跳转至

快速开始

LoraHub 装完、后端在位之后，从零到一次训练只要四条命令。

# 1. 起一份配置
lorahub init my_character

# 2. 编辑 configs/my_character.yaml：填 checkpoint 路径与数据集路径
notepad configs/my_character.yaml

# 3. 干跑校验（不会真训练）
lorahub validate configs/my_character.yaml
lorahub info     configs/my_character.yaml

# 4. 训练
lorahub train    configs/my_character.yaml

一份最小配置

YAML 在 wire 上用 camelCase；validator 兼容旧版的 snake_case，老配置不会失效。

schemaVersion: "1.0"
baseModel:
  arch: sdxl
  checkpoint: ./models/sdxl_base_1.0.safetensors
dataset:
  source: ./datasets/my_character
  resolution: [1024, 1024]
network:
  type: lora
  rank: 32
  alpha: 16
schedule:
  epochs: 10
  batchSize: 1
  gradAccum: 4
precision: bf16
gradientCheckpointing: true
output:
  name: my_character_v1
backend:
  type: kohya

完整带注释的范例见 configs/sdxl_character_8gb.yaml；diffusion-pipe 路径上的 Anima 配置见 configs/anima_style_24gb.yaml 和 configs/anima_character_24gb.yaml。

自动按机器调参

lorahub init --auto 会探测 nvidia-smi 拿到显存大小，扫描数据集目录数图片，从 checkpoint 文件名识别架构，然后写一份 rank / batch / grad_accum 按显存档位调好的配置：

lorahub init my_character --auto `
    --checkpoint C:\models\sdxl_base.safetensors `
    --dataset    .\datasets\my_character

--vram-mib 8192 可手动覆盖显存检测。

lorahub info 显示什么

lorahub info 是 dry-run：把配置编译成将要 launch 的后端 argv（kohya CLI flags 或 diffusion-pipe TOML），打印 entry script，估算显存峰值，不动 GPU。开长跑前过一眼。

启动 Web UI

CLI 训练之外，Web 工作台覆盖了完整的可视化操作（数据集浏览、配置编辑、Job 队列、样本图、Sweep）：

lorahub serve --port 18765

或者用一键脚本：

scripts\run.bat                # 默认 prod：API + 已构建的 SPA
scripts\run.bat dev            # dev：API + Vite 热更新

启动后访问 http://127.0.0.1:18765。Job 详情页通过 SSE 实时推送事件，断线后通过 Last-Event-ID 续传。

下一步