练过的LoRA进行生成。你可以参考我在教程视频中的操作。然后，我用SUPIR最好的上采样工具，默认参数将其上采样到两倍大小，并启用了面部增强功能： https://youtu.be/OYxVEvDf284
完整指南：在您的电脑上使用SUPIR增强并放大图像，就像在科幻电影中看到的一样 (https://youtu.be/OYxVEvDf284)
以下公共链接中包含了生成图片的所有提示。
在人工智能和图像生成领域，一个开创性的进展出现，即一个详细的教程，详述了如何在最新的文本到图像生成AI模型FLUX上训练LoRA（低秩适应）的详细过程。该教程由一位未透露姓名的专家提供，旨在揭开AI图像生成的神秘面纱，让初学者和资深专业人士都能轻松上手。
这位投入超过一周时间进行深入研究的演讲者，完成了令人印象深刻的72次完整培训会，以识别最有效的培训流程和配置。这种对彻底测试和优化的投入精神，在快速发展的 AI 社区里树立了新的标准，因为快速的进步往往超越了全面的分析。
本教程一个最重要的特点是其硬件要求的包容性。讲师设计了一系列独特的训练方案，从最低8GB显存的GPU到最高端的48GB显存的GPU都适用。这种广泛的兼容性确保不同硬件水平的爱好者和专业人士都能参与最前沿的AI图像生成。
本教程使用Kohya GUI，这是一个基于广受好评的Kohya训练脚本构建的用户友好界面。选择此软件使得流程更加民主化，用户只需通过简单的鼠标点击即可完成安装、设置并开始训练。虽然演示是在本地Windows机器上进行的，但演讲者强调，该过程对于基于云端的服务也完全相同，从而让教程的适用范围更广。
本教程的一个重要亮点是其全面性，涵盖从基础知识到高级设置的所有内容，确保即使是完全的新手也能充分训练和使用先进的FLUX LoRA模型。演讲者对细节的注重体现在手动添加英文字幕和将教程划分成章节，这提高了教程的易用性和导航的便捷性。
本教程不仅仅局限于简单的培训，还演示如何在Swarm UI中使用生成的LoRAs，以及如何通过网格生成找到最佳训练检查点。这种全面的方式确保用户不仅学会如何训练模型，还学习如何有效地应用和优化模型。
为了呼应人工智能技术迅速演变的特点，演讲者宣布在视频的结尾，他们将演示如何使用最新的Kohya图形用户界面（GUI）来训练Stable Diffusion 1.5和SDXL模型。这一演示展示了演讲者致力于提供及时且实用的信息，在这个不断发展的领域中保持信息的时效性的承诺。
教程配有详尽的文章，演讲者承诺随着研究工作的进展，会不断更新文章，添加新的信息、超参数和功能。这种持续更新和改进的承诺，这证明了人工智能研究和开发的动态特性。
演讲者深入探讨了训练过程中的技术细节，解释了各种设置的重要性，如迭代次数、重复以及正则化样本的使用。他们还强调了高质量数据集的重要性，强调训练图片中需要包含各种姿态、面部表情、服装和不同背景。
教程中最吸引人的一点之一是关于FLUX模型灵活性的探讨。据讲师介绍，FLUX模型在适应性方面超过SDXL或SD 1.5等模型，尤其是在生成训练数据中未明确包含的表情和情感方面表现更好。
本教程还简要介绍了硬件优化的重要性。讲师建议用户如何管理VRAM使用情况，并提供了使用nvitop等工具监控GPU利用率的技巧。这种对技术细节的关注确保用户在训练过程中能更好地利用硬件。
为了展示人工智能开发的协作性质，演讲者鼓励用户加入他们的 Discord 频道，该频道已有超过8,000名成员。这种以社区为中心的方法促进了爱好者和专业人士之间的知识的交流与问题的解决。
他还维护着一个GitHub仓库、一个Reddit社区和一个LinkedIn个人资料，创建了多种渠道来促进互动和信息分享。这种多平台的存在方式反映了现代AI发展的相互联系以及社区在推动创新方面的重要性。
展望将来，他/她暗示即将推出的一些教程专注于基于云的培训方案，特别提到了如RunPod和Massed Compute之类的平台。这种方法确保用户将准备好迎接下一波AI开发工具和平台的到来。
总之，这篇关于FLUX LoRA训练的全面指南使高级AI图像生成技术更加普及。通过详细的步骤指导与用户友好的方式相结合，讲解者提供了一个宝贵的资源，供所有希望探索AI技术最前沿的人使用。随着该领域迅速发展，这样的指南将发挥重要作用，确保更广泛的社区能够跟上最新的发展步伐，促进创新并拓展AI生成图像的可能边界。
超快且超便宜的 FLUX LoRA 训练教程 —— 无需 GPU，只需要 RunPod 和计算资源在不断发展的人工智能和图像生成领域中，一个新的参与者出现了，它承诺将彻底改变我们训练和部署AI模型的方式。FLUX，这个尖端的人工智能系统，凭借其快速高效生成高质量图像的能力，FLUX在科技界引起了轰动。最近的一份全面教程详细介绍了如何在云服务上训练和使用FLUX，揭示了这一过程的复杂性，为未来AI驱动的图像创作提供了一扇窗。
本教程由一位未具名的专家讲解，他来自该领域，详细讲解了使用云计算平台（如Massed Compute和RunPod）训练FLUX模型的过程。这种方法特别适合那些缺乏高性能GPU的用户，或是希望显著加快训练速度的用户。
