当前位置：首页 > wzjs >正文

广州app设计公司搜索引擎优化

wzjs 2025/9/4 5:20:07

广州app设计公司,搜索引擎优化,每天试用三小时vp加速器,特种证书查询入口在如今日新月异的 AI 辅助设计领域，LoRA（Low-Rank Adaptation）技术的应用愈发广泛，它为模型的个性化训练提供了强大助力。此前，我曾专门撰写文章，详细记录了如何快速训练 SDXL 模型的 LoRA，感兴…

在如今日新月异的 AI 辅助设计领域，LoRA（Low-Rank Adaptation）技术的应用愈发广泛，它为模型的个性化训练提供了强大助力。此前，我曾专门撰写文章，详细记录了如何快速训练 SDXL 模型的 LoRA，感兴趣的朋友不妨回顾一下：# 【AI 辅助设计】记一次图标风格 LoRA 训练。而近期，我一直密切关注着 FLUX LoRA 的训练技术和相关动态。毕竟，随着 AI 技术的不断演进，FLUX 已逐渐成为行业发展的大势所趋，曾经辉煌一时的 SD 时代正悄然远去。

令人欣喜的是，开源社区的蓬勃发展与众多技术大佬的不懈努力，为我们带来了诸多便利。如今，即便是配备 16G VRAM 的普通家用电脑，也能够轻松胜任 FLUX 的 LoRA 训练任务。今天，我将亲自使用 fluxgym 这一方法进行 LoRA 训练，并详尽记录整个过程，希望能为大家提供一些参考和帮助。

一、fluxgym：一款卓越的前端 LoRA 训练 web 应用

fluxgym 是由才华横溢的 cocktail peanut 整合开发的一款易于使用的前端 LoRA 训练 web 应用，其背后依托的是强大的 Kohya Scripts。这款应用具备两大显著优点，使其在众多训练工具中脱颖而出：

显著降低显存占用：fluxgym 对硬件的要求相对较低，能够支持 12GB、16GB、20GB 等不同显存容量的显卡。这意味着，即使您的电脑配置并非顶级，也有机会进行 FLUX LoRA 的训练，极大地降低了技术门槛，让更多的爱好者能够参与其中。
超级简单的用户界面和流程：该应用的用户界面设计简洁直观，操作流程清晰明了。无论是新手还是有一定经验的用户，都能够快速上手，轻松完成训练任务。

不过，需要注意的是，目前 fluxgym 仅支持 NVIDIA 的显卡。如果您想进一步了解或使用该应用，可以访问其项目地址：GitHub - cocktailpeanut/fluxgym: Dead simple FLUX LoRA training UI with LOW VRAM support 。凭借其出色的易用性，在 X 平台上，越来越多的推友开始使用 fluxgym 来训练 LoRA，这也从侧面证明了它的受欢迎程度。

二、安装 fluxgym：详细步骤解析

1. 克隆项目：首先，我们需要克隆 Fluxgym 和 kohya-ss/sd-scripts 这两个项目。具体操作如下：

git clone https://github.com/cocktailpeanut/fluxgym cd fluxgym git clone -b sd3 https://github.com/kohya-ss/sd-scripts

注意是sd3版本的。

完成上述操作后，您的文件夹结构将呈现如下形式：

/fluxgym app.py requirements.txt /sd-scripts

2. 创建 conda 环境：官方推荐使用 venv 虚拟环境，但为了方便起见，我在这里选择直接使用 conda 环境进行安装。执行以下命令创建名为 fluxgym 的 conda 环境，并指定 Python 版本为 3.10：

conda create -n fluxgym python=3.10

3. 激活环境：环境创建完成后，使用以下命令激活 fluxgym 环境：

conda activate fluxgym

4. 进入 sd-scripts，并安装依赖：进入 sd-scripts 目录，并安装相应的依赖项：

cd sd-scripts pip install -r requirements.txt

5. 然后fluxgym目录下，在安装依赖：

cd .. pip install -r requirements.txt

6. 安装 pytorch：最后，安装 pytorch版本，以确保应用的正常运行（这是最关键的我的CUDA是11.2但是可以安装11.8的，因为是python3.10，所以torch的版本一定是2.0.0以上的，我的经验是尽量安装2.X.1的版本，我安装的是2.4.1+cu118）

pip install torch==2.4.1 torchvision==0.19.1 torchaudio==2.4.1 --index-url https://download.pytorch.org/whl/cu118

