如何训练 Flux LoRA（Flux.1 和 Flux 2）：初学者逐步指南

Flux LoRA 训练是教 Flux 图像模型它不知道的东西：你的脸、你的产品、你的绘画风格、相机效果。结果是一个 20 到 300 MB 的 .safetensors 文件，你可以在任何 Flux 应用中使用，包括 Graydient。过程需要 15 到 30 张图片，一张 12 到 16 GB 显存的显卡（或租用一小时），以及一个免费的训练器。本指南详细介绍了 Flux.1 开发版和 Flux 2 的每一步，最后说明如何在这里运行你的新 LoRA。

你将完成七件事：选择 Flux 基础模型，构建小型数据集，编写标题，选择训练器，设置几个参数，训练和测试，然后将文件导入 Graydient。每一步都写在下面，包含适合大多数人的数值。如果你已有训练好的文件，可跳到使用部分。

Graydient 运行 LoRA；它不负责训练。训练在你自己的显卡上、按小时租用的 GPU 上，或在线训练器中进行。文件生成后，每个 Graydient 计划都能以固定价格使用它渲染。

你需要的东西

• 15 到 30 张同一主题的好照片，或风格用 30 到 60 张。手机照片只要清晰多样也可以。
• 一张 12 到 16 GB 显存的显卡用于 Flux.1 开发版或 Flux 2 Klein 4B，Flux 2 开发版需 24 GB 及以上。没有显卡？可租用一小时（见下文）或使用在线训练器。
• 一个免费训练器：AI Toolkit、Kohya sd-scripts（或其上的 FluxGym 界面）或 OneTrainer。均支持 Windows 和 Linux，需安装 Python。
• 一到三小时，大部分时间在等待。Graydient 计划只在最后渲染时才用得上。比较 计划和价格。

步骤 1：选择要训练的 Flux 基础模型

LoRA 与其训练的基础模型绑定，所以从你想用来渲染的基础模型开始。Flux 系列有三个分支，它们不共享 LoRA：

记住规则：Flux.1 LoRA 不能用在 Flux 2，Flux 2 LoRA 不能用在 Flux.1，Klein 4B、Klein 9B 和 Flux 2 开发版各自需要自己的 LoRA。如果用多个基础模型，针对同一数据集分别训练。

步骤 2：构建数据集

Flux 从小而干净的数据集中快速学习。质量胜过数量；20 张清晰多样的照片胜过 80 张近似重复。

1. 收集 15 到 30 张人物、产品或物体照片。拍摄角度、距离、光线和背景要变化。至少三分之一为特写，三分之一为全身或全产品照。
2. 风格训练收集 30 到 60 张作品，保持相同媒介和线条质量，但主题不同：人物、地点、物体。多样性告诉训练器主题不是风格。
3. 去除模糊、重压缩、水印、文字覆盖和非主题人物。数据集中出现的杂乱面孔会出现在渲染中。
4. 分辨率：长边 1024 像素是 Flux 标准。保持宽高比多样；训练器会自动分类。不要强制拉伸成正方形。
5. 将图片放在一个文件夹中，每张图片旁边放一个同名文本文件，文本文件里写标题：dataset/01.jpg dataset/01.txt dataset/02.jpg dataset/02.txt

步骤 3：编写标题

Flux 通过 T5 文本编码器读取自然句子，标题是普通描述，不是关键词列表。标题决定 LoRA 学习什么，忽略什么：

• 主题训练以一个非真实词触发词开头，然后描述主题以外的所有内容：衣服、姿势、地点、光线。训练器学会触发词代表标题未描述的部分。
• 风格训练描述每张图的内容，绝不提风格。风格是 LoRA 通过省略学到的，之后会应用到任何你提示的主题上。
• 标题保持一到两句。超过 30 张图可用 Florence-2 或 JoyCaption 自动生成标题，然后手动检查修正前十条。
• 不要用真实人名作触发词，也不要为图片中不存在的内容写标题。

人物 LoRA 的主题标题示例：ohwx woman, wearing a grey wool coat, standing on a stone bridge, overcast daylight, looking at the camera

风格 LoRA 的标题示例，故意不提风格：a fishing boat in a harbour at dawn, two men on the pier, fog over the water

步骤 4：选择训练器

四个免费开源训练器支持所有 Flux 基础模型。它们都使用相同的数据集文件夹，生成相同类型的 .safetensors 文件：

• AI Toolkit（作者 ostris）：最常用的 Flux 训练器。每次运行一个 YAML 配置文件，带网页界面，支持低显存模式，支持 Flux.1 开发版、Flux 2 开发版和 Flux 2 Klein。用 python run.py config/my_flux_lora.yaml 启动训练。首选。
• Kohya sd-scripts 和 FluxGym：Kohya 是大多数 Stable Diffusion LoRA 背后的资深训练器，有 Flux 分支。FluxGym 是其上的单页网页界面，提供 12、16 和 20 GB 预设。适合想填表单而非编辑文件时用。
• OneTrainer：桌面应用，界面友好，支持 SDXL 和 Flux.1。如果同时训练 SDXL LoRA，选它更方便。
• 在线训练器：Civitai 的站内训练器和 GPU 托管网站上的 Flux 训练器，上传压缩包，返回文件。按运行计费，设置不可见，但无需显卡。生成的文件可同样导入 Graydient。

步骤 5：设置五个关键参数

每个训练器有数十个选项。除以下参数外，其他保持默认即可，它们决定 LoRA 的强度、通用性和大小：

设置训练器每 250 步保存一次检查点，并在每次保存时用相同的提示词和种子渲染两张样图。这些样图用于选出最佳模型。Flux.1 dev 和 Flux 2 dev 是经过指导蒸馏的；训练器会自动处理，指导设置保持默认即可。

