需按五步完成LoRA训练：一、准备20–50张高质量图像并统一缩放；二、用DeepBooru自动打标后人工清洗无关标签；三、在kohya_ss中配置基础模型、路径及关键参数（如Network Dim、Learning Rate）；四、可用赛博丹炉一键训练；五、严格规范数据命名与目录结构。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
如果您已安装 Stable Diffusion WebUI 并希望训练专属 LoRA 模型，但尚未配置训练环境或不确定如何组织数据与参数，则可能是由于训练流程未完整执行或关键组件缺失。以下是解决此问题的步骤：
本文运行环境：RTX 4090，Windows 11
一、准备高质量训练集
训练集质量直接决定 LoRA 输出效果，低质图像会导致过拟合、泛化差或特征丢失。需确保图像主体清晰、角度多样、背景简洁，并统一为 64 的整数倍分辨率。
1、收集 20–50 张目标主题图像，例如人物需包含正脸、侧脸、半身、全身、不同表情及光照条件；若为物品或风格类，须覆盖典型形态与上下文变体。
2、使用 birme.net 批量裁切工具 将所有图像统一缩放至 512×512 或 768×768，避免拉伸变形，保存为 PNG 或 JPG 格式。
3、手动剔除模糊、遮挡严重、重复构图或含无关干扰物的图片，保留主体占比 ≥70% 的样本。
二、自动打标与标签清洗
标签是模型理解图像语义的关键输入，未经清洗的自动标签易引入通用属性（如“1girl”“black_hair”），削弱 LoRA 对特有特征的学习能力。
1、在 WebUI 中打开 “Train” → “Image Preprocessing” 页面，指定训练图像文件夹路径，勾选 “DeepBooru” 启用自动打标。
2、点击 “Preprocess” 开始生成 .txt 标签文件，每张图对应一个同名文本，内容为逗号分隔的关键词。
3、逐个检查 .txt 文件，删除所有与训练目标无关的通用标签，例如人物类需移除 “solo”“1girl”“brown_eyes”，仅保留如 “flower_crown”“twin_braids”“spring_outfit” 等差异化特征词。
三、配置 kohya_ss GUI 训练参数
kohya_ss 是当前最主流的 LoRA 训练框架，其 GUI 提供可视化参数调节，可大幅降低命令行门槛。正确设置学习率、批次大小与网络维度是避免训练崩溃或无效收敛的核心。
1、启动 kohya_ss GUI 后，在 “Source Model” 栏选择与训练主题匹配的基础大模型（如写实人物用 majicMIX realistic_v5，二次元用 anything-v4.5）。
2、在 “Folders” 栏填写：训练图像路径、输出模型路径、预处理器输出路径（即上一步生成的带 .txt 的文件夹）。
3、进入 “Parameters” 栏，设置关键参数： • Network Dim：设为 128（具象类）或 64（风格/概念类）； • Learning Rate：设为 1e-4（初始值），训练中可视 loss 曲线微调； • Max Train Epochs：设为 10–20（具象类）或 30–50（风格类）； • Batch Size per Device：根据显存设定，RTX 4090 可设为 4（512×512）或 2（768×768）。
四、使用赛博丹炉（Cybertron Furnace）快速训练
赛博丹炉整合了图形化界面与一键式预设，适合不熟悉参数逻辑的新手，内置抠图填白、WD1.4 自动 TAG、分层训练等增强功能，可跳过手动配置环节。
1、解压下载包后运行 cybertronfurnace1.4\cfurnace_ui\Cybertron Furnace.exe，首次启动将自动下载依赖组件。
2、在首页点击 “人物” 预设（适用于角色类 LoRA），导入已处理好的图像文件夹与基础模型路径。
3、在 “上传素材” 页面启用 “抠图填白” 模式，并将 TAG 可信度阈值设为 0.35，点击“开始训练”即可启动。
五、手动修正训练数据结构与命名规范
LoRA 训练脚本依赖严格的数据目录结构和文件命名规则，错误命名将导致图像与标签无法配对，引发空 loss 或训练中断。
1、将全部图像与对应 .txt 文件置于同一文件夹，确保文件名完全一致（如 001.png 与 001.txt）。
2、若需控制单图训练频次，可在文件名前添加数字前缀，格式为 [次数]_[原名]，例如 10_cxk_01.png 表示该图参与训练 10 次。
3、确认训练文件夹内无子文件夹、无隐藏文件、无中文路径，所有路径均使用英文或下划线命名。
