目录
一.准备工作：安装stable-diffusion和sd-trainer
二.准备数据集
2.1确定你想要的数据集
2.2准备数据集
2.2.1对于人物类的数据集
2.2.2数据集的处理
2.2.3数据集所在文件夹参考位置（出于方便考虑，仅供参考）：
2.2.4由数据集生成标签
2.2.5对生成的标签进行修改
三.开始训练
3.1打开sd-trainer的新手模式
3.1.1准备工作：将准备好的数据集的文件复制粘贴到指定文件夹
3.1.2调整一些参数（因为是新手，所以我们只调节基本的参数！！！）
3.2开始训练
四.测试我们的lora模型
4.1将训练出来的模型放进stable-diffusion相应的目录下
4.2开始测试
4.2.1我们要先下载一个插件：additional network
4.2.2填入提示词
4.2.3启用additional networks
4.2.4使用x/y/z图表
1.在脚本里选择x/y/z图表
2.选择训练好的lora模型进行测试
4.2.5通过结果分析来找出最佳的权重和lora模型（同样是考虑到没有理论知识的前提，只进行直观的分析）
五.结语
一.准备工作：安装stable-diffusion和sd-trainer
在训练lora模型之前，我们需要在本地安装SD-WebUI （Stable Diffusion WebUI）和SD-Trainer，这里推荐B站大佬秋叶aaaki大佬的整合包（点击进入），可以快速上手并训练出自己的第一份lora模型。
注：1.尽量避免把这两个程序放在c盘，因为它们还是有点大的，D盘，E盘都是可以的
2.显存最好8G+,当然，6G也是可以的，速度和效率会有所不同
SD-WebUI （Stable Diffusion WebUI）下载完成后，解压，进入文件，找到下图文件，即可进入Stable Diffusion，
界面如下，请确保大致界面相同（如果你也用的秋叶大佬的整合包）
SD-Trainer下载完成后，选择版本（推荐最新的），解压，进入文件，找到下图文件：即可进入SD-Trainer，（在点击进入脚本之前注意要先完成【A强制更新！！！】）
界面如下，请确保界面大致相同，（如果你也用的秋叶大佬的整合包）
二.准备数据集
2.1确定你想要的数据集
对于lora的种类，在此不做过多的赘述（你可以选择训练画风，人物角色等等），接下来我会以人物类的Lora进行示范，选取的角色为《擅长逃跑的殿下》中的主人公北条时行
2.2准备数据集
2.2.1对于人物类的数据集
1.该人物的动漫中截图，注意：如果你想训练的仅仅是该人物本身，请将图片中多余的任何人物截去！
2.寻找二创等，注意：请注意版权问题，若你的数据集有这类图片，请把握好可能的侵权问题！
2.2.2数据集的处理
1.建议准备至少20-30张图片 注意：并非图片越多越好，且重复图片最好删去，它们对你所需要的训练的lora没有什么帮助，反而会拖累你的电脑！
2.图片的分辨率最好调成512*512，这并非必须的，但是作为新手，这样方便且容易；如果你不想这么做，请至少将图片分辨率设置为512*（64的倍数）或者（64的倍数）*512 注意：512并非必须的，你也可以设置为（64的倍数）*（64的倍数）
【你可以使用windows电脑自带的‘画图’工具进行调节，也可以使用该网站可以批量调节图片大小，每一次最多调节30张，目前来说够用了（free），将依旧不符合条件的图片用ps，画图等工具微调即可】
2.2.3数据集所在文件夹参考位置（出于方便考虑，仅供参考）
如图：‘lora_practice’是我存放sd-trainer的文件夹，
‘训练用图片-擅长逃跑的殿下’是我存放未经任何处理的数据集的文件
‘Input_北条时行‘是我存放经过处理的数据集的位置（我进行的是512*512）
分辨率调整后的部分结果如图：
2.2.4由数据集生成标签
打开stable-diffusion，按照下面的步骤操作：
（1）点击后期处理
（2）点击批量处理文件夹
（3）输入目录为已经调整过分辨率的数据集（示例中为：D:\aidraw\lora_practice\input_北条时行）；输出目录为你要将标签输出的位置（目录），可以选择新建一个文件夹，方便查找，参考位置如图：
（4）取消‘图像放大‘的选项
