Guide d’entraînement de modèle
Ce guide explique comment entraîner un LoRA sur tensorart, de la préparation du jeu de données aux tests. Utilisez-le comme une checklist réutilisable, en particulier lorsque les intitulés de l’interface ou les options d’entraînement disponibles changent.
Avant de commencer
Un jeu de données propre et un objectif d’entraînement précis sont plus importants que le fait de chercher à utiliser tous les paramètres disponibles. Préparez ces éléments avant d’ouvrir l’espace de travail d’entraînement.
Décidez si le LoRA doit apprendre un personnage, un style visuel, un objet, une tenue ou une pose. Rédigez une phrase décrivant ce qui doit rester reconnaissable lorsque le LoRA sera utilisé ultérieurement.
Utilisez des images qui montrent le même concept sous des angles et à des distances utiles. Supprimez les quasi-doublons, le texte accidentel, les artefacts importants, les filigranes et les exemples qui enseignent des détails que vous ne souhaitez pas reproduire.
Ajoutez à chaque image une légende qui identifie le sujet et distingue les variations importantes. Préparez deux ou trois prompts de test afin de comparer le résultat entraîné avec le modèle de base.
Vérifiez le modèle de base sélectionné, les dimensions des images, l’importation du jeu de données, le mot déclencheur et le nom de sortie avant de commencer. Notez vos choix afin que la deuxième exécution puisse modifier une seule variable à la fois.
Continuez à explorer
Ces guides connexes couvrent des aspects voisins d’un flux de travail Tensorart, de la construction de prompts au choix d’un format de départ réutilisable.
Tableau de dépannage
Lorsqu'un LoRA Tensorart semble faible, surajusté ou sans rapport avec le concept visé, comparez le symptôme à la cause probable avant de modifier plusieurs paramètres à la fois.
| Erreur courante | Solution pratique | |
|---|---|---|
| Le sujet n'est pas appris | Le jeu de données est peut-être trop varié, les légendes omettent peut-être le concept déclencheur, ou le modèle de base ne correspond peut-être pas au style des images. | Réduisez le jeu d'images, utilisez un seul mot déclencheur clair et testez avec des prompts qui décrivent simplement le sujet. |
| Chaque résultat est presque identique | L'exécution est peut-être surajustée, surtout lorsque le jeu de données est réduit ou que l'entraînement est poussé trop loin. | Réduisez l'intensité de l'entraînement lors de la prochaine exécution et ajoutez des exemples variés mais pertinents avec des cadrages différents. |
| Le style prend le dessus sur le sujet | Les légendes mettent peut-être trop l'accent sur les termes de style, ou les images contiennent peut-être un traitement visuel répétitif prononcé. | Équilibrez les légendes avec des détails sur le sujet et supprimez les images où le style masque les caractéristiques distinctives. |
| Les visages ou les détails sont déformés | Des images sources en basse résolution, recadrées, compressées ou incohérentes peuvent entraîner l'apprentissage de caractéristiques instables. | Utilisez des images sources plus nettes, supprimez les exemples endommagés et veillez à ce que les détails importants restent visibles dans l'ensemble. |
| Le mot déclencheur a peu d'effet | Le déclencheur est peut-être trop courant, annoté de manière incohérente ou en concurrence avec des termes descriptifs dans les prompts. | Choisissez un token distinctif, appliquez-le de manière cohérente et testez le token seul avant d'ajouter des modificateurs. |
| Le résultat ne fonctionne qu'avec un seul prompt | Le jeu de données a peut-être appris une composition fixe au lieu du concept visé. | Ajoutez des variations de pose, de cadrage, d’arrière-plan et de contexte, puis retestez avec une petite matrice de prompts. |
Lire le résultat
Un LoRA utile doit ajouter un concept contrôlable plutôt que remplacer le modèle de base. Comparez votre premier essai avec une seconde passe plus propre et ne modifiez que les variables que vous pouvez expliquer.
La comparaison porte sur la qualité du processus, et non sur un résultat garanti.
Essai non cibléEssai contrôléAppliquer la méthode
Chaque créateur a besoin de vérifications différentes. Utilisez le scénario ci-dessous qui se rapproche le plus de votre situation, puis consultez le guide associé lorsque vous avez besoin d’aide supplémentaire pour formuler vos prompts ou mettre en place des configurations reproductibles.
Vous voulez conserver un personnage reconnaissable dans des portraits, des vues en pied et avec différentes expressions.
Conservez les caractéristiques qui définissent l’identité tout en variant la pose et le cadrage afin que le LoRA ne mémorise pas une seule composition.
Vous entraînez un traitement visuel qui doit influencer de nouveaux sujets sans imposer le contenu de l’image d’origine.
Décrivez clairement le sujet représenté et testez le style avec plusieurs prompts sans rapport afin de vérifier s’il se transfère.
Vous avez besoin d’expériences reproductibles et souhaitez garder en mémoire le jeu de données, le modèle de base et les paramètres ayant produit chaque résultat.
Enregistrez un journal d’essai concis et ne modifiez qu’une variable majeure par itération au lieu de tirer des conclusions à partir de résultats mélangés.
Une fois vos images, vos légendes, votre mot déclencheur et vos prompts de test prêts, avancez méthodiquement dans le processus d’entraînement. Tensorart est particulièrement utile ici comme espace pour comparer des expériences contrôlées, et non comme substitut à l’examen des données que vous soumettez.
FAQ du tutoriel
Ces réponses abordent les questions pratiques qui se posent généralement lors de la planification d’un entraînement LoRA sur Tensorart.
Utilisez des images nettes qui présentent systématiquement le concept que vous souhaitez enseigner, tout en variant des éléments utiles tels que la pose, le cadrage, l’angle ou l’arrière-plan. Supprimez les doublons, les artefacts importants, les filigranes et les images contenant des sujets sans rapport.
Il n’existe pas de nombre d’images universel, car le jeu de données approprié dépend du concept, de la cohérence des images et de la flexibilité souhaitée. Un ensemble plus restreint et ciblé peut convenir à un sujet simple, mais la variété et la qualité des légendes sont généralement plus importantes que l’ajout d’images aléatoires.
Cela indique généralement un surapprentissage ou un jeu de données manquant de variété. Essayez un ensemble d’images plus varié, mais toujours pertinent, réduisez l’intensité de l’entraînement lors de la prochaine exécution et testez le LoRA avec des prompts qui modifient la composition et le contexte.
Un mot déclencheur est un token distinctif utilisé pour appeler le concept appris dans un prompt. Utilisez-le systématiquement dans les légendes et testez-le seul avant d’ajouter des modificateurs descriptifs, afin de vérifier si le concept entraîné réagit comme prévu.
Exécutez un petit ensemble de prompts de test reproductibles et comparez les résultats en fonction de la reconnaissance du concept, de la flexibilité, des artefacts indésirables et du contrôle exercé par le prompt. Un LoRA utilisable doit apporter le sujet ou le style souhaité sans imposer la même pose ou la même composition à chaque génération.