kohya_ss

Kohya 的 GUI

该存储库主要为 Kohya 的稳定扩散训练器提供 Gradio GUI。不过，对 Linux 操作系统的支持也是通过社区贡献提供的。目前 macOS 支持并不是最佳的，但如果条件有利的话可能会起作用。

GUI 允许您设置训练参数并生成和运行所需的 CLI 命令来训练模型。

目录

• Kohya 的 GUI

• 页面文件限制

• 没有名为 tkinter 的模块

• TESLA V100 上的 LORA 训练 - GPU 利用率问题

• 问题摘要

• 潜在的解决方案

• 在 Windows 上启动 GUI

• 在 Linux 和 macOS 上启动 GUI

• Windows升级

• Linux 和 macOS 升级

• 视窗

• Linux 和 macOS

• 运行波德

• 码头工人

• Windows 先决条件

• 设置窗口

• 可选：CUDNN 8.9.6.50

• Linux 先决条件

• 设置Linux

• 安装位置

• 手动安装

• 预构建的 Runpod 模板

• 视窗

• Linux、操作系统

• 让您的 Docker 为 GPU 支持做好准备

• Dockerfile 的设计

• 使用预先构建的 Docker 镜像

• 本地 docker 构建

• ashleykleynhans runpod docker 构建

• 目录

• ？科拉布

• 安装

• 升级中

• 启动图形用户界面服务

• 自定义路径默认值

• 洛拉

• 训练期间生成样本图像

• 故障排除

• SDXL 培训

• 掩蔽损失

• 变更历史记录

科拉布

这个 Colab 笔记本不是由我创建或维护的；然而，它似乎发挥了有效作用。来源可以在：https://github.com/camenduru/kohya_ss-colab 找到。

我谨对 Camendutu 的宝贵贡献表示感谢。如果您在使用 Colab 笔记本时遇到任何问题，请在其存储库中报告。

科拉布	信息
	kohya_ss_gui_colab

安装

视窗

Windows 先决条件

要在 Windows 系统上安装必要的依赖项，请按照下列步骤操作：

1. 安装Python 3.10.11。

• 在安装过程中，确保选择将 Python 添加到“PATH”环境变量的选项。

2. 安装 CUDA 11.8 工具包。

3. 安装 Git。

4. 安装 Visual Studio 2015、2017、2019 和 2022 可再发行组件。

设置窗口

要设置项目，请按照下列步骤操作：

1. 打开终端并导航到所需的安装目录。

2. 通过运行以下命令克隆存储库：

    git clone --recursive https://github.com/bmaltais/kohya_ss.git

3. 切换到kohya_ss目录：

    cd kohya_ss

4. 通过执行以下命令来运行以下安装脚本之一：

   对于仅安装了 python 3.10.11 的系统：

    .setup.bat

   对于仅安装了多个 python 版本的系统：

    .setup-3.10.bat

   在加速配置步骤中，请使用配置期间建议的默认值，除非您知道您的硬件需求。 GPU 上的 VRAM 量不会影响所使用的值。

可选：CUDNN 8.9.6.50

以下步骤是可选的，但可以提高 NVIDIA 30X0/40X0 GPU 用户的学习速度。这些步骤可以实现更大的训练批量大小和更快的训练速度。

1. 运行.setup.bat并选择2. (Optional) Install cudnn files (if you want to use the latest supported cudnn version) 。

Linux 和 macOS

Linux 先决条件

要在 Linux 系统上安装必要的依赖项，请确保满足以下要求：

• 确保预安装venv支持。您可以使用以下命令在 Ubuntu 22.04 上安装它：

   apt安装python3.10-venv

• 按照此链接中提供的说明安装 CUDA 11.8 工具包。

• 确保您的系统上安装了 Python 版本 3.10.9 或更高版本（但低于 3.11.0）。

设置Linux

要在 Linux 或 macOS 上设置项目，请执行以下步骤：

1. 打开终端并导航到所需的安装目录。

2. 通过运行以下命令克隆存储库：

    git clone --recursive https://github.com/bmaltais/kohya_ss.git

3. 切换到kohya_ss目录：

    cd kohya_ss

4. 如果遇到权限问题，请通过运行以下命令使setup.sh脚本可执行：

    chmod +x ./setup.sh

5. 通过执行以下命令来运行安装脚本：

    ./setup.sh

   注意：如果您需要有关 runpod 环境的其他选项或信息，可以使用setup.sh -h或setup.sh --help显示帮助消息。

安装位置

Linux 上的默认安装位置是脚本所在的目录。如果在该位置检测到以前的安装，安装程序将在那里继续。否则，安装将回退到/opt/kohya_ss 。如果/opt不可写，则后备位置将为$HOME/kohya_ss 。最后，如果前面的选项均不可行，则安装将在当前目录中执行。

