Wie man eine Flux LoRA trainiert (Flux.1 und Flux 2): die Schritt-für-Schritt-Anleitung für Anfänger

Das Training einer Flux LoRA ist, wie du dem Flux-Bildmodell etwas beibringst, das es nicht kennt: dein Gesicht, dein Produkt, deinen Zeichenstil, einen Kamera-Look. Das Ergebnis ist eine .safetensors-Datei von 20 bis 300 MB, die du in jeder Flux-App verwenden kannst, einschließlich Graydient. Der Prozess benötigt 15 bis 30 Bilder, eine Grafikkarte mit 12 bis 16 GB Speicher (oder eine gemietete für eine Stunde) und einen kostenlosen Trainer. Diese Anleitung führt dich durch jeden Schritt für Flux.1 dev und Flux 2 und endet damit, wie du deine neue LoRA hier ausführst.

Du wirst sieben Dinge tun: die Flux-Basis auswählen, einen kleinen Datensatz erstellen, Beschreibungen schreiben, einen Trainer wählen, einige Zahlen einstellen, trainieren und testen, dann die Datei in Graydient importieren. Jeder Schritt ist unten mit den Werten beschrieben, die für die meisten Menschen funktionieren. Wenn du bereits eine trainierte Datei hast, springe zum Abschnitt über die Nutzung.

Graydient führt LoRAs aus; es trainiert sie nicht. Das Training findet auf deiner eigenen Grafikkarte, auf einer stundenweise gemieteten GPU oder in einem Online-Trainer statt. Sobald die Datei existiert, kann jeder Graydient-Plan sie für einen Pauschalpreis rendern.

Was du brauchst

• 15 bis 30 gute Bilder eines Motivs oder 30 bis 60 für einen Stil. Handyfotos sind in Ordnung, wenn sie scharf und vielfältig sind.
• Eine Grafikkarte mit 12 bis 16 GB Speicher für Flux.1 dev oder Flux 2 Klein 4B, oder 24 GB und mehr für Flux 2 dev. Keine Karte? Miete eine für eine Stunde (siehe unten) oder nutze einen Online-Trainer.
• Einen kostenlosen Trainer: AI Toolkit, Kohya sd-scripts (oder die FluxGym-Oberfläche darauf) oder OneTrainer. Alle laufen unter Windows und Linux mit installiertem Python.
• Ein bis drei Stunden, die meiste Zeit wartest du. Ein Graydient-Plan ist nur am Ende wichtig, wenn du mit der Datei rendern möchtest. Vergleiche Pläne und Preise.

Schritt 1: Wähle die Flux-Basis zum Trainieren

Eine LoRA ist an das Basismodell gebunden, auf dem sie trainiert wurde, also starte mit der Basis, mit der du rendern möchtest. Die Flux-Familie hat drei Zweige, die keine LoRAs teilen:

Die Regel zum Merken: Flux.1 LoRAs funktionieren nicht auf Flux 2, Flux 2 LoRAs nicht auf Flux.1, und Klein 4B, Klein 9B und Flux 2 dev brauchen jeweils ihre eigene LoRA. Krea 2 ist ein anderes Modell, nicht Flux. Wenn du mehrere Basen nutzt, trainiere einmal pro Basis mit demselben Datensatz.

Schritt 2: Erstelle den Datensatz

Flux lernt schnell von kleinen, sauberen Datensätzen. Qualität schlägt Menge; 20 scharfe und vielfältige Bilder schlagen 80 fast identische.

1. Sammle 15 bis 30 Bilder für eine Person, ein Produkt oder Objekt. Ändere Winkel, Entfernung, Licht und Hintergrund zwischen den Aufnahmen. Mindestens ein Drittel Nahaufnahmen und ein Drittel Ganzkörper oder Gesamtprodukt.
2. Für einen Stil sammle 30 bis 60 Werke mit demselben Medium und Linienqualität, aber unterschiedlichen Motiven: Menschen, Orte, Objekte. Die Vielfalt zeigt dem Trainer, dass das Motiv nicht der Stil ist.
3. Entferne Unschärfe, starke Kompression, Wasserzeichen, Textüberlagerungen und alle, die nicht das Motiv sind. Ein fremdes Gesicht im Satz zeigt sich im Render.
4. Auflösung: 1024 Pixel auf der langen Seite ist Standard für Flux. Halte die Seitenverhältnisse gemischt; jeder Trainer sortiert sie automatisch. Bilder nicht auf Quadrate strecken.
5. Lege die Bilder in einen Ordner mit je einer Textdatei neben jedem Bild mit demselben Namen. Die Beschreibung kommt in die Textdatei: dataset/01.jpg dataset/01.txt dataset/02.jpg dataset/02.txt

