OneTrainer

ontrainer

OnEtrainer是满足所有稳定扩散训练需求的一站式解决方案。

特征

• 支持的模型：Flux.1，稳定的扩散1.5、2.0、2.1、3.0、3.5，SDXL，Würstchen-V2，稳定的级联，Pixart-Alpha，Pixart-Sigma和Inpainting模型
• 模型格式：扩散器和CKPT模型
• 培训方法：完整的微调，Lora，嵌入
• 掩盖培训：让培训仅关注样本的某些部分。
• 自动备份：在培训期间定期备份培训进度。这包括所有信息，以无缝继续培训。
• 图像增强：将随机变换（例如旋转，亮度，对比度或饱和度）应用于每个图像样本，以快速创建一个更多样化的数据集。
• 张板：一个简单的张板集成，以跟踪训练进度。
• 每个图像的多个提示：每个图像样本上的多个不同提示上的模型训练模型。
• 噪声调度程序重新缩放：从纸张中，从纸张中，常见的扩散噪声时间表和样本步骤存在缺陷
• EMA ：培训您自己的EMA模型。可选地将EMA重量保持在CPU内存中，以减少VRAM使用情况。
• 纵横比水平：一次自动训练多个长宽比。只需选择目标分辨率，即自动创建存储桶。
• 多分辨率培训：同时培训多个决议。
• 数据集工具：使用BLIP，BLIP2和WD-1.4自动为数据集字幕，或使用Clipseg或REMBG创建用于掩盖训练的蒙版。
• 模型工具：从简单的UI转换不同的模型格式。
• 采样UI ：在训练过程中对模型进行采样，而无需切换到其他应用程序。
• AlignProp ：一种从纸上对齐文本到图像扩散模型的增强学习方法，并带有奖励反向传播

安装

安装OnTrainer需要Python> = 3.10和<3.13。您可以在此处下载python https://www.python.org/downloads/windows/。然后按照以下步骤：

自动安装

• 克隆存储库git clone https://github.com/Nerogar/OneTrainer.git
• 跑步：
  • Windows： install.bat
  • 基于UNIX的系统： install.sh

手动安装

• 克隆存储库git clone https://github.com/Nerogar/OneTrainer.git
• 导航到克隆目录cd OneTrainer
• 建立虚拟环境python -m venv venv
• 激活新的VENV：
  • Windows： venvscriptsactivate
  • 基于UNIX的系统： source venv/bin/activate
• 安装需求pip install -r requirements.txt

在某些Linux发行版中，您可能需要安装libgl，例如在Ubuntu上，您需要运行：

 sudo apt-get update
sudo apt-get install libgl1

更新

自动更新

• 运行update.bat或update.sh

手动更新

• 拉更换git pull
• 激活VENV venvscriptsactivate
• 重新安装所有要求pip install -r requirements.txt --force-reinstall

用法

要启动UI，请运行start-ui.bat 。您可以在此处找到快速启动指南，并在此处找到有关不同主题的更详细概述。

如果您需要更多的控件，则ONETRAINER支持两种操作模式。仅命令行和一个UI。所有命令都需要在安装过程中创建的活动VENV内运行。

所有功能都分为scripts目录中的不同滚动。目前包括：

• train.py中央培训脚本
• train_ui.py a UI用于培训
• caption_ui.py a UI用于手册或自动字幕和掩盖训练的掩蔽创建
• convert_model_ui.py a UI用于模型转换
• convert_model.py一个实用程序可在不同的模型格式之间转换
• sample.py
• create_train_files.py仅在CLI训练时创建所需文件的实用程序
• generate_captions.py一个实用程序可以自动为数据集创建字幕
• generate_masks.py一个实用程序可以自动为数据集创建掩码
• calculate_loss.py一个实用程序来计算数据集中每个图像的训练损失

要了解有关不同参数的更多信息，请执行<script-name> -h 。例如python scriptstrain.py -h

如果您在Mac或Linux上，请阅读启动脚本文档，以获取有关如何在系统上运行的Entrainer及其各种脚本的详细信息。

贡献

始终以任何形式欢迎捐款。您可以打开问题，参与讨论，甚至可以打开拉力请求，以寻求新功能或改进的功能。您可以在此处找到更多信息。

在开始查看代码之前，我建议您在此处阅读有关项目结构的信息。对于深入讨论，您应该考虑加入Discord服务器。

您还需要为当前用户安装所需的开发人员依赖项，并通过以下命令（在所有平台上工作； Windows，Linux和Mac）启用Git Commit Hooks：

pip install -r requirements-dev.txt
pre-commit install

（请务必在不激活您的VENV或CONDA环境的情况下运行这些命令，因为应该在任何环境之外安装预警。）

现在，您的所有提交都将自动验证常见错误和代码样式问题，以便代码审阅者可以专注于更改的架构，而不会浪费时间在样式/格式化问题上，从而大大提高了您的拉力请求将毫不费力地接受的机会。

相关项目

• MGD ：Pytorch的自定义数据集实现，该实现围绕基于节点的图的想法而构建。
• StableTuner ：稳定扩散的另一项培训申请。 OnEtrainer从StableTuner那里汲取了很多灵感，没有它就不存在。
• 混乱的视觉：机器学习工具的集合，还包括OnEtrainer。