Kohya_ss 快速上手指南：一次跑通 LoRA 训练环境-北京尧图网络

Kohya_ss 快速上手指南一次跑通 LoRA 训练环境【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_sskohya_ss 是一款很好上手的 Stable Diffusion 训练工具。它把复杂的训练流程装进了图形界面LoRA 训练、模型微调都能用鼠标点完。这篇文章按实际操作的时间线带你走完整个流程从动手前到跑通第一次训练把路上最常见的坑提前说清楚。动手之前先把这三件事确认清楚很多人刚装完就卡住原因往往不在安装本身而是底子没打好。别急先花十分钟确认三件事。Python 版本对不对kohya_ss 只认 3.10.9 到 3.12 之间的 Python。在终端里敲python --version看一眼太老或太新都会在安装时被版本检查拦住。机器上有多个 Python 的话建议用 conda 或 pyenv 管理切换起来省心。显卡和驱动是否就位训练基本离不开 NVIDIA 显卡。用nvidia-smi查一下能正常打印显卡信息就说明驱动没问题。同时留意 CUDA 版本后面装 PyTorch 时要对得上。路径干不干净避坑项目别放在带空格或中文的路径里。安装脚本会主动检查路径里有空格会直接拒绝运行。像C:\AI\kohya_ss或/home/user/kohya_ss这样干净的路径最稳妥省得后面返工。一键克隆代码并搭好训练环境 ⏱️三件事确认完就可以真正动手了整个过程就两条命令。第一步克隆仓库。注意要带--recursive参数因为 kohya_ss 的训练核心装在一个子模块里。漏掉它是装完跑不起来的第一大原因git clone --recursive https://gitcode.com/GitHub_Trending/ko/kohya_ss第二步进入目录执行启动脚本。Linux 和 macOS 用./gui-uv.shWindows 用.\gui-uv.bat。第一次运行会比较慢因为它会自动安装 uv 并拉取全部依赖耐心等它跑完就行。uv 方式是官方推荐的速度快依赖也隔离得更干净。如果你更习惯传统方式可以改用 pip 流程具体步骤可以看 Windows pip 安装文档和 Linux uv 安装文档。首次启动 GUI 并验证是否装好依赖装完终端会打印一个类似http://127.0.0.1:7860的地址。用浏览器打开它能看到 kohya_ss 的界面就算装好了 ✅界面上是一排功能标签页LoRA、finetune、模型合并等等。先别急着训练去设置页把源模型和训练集的路径配好。很多人就是漏了这一步后面点训练才发现找不到模型。界面打不开时先看这里不少人在这一步报缺 tkinter 模块的错其实离解决只差一条命令。Ubuntu 和 Debian 上装python3-tk就好Windows 上重新装一次 Python记得勾上 tcl/tk and IDLE 选项如果你是在远程服务器上跑直接用--headless参数启动不依赖本地界面。准备训练集跑通第一次 LoRA 训练界面打开只是开始真正的目标是让训练转起来。![kohya_ss LoRA 训练数据集示例图](https://raw.gitcode.com/GitHub_Trending/ko/kohya_ss/raw/f44226cfccca008094f958d829c49c74a7e9289d/test/img/10_darius kawasaki person/Dariusz_Zawadzki.jpg?utm_sourcegitcode_repo_files)训练集的目录结构很有规律图片放在一个文件夹里每张图片配一个同名 txt 描述文件。仓库的 test 目录自带一套完整示例数据照着它的样子放几张同一个角色或同一种风格的图十几张就够起步了。然后回到 LoRA 标签页选好基础模型数据集路径指向你的文件夹其余参数先保持默认点运行。kohya_ss 会自动拼好训练命令终端里实时输出日志。跑几十个 step 后看到 loss 数字在稳步下降说明训练真的在正常进行。参数怎么配才有讲究可以参考官方 LoRA 训练指南从角色训练到风格训练都有示例。出问题时按这条路线排查再顺的安装也难免遇到小状况。先别慌按顺序查一遍。小贴士卡住时先运行python setup/debug_info.py收集环境信息再看一下 check_local_modules.py 的输出缺哪个模块它会说得很直白。如果日志里是 torch 和 CUDA 版本对不上多半就是 GPU 没被识别的原因。README 里也专门有一节排障清单涵盖 Windows 页面文件限制、tkinter 等高频话题遇到怪问题可以先翻一遍。调一调参数让训练跑得更快更顺跑通之后接下来谈体验。显存不够别急着升级硬件。先把 batch size 降下来用梯度累积补回效果还想更省就加上--lowram参数。这些在 LoRA 标签页里都有现成的开关。V100 用户可能注意到 GPU 利用率偏低这不是错觉。官方文档里的经验是换成 adamW8bit 优化器batch size 适当加大再在 GUI 里明确指定 GPU ID。详细讨论见 troubleshooting_tesla_v100.md。日常维护也很简单。升级 kohya_ss 时执行git pull再跑一次启动脚本环境会自动同步更新。config_files/里的配置和presets/里的参数预设值得留个备份换机或重装时能直接恢复。装好之后你能做的事比想象中多用十几张图练一个角色 LoRA微调基础模型合并和提取 LoRA甚至从模型里擦除不想要的概念。繁琐的命令行全部由 GUI 代劳剩下的只需要你的图片和创意【免费下载链接】kohya_ss项目地址: https://gitcode.com/GitHub_Trending/ko/kohya_ss创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

Kohya_ss 快速上手指南：一次跑通 LoRA 训练环境

相关推荐

Android Studio打开ZIP项目无法启动？三步修复启动图标、闪退与数据丢失

skills cloud-logging-query-generation：GCE 上第三方应用日志的 LQL 查询完整参考（Apache、Nginx、MySQL 等 24 类模板）

量化策略回测过拟合怎么防：一份基于 gs-quant 事件驱动回测框架的完整指南

更多资讯

ClickHouse ReplacingMergeTree引擎：数据去重与实时更新实战

Leptos 无宏编程实战：用纯 Rust 函数式 API 构建计数器组件（counter_without_macros 示例详解）

虚拟电厂中P2G-CCS与燃气掺氢技术的Matlab建模与优化

.NET MAUI 跨平台布局系统深度解析：Layout、Measure/Arrange 与平台适配原理

NATS Server 发布工作流全解析：发布周期、语义化版本与支持策略

WorkBuddy创建专家全攻略：从智能体设计到自动化落地

今日更新

AI驱动的自动化专利分析平台技术解析

LeetCode-Go 题解：1252. Cells with Odd Values in a Matrix（奇数值单元格计数）双解法剖析

在线答疑系统Java毕设实战：Spring Boot前后端分离与状态流转

本周精选

AI驱动的自动化专利分析平台技术解析

LeetCode-Go 题解：1252. Cells with Odd Values in a Matrix（奇数值单元格计数）双解法剖析

在线答疑系统Java毕设实战：Spring Boot前后端分离与状态流转

本月热门

基于YOLO的焊缝缺陷检测：从数据标注到工业部署全流程实践

分布式服务的决策记录

创业产品的首版范围

读完文章，想聊聊您的网站？