Platform For AI：5分鐘使用EAS一鍵部署Kohya SD模型微調應用

前提條件

• 已開通EAS並建立預設工作空間，詳情請參見開通PAI並建立預設工作空間。

• 如果使用RAM使用者來部署模型，需要為RAM使用者授予EAS的系統管理權限，詳情請參見雲產品依賴與授權：EAS。

• 已在同地區下建立OSS儲存空間和目錄，用來存放訓練素材、輸出的模型檔案、日誌等。如何上傳檔案請參見控制台上傳檔案。

準備工作

1. 登入OSS管理主控台，進入某個同地區下的Bucket路徑內。例如：oss://kohya-demo/kohya/。

2. 在當前Bucket路徑下建立專案檔夾。例如：KaraDetroit_loar。同時，在此專案檔夾下建立Image、Log、Model3個檔案夾，如有JSON設定檔也可上傳至此專案檔夾。

   

   • Image：存放訓練素材源檔案。

   • Model：存放訓練完成後的模型檔案。

   • Log：存放日誌。

   • SS_config.json：JSON檔案，用於大量設定參數，非必需。使用時可在JSON配置中修改相關參數，如檔案夾路徑、輸出模型命名等。具體配置詳情可參考GitHub。文本樣本請參考SS_config.json。

3. 將準備好的圖片上傳至Image檔案夾下。本文使用的圖片及描述檔案樣本：100_pic.zip，將下載解壓後的檔案夾上傳到OSS，結果如下圖所示：

   

   重要

   • 圖片僅支援格式：.png，.jpg，.jpeg，.webp，.bmp。

   • 每張圖片必須提供一個同名的描述檔案，格式可為.txt，描述資訊必須放在第一行，如有多個描述資訊，可使用逗號分隔。

   • 圖片檔案夾命名必須符合格式：數字+底線+名稱。例如：100_pic。其中，名稱符合OSS檔案名稱規則的任一字元串，數字表示每張圖片重複訓練次數，一般要求大於等於100。總訓練次數一般要求大於1500。

     • 若檔案夾內包含10張圖片，則每張圖片訓練1500/10=150次，圖片檔案夾名數字部分可為“150”。

     • 若檔案夾內包含20張圖片，則每張圖片訓練1500/20=75（<100）次，圖片檔案夾名數字部分可為“100”。

部署Kohya_ss服務

1. 登入PAI控制台，在頁面上方選擇目標地區，並在右側選擇目標工作空間，然後單擊進入EAS。

2. 單擊部署服務，然後在自訂模型部署地區，單擊自訂部署。

3. 在自訂部署頁面，可通過表單或JSON配置相關參數。

   通過表單配置參數

   參數		描述
   基本資料	服務名稱	自訂服務名稱。本案例使用的樣本值為：kohya_ss_demo。
   環境資訊	部署方式	選擇鏡像部署，並選中開啟Web應用。
   	鏡像配置	在官方鏡像列表中選擇kohya_ss>kohya_ss:2.2。 說明 由於版本迭代迅速，部署時鏡像版本選擇最高版本即可。
   	儲存掛載	選擇OSS類型的掛載方式，並配置以下參數： Uri：選擇同地區下的OSS路徑。本文為oss://kohya-demo/kohya/。 掛載路徑：可自訂。本文為/workspace。 重要 是否唯讀必須將開關關閉。否則模型檔案無法輸出到OSS中。
   	運行命令	選擇鏡像後系統會自動設定運行命令。本文為：python -u kohya_gui.py --listen=0.0.0.0 --server_port=8000 --headless。 --listen：用於將本程式綁定到指定的本機IP地址上，接收外部請求並進行處理。 --server_port：監聽連接埠號碼。
   資源資訊	資源類型	選擇公用資源。
   	部署資源	資源規格推薦使用GPU>ml.gu7i.c16m60.1-gu30（性價比最高）。本文選擇了當前最小規格ml.gu7i.c8m30.1-gu30。

   通過JSON配置參數

   在服務配置中單擊編輯，並設定JSON格式資料。

   JSON參考樣本如下。

   重要

   以下樣本第4行"name"，第18行"oss"等配置請按實際情況修改。

   {
       "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. 檢查表單配置後單擊部署，等待幾分鐘後即可完成模型部署。當服務狀態為運行中時，服務部署成功。

訓練LoRA模型

1. 單擊目標服務概覽頁的Web應用，進入Kohya_ss服務。

2. 選擇LoRA（LoRA）。

   

3. 設定Configuration file。可選，若無SS_config.json可跳過此步驟。

   

   說明

   設定檔路徑為通過表單配置參數中的掛載路徑+OSS中建立的檔案夾路徑+SS_config.json。在本文中為：/workspace/KaraDetroit_loar/SS_config.json。