FLUX训练在云服务上的一个最显著的特点是其成本效益。根据教程的说明，用户可以使用四块GPU在不到1小时的时间内训练出令人惊叹的FLUX模型，每小时只需1.25美元。这种定价方式使得高端AI训练对更广泛的用户来说更加容易获得，从个人爱好者到希望将AI生成图像融入工作流程的小型企业。
教程涵盖了广泛的主题，包括如何租用并使用多个GPU实例，如何使用图形用户界面如Kohya GUI进行训练，以及如何利用SwarmUI和Forge Web UI等工具生成图像和比较模型检查点。这种全面的方法确保了所有技能水平的用户都能跟上并应用这些技巧到自己的项目中。
教程中突出的一个关键优势是能够快速高效地上传和下载checkpoint和训练模型。讲师展示了一种将12GB的LoRA文件上传到Hugging Face（一个流行的机器学习模型共享平台）的方法，仅仅两分钟搞定。这种快速传输文件的能力对于需要在本地机器和云环境中传输大型数据集和模型的用户来说非常重要。
本教程还强调了理解AI模型训练中底层流程的重要性。它引导观众深入了解如何设置训练环境、准备数据集以及微调模型以达到最佳性能的细节。这种程度的细节对于希望深入理解AI训练方法的人来说是极其宝贵的。
有趣的是，主持人建议在开始学习云方法之前，先看一个以前的Windows版FLUX LoRA培训视频。这一建议强调先掌握基础知识再学高级云技术，打好AI培训的基础。
教程中提到的云平台 Massed Compute 和 RunPod 各有自己的优势。Massed Compute 凭借其有竞争力的价格和性能受到青睐，教程展示了如何用每小时仅 1.25 美元的价格利用四块 RTX A6000 GPU 来训练模型。相比之下，RunPod 虽然每小时使用四块 A40 GPU 的费用略高，达到 1.4 美元，但它提供了永久存储的优势，这对长期项目来说非常重要。
FLUX在云端服务上的训练其中一个最令人印象深刻的地方是使用多个GPU时几乎线性的速度提升。教程展示了使用四个GPU同时进行训练，可以将训练时间从超过4小时缩短到仅1小时。这种扩展性对于那些时间紧或需快速迭代的项目来说是游戏规则的改变者。
本教程还涵盖了高级主题，例如多张GPU训练配置、调整学习率以适应多张GPU，以及在训练过程中寻找最优检查点的策略。对于希望榨取每一丝云端训练设置性能的用户来说，这些见解尤为宝贵。
在教程中一个有意思的地方是 Massed Compute 和 RunPod 之间的速度上的区别。演示者指出，Massed Compute 上的 A6000 GPU 在训练速度和文件传输方面通常比 RunPod 上的 A40 GPU 更快。然而，教程很快补充道，RunPod 提供了租用更强大 GPU 的选项，比如 L40S，这可能缩小这种性能上的不同。
本教程坦诚地面对用户可能遇到的问题，列举了常见的问题，比如文件传输错误和配置故障，并提供清晰的解决方案和变通方法。这对初次尝试云AI训练的新手来说非常有帮助。
教程中最具吸引力的一个方面是使用SwarmUI和Forge Web UI这类工具来生成图像并对比不同模型的性能。这些工具帮助用户快速迭代优化模型，并直观地展示结果，从而简化了AI图像生成的调整流程。
本教程还谈到了在使用基于云的AI训练时高效地管理和组织文件的重要性。它演示了如何正确构建目录结构，在不同的云环境间移动文件，以及如何设置自动脚本以传输文件。这些最佳实践对于保持复杂AI训练项目的顺利进行至关重要。
教程中提到的一个引人关注的发展是对FLUX模型微调技术的持续研究。演讲者暗示了对CLIP large文本编码器训练的潜在改进，这可能会在未来的FLUX迭代中显著提升质量。
本教程以演示如何使用经过训练的FLUX模型生成图像作为结尾，演示包括通过SwarmUI和Forge Web UI两种方式进行。这种训练模型的实际应用展示了从初始训练到最终输出的整个AI图像生成过程。
总之，这份关于在云服务上训练和使用FLUX的全面教程代表着将先进的AI图像生成技术普及化的重大进展。通过使用云资源，即使是硬件条件一般的用户现在也可以训练出能够生成高质量图像的高级AI模型。
这项技术的影响是深远的。从希望提升创意流程的数字艺术家到希望通过自动化图像生成来优化营销材料的企业，FLUX 和类似的 AI 模型正准备革新众多行业。随着技术不断进步并变得越来越容易获取，我们预计在各个领域将看到大量由 AI 生成的图像。
然而，不过值得注意的是，正如任何强大的技术一样，必须考虑到伦理问题。生成高度逼真的图像的能力引发了关于真实性、版权和可能的滥用的问题。随着FLUX及其类似技术的日益普及，AI社区必须制定并采纳稳健的指导方针和最佳实践，以确保负责任的应用。
展望未来，演讲者暗示正在进行的微调技术研究，表明我们对AI图像生成的潜力才刚开始探索。随着像FLUX这样的模型在质量和效率上的不断提升，我们可能正站在视觉内容创作新时代的门槛前，在这个时代，人类与AI生成的图像之间的界限将变得越来越模糊。
最终，本教程不仅为那些希望利用FLUX力量的人提供实用指南，也成为了AI图像生成领域快速发展的窗口。随着基于云的训练变得越来越普及，以及不断进化的FLUX这样的模型，我们可以期待在人工智能与人类创造力的故事中迎来一个激动人心的新篇章。
随时随地看视频
