如何訓練 Flux LoRA（Flux.1 和 Flux 2）：初學者逐步指南

Flux LoRA 訓練是教導 Flux 影像模型它不知道的東西：你的臉、你的產品、你的繪畫風格、相機效果。結果是一個 20 到 300 MB 的 .safetensors 檔案，可用於任何 Flux 應用，包括 Graydient。過程需要 15 到 30 張圖片，一張 12 到 16 GB 記憶體的顯卡（或租用一小時），以及免費的訓練器。本指南逐步說明 Flux.1 開發版和 Flux 2 的每個步驟，最後說明如何在此運行你的新 LoRA。

你將做七件事：選擇 Flux 基礎模型、建立小型資料集、撰寫標題、選擇訓練器、設定幾個數值、訓練與測試，然後將檔案匯入 Graydient。每個步驟下方都有適用於大多數人的數值。如果你已有訓練好的檔案，可直接跳到使用說明部分。

Graydient 可運行 LoRA，但不負責訓練。訓練在你自己的顯卡、租用的 GPU 或線上訓練器上進行。檔案一旦存在，每個 Graydient 方案都能以固定價格使用它來渲染。

你需要的東西

• 15 到 30 張同一主題的好照片，或風格則需 30 到 60 張。手機照片只要清晰且多樣化也可以。
• Flux.1 開發版或 Flux 2 Klein 4B 需 12 到 16 GB 記憶體的顯卡，Flux 2 開發版則需 24 GB 以上。沒有顯卡？可租用一小時（見下方）或使用線上訓練器。
• 免費訓練器：AI Toolkit、Kohya sd-scripts（或其上的 FluxGym 介面）或 OneTrainer。皆可在安裝 Python 的 Windows 和 Linux 上運行。
• 一到三小時，大部分時間在等待。Graydient 方案只在最後渲染檔案時才重要。比較 方案與價格。

步驟 1：選擇要訓練的 Flux 基礎模型

LoRA 綁定於其訓練時的基礎模型，請從你想用來渲染的基礎模型開始。Flux 家族有三個分支，彼此不共用 LoRA：

記住規則：Flux.1 LoRA 不能用於 Flux 2，Flux 2 LoRA 不能用於 Flux.1，Klein 4B、Klein 9B 和 Flux 2 開發版各自需要自己的 LoRA。Krea 2 是不同模型，不是 Flux。如果使用多個基礎模型，請對每個基礎模型用相同資料集訓練一次。

步驟 2：建立資料集

Flux 從小而乾淨的資料集快速學習。品質勝過數量；20 張清晰且多樣的照片勝過 80 張近乎重複的。

1. 為一個人、產品或物件收集 15 到 30 張照片。拍攝角度、距離、光線和背景要有變化。至少包含三分之一的特寫和三分之一的全身或全產品照。
2. 為風格收集 30 到 60 件作品，媒介和線條品質相同，但主題不同：人物、地點、物件。多樣性告訴訓練器主題不是風格。
3. 移除模糊、重度壓縮、水印、文字覆蓋及非主題人物。資料集中有一張陌生臉孔會在渲染中顯現。
4. 解析度：長邊 1024 像素是 Flux 標準。保持寬高比多樣；每個訓練器會自動分類。不要拉伸圖片成正方形。
5. 將圖片放在同一資料夾，旁邊放一個同名的文字檔。標題寫在文字檔中：dataset/01.jpg dataset/01.txt dataset/02.jpg dataset/02.txt

步驟 3：撰寫標題

Flux 透過 T5 文字編碼器讀取自然句子，標題是簡單描述，不是關鍵字列表。標題決定 LoRA 學習什麼，忽略什麼：

• 對主題，從一個非真實詞的觸發詞開始，接著描述主題以外的所有東西：衣服、姿勢、地點、光線。訓練器學會觸發詞是標題未說明的部分。
• 對風格，描述每張圖片的內容，絕不提風格。風格是 LoRA 透過省略學到的，之後會套用到你提示的任何主題。
• 標題保持一到兩句。若超過 30 張圖片，可用 Florence-2 或 JoyCaption 自動標題，然後手動檢查修正前十張。
• 不要用真實人物名字當觸發詞，也不要標註圖片中沒有的東西。

