Leitfaden zum Modelltraining
Dieser Leitfaden erklärt, wie du LoRA auf tensorart trainierst – von der Vorbereitung des Datensatzes bis zum Testen. Verwende ihn als wiederholbare Checkliste, insbesondere wenn sich Beschriftungen der Benutzeroberfläche oder verfügbare Trainingsoptionen ändern.
Bevor du beginnst
Ein sauberer Datensatz und ein klar eingegrenztes Trainingsziel sind wichtiger, als jede verfügbare Einstellung auszuprobieren. Bereite diese Eingaben vor, bevor du den Trainingsbereich öffnest.
Entscheide, ob die LoRA einen Charakter, visuellen Stil, Gegenstand, ein Outfit oder eine Pose lernen soll. Schreibe einen Satz, der beschreibt, was bei der späteren Verwendung der LoRA erkennbar bleiben soll.
Verwende Bilder, die dasselbe Konzept aus geeigneten Winkeln und Entfernungen zeigen. Entferne nahezu identische Bilder, versehentlichen Text, starke Artefakte, Wasserzeichen und Beispiele, die Details vermitteln, die du nicht reproduzieren möchtest.
Füge jedem Bild eine Bildunterschrift hinzu, die das Motiv identifiziert und wichtige Variationen unterscheidet. Bereite zwei oder drei Test-Prompts vor, damit du das trainierte Ergebnis mit dem Basismodell vergleichen kannst.
Überprüfe das ausgewählte Basismodell, die Bildabmessungen, den Datensatz-Upload, das Trigger-Wort und die Benennung der Ausgabe, bevor du startest. Notiere die Auswahl, damit du bei einem zweiten Durchlauf jeweils nur eine Variable ändern kannst.
Entdecke mehr
Diese verwandten Leitfäden behandeln angrenzende Bereiche des Tensorart-Workflows – von der Erstellung von Prompts bis zur Auswahl eines wiederverwendbaren Ausgangsformats.
Tabelle zur Fehlerbehebung
Wenn eine Tensorart LoRA schwach, übertrainiert oder ohne Bezug zum gewünschten Konzept wirkt, gleiche das Symptom mit der wahrscheinlichen Ursache ab, bevor du mehrere Einstellungen gleichzeitig änderst.
| Häufiger Fehler | Praktische Lösung | |
|---|---|---|
| Das Motiv wurde nicht erlernt | Der Datensatz ist möglicherweise zu uneinheitlich, die Bildbeschreibungen lassen das Trigger-Konzept aus, oder das Basismodell passt nicht zum Bildstil. | Grenze die Bildauswahl ein, verwende ein eindeutiges Trigger-Wort und teste mit Prompts, die das Motiv klar beschreiben. |
| Alle Ergebnisse sehen fast identisch aus | Das Training könnte zu einer Überanpassung geführt haben, insbesondere wenn der Datensatz klein ist oder zu lange trainiert wurde. | Reduziere beim nächsten Durchlauf die Trainingsintensität und ergänze unterschiedliche, aber relevante Beispiele mit verschiedenen Bildausschnitten. |
| Der Stil überlagert das Motiv | Die Bildbeschreibungen betonen möglicherweise Stilbegriffe zu stark, oder die Bilder weisen eine auffällige, sich wiederholende visuelle Gestaltung auf. | Gleiche die Bildbeschreibungen durch Details zum Motiv aus und entferne Bilder, bei denen der Stil die charakteristischen Merkmale verdeckt. |
| Gesichter oder Details wirken verzerrt | Niedrig aufgelöste, beschnittene, komprimierte oder uneinheitliche Quellbilder können dazu führen, dass instabile Merkmale erlernt werden. | Verwende sauberere Quellbilder, entferne beschädigte Beispiele und achte darauf, dass wichtige Details im gesamten Datensatz sichtbar sind. |
| Das Trigger-Wort hat kaum Wirkung | Der Trigger ist möglicherweise zu gebräuchlich, wird in den Bildbeschreibungen uneinheitlich verwendet oder konkurriert in den Prompts mit beschreibenden Begriffen. | Wähle ein unverwechselbares Token, verwende es konsequent und teste es allein, bevor du Modifikatoren hinzufügst. |
| Das Ergebnis funktioniert nur mit einem einzigen Prompt | Der Datensatz hat möglicherweise eine feste Bildkomposition statt des gewünschten Konzepts vermittelt. | Füge Variationen bei Pose, Bildausschnitt, Hintergrund und Kontext hinzu und teste dann mit einer kleinen Prompt-Matrix erneut. |
Ergebnis lesen
Eine nützliche LoRA sollte ein steuerbares Konzept hinzufügen, anstatt das Basismodell zu ersetzen. Vergleiche deinen ersten Durchlauf mit einem saubereren zweiten Durchlauf und ändere nur die Variablen, die du erklären kannst.
