5分钟使用EAS一键部署Kohya SD模型微调应用

前提条件

• 已开通EAS并创建默认工作空间，详情请参见开通PAI并创建默认工作空间。

• 如果使用RAM用户来部署模型，需要为RAM用户授予EAS的管理权限，详情请参见云产品依赖与授权：EAS。

• 已在同地域下创建OSS存储空间和目录，用来存放训练素材、输出的模型文件、日志等。如何上传文件请参见控制台上传文件。

准备工作

1. 登录OSS管理控制台，进入某个同地域下的Bucket路径内。例如：oss://kohya-demo/kohya/。

2. 在当前Bucket路径下新建项目文件夹。例如：KaraDetroit_loar。同时，在此项目文件夹下新建Image、Log、Model3个文件夹，如有JSON配置文件也可上传至此项目文件夹。

   

   • Image：存放训练素材源文件。

   • Model：存放训练完成后的模型文件。

   • Log：存放日志。

   • SS_config.json：JSON文件，用于批量配置参数，非必需。使用时可在JSON配置中修改相关参数，如文件夹路径、输出模型命名等。具体配置详情可参考GitHub。文本示例请参考SS_config.json。

3. 将准备好的图片打包成压缩文件上传至Image文件夹下。本文使用的图片及描述文件示例：100_pic.tgz。

   

   重要

   • 图片文件夹命名必须符合格式：数字+下划线+名称。例如：100_pic。

   • 图片仅支持格式：.png，.jpg，.jpeg，.webp，.bmp。

   • 每张图片必须提供一个同名的描述文件，格式可为.txt，描述信息必须放在第一行，如有多个描述信息，可使用逗号分隔。

   参数	描述
   数字	每张图片重复训练次数，一般要求大于等于100。总训练次数一般要求大于1500。 若文件夹内包含10张图片，则每张图片训练1500/10=150次，图片文件夹名数字部分可为“150”。 若文件夹内包含20张图片，则每张图片训练1500/20=75（<100）次，图片文件夹名数字部分可为“100”。
   下划线	固定值，必填。
   名称	符合OSS文件名称规则的任意字符串，本例中为“pic”。

部署Kohya_ss服务

1. 登录PAI控制台，在页面上方选择目标地域，并在右侧选择目标工作空间，然后单击进入EAS。

2. 单击部署服务，然后在自定义模型部署区域，单击自定义部署。

3. 在自定义部署页面，可通过表单或JSON配置相关参数。

   通过表单配置参数

   参数		描述
   基本信息	服务名称	自定义服务名称。本案例使用的示例值为：kohya_ss_demo。
   环境信息	部署方式	选择镜像部署，并选中开启Web应用。
   	镜像配置	在官方镜像列表中选择kohya_ss>kohya_ss:2.2。 说明 由于版本迭代迅速，部署时镜像版本选择最高版本即可。
   	模型配置	选择OSS类型的挂载方式，并配置以下参数： OSS：选择同地域下的OSS路径。本文为oss://kohya-demo/kohya/。 挂载路径：可自定义。本文为/workspace。 重要 是否只读必须将开关关闭。否则模型文件无法输出到OSS中。
   	运行命令	选择镜像后系统会自动配置运行命令。本文为：python -u kohya_gui.py --listen=0.0.0.0 --server_port=8000 --headless。 --listen：用于将本程序绑定到指定的本机IP地址上，接收外部请求并进行处理。 --server_port：监听端口号。
   资源部署	资源类型	选择公共资源。
   	部署资源	资源规格推荐使用GPU>ml.gu7i.c16m60.1-gu30（性价比最高）。本文选择了当前最小规格ml.gu7i.c8m30.1-gu30。

   通过JSON配置参数

   在服务配置中单击编辑，并设置JSON格式数据。

   JSON参考示例如下。

   重要

   以下示例第4行"name"，第18行"oss"等配置请按实际情况修改。

   {
       "metadata":
       {
           "name": "kohya_ss_demo",
           "instance": 1,
           "enable_webservice": true
       },
       "cloud":
       {
           "computing":
           {
               "instance_type": "ecs.gn6e-c12g1.12xlarge",
               "instances": null
           }
       },
       "storage": [
       {
           "oss":
           {
               "path": "oss://kohya-demo/kohya/",
               "readOnly": false
           },
           "properties":
           {
               "resource_type": "model"
           },
           "mount_path": "/workspace"
       }],
       "containers": [
       {
           "image": "eas-registry-vpc.cn-hangzhou.cr.aliyuncs.com/pai-eas/kohya_ss:1.2",
           "script": "python -u kohya_gui.py --listen=0.0.0.0 --server_port=8000 --headless",
           "port": 8000
       }]
   }

4. 单击确定，然后检查表单配置，并单击部署，等待几分钟后即可完成模型部署。当服务状态为运行中时，服务部署成功。

训练LoRA模型

1. 单击目标服务服务方式列下的查看Web应用，进入Kohya_ss服务。

2. 选择Dreambooth LoRA。

   

