目录
前言 一、SD-Trainer webui使用介绍 二、准备工作 2-1、登录在线训练平台 2-2、购买算力并创建工作空间 2-3、启动工作空间 三、开始训练 3-1、打开终端 3-2、准备训练数据 3-3、准备模型文件 3-3-1、模型 3-3-2、下载方法（以下两种方法任选一种即可） 3-4、启动SD-Trainer 3-5、开始训练前言
SD-Trainer：是stable diffusion进行lora训练的webui，有了SD-Trainer，只需要少许图片，每个人都能够方便快捷地训练出属于自 己的stable diffusion模型，可以让图片按照你的想法进行呈现。
一、SD-Trainer webui使用介绍
SD-Trainer：是stable diffusion进行lora训练的webui，有了SD-Trainer，只需要少许图片，每个人都能够方便快捷地训练出属于自 己的stable diffusion模型，可以让图片按照你的想法进行呈现。 LoRA：英文全称Low-Rank Adaptation of Large Language Models，意为"大型语言模型的低秩自适应算法"。它是一种用于优化大型语言模型的算法，通过在训练过程中对模型进行低秩分解和自适应优化，可以显著提高语言模型的效果和性能。它是微软的研究人员为了解决大语言模型微调而开发的一项技术。二、准备工作
2-1、登录在线训练平台
选择合适的训练平台：如果您还没有选择平台，这里我们推荐揽睿星舟平台，以下步骤以在揽睿星舟操作为例。
2-2、购买算力并创建工作空间
新用户拥有两个小时的免费算力，选择3090 镜像选择平台提供的镜像，即公有镜像-others-sd-trainer-1.1.0 其他默认即可2-3、启动工作空间
点击启动，等待几分钟后，即可进入。 如果遇到网络问题，建议调试网络后选择重新启动（不会扣除费用） 根据个人习惯选择合适的ide，这里我选择使用vs code。三、开始训练
3-1、打开终端
在打开页面后，点击Terminal-New Terminal来启动终端。3-2、准备训练数据
训练数据：要求是若干张待训练的图片以及其描述文字，这里我们选用huggingface上的公开数据集,四张可爱狗狗的照片：https://huggingface.co/datasets/diffusers/dog-example/tree/main，也可以打开其父级目录查找其他照片组合。
注意事项：为每张图片准备一段仅一行的文本描述，存入txt或caption文件。一张图片对应一个文本文件。描述文字的命名需和 图片一致，如1.jpg的描述文字为1.caption或1.txt。
如图所示：
新建文件夹（将图片以及其描述文字放入）：
mkdir -p /ark-contexts/data/sd_train_dataset/img /ark-contexts/data/sd_train_dataset/log /ark-contexts/data/sd_train_dataset/model
在img目录下新建文件，其中xx是数字，代表训练步数，XXXXX为自定义名称，本例中设为10_item，并将图片和描述文字放入该文件夹中：
cd /ark-contexts/data/sd_train_dataset/img
mkdir 10_item
把准备好的训练数据放入上述文件夹。检查最终训练数据文件夹结构为:
3-3、准备模型文件
3-3-1、模型
这里我们需要准备两个模型(先看下边的下载方法)。
clip-vit-large-patch14
第一个需要下载的模型 clip-vit-large-patch14，是我们需要从https://huggingface.co/openai/clip-vit-large-patch14 自行下载模型文件，上传到/ark-contexts/data/huggingface/hub/models–openai–clip-vit-large-patch14/snapshots/8d052a0f05efbaefbc9e8786ba291cfdf93e5bff 文件夹下。
最终文件夹的结构为：
stable-diffusion-v1-5
第二个需要下载的模型是stable-diffusion-v1-5，我们需要从https://huggingface.co/runwayml/stable-diffusion-v1-5上下载模型，
3-3-2、下载方法（以下两种方法任选一种即可）
一、直接使用命令下载（这里以clip-vit-large-patch14为例）：
# 打开上图中的clone repository后，有如下命令
git lfs install
# 先安装好lfs，后边如果这一句报错可能是没有+sudo。
git clone https://huggingface.co/openai/clip-vit-large-patch14
注意：这里没有lfs，需要自行安装
使用lscpu命令查看架构。下载对应的版本https://github.com/git-lfs/git-lfs/releases，下拉找到对应版本。
下载安装包后上传到服务器上并且进行解压（小文件直接拖拽上传即可，大文件需要在安装好lfs后再进行安装）
tar -zxvf git-lfs-linux-amd64-v2.9.0.tar.gz
sudo ./install.sh
二、使用网盘来从本地上传（针对大文件上传）
参考官方文档：https://paritybit-us.gitbook.io/lan-rui-xing-zhou/yong-hu-shou-ce/zui-jia-shi-jian/shang-chuan-wang-pan-de-xiao-miao-zhao这里需要注意的是,记得更改端口号为443。
3-4、启动SD-Trainer
cd /app/lora-scripts
sudo sh run_gui.sh --host 0.0.0.0 --port 27777 --tensorboard-host 0.0.0.0
运行成功后我们需要在工作空间复制调试地址，在浏览器粘贴地址并且跳转，就可以进入训练界面了。
3-5、开始训练
训练界面如下所示，可以选择新手或专家两种模式，新手模式暴露的参数更少。本例使用专家模式：需要修改的参数为：
底模路径：使用的是我们刚才下载的模型stable-diffusion-v1-5中的文件v1-5-pruned.ckpt，我这里的路径是/ark-contexts/data/sd_train_dataset/v1-5-pruned.ckpt
train_data_dir：使用到的是训练数据集的路径，我这里的路径是/ark-contexts/data/sd_train_dataset/img
模型保存名称（可选）：更改模型名称
模型保存路径（可选）：更改模型保存路径
其他配置自行选择，配置完成后，可以点击开始训练，我们可以在之前的终端中监控模型的训练结果。
训练过程中可能会遇到的问题：
文件夹中没有模型：检查设置的文件夹中是否存在对应模型
模型没有下载完全：可能是没有安装lfs导致的，Git LFS (Large File Storage) - 是Git源代码管理系统的一个扩展程序，可处理大型二进制文件的版本控制，在传输大型文件时需要首先安装lfs。
如图所示即为训练后的模型，模型保存在当前目录下的./output/aki.safetensors
总结：折腾的时间比我想象的长，但比起自己部署整个环境，云端训推还是香啊，想练练手的可以试试先薅个2小时羊毛注册链接
参考文章：
linux安装git lfs
git-lfs
stable-diffusion-v1-5
参考B站Up