对于 macOS 和其他非 Linux 系统，安装过程将尝试根据脚本的运行位置来检测以前的安装目录。如果未找到以前的安装，则默认位置将为$HOME/kohya_ss 。您可以通过在运行安装脚本时使用-d或--dir选项指定自定义安装目录来覆盖此行为。

如果您选择使用交互模式，则加速配置屏幕的默认值将为“本机”、“无”和其余问题的“否”。这些默认答案与 Windows 安装相同。

运行波德

手动安装

要安装 Runpod 所需的组件并运行 kohya_ss，请按照以下步骤操作：

1. 选择 Runpod pytorch 2.0.1 模板。这很重要。其他模板可能不起作用。

2. 通过 SSH 登录到 Runpod。

3. 通过运行以下命令克隆存储库：

    cd /工作区
   git clone --recursive https://github.com/bmaltais/kohya_ss.git

4. 运行安装脚本：

    cd kohya_ss
   ./setup-runpod.sh

5. 使用以下命令运行 GUI：

    ./gui.sh --share --headless

   或者如果您直接通过 runpod 配置公开 7860：

    ./gui.sh --listen=0.0.0.0 --无头

6. 连接到安装过程完成后显示的公共 URL。

预构建的 Runpod 模板

要从预构建的 Runpod 模板运行，您可以：

1. 单击 https://runpod.io/gsc?template=ya6013lj5a&ref=w18gds2n 打开 Runpod 模板。

2. 将模板部署到所需的主机上。

3. 部署后，通过 HTTP 3010 连接到 Runpod 以访问 kohya_ss GUI。您还可以通过 HTTP 3000 连接到 auto1111。

码头工人

让您的 Docker 为 GPU 支持做好准备

视窗

安装完Docker Desktop 、 CUDA Toolkit 、 NVIDIA Windows Driver并确保 Docker 与WSL2一起运行后，您就可以开始使用了。

这是官方文档，供进一步参考。
https://docs.nvidia.com/cuda/wsl-user-guide/index.html#nvidia-compute-software-support-on-wsl-2 https://docs.docker.com/desktop/wsl/use -wsl/#gpu-支持

Linux、操作系统

如果您尚未安装 NVIDIA GPU 驱动程序，请安装该驱动程序。
https://docs.nvidia.com/datacenter/tesla/tesla-installation-notes/index.html

使用本指南安装 NVIDIA Container Toolkit。
https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/latest/install-guide.html

Dockerfile 的设计

• 要求所有训练数据都存储在dataset子目录中，该子目录安装在/dataset容器中。

• 请注意，文件选择器功能不可用。相反，您需要手动输入文件夹路径和配置文件路径。

• TensorBoard 已从该项目中分离出来。

• TensorBoard 不包含在 Docker 镜像中。

• “启动 TensorBoard”按钮已被隐藏。

• TensorBoard 是从一个不同的容器启动的，如下所示。

• 浏览器不会自动启动。您需要手动打开浏览器并导航到 http://localhost:7860/ 和 http://localhost:6006/

• 该 Dockerfile 被设计为易于一次性使用。您可以随时丢弃容器并使用新的代码版本重新启动它。

使用预先构建的 Docker 镜像

git clone --recursive https://github.com/bmaltais/kohya_ss.gitcd kohya_ss
docker 组成-d

要更新系统，请执行docker compose down && docker compose up -d --pull always

本地 docker 构建

重要的

递归克隆 Git 存储库以包含子模块：
git clone --recursive https://github.com/bmaltais/kohya_ss.git

 git clone --recursive https://github.com/bmaltais/kohya_ss.gitcd kohya_ss
docker compose up -d --build

笔记

构建映像最多可能需要 20 分钟才能完成。

要更新系统，请签出新的代码版本并使用docker compose down && docker compose up -d --build --pull always进行重建

如果您在 Linux 上运行，这里提供了限制较少的替代 Docker 容器端口。

ashleykleynhans runpod docker 构建

在 runpod 上运行时，您可能需要使用以下存储库：

• 独立 Kohya_ss 模板：https://github.com/ashleykleynhans/kohya-docker

• Auto1111 + Kohya_ss GUI 模板：https://github.com/ashleykleynhans/stable-diffusion-docker