在下面链接找到适合自己的版本的，

Previous PyTorch Versions | PyTorch

安装完后，大概率，部分用户界面会出现提示告诉你，有一些库版本与pytorch不兼容，我的经验是重点关注这三个库即可（transformers，accelerate ，platform）安装界面给你提示，安装合适版本去兼容就行

最后可以用如下代码去验证一下自己的安装是否成功：

import torch 
import transformers 
import accelerate 
import platform # 检查 CUDA 是否可用 
def check_cuda(): if torch.cuda.is_available(): print("CUDA is available.") print(f"Device name: {torch.cuda.get_device_name(0)}") print(f"CUDA version: {torch.version.cuda}") print(f"Number of GPUs: {torch.cuda.device_count()}") else: print("CUDA is not available.") # 检查 PyTorch 版本 
def check_torch_version(): print(f"PyTorch version: {torch.__version__}") # 检查 transformers 版本 
def check_transformers_version(): print(f"Transformers version: {transformers.__version__}") # 检查 accelerate 版本 
def check_accelerate_version(): print(f"Accelerate version: {accelerate.__version__}") # 检查操作系统信息 
def check_platform(): print(f"Operating System: {platform.system()}") print(f"Platform Version: {platform.version()}") print(f"Platform Architecture: {platform.architecture()}") def main(): # 执行检查 check_platform() check_cuda() check_torch_version() check_transformers_version() check_accelerate_version() if __name__ == "__main__": main()

三、下载模型：确保训练的基础

在进行训练之前，我们需要下载相关的模型文件。fluxgym 的模型下载要求与 fp16 的 FLUX 模型组一致，如果您之前已经下载过相关模型，只需将其复制到对应的目录即可。具体的下载步骤如下：

1. 在 models/clip 文件夹下下载以下模型：

https://huggingface.co/comfyanonymous/flux_text_encoders/resolve/main/clip_l.safetensors?download=true https://huggingface.co/comfyanonymous/flux_text_encoders/resolve/main/t5xxl_fp16.safetensors?download=true

2. 在 models/vae 文件夹下下载以下模型：

https://huggingface.co/cocktailpeanut/xulf-dev/resolve/main/ae.sft?download=true

3. 在 models/unet 文件夹下下载以下模型：

https://huggingface.co/cocktailpeanut/xulf-dev/resolve/main/flux1-dev.sft?download=true

完成下载后，将模型放入如下结构中所示：

/models /clip clip_l.safetensors t5xxl_fp16.safetensors /unet flux1-dev.sft /vae ae.sft 
/sd-scripts 
/outputs 
/env 
app.py 
requirements.txt

启动服务之前，如果你用的是本地的部署的，可以跳过，如果用的是远程服务器需要修改 app.py 代码最后的部分如下：

四、运行：开启训练之旅

建议还是在前面增加外部连接HF_ENDPOINT=https://hf-mirror.com，后续训练过程会访问huggingface，正常没有代理访问huggingface，会连接超时。

HF_ENDPOINT=https://hf-mirror.com python app.py

五、训练过程：从准备到成果的蜕变

按照上面的步骤，依次进行就行了，下面我大概介绍一下，这些填的参数含义：

step 1

下面这个参数，和kohya_ss训练出现的参数是一个意思，“复制数据集几次”

step 2

上传自己的图片，不必考虑图片之前尺寸问题。然后点击Florence反推打标。

点击后可能会出现一些报错问题：

RuntimeError:"erfinv_vml_cpu"notimplementedfor'Half' ：表示erfinv_()（计算反误差函数）操作不支持torch.float16（半精度）。模型在进行权重初始化时似乎使用了torch.float16精度，而这个特定操作erfinv_()在这种精度下不可用。（这个问题跟torch版本有关，按理说高版本应该可以适配，但我2.4.1也不行，可能2.6.1没这个问题吧）

解决方法：

在app.py 279行：torch_dtype = torch.float16 改成 torch_dtype = torch.bfloat16