Cara melatih Flux LoRA (Flux.1 dan Flux 2): panduan pemula langkah demi langkah

Pelatihan Flux LoRA adalah cara mengajarkan model gambar Flux sesuatu yang belum diketahuinya: wajahmu, produkmu, gaya gambarmu, tampilan kamera. Hasilnya adalah satu file .safetensors berukuran 20 sampai 300 MB yang bisa kamu gunakan di aplikasi Flux mana saja, termasuk Graydient. Proses ini membutuhkan 15 sampai 30 gambar, kartu dengan memori 12 sampai 16 GB (atau yang disewa selama satu jam), dan trainer gratis. Panduan ini menjelaskan setiap langkah untuk Flux.1 dev dan Flux 2, dan berakhir dengan cara menjalankan LoRA barumu di sini.

Kamu akan melakukan tujuh hal: memilih basis Flux, membuat dataset kecil, menulis caption, memilih trainer, mengatur beberapa angka, melatih dan menguji, lalu mengimpor file ke Graydient. Setiap langkah dijelaskan di bawah dengan nilai yang cocok untuk kebanyakan orang. Jika kamu sudah punya file terlatih, langsung lompat ke bagian cara menggunakannya.

Graydient menjalankan LoRA; ia tidak melatihnya. Pelatihan dilakukan di kartu grafismu sendiri, di GPU yang kamu sewa per jam, atau di trainer online. Setelah file ada, setiap paket Graydient bisa merender dengan file itu dengan harga tetap.

Yang kamu butuhkan

• 15 sampai 30 foto bagus dari satu subjek, atau 30 sampai 60 untuk gaya. Foto dari ponsel boleh asal tajam dan bervariasi.
• Kartu grafis dengan memori 12 sampai 16 GB untuk Flux.1 dev atau Flux 2 Klein 4B, atau 24 GB ke atas untuk Flux 2 dev. Tidak punya kartu? Sewa satu selama satu jam (lihat di bawah) atau gunakan trainer online.
• Trainer gratis: AI Toolkit, Kohya sd-scripts (atau antarmuka FluxGym di atasnya), atau OneTrainer. Semua berjalan di Windows dan Linux dengan Python terpasang.
• Satu sampai tiga jam, sebagian besar waktu menunggu. Paket Graydient hanya penting di akhir, saat kamu ingin merender dengan file. Bandingkan paket dan harga.

Langkah 1: pilih basis Flux untuk dilatih

LoRA terikat pada model basis yang digunakan saat pelatihan, jadi mulai dengan basis yang ingin kamu gunakan untuk merender. Keluarga Flux punya tiga cabang yang tidak berbagi LoRA:

Aturan yang harus diingat: LoRA Flux.1 tidak bekerja di Flux 2, LoRA Flux 2 tidak bekerja di Flux.1, dan Klein 4B, Klein 9B, serta Flux 2 dev masing-masing butuh LoRA sendiri. Krea 2 adalah model berbeda, bukan Flux. Jika kamu menggunakan beberapa basis, latih sekali per basis dari dataset yang sama.

Langkah 2: buat dataset

Flux belajar cepat dari dataset kecil dan bersih. Kualitas lebih penting daripada jumlah; 20 gambar tajam dan bervariasi lebih baik daripada 80 gambar hampir duplikat.

1. Kumpulkan 15 sampai 30 gambar untuk satu orang, produk, atau objek. Ubah sudut, jarak, pencahayaan, dan latar belakang antar foto. Sertakan setidaknya sepertiga close-up dan sepertiga full body atau produk penuh.
2. Untuk gaya, kumpulkan 30 sampai 60 karya dengan media dan kualitas garis yang sama tapi subjek berbeda: orang, tempat, objek. Variasi itulah yang memberi tahu trainer bahwa subjek bukan gaya.
3. Hapus blur, kompresi berat, watermark, teks overlay, dan siapa pun yang bukan subjek. Satu wajah asing dalam set akan muncul di render.
4. Resolusi: 1024 piksel di sisi panjang adalah standar untuk Flux. Biarkan rasio aspek campur; setiap trainer mengelompokkannya otomatis. Jangan meregangkan gambar jadi kotak.
5. Letakkan gambar dalam satu folder dengan file teks di samping setiap gambar yang namanya sama. Caption ditulis di file teks: dataset/01.jpg dataset/01.txt dataset/02.jpg dataset/02.txt

Langkah 3: tulis caption

Flux membaca kalimat alami lewat encoder teks T5-nya, jadi caption adalah deskripsi biasa, bukan daftar kata kunci. Caption menentukan apa yang LoRA pelajari dan apa yang diabaikan:

• Untuk subjek, mulai dengan kata pemicu yang bukan kata nyata, lalu jelaskan semua yang bukan subjek: pakaian, pose, tempat, cahaya. Trainer belajar bahwa kata pemicu adalah bagian yang tidak dijelaskan caption.
• Untuk gaya, jelaskan isi setiap gambar dan jangan pernah menyebut gaya. Gaya adalah yang LoRA pelajari lewat penghilangan, dan akan diterapkan ke subjek apa pun yang kamu prompt.
• Jaga caption satu atau dua kalimat. Gunakan auto-caption dengan Florence-2 atau JoyCaption jika punya lebih dari 30 gambar, lalu baca dan perbaiki sepuluh pertama secara manual.
• Jangan gunakan nama orang nyata sebagai kata pemicu, dan jangan beri caption hal yang tidak ada di gambar.