（5）选中下方的生成标签，选择Deepbooru（点这个最好）
（6）点击生成
可以看到结果，进入 ‘output_北条时行‘ 文件：
每个图片会对应一个txt文档，里面就是该图片的提示词（prompt）
2.2.5对生成的标签进行修改
生成的标签会因为所给数据集的原因出现冗余的现象（多出一些莫名奇妙的标签），为了训练的lora的效果，我们可以修改每张图片所对应的提示词。
这里推荐BooruDatasetTagManager，可以更加有效的进行提示词的修改
（你可以在：BooruDatasetTagManager的下载（github）进行下载）
初始界面如图：
点击设置，进入翻译，在Translation language 一栏选择Chinese（Simplified），保存
点击文件，选择读取数据集目录，也就是我们打好标签的文件，
加载完成后如图，可以开始调整标签（北条时行明明是男孩子，给出的标签却是1girl，真可恶啊）
注：这里是可以将标签翻译成中文的，如下图：点击界面，选择翻译标签
但是这个翻译的速度很慢，而且有的标签无法翻译，体验不是很好，建议直接看原文或者百度翻译/谷歌翻译/chagpt，启动！
修改完成后，点击保存更改，如下图：
那么到此为止，一个数据集就准备完毕了，我们可以打开秋叶大佬准备的sd-trainer进行训练了
三.开始训练
【注意：建议使用Google Chrome打开sd-trianer，否则可能会出现无法训练的现象（比如edge）】
3.1打开sd-trainer的新手模式
作为新手，我们就用这个新手模式，效果也很好：
3.1.1准备工作：将准备好的数据集的文件复制粘贴到指定文件夹
我们要将准备好的数据集的文件复制粘贴到指定文件夹（这期间我们要新建两个文件夹），按照下面的图片流程进行：
这个beitiao是需要用户自己创建的，（fox是我自己之前建立的，没舍得删），你可以根据自己创建的角色的名字特征等建立一个文件夹。
注：一定要是英文，以确保全英路径！！！
这个地方的文件夹20_beitiao也是用户自己创建的文件夹，它被包含在我们上一步创建的文件beitiao里，20即这个数字有着自己的意义，一定要有！感兴趣的话可以自己去了解哦~
注：这个文件夹必须是英文名字！！！
在创建的20_beitiao中粘贴我们第二步创建的数据集
3.1.2调整一些参数（因为是新手，所以我们只调节基本的参数！！！）
对于下图的训练用模型，在civitai上随便找一个checkpoint其实基本上来说都可以（理论上，但是不建议这么做），找一些比较古老（好评如潮）的模型更稳定，更不容易翻车，例如：sd-1.5
对于上面这张图片的详解：
（1）将我们数字_名字（这里是20_beitiao）的文件夹的上一层文件(这里是beitiao)的路径复制过去即可
复制到这里：
（2）output_name模型保存名称：可以填写任意你喜欢的名字，只要你能通过名字从文件里辨别出那是你训练的模型就可以了
（3）最大训练epoch轮数设置为20，其余都可以不用改
3.2开始训练
训练时可以看看训练进度，例如：
这是一个很漫长的过程，通常需要数个小时才能完成
四.测试我们的lora模型
4.1将训练出来的模型放进stable-diffusion相应的目录下
在如图的目录里有着我们刚刚训练的模型：
我们看到有若干个模型，
我们需要把他们保存到stable-diffusion的D:\aidraw\sd-webui-aki-v4.8\extensions\sd-webui-additional-networks\models\lora目录下，一定要是这个目录，否则测试时会出现问题【建议同时放到sd-webui-aki-v4.8\models\lora里，否则可能会出现你训练的模型在stable-diffusion中的lora一栏中并不显示的问题】：
4.2开始测试
4.2.1我们要先下载一个插件：additional network
将链接https://github.com/kohya-ss/sd-webui-additional-networks放入如图的红框里：
重启stable-diffusion，就可以正常使用该插件了
4.2.2填入提示词
可以从我们处理过的数据集的标签里提取提示词，比如：
我们选择这个图片的提示词，填入；
4.2.3启用additional networks