升级中

要将您的安装升级到新版本，请按照以下说明操作。

Windows升级

如果有新版本可用，您可以通过从项目的根目录运行以下命令来升级存储库：

1. 从存储库中提取最新更改：

    git拉

2. 运行安装脚本：

    .setup.bat

Linux 和 macOS 升级

要升级 Linux 或 macOS 上的安装，请按照以下步骤操作：

1. 打开终端并导航到项目的根目录。

2. 从存储库中提取最新更改：

    git拉

3. 刷新并更新所有内容：

    ./setup.sh

启动图形用户界面服务

要启动 GUI 服务，您可以使用提供的脚本或直接运行kohya_gui.py脚本。使用下面列出的命令行参数来配置底层服务。

--listen: Specify the IP address to listen on for connections to Gradio.
--username: Set a username for authentication.
--password: Set a password for authentication.
--server_port: Define the port to run the server listener on.
--inbrowser: Open the Gradio UI in a web browser.
--share: Share the Gradio UI.
--language: Set custom language

在 Windows 上启动 GUI

在 Windows 上，您可以使用位于根目录中的gui.ps1或gui.bat脚本。选择适合您偏好的脚本并在终端中运行它，并提供所需的命令行参数。这是一个例子：

 gui.ps1 --listen 127.0.0.1 --server_port 7860 --inbrowser --share

或者

gui.bat --listen 127.0.0.1 --server_port 7860 --inbrowser --share

在 Linux 和 macOS 上启动 GUI

要在 Linux 或 macOS 上启动 GUI，请运行根目录中的gui.sh脚本。提供所需的命令行参数，如下所示：

 gui.sh --listen 127.0.0.1 --server_port 7860 --inbrowser --share

自定义路径默认值

存储库现在提供了一个名为config.toml的默认配置文件。该文件是一个模板，您可以根据需要进行自定义。

要使用默认配置文件，请按照下列步骤操作：

1. 将config example.toml文件从存储库的根目录复制到config.toml 。

2. 在文本编辑器中打开config.toml文件。

3. 根据您的要求修改路径和设置。

这种方法允许您轻松调整配置以满足您的特定需求，为 GUI 中支持的每种类型的文件夹/文件输入打开所需的默认文件夹。

运行 GUI 时，您可以指定 config.toml 的路径（或您喜欢的任何其他名称）。例如：./gui.bat --config c:my_config.toml

洛拉

要训​​练 LoRA，您当前可以使用train_network.py代码。您可以使用一体化 GUI 创建 LoRA 网络。

创建 LoRA 网络后，您可以通过安装此扩展使用 auto1111 生成图像。

训练期间生成样本图像

提示文件可能如下所示，例如：

 # 提示 1masterpiece，最佳质量，（1girl），穿着白衬衫，上半身，看着观众，简单背景 --n 低质量，最差质量，不良解剖结构，不良构图，差，低努力 --w 768 --h 768 --d 1 --l 7.5 --s 28#提示2杰作，最佳质量，1男孩，穿着西装，站在街上，回头看--n（低质量，最差质量），糟糕的解剖结构，糟糕构图，差，低努力 --w 576 --h 832 --d 2 --l 5.5 --s 40

以#开头的行是注释。您可以在提示后使用--n等选项为生成的图像指定选项。可以使用以下选项：

• --n ：否定提示直到下一个选项。

• --w ：指定生成图像的宽度。

• --h ：指定生成图像的高度。

• --d ：指定生成图像的种子。

• --l ：指定生成图像的CFG比例。

• --s ：指定生成的步骤数。

( )和[ ]等提示权重正在起作用。

故障排除

如果您遇到任何问题，请参阅以下故障排除步骤。

页面文件限制

如果遇到与页面文件相关的 X 错误，则可能需要增加 Windows 中的页面文件大小限制。

没有名为 tkinter 的模块

如果您遇到指示未找到模块tkinter错误，请尝试在系统上重新安装 Python 3.10。

TESLA V100 上的 LORA 训练 - GPU 利用率问题

问题摘要

在 TESLA V100 上训练 LORA 时，用户报告 GPU 利用率较低。此外，除了默认的训练 GPU 之外，指定 GPU 也很困难。

潜在的解决方案

• GPU 选择：用户可以在设置配置中指定 GPU ID，以选择所需的 GPU 进行训练。

• 提高 GPU 负载：利用adamW8bit优化器并增加批处理大小可以帮助实现 70-80% 的 GPU 利用率，而不会超出 GPU 内存限制。

SDXL 培训

本节中的文档稍后将移至单独的文档中。

掩蔽损失

每个训练脚本都支持屏蔽损失。要启用屏蔽损失，请指定--masked_loss选项。

该功能尚未经过全面测试，因此可能存在错误。如果您发现任何问题，请打开问题。

ControlNet 数据集用于指定掩码。遮罩图像应该是 RGB 图像。 R通道中的像素值255被视为掩模（仅对具有掩模的像素计算损失），0被视为非掩模。将像素值0-255转换为0-1（即像素值128被视为损失的一半权重）。请参阅 LLLite 文档中数据集规范的详细信息。

变更历史记录

查看发布信息。