Caption subjek untuk LoRA orang: ohwx woman, wearing a grey wool coat, standing on a stone bridge, overcast daylight, looking at the camera

Caption untuk LoRA gaya, di mana gaya sengaja tidak disebut: a fishing boat in a harbour at dawn, two men on the pier, fog over the water

Langkah 4: pilih trainer

Empat trainer gratis dan open-source mencakup semua basis Flux. Mereka semua menggunakan folder dataset yang sama dan menghasilkan file .safetensors yang sama jenisnya:

• AI Toolkit (oleh ostris): trainer Flux yang paling banyak dipakai. Satu file konfigurasi YAML per sesi, antarmuka web, mode VRAM rendah, dan dukungan untuk Flux.1 dev, Flux 2 dev, dan Flux 2 Klein. Mulai sesi dengan python run.py config/my_flux_lora.yaml. Pilihan pertama terbaik.
• Kohya sd-scripts dan FluxGym: Kohya adalah trainer veteran di balik sebagian besar LoRA Stable Diffusion dan punya cabang Flux. FluxGym adalah antarmuka web satu halaman di atasnya dengan preset 12, 16, dan 20 GB. Bagus jika kamu ingin form yang diisi, bukan file yang diedit.
• OneTrainer: aplikasi desktop dengan antarmuka ramah untuk SDXL dan Flux.1. Pilih ini jika kamu juga melatih LoRA SDXL dan ingin satu alat saja.
• Trainer online: trainer di situs Civitai dan trainer Flux di situs hosting GPU menerima zip gambar dan mengembalikan file. Mereka mengenakan kredit per sesi dan menyembunyikan pengaturan, tapi kamu tidak perlu kartu sama sekali. File yang mereka hasilkan bisa diimpor ke Graydient dengan cara yang sama.

Langkah 5: atur lima angka yang penting

Setiap trainer punya puluhan opsi. Biarkan default kecuali ini, yang menentukan seberapa kuat, seberapa umum, dan seberapa besar LoRA:

Atur pelatih untuk menyimpan checkpoint setiap 250 langkah dan merender dua gambar contoh pada setiap penyimpanan, dengan prompt dan seed yang sama. Contoh ini adalah cara kamu memilih pemenang. Flux.1 dev dan Flux 2 dev adalah guidance-distilled; pelatih mengaturnya untukmu, jadi biarkan pengaturan guidance pada default.

Langkah 6: latih

1. Mulai proses dan pantau memori selama menit pertama. Jika memori penuh dan meluap ke memori sistem, hentikan: pelatihan akan memakan waktu sepuluh kali lebih lama dan bisa crash.
2. Jika memori meluap, ubah dasar ke fp8, aktifkan gradient checkpointing, gunakan optimizer AdamW 8-bit atau Adafactor, turunkan resolusi ke 768, dan pertahankan batch 1. Salah satu dari ini akan membebaskan gigabyte.
3. Setelah berjalan lancar, biarkan saja. Flux.1 dev butuh satu sampai dua jam untuk 1500 langkah di kartu 16 GB; Klein 4B lebih cepat; Flux 2 dev sekitar satu jam di kartu 48 GB sewaan.
4. Perhatikan gambar contoh saat muncul. Subjek biasanya terlihat pada langkah 500 dan solid pada 1000. Jika sempurna di 750, kamu bisa berhenti lebih awal.

Pelatihan lambat dan berisik, tidak rapuh. Proses yang bertahan melewati menit pertama hampir selalu selesai. Cache latents dan embedding teks sebelum pelatihan jika pelatihmu mendukung; ini menghemat memori dan waktu setiap kali menjalankan.

Langkah 7: uji dan pilih checkpoint yang tepat

Checkpoint terakhir jarang yang terbaik. LoRA yang overtrain menyalin latar belakang dataset, membakar kontras dan berhenti mendengarkan prompt. Uji semuanya:

• Tulis empat prompt yang tidak ada di dataset: tempat baru, pakaian baru, cahaya berbeda, medium berbeda. Tetapkan seed.
• Render setiap checkpoint yang disimpan dengan empat prompt pada bobot LoRA 0.6, 0.8 dan 1.0.
• Pilih checkpoint paling awal yang tepat pada subjek dan masih mengikuti prompt baru. Yang lebih akhir biasanya terlalu matang; yang lebih awal samar.
• Ganti nama pemenang dengan sesuatu yang akan kamu kenali di perpustakaan setahun dari sekarang, seperti subjek dan dasar: my-flux-lora, bukan lora_000750.

