1、训练图片收集
比如要训练一个自己头像的模型，就可以拍一些自己的照片（20-50张，最少15张），要求画质清晰，脸部轮廓清楚，背景较为简单的照片。
2、使用stable_diffusion的预处理功能进行图片的预处理
这里可以根据自己的情况设置不同的宽高，以及相关的设置项，设置完成之后，点击“预处理”就可以进行图像的预处理了，预处理进度会在右侧显示。处理完成之后的文件夹内文件统一转成了512*512的png格式，并且多了一个txt文件，这个文件里面就是图片内容的提示词。
3、lora-scripts环境搭建
（1）先将lora-scripts项目（GitHub – Akegarasu/lora-scripts: LoRA training scripts use kohya-ss’s trainer, for diffusion model.
https://github.com/Akegarasu/lora-scripts）克隆到本地，可以放在stable-diffusion下面，也可以放在其他目录下面。
（2）克隆完之后，进入该目录删除sd-scripts文件夹，然后克隆sd-scripts项目（GitHub – kohya-ss/sd-scriptshttps://github.com/kohya-ss/sd-scripts）到该目录下。
（3）安装环境，有两种方式。一种是在lora-scripts下直接执行./install.ps1命令，自动安装相关环境。另外一种是进入到lora-scripts/sd-scripts中，使用以下命令进行安装（可以参考该项目下的说明文档）。
# 创建并激活虚拟环境
python -m venv venv
.\venv\Scripts\activate
# 安装cuda
pip install torch==1.12.1+cu116 torchvision==0.13.1+cu116 --extra-index-url https://download.pytorch.org/whl/cu116
# 安装相关包，可以加上 -i 国内源 快一点儿！
pip install --upgrade -r requirements.txt
# 安装xformers，这里可以先用下载工具把文件下载下来，用本地路径安装，不然网络不稳定很容易中断
pip install -U -I --no-deps https://github.com/C43H66N12O12S2/stable-diffusion-webui/releases/download/f/xformers-0.0.14.dev0-cp310-cp310-win_amd64.whl
# 复制相关文件到虚拟环境
cp .\bitsandbytes_windows\*.dll .\venv\Lib\site-packages\bitsandbytes\
cp .\bitsandbytes_windows\cextension.py .\venv\Lib\site-packages\bitsandbytes\cextension.py
cp .\bitsandbytes_windows\main.py .\venv\Lib\site-packages\bitsandbytes\cuda_setup\main.py
# 加速器配置
accelerate config这里要注意的是，cuda和xformers的版本这里是对应好的，如果版本不对会报错。另外，后面的相关操作都是在venv的虚拟环境下操作的，所以如果重新进入的话，需要重新激活虚拟环境。
accelerate config这个命令进入之后，对于多项选择的可以用上下键，或者使用（0，1，2...）去选择相关的选项，yes or no的直接输入然后回车，大部分配置项选择默认就可以了，我这里没有使用DeepSpeed，所以这一项，我选择的No，根据自己的实际情况去选就行了，不知道啥意思的可以挨个查下。4、准备训练
训练有两种方式，方式一：直接执行训练命令（执行 ./train.ps1），方式二：使用webui的方式（执行 ./run_gui.ps1 打开web页面）。
（1）将预处理过的图片目录（qige）拷贝到lora-scripts/train/qg_imgs目录下（train目录不存在可以新建一个，这里要注意，图片和文本存放的最终目录是lora-scripts/train/qg_imgs/qige）
（2）修改配置。
方式一，直接修改train.ps1文件，修改以下配置
# Train data path | 设置训练用模型、图片
$pretrained_model = "./sd-models/chilloutmix_NiPrunedFp32Fix.safetensors" # base model path | 底模路径
$train_data_dir = "./train/qg_imgs" # train dataset path | 训练数据集路径
# Train related params | 训练相关参数
$resolution = "512,512" # image resolution w,h. 图片分辨率，宽,高。支持非正方形，但必须是 64 倍数。
$batch_size = 2 # batch size
$max_train_epoches = 20 # max train epoches | 最大训练 epoch
$save_every_n_epochs = 2 # save every n epochs | 每 N 个 epoch 保存一次
$output_name = "qg" # output model name | 模型保存名称chilloutmix_NiPrunedFp32Fix.safetensors 的下载地址为：naonovn/chilloutmix_NiPrunedFp32Fix at mainWe’re on a journey to advance and democratize artificial intelligence through open source and open science.https://huggingface.co/naonovn/chilloutmix_NiPrunedFp32Fix/tree/main也可以使用其他的模型，上面的模型地址也可以改成stable-diffusion中已有的模型路径，可以节约点儿磁盘空间，毕竟单个模型都是好几个G。另外这个目录设置要注意，不是到最后那一层的目录，是到最后一层的上一层目录。
方式二，直接在webui上设置，比较直观
5、开始训练
如果使用的是方式二，可以直接点击右侧的“直接开始训练”按钮就可以开始训练，与方式一一样，相关的输出信息可以在命令行终端上看到。一般不会一下就成功，可以根据相关的报错信息进行修改。我用的是3060的显卡，之前将batch_size和max_train_epoches设置得较大，中途会出现显存不够用的情况，然后逐步调整，才最终跑完。训练的过程见下图。
最后会在output目录中，输出训练好的模型文件。
6、模型使用
将训练好的模型.safetensors文件拷贝到stable-diffusion文件夹下的models/lora/文件夹下，在提示词中加入<lora:训练的模型:权重>就可以生成自己的图像了，效果还行。如果用更多图片，有更强悍的机器，训练出来的效果应该会更好…
文章出处登录后可见！