在additional networks里任意放入一个我们训练的模型，按照下图操作：（否则会出现脚本里x/y/z图标操作时不显示lora的问题）
4.2.4使用x/y/z图表
1.在脚本里选择x/y/z图表
2.选择训练好的lora模型进行测试
对X轴：左边选择附加模型1；右侧点击如图图标，会显示你所训练的所有模型，删去你不需要测试的模型（一般是你之前训练的lora模型，这里会一次性选上）
这是显示的右侧图标点击后的结果：
对Y轴：左侧选择附加模型1权重，右侧输入：0，0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9，1，代表着lora的权重
4.2.5通过结果分析来找出最佳的权重和lora模型（同样是考虑到没有理论知识的前提，只进行直观的分析）
注：这里将：当做
checkpoint
开始生成，得到：
大致可以得出：权重：0.6-1.0生成的图像和beitiao000008，beitiao000010，beitiao000014，beitiao000014，得出的图像质量比较高。
注：1.一次生成的图片并不能代表最终的结果，我们需要在排除0.0-0.5的权重和其他几个明显有问题的模型后重新生成图片，这时可以改变提示词，来提高判断的准确度，在选择出最后的模型和权重区间后就可以尽情使用你的lora模型啦。
2.同样的，你可以去测试同一个lora模型在不同模型下的效果，找出适合该lora的模型，如：
这是我测试的几个模型，一次生成的结果为：
可以明显的看出来，1，3，6生成的图片是可以的，其他的就肉眼可见的糟糕了。
五.结语
你是否已经制作出你所喜欢的角色的lora并为其赋予上自己独有的色彩了呢？
探索AIGC是一个漫长的旅程，我们需要掌握很多相关的知识和技能，其中的艰辛常常会让我们感到难过，但是当一张张优美的图片展现在我们眼前，绚丽的色彩能够在计算机上呈现属于自己的光芒时，我们也会显得如此开怀。
（关于人工智能，还有什么想了解的吗？告诉我吧！）
总结
本文详细介绍了如何从头开始制作并测试自己的LoRA模型（通过Stable Diffusion和SD-Trainer），主要步骤如下：### 一、准备工作
1. **安装Stable Diffusion WebUI (SD-WebUI) 和 SD-Trainer**：选择B站上的整合包进行安装，尽量避免将软件放在C盘，建议显存8G+以提升速度和效率。
### 二、准备数据集
1. **确定数据集**：选择想要训练的类别（如人物、画风等），并以《擅长逃跑的殿下》中主人公北条时行为例。
2. **收集和处理图片**：
- 截取动漫图，去除多余元素。
- 注意版权，可使用二创但要谨慎处理可能的侵权问题。
- 调整图片分辨率至512*512或512*（64的倍数）以方便训练。
3. **生成标签**：
- 使用Stable Diffusion的批量处理功能生成图片提示词（tags/prompts）。
- 使用BooruDatasetTagManager修改标签，去除冗余，确保标签准确反映图像内容。
### 三、开始训练
1. **设置SD-Trainer新手模式**：
- 将处理好的数据集复制到指定文件夹。
- 调整基础参数，如模型路径、保存名称和最大训练epoch（推荐20轮）。
- 特别注意确保文件路径为全英文。
2. **开始训练**：训练过程可能需要数小时。
### 四、测试LoRA模型
1. **放置模型到Stable Diffusion中**：将训练好的模型文件放入Stable Diffusion的相应目录。
2. **下载插件与准备**：下载Additional Network插件以启用LoRA模型测试功能。
3. **进行测试**：
- 提取标签作为提示词进行测试。
- 在Additional Networks中启用LoRA模型，并通过X/Y/Z图表调节LoRA模型的权重（0-1）以寻找最优权重和组合。
### 五、结语
本文详细指导了从准备数据集到训练并测试LoRA模型的全过程。探索AIGC（人工智能生成内容）是一个充满挑战但同样成就感满满的旅程。通过不断实验，每个人都能制作出自己喜爱的角色、画风等LoRA模型，为艺术创作增添无限可能。同时，也强调了版权处理、技术细节和耐心的重要性。