ComfyUI LoRA Training 是一份用于指导角色 LoRA 训练的技能文档，目标是通过数据集准备、训练配置和评估，让模型稳定复现某个角色形象。
一、用途与适用判断 文档首先给出「训练 LoRA 还是零样本」的决策表：需要在大量图像中保持绝对一致性、或构建角色系列与长期项目时，建议训练 LoRA；快速一次性生成、参考图仅 1-5 张、或仅测试概念时，建议使用零样本方案（InstantID/PuLID），确认要长期投入后再训练。
二、训练流程 整体分为五步：数据集准备、配置训练、训练、评估、集成。
- 数据集准备：收集或生成 15-30 张参考图，进行裁剪、缩放、风格多样化等预处理，并用触发词加描述进行标注。
- 配置训练：选择训练工具（Kohya/AI-Toolkit/FluxGym），按模型类型设置超参数，配置检查点保存。
- 训练：监控损失曲线，每 250-500 步保存一次检查点。
- 评估：用相同提示词测试各检查点，检查身份准确度、灵活性与过拟合，选出最佳检查点。
- 集成：复制到 ComfyUI 的 models/loras/ 目录，更新角色档案中的触发词与强度，并在完整工作流中测试。
三、数据集准备 图像要求方面，数量最少 10-15 张、最佳 20-30 张、最多 50 张以上；分辨率最低 512x512、最佳 1024x1024；格式建议 PNG 或高质量 JPEG，最佳为 PNG。内容多样性清单包括：多角度（正面、3/4、侧面、背面）、多种表情、不同光照、不同背景、多套服装与场景、近景与中景混合。 针对 3D 渲染素材，文档指出直接训练会把「3D 质感」烘焙进去，建议先用 img2img 生成风格变体，按 60% 风格变体加 40% 原始渲染混合，让模型学习身份而非风格；并给出写实、油画、数字插画、铅笔素描、水彩等风格提示词示例。 标注规则要求触发词始终作为第一个词，且必须是唯一 token（如 sage_character、ohwx_sage、sks_person），避免使用 woman、redhead 等泛化词。标注结构为：触发词、主体类型、服装、姿势、场景、光照、风格。不要描述面部特征（让模型自行学习），但要描述服装、姿势、背景、光照、表情等其他内容。 文件夹结构为 dataset/{character_name}/{repeats}_{trigger_word}/，图片与同名 txt 配对；文件夹名中的数字表示每张图在每个 epoch 重复的次数。
四、训练配置 FLUX LoRA（AI-Toolkit，推荐）：网络类型 lora，linear 16（角色建议 16-32），linear_alpha 16；batch_size 1，梯度累积 4，步数 1500，学习率 4e-4，优化器 adamw8bit，dtype bf16；分辨率 1024；每 250 步采样。文档说明 FLUX 收敛比 SDXL 快 2-3 倍，1000-2000 步通常足够，需注意过拟合；标准需 24GB 显存，SimpleTuner 使用 NF4 量化可降至 9GB。 SDXL LoRA（Kohya_ss）：预训练模型 RealVisXL_V5.0.safetensors，network_dim 32（16-64），network_alpha 16（通常为 dim 的一半），分辨率 1024x1024，batch_size 1，梯度累积 4，学习率 0.0001，调度器 cosine_with_restarts 且 3 个周期，最多 10 个 epoch，优化器 AdamW8bit，混合精度 bf16，启用 bucket，min_snr_gamma 5。步数计算公式为（图像数 × 重复数 × epoch 数）/ batch_size，SDXL 目标 1500-3000 步。 低显存训练（FluxGym/SimpleTuner，12-16GB）：use_8bit_adam、gradient_checkpointing、cache_latents_to_disk 均开启，max_data_loader_n_workers 0，batch_size 1，梯度累积 8，SimpleTuner 可设 quantize_base_model 为 nf4。
五、评估协议 用相同提示词测试每个检查点，包括中性表情、微笑户外、正式西装办公室，以及一个不含触发词的对照提示（不应生成该角色）。良好训练的标志：仅凭触发词即可识别角色、能响应不同提示与场景、不会总是同一姿势表情、对照提示不产生角色。过拟合迹象：无论提示如何都是同一姿势表情、训练背景出现在输出中、忽略服装与场景提示、对照提示也生成角色。文档给出检查点经验：250 步通常欠拟合，500-750 步常是 FLUX 的最佳区间，1000-1500 步可能过拟合，应结合身份与提示灵活性目视比较选择。
六、训练后集成与组合使用 将最佳检查点复制到 {ComfyUI}/models/loras/，更新角色档案（trained、model_file、trigger_word、best_strength 如 0.8），在完整工作流中测试 LoRA（0.7-0.9）加 PuLID/IP-Adapter（0.5-0.7），并记录成功设置。组合使用时建议以 LoRA 作为身份基础、零样本方法做增强，两者权重都调低以避免冲突。
七、故障排查 文档列出常见问题与对策：LoRA 未激活检查触发词拼写并确保在 KSampler 前加载；角度身份漂移增加角度多样性并降低 network_dim；过拟合减少 epoch、增加数据、降低 network_dim；风格污染提升标注多样性且不在标注中描述风格；质量差或有伪影检查训练图压缩并降低学习率。
八、参考 文档提及 references/lora-training.md 提供完整参数参考，references/models.md 提供训练工具下载链接，projects/ 中的角色档案保存触发词与参考图。