4. 設定SourceModel。本文使用safetensors，相比較checkpoint來說更具有安全性。

   

5. 設定Folders。填寫前面步驟在OSS中所建立的Image、Log、Model路徑和輸出檔案名。

   

   參數	描述
   Image folder	需要訓練的圖片檔案夾路徑。設定為通過表單配置參數中的掛載路徑拼接OSS中建立的Image路徑。在本文中為：/workspace/KaraDetroit_loar/Image。
   Logging folder	輸出日誌的檔案夾路徑。設定為通過表單配置參數中的掛載路徑拼接OSS中建立的Log路徑。在本文中為：/workspace/KaraDetroit_loar/Log。
   Output folder	輸出模型的檔案夾路徑。設定為通過表單配置參數中的掛載路徑拼接OSS中建立的Model路徑。在本文中為：/workspace/KaraDetroit_loar/Model。
   Model output name	模型輸出名稱。例如：my_model。

6. 設定Parameters（參數）。樣本值見準備工作步驟中的SS_config.json內容。

   參數	描述
   LoRA Type	LoRA類型： LoCON：可以調整SD的每一層。如：Res、Block、Transformer。 LoHA：同樣大小處理更多資訊。
   LoRA network weights	LoRA網路權重，如果要接著訓練則選用最後訓練的LoRA。選填。
   Train batch size	訓練批量大小。該值越大，對顯存的要求越高。
   Epoch	訓練輪數，將所有資料訓練一次為一輪。需要自行計算。一般情況下： Kohya中總訓練次數 = 訓練圖片數量 x 重複次數 x 訓練輪數 / 訓練批量大小。 WebUI中總訓練次數 = 訓練圖片數量 x 重複次數。 使用類別映像時，在Kohya或在WebUI中總訓練次數都會乘2，在Kohya中模型儲存次數會減半。
   Save every N epochs	每N個訓練周期儲存一次。如設為2，則每完成2輪訓練儲存一次訓練結果。
   Caption Extension	打標副檔名，例如：.txt。選填。
   Mixed precision	混合精度。視顯卡效能決定。預設可選no、fp16、bf16。30GB顯存以上的顯卡建議設定為bf16。
   Save precision	儲存精度，同上。
   Number of CPU threads per core	CPU每核線程數。主要為顯存，根據所購執行個體和需求調整。
   Learning rate	學習率。預設0.0001。
   LR Scheduler	學習率調度器。按需選擇cosine或cosine with restart等函數。
   LR Warmup（% of steps）	學習預熱步數。按需調節，預設為10，無需預熱則可選擇0。
   Optimizer	最佳化器。按需選擇，預設AdamW8bit，DAdaptation代表自動操作。
   Max Resolution	最大解析度。根據圖片情況進行設定。
   Network Rank（Dimension）	模型複雜度。一般設定為128即可適應大部分情境。
   Network Alpha	一般設定為比Network Rank（Dimension）小或者相同，常用的便是Network Rank設定為128，Network Alpha設定為64。
   Convolution Rank（Dimension） & Convolution Alpha	卷積度，LoRA對模型的微調涵蓋範圍。需根據不同的LoRA Type進行調整。 Kohya官方建議： LoCon：dim <= 64，alpha = 1（或更低）。 LoHA：dim <= 32，alpha = 1。
   clip skip	使用的CLIP模型的次數，取值範圍是1到12，值越小，產生的映像就越接近原始映像或輸入映像。 寫實模型：選擇1。 二次元：選擇2。
   Sample every n epoch	每N輪樣本。每幾輪儲存一次樣本。
   Sample Prompts	提示詞樣本。需要使用命令，參數如下： --n：提示詞、反向提示詞。 --w：圖片寬度。 --h：圖片高度。 --d：映像種子。 --l：提示詞相關性（cfg）。 --s：迭代步數（steps）。

7. 在頁面下方，單擊Start training開始進行訓練。

8. 在模型線上服務（EAS）頁面的服務列表中單擊對應的服務名稱，進入服務詳情。單擊日誌即可即時查看訓練進度。

   

   當出現model saved即表示訓練完成。

   

9. 訓練完成後，在配置的模型目錄（Model）中擷取訓練得到的LoRA模型檔案。例如：my_model.safetensors。

   

使用訓練的LoRA模型進行Stable Diffusion AIGC繪畫

當您訓練好自己的LoRA模型後，可將其上傳到相應的SD WebUI的目錄中進行掛載使用，從而實現利用自己訓練的LoRA模型產生圖片。如何部署Stable Diffusion服務，可參考：5分鐘使用EAS一鍵部署Stable Diffusion實現文生圖能力。

如何在Stable Diffusion WebUI中上傳LoRA模型檔案，詳情設定如下：