Beim Vergleich geht es um die Qualität des Prozesses, nicht um ein garantiertes Ergebnis.
Unkontrollierter DurchlaufKontrollierter DurchlaufMethode anwenden
Verschiedene Creators benötigen unterschiedliche Prüfungen. Wähle unten das passende Szenario aus und folge dann dem verlinkten Leitfaden, wenn du weitere Hilfe beim Erstellen von Prompts oder bei wiederholbaren Setups benötigst.
Du möchtest einen wiedererkennbaren Charakter in Porträts, Ganzkörperansichten und mit unterschiedlichen Gesichtsausdrücken darstellen.
Behalte identitätsstiftende Merkmale konsistent bei, während du Pose und Bildausschnitt variierst, damit die LoRA nicht eine einzige Komposition auswendig lernt.
Du trainierst eine visuelle Gestaltung, die neue Motive beeinflussen soll, ohne den Bildinhalt des Originalbilds zu erzwingen.
Beschreibe das Motiv klar und teste den Stil mit mehreren nicht verwandten Prompts, um zu prüfen, ob er sich übertragen lässt.
Du benötigst wiederholbare Experimente und möchtest festhalten, welcher Datensatz, welches Basismodell und welche Einstellungen zu jedem Ergebnis geführt haben.
Speichere ein kompaktes Protokoll des Durchlaufs und ändere pro Iteration jeweils nur eine wesentliche Variable, anstatt aus gemischten Ergebnissen zu raten.
Sobald deine Bilder, Beschriftungen, dein Triggerwort und deine Test-Prompts bereit sind, durchlaufe den Trainingsprozess bewusst. Tensorart eignet sich hier am besten als Ort zum Vergleichen kontrollierter Experimente, nicht als Ersatz für die Prüfung der von dir eingereichten Daten.
Tutorial-FAQ
Diese Antworten behandeln die praktischen Fragen, die beim Planen eines Tensorart-LoRA-Trainingslaufs üblicherweise aufkommen.
Verwende klare Bilder, die das Konzept, das du vermitteln möchtest, konsistent zeigen, und variiere dabei nützliche Faktoren wie Pose, Bildausschnitt, Winkel oder Hintergrund. Entferne Duplikate, starke Artefakte, Wasserzeichen und Bilder mit nicht verwandten Motiven.
Es gibt keine allgemeingültige Bildanzahl, da das richtige Dataset vom Konzept, der Konsistenz der Bilder und der beabsichtigten Flexibilität abhängt. Ein kleiner, fokussierter Datensatz kann für ein einfaches Motiv ausreichen, aber Variation und Caption-Qualität sind in der Regel wichtiger als das Hinzufügen beliebiger Bilder.
Das deutet meist auf Overfitting oder ein Dataset mit zu wenig Variation hin. Versuche es mit einem abwechslungsreicheren, aber weiterhin relevanten Bilddatensatz, reduziere beim nächsten Durchlauf die Trainingsintensität und teste die LoRA mit Prompts, die Komposition und Kontext verändern.
Ein Trigger-Wort ist ein eindeutiges Token, mit dem das erlernte Konzept in einem Prompt aufgerufen wird. Verwende es konsistent in den Captions und teste es zunächst allein, bevor du beschreibende Zusätze hinzufügst. So kannst du feststellen, ob das trainierte Konzept wie beabsichtigt reagiert.
Führe eine kleine Reihe wiederholbarer Test-Prompts aus und vergleiche die Ergebnisse hinsichtlich Konzepterkennung, Flexibilität, unerwünschter Artefakte und Prompt-Steuerung. Eine brauchbare LoRA sollte das gewünschte Motiv oder den gewünschten Stil beitragen, ohne jede Generierung in dieselbe Pose oder Komposition zu zwingen.