一個人物 LoRA 的主題標題範例：ohwx woman, wearing a grey wool coat, standing on a stone bridge, overcast daylight, looking at the camera

一個風格 LoRA 的標題範例，故意不提風格：a fishing boat in a harbour at dawn, two men on the pier, fog over the water

步驟 4：選擇訓練器

四個免費開源訓練器涵蓋所有 Flux 基礎模型。它們都使用相同的資料集資料夾，產生相同類型的 .safetensors 檔案：

• AI Toolkit（作者 ostris）：最常用的 Flux 訓練器。每次運行一個 YAML 配置檔，提供網頁介面、低 VRAM 模式，支援 Flux.1 開發版、Flux 2 開發版和 Flux 2 Klein。用 python run.py config/my_flux_lora.yaml 開始訓練。最佳首選。
• Kohya sd-scripts 和 FluxGym：Kohya 是大多數 Stable Diffusion LoRA 背後的老牌訓練器，有 Flux 分支。FluxGym 是其上的單頁網頁介面，提供 12、16 和 20 GB 預設。適合想填表單不想編輯檔案時使用。
• OneTrainer：桌面應用，介面友好，支援 SDXL 和 Flux.1。如果你也訓練 SDXL LoRA，想用一個工具，選它。
• 線上訓練器：Civitai 的現場訓練器和 GPU 主機網站上的 Flux 訓練器接受壓縮包圖片並回傳檔案。每次運行需花費點數且隱藏設定，但完全不需顯卡。產生的檔案可同樣匯入 Graydient。

步驟 5：設定五個重要數值

每個訓練器有數十個選項。除這些決定 LoRA 強度、泛用性和大小的數值外，其他保持預設即可：

設定訓練器每 250 步存一次檢查點，並在每次存檔時用相同提示詞和種子渲染兩張範例圖。這些範例圖是你選擇勝者的依據。Flux.1 dev 和 Flux 2 dev 是經過指導蒸餾的；訓練器會處理這部分，所以指導設定保持預設即可。

步驟 6：訓練

1. 開始執行並在第一分鐘內觀察記憶體。如果記憶體填滿並溢出到系統記憶體，請停止：訓練會變慢十倍且可能當機。
2. 若記憶體溢出，請切換基礎精度到 fp8，開啟梯度檢查點，使用 8 位元 AdamW 或 Adafactor 優化器，解析度降到 768，批次大小維持 1。這些方法中任一個都能釋放數 GB 記憶體。
3. 一旦運行順暢，就讓它繼續。Flux.1 dev 在 16 GB 顯卡上跑 1500 步約需一到兩小時；Klein 4B 較快；Flux 2 dev 在租用的 48 GB 顯卡上約一小時。
4. 隨時查看範例圖片。主題通常在 500 步出現，1000 步時已穩定。如果 750 步時已完美，可以提前停止。

訓練過程慢且有噪音，但不易崩潰。能撐過第一分鐘的訓練幾乎都能完成。如果訓練器支援，訓練前快取潛在向量和文字嵌入，能節省每次訓練的記憶體和時間。

步驟 7：測試並選擇正確的檢查點

最後的檢查點很少是最佳。過度訓練的 LoRA 會複製資料集背景，破壞對比度並忽略提示詞。全部測試：

• 寫四個資料集中沒有的提示詞：新地點、新服裝、不同光線、不同媒介。固定種子。
• 用四個提示詞分別渲染每個存檔的檢查點，LoRA 權重設為 0.6、0.8 和 1.0。
• 選擇最早能準確呈現主題且仍符合新提示詞的檢查點。後面的通常過頭；早的則模糊。
• 將勝出檢查點重新命名成你一年後還能認出的名字，例如主題和基礎：my-flux-lora，而非 lora_000750。

