AcademiaSD LoRAlab: девять тренеров LoRA в одном лаунчере

Лаунчер: выбираете тренер, и он открывается в браузере, а модели, проекты и настройки остаются общими.

Что он обучает и сколько нужно видеопамяти

Минимальные требования: GPU NVIDIA с вычислительной способностью 7.5 или выше (RTX 20xx / GTX 16xx и новее), драйвер серии 580 или новее для CUDA 13 и 16 ГБ системной памяти. Для видеоклипов MiniMax-H3 дополнительно нужен ffmpeg в PATH. Карты GTX 10xx не подходят: PyTorch для CUDA 13 начинается с поколения RTX 20xx.

Один интерфейс на каждый тренер

Тренер Qwen-Image 2.1. Все девять тренеров используют одни и те же панели.

Каждый тренер проходит одни и те же пять шагов:

1. Проект и датасет. Назовите проект, добавьте необязательное триггерное слово, укажите папку с датасетом. Каждому изображению нужна подпись в файле .txt с тем же именем; изображения можно перетащить папкой или архивом .zip.
2. Подписи (необязательно). Модель vision-language пишет подпись для каждого изображения, начиная с триггерного слова; промпт можно редактировать, а существующие подписи сохраняются, если вы их не перезапишете.
3. Предварительный кэш. Текстовый энкодер и VAE запускаются один раз с выбранным вами разрешением, а их выходы сохраняются на диск. При повторном запуске изображения, которые не изменились, пропускаются, и после этого 100% GPU уходит на обучение.
4. Обучение. Задайте количество шагов, скорость обучения, ранг и альфу, затем запустите. Настройки можно менять прямо во время выполнения, и они применяются на следующем шаге, а Stop Training сохраняет точный шаг, так что запуск можно возобновить через несколько дней, не потеряв ни шага.
5. Экспорт. Send to Models копирует LoRA в папку models/loras ComfyUI (или Forge / A1111), которую студия запоминает для всех тренеров. Промежуточные чекпойнты также можно скачать из браузера, а экспортированные LoRA несут метаданные в стиле kohya, которые читают Civitai и менеджеры LoRA.

Студия работает и с другой машины в той же сети: у лаунчера есть режим удалённого доступа с именем пользователя и паролем, так что датасет можно загрузить с ноутбука и скачать обученную LoRA обратно, не трогая компьютер для обучения.

Чёткий предпросмотр во время обучения

Некоторые из этих моделей работают достаточно медленно, так что за выборкой приходится следить, а стандартный предпросмотр Latent2RGB в ComfyUI для Qwen-Image 2.1, Krea 2 и FLUX.2 даёт блочный цвет. Рекомендуемая в README пара: KJNodes от kijai плюс крошечные автоэнкодеры AcademiaSD в ComfyUI/models/vae_approx/: TAE-Qwen-Image-2.1, TAE-Krea-2 и TAE_Flux2_AcademiaSD, помещённые в узел Model Preview Override между моделью и сэмплером.

Установка

Один установщик для каждой платформы и один общий venv для всех тренеров (PyTorch 2.14 на CUDA 13.0, Diffusers из GitHub, Transformers, PEFT, bitsandbytes и Flask):

git clone https://github.com/AcademiaSD/AcademiaSD_LoRAlab-TrainerStudio.git

В Windows дважды щёлкните Install_LoRAlab-TrainerStudio.bat; в Linux у каждого .bat есть эквивалент .sh, и лаунчер выбирает нужный. Install_Triton&SageAtten220.bat добавляет Triton и SageAttention 2.2, если они нужны. Обновление выполняется одним Update_LoRAlab-TrainerStudio.bat, который сохраняет модели, датасеты, проекты и настройки. Проект также поставляется с шаблоном RunPod и Docker-образом для облачного обучения.

Тренер MiniMax-H3, один из двух видео-тренеров в студии.

Автор отмечает, что студия находится на ранней стадии: тренеры добавлялись один за другим, поэтому настройки обучения и предпросмотра по умолчанию могут подходить не для каждой модели, а сообщать о том, что не работает, предполагается через issues.

Доступность

AcademiaSD LoRAlab Trainer Studio доступна по адресу github.com/AcademiaSD/AcademiaSD_LoRAlab-TrainerStudio, а на Hugging Face есть предварительно квантованные пакеты для обучения, например AcademiaSD/Qwen-Image-2.1-NF4-for-LoRA-Training.