Tidak punya kartu grafis? Sewa satu selama satu jam

Pelatihan Flux 2 dev, atau pelatihan Flux apapun di laptop, lebih murah di kartu sewaan daripada waktu milikmu sendiri. Kartu 24 atau 48 GB harganya jauh di bawah harga kopi per jam di pasar sewa GPU, dan Flux LoRA butuh satu sampai dua jam.

• Sewa mesin dengan kartu 24 GB untuk Flux.1 dev atau Klein, 48 GB untuk Flux 2 dev. Pilih template yang sudah terpasang pelatih jika tersedia di pasar; template AI Toolkit umum.
• Unggah folder dataset, jalankan pengaturan yang sama seperti di atas, dan unduh checkpoint yang ingin kamu uji. Dataset dan bobot tetap milikmu.
• Matikan mesin setelah unduhan selesai. Seluruh proses, termasuk setup, biasanya kurang dari dua jam sewa.

Gunakan Flux LoRA-mu di Graydient

Graydient tidak perlu file di komputermu untuk merender dengan itu. Letakkan di tempat Graydient bisa mengakses dan impor tautannya:

1. Unggah file .safetensors ke repositori di akun Hugging Face-mu (publik atau privat), atau publikasikan di Civitai dengan model dasar yang disetel ke versi Flux yang kamu latih.
2. masuk ke Graydient, buka Model Import dari perpustakaan dashboard-mu, dan tempel tautan file langsung dari Hugging Face atau tautan halaman Civitai. Langkah lengkap ada di cara mengimpor model Civitai di Graydient.
3. Tunggu LoRA muncul di perpustakaan dan salin ShortCode yang diberikan Graydient.
4. Render dengan tag LoRA dan dasar yang cocok di aplikasi Graydient mana saja: <lora:my-flux-lora:0.8> <flux-dev> untuk LoRA Flux.1, atau <lora:my-flux2-lora:0.8> <flux2> untuk LoRA Flux 2. Semua aplikasi, bobot dan aturan stacking ada di panduan pemula untuk Flux dan Flux 2 LoRA di Graydient.

Render pertama lengkap untuk Telegram atau Discord, dengan kata trigger di depan dan LoRA di 0.8 pada dasar 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

Lisensi: apa yang boleh kamu lakukan dengan LoRA

LoRA adalah turunan dari model dasarnya, jadi lisensi dasar ikut serta. Periksa teks lisensi terbaru di halaman model sebelum kamu menjual render atau file:

• Flux.1 dev dan Flux 2 dev dirilis di bawah lisensi non-komersial Black Forest Labs. Proyek pribadi dan riset diperbolehkan; penggunaan komersial butuh lisensi komersial mereka.
• Flux 2 Klein 4B (dan checkpoint Dasarnya) menggunakan Apache 2.0, jadi LoRA yang dilatih di atasnya tidak membawa batasan model dasar. Klein 9B memakai lisensi non-komersial.
• Gambar dalam dataset-mu punya hak sendiri. Latih hanya pada foto yang kamu ambil atau miliki, dan jangan pernah pada orang nyata tanpa izin mereka.

Jika ada masalah

• Kehabisan memori di menit pertama: dasar fp16 plus optimizer tidak muat. Beralih ke fp8, AdamW 8-bit atau Adafactor, gradient checkpointing, resolusi 768, batch 1. Jika masih meluap, sewa kartu.
• LoRA mengubah seluruh gambar, bukan hanya subjek: caption tidak menjelaskan latar dan cahaya, jadi pelatih mempelajarinya sebagai bagian dari kata trigger. Buat ulang caption dengan konteks jelas dan variasikan dataset.
• Wajah benar pada bobot 1.0 tapi prompt diabaikan: overtrain. Gunakan checkpoint lebih awal. Pada run berikutnya, kurangi langkah setengahnya atau turunkan learning rate ke 5e-5.
• Hanya kemiripan samar di bobot manapun: kurang latih, atau dataset terlalu seragam. Tambah langkah dalam blok 500 langkah, atau tambah gambar dengan sudut baru.
• LoRA tidak berfungsi di Graydient: dasar tidak cocok. LoRA Flux.1 butuh <flux-dev>; LoRA Flux 2 butuh <flux2>. Juga pastikan kata trigger ada di prompt.
• Pelatihan berjalan tapi sangat lambat: meluap ke memori sistem, atau dataset di drive lambat. Perbaiki memori seperti di poin pertama, cache latents, dan pindahkan dataset ke SSD.

Itulah seluruh metode: satu dasar, 20 gambar bersih, caption jujur, lima angka, satu run, satu tes. Flux LoRA pertamamu tidak akan jadi yang terbaik, dan yang kedua butuh waktu setengahnya. Saat file sudah ada, masuk ke Graydient atau bandingkan paket dan harga untuk merender sebanyak yang kamu mau. Setiap paket termasuk jaminan uang kembali 7 hari.

Pertanyaan

Lihat paket dan harga