Schritt 3: Schreibe die Beschreibungen

Flux liest natürliche Sätze über seinen T5-Text-Encoder, also sind Beschreibungen einfache Beschreibungen, keine Schlagwortlisten. Die Beschreibungen entscheiden, was die LoRA lernt und was sie ignoriert:

• Für ein Motiv beginne mit einem Triggerwort, das kein echtes Wort ist, dann beschreibe alles, was nicht das Motiv ist: Kleidung, Pose, Ort, Licht. Der Trainer lernt, dass das Triggerwort der Teil ist, den die Beschreibung nicht erklärt.
• Für einen Stil beschreibe den Inhalt jedes Bildes und niemals den Stil. Der Stil lernt die LoRA durch Auslassung und wendet ihn dann auf jedes Motiv an, das du vorgibst.
• Halte Beschreibungen bei ein bis zwei Sätzen. Nutze Auto-Caption mit Florence-2 oder JoyCaption, wenn du mehr als 30 Bilder hast, und lese und korrigiere die ersten zehn von Hand.
• Nutze keinen echten Personennamen als Triggerwort und beschreibe nichts, was nicht im Bild ist.

Eine Motiv-Beschreibung für eine Personen-LoRA: ohwx woman, wearing a grey wool coat, standing on a stone bridge, overcast daylight, looking at the camera

Eine Beschreibung für eine Stil-LoRA, bei der der Stil absichtlich nicht erwähnt wird: a fishing boat in a harbour at dawn, two men on the pier, fog over the water

Schritt 4: Wähle einen Trainer

Vier kostenlose, Open-Source-Trainer decken jede Flux-Basis ab. Sie alle nehmen denselben Datensatz-Ordner und erzeugen dieselbe Art von .safetensors-Datei:

• AI Toolkit (von ostris): der meistgenutzte Flux-Trainer. Eine YAML-Konfigurationsdatei pro Lauf, eine Web-Oberfläche, Low-VRAM-Modi und Unterstützung für Flux.1 dev, Flux 2 dev und Flux 2 Klein. Starte den Lauf mit python run.py config/my_flux_lora.yaml. Die beste erste Wahl.
• Kohya sd-scripts und FluxGym: Kohya ist der erfahrene Trainer hinter den meisten Stable Diffusion LoRAs und hat einen Flux-Zweig. FluxGym ist eine einseitige Web-Oberfläche darauf mit 12, 16 und 20 GB Voreinstellungen. Gut, wenn du ein Formular ausfüllen willst, nicht eine Datei bearbeiten.
• OneTrainer: eine Desktop-Anwendung mit freundlicher Oberfläche für SDXL und Flux.1. Wähle sie, wenn du auch SDXL LoRAs trainierst und ein Tool willst.
• Online-Trainer: Civitais On-Site-Trainer und die Flux-Trainer auf GPU-Hosting-Seiten nehmen ein Zip mit Bildern und liefern eine Datei zurück. Sie kosten Credits pro Lauf und verbergen die Einstellungen, aber du brauchst keine Karte. Die Datei importierst du genauso in Graydient.

Schritt 5: Stelle die fünf wichtigen Zahlen ein

Jeder Trainer bietet dutzende Optionen. Lass die Standardwerte außer diesen, die entscheiden, wie stark, wie allgemein und wie groß die LoRA ist:

Stelle den Trainer so ein, dass er alle 250 Schritte einen Checkpoint speichert und bei jedem Speichern zwei Beispielbilder mit demselben Prompt und Seed rendert. Diese Beispiele nutzt du, um den Gewinner auszuwählen. Flux.1 dev und Flux 2 dev sind guidance-distilled; die Trainer übernehmen das für dich, also lass die Guidance-Einstellung auf Standard.