3. 设置Configuration file。可选，若无SS_config.json可跳过此步骤。

   

   说明

   配置文件路径为通过表单配置参数中的挂载路径+OSS中创建的文件夹路径+SS_config.json。在本文中为：/workspace/KaraDetroit_loar/SS_config.json。

4. 设置SourceModel。本文使用safetensors，相比较checkpoint来说更具有安全性。

   

5. 设置Folders。填写前面步骤在OSS中所创建的Image、Log、Model路径和输出文件名。

   

   参数	描述
   Image folder	需要训练的图片文件夹路径。设置为通过表单配置参数中的挂载路径拼接OSS中创建的Image路径。在本文中为：/workspace/KaraDetroit_loar/Image。
   Logging folder	输出日志的文件夹路径。设置为通过表单配置参数中的挂载路径拼接OSS中创建的Log路径。在本文中为：/workspace/KaraDetroit_loar/Log。
   Output folder	输出模型的文件夹路径。设置为通过表单配置参数中的挂载路径拼接OSS中创建的Model路径。在本文中为：/workspace/KaraDetroit_loar/Model。
   Model output name	模型输出名称。例如：my_model。

6. 设置Training parameters。示例值见准备工作步骤中的SS_config.json内容。

   参数	描述
   LoRA Type	LoRA类型： LoCON：可以调整SD的每一层。如：Res、Block、Transformer。 LoHA：同样大小处理更多信息。
   LoRA network weights	LoRA网络权重，如果要接着训练则选用最后训练的LoRA。选填。
   Train batch size	训练批量大小。该值越大，对显存的要求越高。
   Epoch	训练轮数，将所有数据训练一次为一轮。需要自行计算。一般情况下： Kohya中总训练次数 = 训练图片数量 x 重复次数 x 训练轮数 / 训练批量大小。 WebUI中总训练次数 = 训练图片数量 x 重复次数。 使用类别图像时，在Kohya或在WebUI中总训练次数都会乘2，在Kohya中模型存储次数会减半。
   Save every N epochs	每N个训练周期保存一次。如设为2，则每完成2轮训练保存一次训练结果。
   Caption Extension	打标文件扩展名，例如：.txt。选填。
   Mixed precision	混合精度。视显卡性能决定。默认可选no、fp16、bf16。30GB显存以上的显卡建议设置为bf16。
   Save precision	保存精度，同上。
   Number of CPU threads per core	CPU每核线程数。主要为显存，根据所购实例和需求调整。
   Learning rate	学习率。默认0.0001。
   LR Scheduler	学习率调度器。按需选择cosine或cosine with restart等函数。
   LR Warmup（% of steps）	学习预热步数。按需调节，默认为10，无需预热则可选择0。
   Optimizer	优化器。按需选择，默认AdamW8bit，DAdaptation代表自动操作。
   Max Resolution	最大分辨率。根据图片情况进行设置。
   Network Rank（Dimension）	模型复杂度。一般设置为128即可适应大部分场景。
   Network Alpha	一般设置为比Network Rank（Dimension）小或者相同，常用的便是Network Rank设置为128，Network Alpha设置为64。
   Convolution Rank（Dimension） & Convolution Alpha	卷积度，LoRA对模型的微调涵盖范围。需根据不同的LoRA Type进行调整。 Kohya官方建议： LoCon：dim <= 64，alpha = 1（或更低）。 LoHA：dim <= 32，alpha = 1。
   clip skip	使用的CLIP模型的次数，取值范围是1到12，值越小，生成的图像就越接近原始图像或输入图像。 写实模型：选择1。 二次元：选择2。
   Sample every n epoch	每N轮样本。每几轮保存一次样本。
   Sample Prompts	提示词样本。需要使用命令，参数如下： --n：提示词、反向提示词。 --w：图片宽度。 --h：图片高度。 --d：图像种子。 --l：提示词相关性（cfg）。 --s：迭代步数（steps）。

7. 在页面下方，单击Train model开始进行训练。

8. 在模型在线服务（EAS）页面的服务列表中单击对应的服务名称，进入服务详情。单击服务日志即可实时查看训练进度。

   

   当出现model saved即表示训练完成。

   

9. 训练完成后，在配置的模型目录（Model）中获取训练得到的LoRA模型文件。例如：my_model.safetensors。

   

使用训练的LoRA模型进行Stable Diffusion AIGC绘画

当您训练好自己的LoRA模型后，可将其上传到相应的SD WebUI的目录中进行挂载使用，从而实现利用自己训练的LoRA模型生成图片。如何部署Stable Diffusion服务，可参考：5分钟使用EAS一键部署Stable Diffusion实现文生图能力。

如何在Stable Diffusion WebUI中上传LoRA模型文件，详情设置如下：