Guía de entrenamiento de modelos
Este recorrido explica cómo entrenar una LoRA en tensorart, desde la preparación del conjunto de datos hasta las pruebas. Úsalo como una lista de comprobación reutilizable, especialmente cuando cambien las etiquetas de la interfaz o las opciones de entrenamiento disponibles.
Antes de comenzar
Un conjunto de datos limpio y un objetivo de entrenamiento específico son más importantes que probar todas las opciones disponibles. Prepara estos elementos antes de abrir el espacio de trabajo de entrenamiento.
Decide si la LoRA debe aprender un personaje, un estilo visual, un objeto, un atuendo o una pose. Escribe una frase que describa qué debe seguir siendo reconocible cuando uses la LoRA más adelante.
Usa imágenes que muestren el mismo concepto desde ángulos y distancias útiles. Elimina duplicados casi idénticos, texto accidental, artefactos graves, marcas de agua y ejemplos que enseñen detalles que no quieras reproducir.
Añade a cada imagen un subtítulo que identifique el sujeto y distinga las variaciones importantes. Prepara dos o tres prompts de prueba para poder comparar el resultado entrenado con el modelo base.
Comprueba el modelo base seleccionado, las dimensiones de la imagen, la carga del conjunto de datos, la palabra desencadenante y el nombre de salida antes de comenzar. Registra las opciones elegidas para que, en una segunda ejecución, puedas cambiar una variable a la vez.
Sigue explorando
Estas guías relacionadas cubren partes cercanas de un flujo de trabajo de Tensorart, desde la creación de prompts hasta la elección de un formato inicial reutilizable.
Tabla de solución de problemas
Cuando una LoRA de Tensorart se vea poco definida, sobreajustada o ajena al concepto deseado, compara el síntoma con la causa probable antes de cambiar varios ajustes a la vez.
| Error común | Solución práctica | |
|---|---|---|
| El modelo no aprende el sujeto | El conjunto de datos puede ser demasiado variado, las descripciones pueden omitir el concepto activador o el modelo base puede no coincidir con el estilo de las imágenes. | Reduce el conjunto de imágenes, usa una sola palabra activadora clara y haz pruebas con prompts que describan al sujeto de forma sencilla. |
| Todos los resultados se ven casi idénticos | El entrenamiento puede estar sobreajustado, especialmente si el conjunto de datos es pequeño o se prolonga demasiado. | Reduce la intensidad del entrenamiento en la siguiente ejecución y añade ejemplos variados pero pertinentes con distintos encuadres. |
| El estilo eclipsa al sujeto | Las descripciones pueden centrarse demasiado en términos de estilo, o las imágenes pueden compartir un tratamiento visual muy marcado. | Equilibra las descripciones con detalles del sujeto y elimina las imágenes en las que el estilo oculte sus rasgos distintivos. |
| Los rostros o los detalles se ven distorsionados | Las imágenes de origen de baja resolución, recortadas, comprimidas o inconsistentes pueden hacer que el modelo aprenda rasgos inestables. | Usa imágenes de origen más nítidas, elimina los ejemplos dañados y asegúrate de que los detalles importantes sean visibles en todo el conjunto. |
| La palabra activadora tiene poco efecto | La palabra activadora puede ser demasiado común, aparecer de forma inconsistente en las descripciones o competir con términos descriptivos en los prompts. | Elige un token distintivo, úsalo de forma consistente y pruébalo solo antes de añadir modificadores. |
| El resultado solo funciona con un prompt | El conjunto de datos puede haber enseñado una composición fija en lugar del concepto deseado. | Añade variedad de poses, encuadres, fondos y contextos, y luego vuelve a probar con una pequeña matriz de prompts. |
Interpreta el resultado
Una LoRA útil debe añadir un concepto controlable, no reemplazar el modelo base. Compara la primera ejecución con una segunda pasada más depurada y cambia solo las variables que puedas explicar.
La comparación trata sobre la calidad del proceso, no sobre un resultado garantizado.
Ejecución sin enfoqueEjecución controladaAplica el método
Cada creador necesita comprobaciones distintas. Usa el caso que más se parezca al tuyo y consulta la guía enlazada si necesitas más ayuda para ajustar los prompts o crear configuraciones reproducibles.
Quieres que un personaje sea reconocible en retratos, vistas de cuerpo entero y con distintas expresiones.
Mantén constantes los rasgos que definen su identidad y varía la pose y el encuadre para que la LoRA no memorice una sola composición.
Estás entrenando un tratamiento visual que debe influir en sujetos nuevos sin imponer el contenido de las imágenes originales.
Describe claramente el sujeto en las descripciones y prueba el estilo con varios prompts no relacionados para comprobar si se transfiere.
Necesitas experimentos reproducibles y quieres recordar qué conjunto de datos, modelo base y ajustes produjeron cada resultado.
Guarda un registro breve de cada ejecución y cambia una sola variable importante por iteración, en lugar de sacar conclusiones de resultados mezclados.
Cuando tengas listas las imágenes, las descripciones, la palabra activadora y los prompts de prueba, avanza por el proceso de entrenamiento de forma metódica. Tensorart funciona mejor aquí como un espacio para comparar experimentos controlados, no como sustituto de revisar los datos que envías.
Preguntas frecuentes del tutorial
Estas respuestas abordan las preguntas prácticas que suelen surgir al planificar el entrenamiento de una LoRA en Tensorart.
Usa imágenes claras que muestren de forma consistente el concepto que quieres enseñar, con variaciones útiles de pose, encuadre, ángulo o fondo. Elimina duplicados, defectos graves, marcas de agua e imágenes con sujetos no relacionados.
No hay una cantidad universal de imágenes: el conjunto de datos adecuado depende del concepto, la consistencia de las imágenes y la flexibilidad que buscas. Un conjunto pequeño y bien enfocado puede funcionar para un sujeto sencillo, pero la variedad y la calidad de las descripciones suelen importar más que añadir imágenes al azar.
Esto suele indicar sobreajuste o un conjunto de datos con muy poca variedad. Prueba con imágenes más variadas, pero pertinentes; reduce la intensidad del entrenamiento en la siguiente ejecución y prueba la LoRA con instrucciones que cambien la composición y el contexto.
Una palabra de activación es un término distintivo que se usa para invocar el concepto aprendido en una instrucción. Úsala de forma consistente en las descripciones y pruébala por sí sola antes de añadir modificadores descriptivos. Así podrás comprobar si el concepto entrenado responde como esperas.
Ejecuta un pequeño conjunto de instrucciones de prueba repetibles y compara los resultados según el reconocimiento del concepto, la flexibilidad, los defectos no deseados y el control de las instrucciones. Una LoRA utilizable debe aportar el sujeto o estilo deseado sin forzar todas las generaciones a adoptar la misma pose o composición.