Schritt 6: trainieren

1. Starte den Lauf und beobachte den Speicher in der ersten Minute. Wenn die Karte voll wird und in den Systemspeicher ausweicht, stoppe: Das Training dauert dann zehnmal länger und kann abstürzen.
2. Wenn Speicher ausweicht, wechsle die Basis auf fp8, aktiviere Gradient Checkpointing, nutze den 8-Bit AdamW- oder Adafactor-Optimizer, reduziere die Auflösung auf 768 und halte die Batch-Größe bei 1. Jede dieser Maßnahmen spart Gigabyte.
3. Wenn es sauber läuft, lass es laufen. Flux.1 dev braucht ein bis zwei Stunden für 1500 Schritte auf einer 16-GB-Karte; Klein 4B ist schneller; Flux 2 dev etwa eine Stunde auf einer gemieteten 48-GB-Karte.
4. Schau dir die Beispielbilder an, sobald sie erscheinen. Das Motiv zeigt sich meist ab Schritt 500 und ist bei 1000 stabil. Wenn es bei 750 perfekt ist, kannst du früher stoppen.

Training ist langsam und unruhig, aber nicht empfindlich. Ein Lauf, der die erste Minute übersteht, beendet fast immer. Cache die Latents und Text-Embeddings vor dem Training, falls dein Trainer das anbietet; das spart Speicher und Zeit bei jedem Lauf.

Schritt 7: testen und den richtigen Checkpoint wählen

Der letzte Checkpoint ist selten der beste. Übertrainierte LoRAs kopieren die Hintergründe des Datensatzes, verbrennen den Kontrast und ignorieren Prompts. Teste alle:

• Schreibe vier Prompts, die der Datensatz nicht enthält: einen neuen Ort, ein neues Outfit, anderes Licht, ein anderes Medium. Fixiere den Seed.
• Rendere jeden gespeicherten Checkpoint mit den vier Prompts bei LoRA-Gewichten 0.6, 0.8 und 1.0.
• Wähle den frühesten Checkpoint, der das Motiv trifft und die neuen Prompts noch befolgt. Spätere sind meist überkocht; frühere vage.
• Benenne den Gewinner so um, dass du ihn in einer Bibliothek in einem Jahr wiedererkennst, z.B. mit Motiv und Basis: my-flux-lora, nicht lora_000750.

Keine Grafikkarte? Miete eine für eine Stunde

Flux 2 dev Training oder jedes Flux-Training auf einem Laptop ist auf einer gemieteten Karte günstiger als auf deiner eigenen Zeit. Eine 24- oder 48-GB-Karte kostet auf GPU-Vermietplattformen deutlich weniger als ein Kaffee pro Stunde, und ein Flux LoRA braucht ein bis zwei Stunden.

• Miete eine Maschine mit 24-GB-Karte für Flux.1 dev oder Klein, 48 GB für Flux 2 dev. Wähle eine Vorlage mit vorinstalliertem Trainer, wenn der Marktplatz das anbietet; AI Toolkit-Vorlagen sind üblich.
• Lade den Datensatz-Ordner hoch, nutze die oben genannten Einstellungen und lade die Checkpoints herunter, die du testen möchtest. Datensatz und Gewichte bleiben dein Eigentum.
• Stoppe die Maschine, wenn der Download fertig ist. Das Ganze, inklusive Einrichtung, dauert meist unter zwei Stunden Mietzeit.

Nutze deinen Flux LoRA auf Graydient

Graydient braucht die Datei nicht auf deinem Computer, um damit zu rendern. Lege sie dort ab, wo Graydient sie abrufen kann, und importiere den Link:

1. Lade die .safetensors-Datei in ein Repository deines Hugging Face Accounts (öffentlich oder privat) hoch oder veröffentliche sie auf Civitai mit dem Basis-Modell, auf dem du Flux trainiert hast.
2. bei Graydient einloggen, öffne Model Import in deiner Dashboard-Bibliothek und füge den direkten Dateilink von Hugging Face oder den Civitai-Seitenlink ein. Die vollständigen Schritte findest du in wie man Civitai-Modelle auf Graydient importiert.
3. Warte, bis der LoRA in deiner Bibliothek erscheint, und kopiere den ShortCode, den Graydient vergeben hat.
4. Rendere mit dem LoRA-Tag und der passenden Basis in jeder Graydient-App: <lora:my-flux-lora:0.8> <flux-dev> für einen Flux.1 LoRA oder <lora:my-flux2-lora:0.8> <flux2> für einen Flux 2 LoRA. Jede App, Gewichtung und Stapelregel steht in die Anfängeranleitung zu Flux und Flux 2 LoRAs auf Graydient.

Ein vollständiges erstes Rendering für Telegram oder Discord, mit dem Triggerwort zuerst und dem LoRA bei 0.8 auf der Flux dev Basis: /render ohwx woman, portrait, soft window light, 85mm photo <lora:my-flux-lora:0.8> <flux-dev> /steps:24 /guidance:3.5 /size:1024x1024

Lizenzen: was du mit dem LoRA machen darfst

Ein LoRA ist eine Ableitung seines Basismodells, daher gilt die Basislizenz auch für ihn. Prüfe den aktuellen Lizenztext auf der Modellseite, bevor du Renderings oder die Datei verkaufst:

• Flux.1 dev und Flux 2 dev sind unter der nicht-kommerziellen Lizenz von Black Forest Labs veröffentlicht. Persönliche Projekte und Forschung sind erlaubt; kommerzielle Nutzung benötigt deren kommerzielle Lizenz.
• Flux 2 Klein 4B (und sein Base Checkpoint) ist Apache 2.0, daher haben darauf trainierte LoRAs keine Basis-Modell-Beschränkung. Klein 9B ist unter der nicht-kommerziellen Lizenz.
• Die Bilder in deinem Datensatz haben eigene Rechte. Trainiere nur mit Fotos, die du gemacht oder besitzt, und niemals mit echten Personen ohne deren Zustimmung.

Wenn etwas schiefgeht

• Speicher voll in der ersten Minute: die Basis in fp16 plus Optimizer passt nicht. Wechsle zu fp8, 8-Bit AdamW oder Adafactor, Gradient Checkpointing, Auflösung 768, Batch 1. Wenn es immer noch ausweicht, miete eine Karte.
• Der LoRA verändert das ganze Bild, nicht nur das Motiv: Die Beschriftungen beschrieben Hintergrund und Licht nicht, also hat der Trainer sie als Teil des Triggerworts gelernt. Beschrifte neu mit ausgeschriebenem Kontext und variiere den Datensatz.
• Das Gesicht ist bei Gewicht 1.0 richtig, aber Prompts werden ignoriert: übertrainiert. Nutze einen früheren Checkpoint. Beim nächsten Lauf halbiere die Schritte oder senke die Lernrate auf 5e-5.
• Nur vage Ähnlichkeit bei jedem Gewicht: untertrainiert oder der Datensatz ist zu einheitlich. Füge Schritte in 500er-Blöcken hinzu oder ergänze Bilder mit neuen Blickwinkeln.
• Der LoRA wirkt nicht auf Graydient: die Basis passt nicht. Ein Flux.1 LoRA braucht <flux-dev>; ein Flux 2 LoRA braucht <flux2>. Prüfe auch, ob das Triggerwort im Prompt ist.
• Training läuft, ist aber quälend langsam: Es wurde in den Systemspeicher ausgelagert oder der Datensatz liegt auf einem langsamen Laufwerk. Behebe den Speicher wie im ersten Punkt, cache Latents und verschiebe den Datensatz auf eine SSD.

Das ist die ganze Methode: eine Basis, 20 saubere Bilder, ehrliche Beschriftungen, fünf Zahlen, ein Lauf, ein Test. Dein erster Flux LoRA wird nicht der beste sein, und der zweite dauert halb so lang. Wenn die Datei existiert, bei Graydient einloggen oder vergleiche Pläne und Preise, um damit so oft zu rendern, wie du willst. Jeder Plan enthält eine 7-Tage-Geld-zurück-Garantie.

Fragen

Pläne und Preise ansehen