沒有顯卡？租一張用一小時

Flux 2 dev 訓練或任何 Flux 訓練在筆電上，租用顯卡比用自己時間便宜。24 或 48 GB 顯卡在 GPU 租用市場每小時價格遠低於一杯咖啡，Flux LoRA 需要一到兩小時。

• 租用配有 24 GB 顯卡的機器用於 Flux.1 dev 或 Klein，48 GB 用於 Flux 2 dev。若市場有提供，選擇已預裝訓練器的模板；AI Toolkit 模板很常見。
• 上傳資料集資料夾，使用上述相同設定執行，下載想測試的檢查點。資料集和權重仍屬於你。
• 下載完成後停止機器。整個過程（含設定）通常不到兩小時租用時間。

在 Graydient 上使用你的 Flux LoRA

Graydient 不需要你電腦上的檔案就能渲染。把檔案放在 Graydient 可取得的位置並匯入連結：

1. 將 .safetensors 檔案上傳到你 Hugging Face 帳戶的倉庫（公開或私密），或在 Civitai 發佈，基礎模型設為你訓練用的 Flux 版本。
2. 登入 Graydient，從你的儀表板庫打開 Model Import，貼上 Hugging Face 的直接檔案連結或 Civitai 頁面連結。完整步驟在 如何在 Graydient 匯入 Civitai 模型。
3. 等待 LoRA 出現在你的庫中，並複製 Graydient 給的 ShortCode。
4. 在任何 Graydient 應用中用 LoRA 標籤和相符基礎渲染：Flux.1 LoRA 用 <lora:my-flux-lora:0.8> <flux-dev>，Flux 2 LoRA 用 <lora:my-flux2-lora:0.8> <flux2>。所有應用、權重和堆疊規則在 Graydient 上 Flux 和 Flux 2 LoRA 的初學者指南。

Telegram 或 Discord 的完整首次渲染，先寫觸發詞，LoRA 權重 0.8，基礎為 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

授權：你可以怎麼使用 LoRA

LoRA 是基礎模型的衍生品，基礎授權同樣適用。販售渲染圖或檔案前，請先查看模型頁面上的最新授權條款：

• Flux.1 dev 和 Flux 2 dev 採用 Black Forest Labs 的非商業授權。個人專案和研究可用；商業用途需取得他們的商業授權。
• Flux 2 Klein 4B（及其基礎檢查點）採用 Apache 2.0 授權，訓練於其上的 LoRA 不受基礎模型限制。Klein 9B 採非商業授權。
• 你資料集中的圖片有其自身權利。請使用你拍攝或擁有的照片，且未經同意絕不使用真人照片。

如果出問題了

• 第一分鐘內記憶體不足：fp16 基礎加優化器不夠用。改用 fp8、8 位元 AdamW 或 Adafactor、梯度檢查點、解析度 768、批次 1。還是不行就租顯卡。
• LoRA 改變整張圖而非主題：標註未描述背景和光線，訓練器把它們當成觸發詞的一部分。重新標註並明確說明上下文，並多樣化資料集。
• 權重 1.0 臉部正確但忽略提示詞：過度訓練。用較早檢查點。下一次訓練減半步數或將學習率降至 5e-5。
• 任何權重下都只有模糊相似：訓練不足或資料集過於單一。每次加 500 步，或加入新角度圖片。
• LoRA 在 Graydient 沒作用：基礎不符。Flux.1 LoRA 需要 <flux-dev>；Flux 2 LoRA 需要 <flux2>。也確認提示詞有包含觸發詞。
• 訓練能跑但非常慢：溢出到系統記憶體，或資料集在慢速硬碟。依第一點修正記憶體，快取潛在向量，並將資料集移到 SSD。

這就是整個方法：一個基礎、20 張乾淨圖片、誠實標註、五個數字、一個訓練、一個測試。你的第一個 Flux LoRA 不會是最好，第二個只需一半時間。檔案存在後，登入 Graydient 或比較 方案與價格，可無限次用它渲染。每個方案都含 7 天退款保證。

常見問題

查看方案與價格