Guia de treinamento de modelos
Este passo a passo explica como treinar uma LoRA no tensorart, da preparação do conjunto de dados aos testes. Use-o como uma lista de verificação reutilizável, especialmente quando os nomes das opções na interface ou as opções de treinamento disponíveis mudarem.
Antes de começar
Um conjunto de dados limpo e um objetivo de treinamento específico são mais importantes do que testar todas as configurações disponíveis. Prepare estes itens antes de abrir o ambiente de treinamento.
Decida se a LoRA deve aprender um personagem, estilo visual, objeto, roupa ou pose. Escreva uma frase descrevendo o que deve continuar reconhecível quando a LoRA for usada depois.
Use imagens que mostrem o mesmo conceito de ângulos e distâncias úteis. Remova imagens quase duplicadas, textos acidentais, artefatos graves, marcas d'água e exemplos que ensinem detalhes que você não deseja reproduzir.
Dê a cada imagem uma legenda que identifique o assunto e diferencie variações importantes. Prepare dois ou três prompts de teste para comparar o resultado treinado com o modelo base.
Confira o modelo base selecionado, as dimensões das imagens, o envio do conjunto de dados, a palavra de ativação e o nome do arquivo de saída antes de começar. Registre as escolhas para que, em uma segunda execução, você possa alterar uma variável por vez.
Continue explorando
Estes guias relacionados abordam outras partes de um fluxo de trabalho no Tensorart, desde a criação de prompts até a escolha de um formato inicial reutilizável.
Tabela de solução de problemas
Quando uma LoRA do Tensorart parece fraca, superajustada ou não relacionada ao conceito pretendido, compare o sintoma com a causa provável antes de alterar várias configurações de uma só vez.
| Erro comum | Solução prática | |
|---|---|---|
| O tema não foi aprendido | O conjunto de dados pode ser muito variado, as legendas podem omitir o conceito do gatilho ou o modelo base pode não corresponder ao estilo das imagens. | Restrinja o conjunto de imagens, use uma palavra de gatilho clara e teste com prompts que descrevam o tema de forma simples. |
| Todas as saídas parecem quase idênticas | A execução pode estar superajustada, especialmente quando o conjunto de dados é pequeno ou o treinamento é levado longe demais. | Reduza a intensidade do treinamento na próxima execução e adicione exemplos variados, mas relevantes, com diferentes enquadramentos. |
| O estilo se sobrepõe ao tema | As legendas podem se concentrar demais em termos de estilo ou as imagens podem conter um tratamento visual forte e repetido. | Equilibre as legendas com detalhes do tema e remova imagens nas quais o estilo esconda as características definidoras. |
| Rostos ou detalhes parecem distorcidos | Imagens de origem de baixa resolução, cortadas, comprimidas ou inconsistentes podem ensinar características instáveis. | Use imagens de origem mais limpas, remova exemplos danificados e mantenha os detalhes importantes visíveis em todo o conjunto. |
| A palavra de gatilho tem pouco efeito | O gatilho pode ser muito comum, estar legendado de forma inconsistente ou competir com termos descritivos nos prompts. | Escolha um token distinto, aplique-o de forma consistente e teste o token sozinho antes de adicionar modificadores. |
| O resultado funciona apenas com um prompt | O conjunto de dados pode ter ensinado uma composição fixa em vez do conceito pretendido. | Adicione variações de pose, enquadramento, plano de fundo e contexto, depois faça novos testes com uma pequena matriz de prompts. |
Leia o resultado
Uma LoRA útil deve adicionar um conceito controlável, em vez de substituir o modelo base. Compare sua primeira execução com uma segunda passagem mais limpa e altere apenas as variáveis que você consegue explicar.
A comparação é sobre a qualidade do processo, não sobre uma saída garantida.
Execução sem focoExecução controladaAplique o método
Diferentes criadores precisam de verificações diferentes. Use o cenário mais próximo abaixo e siga o guia relacionado quando precisar de mais ajuda para criar prompts ou configurações reproduzíveis.
Você quer um personagem reconhecível em retratos, visões de corpo inteiro e diferentes expressões.
Mantenha consistentes os recursos que definem a identidade, variando a pose e o enquadramento para que a LoRA não memorize uma única composição.
Você está treinando um tratamento visual que deve influenciar novos sujeitos sem forçar o conteúdo da imagem original.
Descreva claramente o tema e teste o estilo com vários prompts não relacionados para verificar se ele é transferido.
Você precisa de experimentos reproduzíveis e quer registrar qual conjunto de dados, modelo base e configurações produziram cada resultado.
Salve um registro compacto de cada execução e altere uma variável importante por iteração, em vez de tentar adivinhar com base em resultados misturados.
Quando suas imagens, legendas, palavra de ativação e prompts de teste estiverem prontos, avance pelo processo de treinamento de forma deliberada. O Tensorart funciona melhor aqui como um lugar para comparar experimentos controlados, não como substituto da revisão dos dados enviados.
Perguntas frequentes do tutorial
Estas respostas abordam as dúvidas práticas que costumam surgir ao planejar o treinamento de uma LoRA no Tensorart.
Use imagens nítidas que mostrem de forma consistente o conceito que você quer ensinar, variando fatores úteis como pose, enquadramento, ângulo ou fundo. Remova duplicatas, imagens com artefatos graves ou marcas-d'água e imagens que contenham elementos não relacionados.
Não existe um número universal de imagens, porque o conjunto de dados ideal depende do conceito, da consistência das imagens e da flexibilidade desejada. Um conjunto menor e focado pode funcionar para um tema simples, mas a variedade e a qualidade das legendas geralmente importam mais do que adicionar imagens aleatórias.
Isso geralmente indica sobreajuste ou um conjunto de dados com pouca variedade. Experimente um conjunto de imagens mais variado, mas ainda relevante, reduza a intensidade do treinamento na próxima execução e teste a LoRA com prompts que mudem a composição e o contexto.
Uma palavra de ativação é um termo distintivo usado para evocar o conceito aprendido em um prompt. Use-a de forma consistente nas legendas e teste-a sozinha antes de adicionar modificadores descritivos. Assim, você poderá verificar se o conceito treinado responde como esperado.
Execute um pequeno conjunto de prompts de teste reproduzíveis e compare os resultados quanto ao reconhecimento do conceito, à flexibilidade, aos artefatos indesejados e ao controle pelo prompt. Uma LoRA pronta para uso deve acrescentar o tema ou estilo desejado sem forçar todas as gerações a ter a mesma pose ou composição.