第6步：训练

1. 开始训练，前一分钟观察显存。如果显存满了并溢出到系统内存，停止：训练会慢十倍且可能崩溃。
2. 如果显存溢出，切换基础精度到 fp8，开启梯度检查点，使用 8 位 AdamW 或 Adafactor 优化器，分辨率降到 768，批量大小保持 1。以上任意一项都能释放数 GB 显存。
3. 一旦运行正常，就别动它。Flux.1 dev 在 16 GB 卡上跑 1500 步需 1-2 小时；Klein 4B 更快；Flux 2 dev 在租用的 48 GB 卡上约需 1 小时。
4. 观察样图出现情况。主题通常在 500 步时出现，1000 步时稳定。如果 750 步时完美，可以提前停止。

训练过程缓慢且有噪声，但不易崩溃。能坚持过第一分钟的训练几乎都会完成。如果训练器支持，训练前缓存潜变量和文本嵌入，能节省每次训练的内存和时间。

第7步：测试并选出合适的检查点

最后的检查点很少是最佳。过度训练的 LoRA 会复制数据集背景，损失对比度且不再响应提示词。全部测试：

• 写四个数据集中没有的提示词：一个新地点，一个新服装，不同的光线，不同的媒介。固定种子。
• 用这四个提示词分别渲染每个保存的检查点，LoRA 权重设为 0.6、0.8 和 1.0。
• 选出最早能准确表现主题且仍遵循新提示词的检查点。后面的通常过度训练，前面的则模糊。
• 将获胜检查点重命名为你一年后还能认出的名字，比如主题和基础模型：my-flux-lora，而不是 lora_000750。

没有显卡？租一小时

Flux 2 dev 训练，或任何笔记本上的 Flux 训练，在租用显卡上比用自己时间更便宜。24 或 48 GB 显卡在 GPU 租赁市场每小时价格远低于一杯咖啡，Flux LoRA 训练需一到两小时。

• 租用带 24 GB 显卡的机器用于 Flux.1 dev 或 Klein，48 GB 显卡用于 Flux 2 dev。市场提供时选择预装训练器的模板；AI Toolkit 模板常见。
• 上传数据集文件夹，运行上述相同设置，下载想测试的检查点。数据集和权重归你所有。
• 下载完成后停止机器。整个过程（含设置）通常不到两小时租用时间。

在 Graydient 上使用你的 Flux LoRA

Graydient 渲染时不需要文件在你电脑上。把文件放在 Graydient 可访问的位置并导入链接：

1. 将 .safetensors 文件上传到你 Hugging Face 账户的仓库（公开或私有），或发布到 Civitai，基础模型设置为你训练时用的 Flux 版本。
2. 登录 Graydient，从仪表盘库打开模型导入，粘贴 Hugging Face 的直链或 Civitai 页面链接。完整步骤见 如何在 Graydient 上导入 Civitai 模型。
3. 等待 LoRA 出现在你的库中，复制 Graydient 给它的 ShortCode。
4. 在任何 Graydient 应用中用 LoRA 标签和对应基础模型渲染：Flux.1 LoRA 用 <lora:my-flux-lora:0.8> <flux-dev>，Flux 2 LoRA 用 <lora:my-flux2-lora:0.8> <flux2>。所有应用、权重和叠加规则见 Graydient 上 Flux 和 Flux 2 LoRA 的初学者指南。

Telegram 或 Discord 的完整首次渲染示例，触发词放前面，LoRA 权重 0.8，基于 Flux dev：/render ohwx woman, portrait, soft window light, 85mm photo <lora:my-flux-lora:0.8> <flux-dev> /steps:24 /guidance:3.5 /size:1024x1024

许可：你可以如何使用 LoRA

LoRA 是其基础模型的衍生品，因此基础许可同样适用。出售渲染图或文件前请查看模型页面上的当前许可文本：

• Flux.1 dev 和 Flux 2 dev 采用 Black Forest Labs 的非商业许可。个人项目和研究允许，商业用途需其商业许可。
• Flux 2 Klein 4B（及其基础检查点）采用 Apache 2.0 许可，训练于其上的 LoRA 不受基础模型限制。Klein 9B 采用非商业许可。
• 你的数据集中的图片有各自版权。请使用你拍摄或拥有的照片训练，未经同意切勿使用真人照片。

如果出现问题

• 前一分钟内显存不足：fp16 基础加优化器不够用。切换到 fp8，8 位 AdamW 或 Adafactor，梯度检查点，分辨率 768，批量 1。仍溢出则租卡。
• LoRA 改变了整张图而非仅主题：说明文字未描述背景和光线，训练器把它们当成触发词的一部分。重新标注，明确上下文并丰富数据集。
• 权重 1.0 时脸部正确但忽略提示词：过度训练。用早期检查点。下一次训练减半步数或将学习率降至 5e-5。
• 任何权重下都只有模糊相似：训练不足或数据集过于单一。增加 500 步为单位的步数，或加入新角度图片。
• LoRA 在 Graydient 上无效：基础模型不匹配。Flux.1 LoRA 需 <flux-dev>；Flux 2 LoRA 需 <flux2>。还要确认提示词中包含触发词。
• 训练运行但极慢：溢出到系统内存，或数据集在慢速硬盘。按第一点修复显存，缓存潜变量，且将数据集移至 SSD。

这就是全部方法：一个基础模型，20 张干净图片，诚实的说明，五个数字，一次训练，一次测试。你的第一个 Flux LoRA 不会是最好，第二个用时减半。文件生成后，登录 Graydient 或对比 计划和价格，可无限次用它渲染。所有方案均含7天退款保证。

常见问题

查看套餐和价格