教你用吐司平台训练专属LoRA模型（2025教程）

吐司（TusiArt）平台以其简洁的界面和强大的功能，成为训练LoRA模型的理想选择。本文将为你详细梳理从零开始训练LoRA模型的完整流程。

第一步：进入训练界面

访问以下链接，进入吐司官网登录后，进入“模型”专区，选择“在线训练”或相应入口。

吐司AI，一款免费在线图像生成器和模型托管网站

本文将介绍一款可以免费使用的在线图像生成器和模型托管网站，网站社区有很多创作者，是你AI创作路上的好工具。

# 免费AI# 吐司AI# 国内ai

9个月前

8800

第二步：准备与上传训练数据

1. 数据集准备

• 图像素材：建议提前裁剪为统一尺寸，分辨率最好是64的倍数（如512×512、768×768等），以提升训练效率和兼容性。
• 数量建议：真人模型建议15~30张高质量图；二次元角色建议20~50张多角度图。

2. 上传与打标

• 上传整理好的图片数据集。
• 打标方式选择：
  • Flux模型训练 → 推荐使用自然语言英文打标（如：”a portrait of a smiling girl with long black hair”）。
  • SD 1.0/1.5底模训练 → 推荐使用WD1.4打标模型自动标注。
  • 真人模型 → 优先选择自然语言描述。
  • 二次元模型 → 优先使用WD1.4标签。

小贴士：打标质量直接影响模型效果，尽量确保标签准确、语义丰富。

第三步：关键参数设置详解

1. 训练强度控制

• 单张重复次数（Repeat）：每轮训练中单张图片被学习的次数。
• 训练轮数（Epoch）：整个数据集被完整训练的轮次。
• 经验公式：
  Repeat × Epoch ≥ 100 → 可获得较理想效果
  总训练步数 = Repeat × Epoch × 图片数量

举例：20张图，Repeat=5，Epoch=10 → 总步数 = 5×10×20 = 1000步

2. 学习率设置（以F1底模为例）

• Text Encoder 学习率：2e-6（约0.000002）
• Unet 学习率：5e-4（约0.0005）
• ⚠️新手建议：直接使用系统推荐值，避免因学习率不当导致训练失败。

3. 调度器与优化器

• 学习调度器（Scheduler）：默认选择 cosine_with_restarts 或 linear。
• 优化器（Optimizer）：推荐 AdamW8bit 或 DAdaptation，兼顾速度与稳定。

4. 网格大小与Alpha值（影响模型大小与深度）

• 推荐设置（F1底模）：
  • 小数据集（<30张）→ Rank: 16, Alpha: 8
  • 中大数据集（≥30张）→ Rank: 32, Alpha: 16
• 原则：Alpha ≈ Rank / 2；数值越大 → 模型越“深” → 训练越慢 → 拟合能力越强 → 文件体积越大。

5. 样图设置

• 设置样图尺寸（如512×768）与样图提示词（用于训练过程中预览效果）。
• 示例提示词：masterpiece, best quality, [触发词], solo, looking at viewer

6. 触发词（Trigger Word）

• 必须设置！这是调用你训练模型的关键词。
• 推荐使用批量加标签功能，为所有图片统一添加触发词（如：my_character_v1）。
• 使用时在提示词中加入该词即可激活模型。

7. 高级参数（可选）

• **噪声偏移（Noise Offset）**等参数对F1 LoRA影响较小，保持默认或设为0即可。
• 除非有特殊需求，不建议新手调整。

第四步：开始训练 & 模型筛选

1. 确认所有参数无误后，点击【立即训练】。
2. 训练过程中可查看实时Loss曲线，Loss值稳定下降并趋于平缓说明模型正在良好拟合。
3. 训练完成后，吐司平台会自动保存10个不同轮次的模型快照。
4. 下载并测试这些模型，根据实际出图效果选择最优版本（不一定是最晚轮次的模型）。