1. 准备工作：构建高质量训练数据集

为什么重要（1句）：数据集质量直接决定模型输出上限，模糊/低质素材会导致特征提取失败。

  1. 收集 20-50张同风格高清图片（建议分辨率≥1024px）
  2. 标注 每张图片的触发词，格式为："sks [风格名称]"
  3. 清洗 去除噪点和构图不一致的样本
避坑：SDXL对数据集敏感度比SD1.5高30%，2019年前的素材需用AI工具超分处理

2. 参数调优黄金公式

为什么重要（1句）：错误的学习率设置会导致模型无法收敛或过拟合。

  1. 设置 基础学习率：0.0001（人物模型）或0.0002（风格模型）
  2. 调整 正则化强度：unet=0.005，text=0.002
  3. 启用 gradient_checkpointing节省20%显存
实战数据：6G显存可训768px模型（batch_size=1），12G显存可训1024px

攻克SDXL LoRA的3大致命误区

误区："epoch越多效果越好"

真相：测试显示超过20epoch后质量提升仅2%但过拟合风险增加50%

解法：1. 用3epoch+高学习率快速测试 2. 推荐ComfyUI管理器监控loss曲线

误区："需要大量数据训练"

真相：风格化模型30张优质图片效果优于100张普通素材

解法：1. 使用Kohya_ss可视化工具筛选关键帧 2. 配合LIKE.TG图像增强服务

误区："所有层都需要训练"

真相：仅训练UNet中层+text_projection层可提升30%训练效率

解法：1. 修改network_module配置 2. 使用官方优化方案