FLUX LoRA Eğitimi

FLUX LoRA, özellikle kendi veri setleriyle AI modellerini ince ayar yapmak isteyenler arasında AI topluluğunda büyük popülerlik kazandı. Bu yaklaşım, mevcut FLUX modellerini benzersiz veri setlerinize kolayca uyarlamanıza olanak tanır, bu da geniş bir yaratıcı girişim yelpazesi için son derece özelleştirilebilir ve verimli hale getirir. ComfyUI'yi zaten biliyorsanız, ComfyUI FLUX LoRA Eğitim iş akışını kullanarak FLUX LoRA modelinizi eğitmek çocuk oyuncağı olacaktır. İş akışı ve ilgili düğümler Kijai tarafından oluşturulmuştur, bu nedenle katkılarından dolayı ona büyük teşekkürler! Daha fazla bilgi için adresine göz atın.

ComfyUI FLUX LoRA Eğitim Kılavuzu

ComfyUI FLUX LoRA Eğitim iş akışı, FLUX LoRA modellerini eğitmek için tasarlanmış güçlü bir süreçtir. ComfyUI ile eğitim, özellikle arayüzüne zaten aşina olan kullanıcılar için birçok avantaj sunar. FLUX LoRA Eğitimi ile çıkarımda kullanılan aynı modelleri kullanabilirsiniz, bu da aynı Python ortamında çalışırken uyumluluk sorunları olmadığından emin olmanızı sağlar. Ayrıca, farklı ayarları karşılaştırmak için iş akışları oluşturabilir, eğitim sürecinizi geliştirebilirsiniz. Bu kılavuz, ComfyUI'de FLUX LoRA Eğitimini kurma ve kullanma adımlarında size rehberlik edecektir.

Şunları ele alacağız:

1. FLUX LoRA Eğitimi için Veri Setinizi Hazırlama
2. FLUX LoRA Eğitim Süreci
3. FLUX LoRA Eğitimini Yürütme
4. FLUX ve FLUX LoRA Modellerini Nasıl ve Nerede Kullanacağınız

1. FLUX LoRA Eğitimi için Veri Setinizi Hazırlama

FLUX LoRA Eğitimi için eğitim verilerinizi hazırlarken, hedef konunuz için yüksek kaliteli görüntülere sahip olmanız önemlidir.

Bu örnekte, belirli bir influencer'ın görüntülerini üretmek için bir FLUX LoRA modeli eğitiyoruz. Bunun için, influencer'ın çeşitli pozlarda ve ortamlarda yüksek kaliteli bir dizi görüntüsüne ihtiyacınız olacak. Bu görüntüleri toplamanın uygun bir yolu, aynı karakteri farklı pozlarda gösteren bir dizi görüntü oluşturmayı kolaylaştıran kullanmaktır. Eğitim veri setimiz için, influencer'ın çeşitli pozlarda ve ortamlarda beş yüksek kaliteli görüntüsünü seçtik, bu da FLUX LoRA Eğitiminin tutarlı ve doğru çıktılar üretmek için gereken ayrıntıları öğrenmesi için yeterince sağlamdır.

Eğitim Verilerini Elde Etme Süreci

Eğitim Verisi Örneği

Ayrıca, özel ihtiyaçlarınıza göre kendi veri setinizi de toplayabilirsiniz——FLUX LoRA Eğitimi esnektir ve çeşitli veri türleriyle çalışır.

2. FLUX LoRA Eğitim Süreci

FLUX LoRA Eğitim iş akışı, modelinizi eğitmek ve doğrulamak için birlikte çalışan birkaç anahtar düğümden oluşur. İşte ana düğümlerin detaylı bir özeti, üç bölüme ayrılmıştır: Veri Seti, Ayarlar ve Başlatma, ve Eğitim.

2.1. FLUX LoRA Eğitimi için Veri Setlerini Ayarlama

Veri Seti bölümü, eğitim verilerinizi yapılandırmanıza ve özelleştirmenize yardımcı olan iki temel düğümden oluşur: TrainDatasetGeneralConfig ve TrainDatasetAdd.

2.1.1. TrainDatasetGeneralConfig

TrainDatasetGeneralConfig düğümü, FLUX LoRA Eğitiminde eğitim veri setiniz için genel ayarları tanımladığınız yerdir. Bu düğüm, veri artırma ve ön işleme ile ilgili çeşitli yönleri kontrol etmenizi sağlar. Örneğin, modelin farklı renk varyasyonları arasında genelleme yeteneğini artırabilecek renk artırma özelliğini etkinleştirme veya devre dışı bırakma seçeneğine sahipsiniz. Benzer şekilde, yatay olarak rastgele görüntüleri çevirerek daha çeşitli eğitim örnekleri sağlayan flip artırma özelliğini etkinleştirebilirsiniz. Ayrıca, her görüntüyle ilişkili altyazıları karıştırma seçeneğiniz de vardır, bu da rastgelelik ekleyerek aşırı uyumayı azaltır. Altyazı düşürme oranı, eğitim sırasında altyazıların rastgele düşürülmesine olanak tanır, bu da modelin eksik veya eksik altyazılara karşı daha dayanıklı olmasına yardımcı olabilir.

2.1.2. TrainDatasetAdd

TrainDatasetAdd düğümü, FLUX LoRA Eğitimine dahil edilecek her bir veri setinin ayrıntılarını belirttiğiniz yerdir.

Giriş dizini: Eğitim Veri Seti Yolu

Bu düğümden en iyi şekilde yararlanmak için eğitim verilerinizi düzgün bir şekilde organize etmek önemlidir. RunComfy’nin dosya tarayıcısını kullanırken, eğitim verilerini /home/user/ComfyUI/input/{file-name} dizinine yerleştirin, burada {file-name} veri setinize anlamlı bir ad verdiğiniz yerdir.

Eğitim verilerinizi uygun dizine yerleştirdikten sonra, TrainDatasetAdd düğümündeki image_dir parametresine bu dizinin yolunu sağlamanız gerekir. Bu düğüme eğitim görüntülerinizin nerede bulunacağını bildirir.

Sınıf Simgesi

Veri setinizin belirli sınıf simgeleri veya tetikleyici kelimeler kullanmasından faydalanıyorsa, bunları class_tokens parametresine girebilirsiniz. Sınıf simgeleri, her altyazıya eklenen ve modelin üretim sürecini yönlendirmeye yardımcı olan özel kelimeler veya ifadelerdir. Örneğin, çeşitli hayvan türlerinden oluşan bir veri setinde eğitim yapıyorsanız, üretilen görüntülerde istenen hayvanı belirtmek için "köpek", "kedi" veya "kuş" gibi sınıf simgelerini kullanabilirsiniz. Daha sonra bu sınıf simgelerini istemlerinizde kullandığınızda, modelin hangi özel yönleri üretmesini istediğinizi kontrol edebilirsiniz.

Çözünürlüğü (genişlik ve yükseklik), batch boyutunu ayarlayın

image_dir ve class_tokens parametrelerine ek olarak, TrainDatasetAdd düğümü veri setinizi ince ayar yapmak için birkaç başka seçenek sunar. Görüntülerin çözünürlüğünü (genişlik ve yükseklik) ayarlayabilir, eğitim için batch boyutunu belirleyebilir ve veri setinin her epoch başına kaç kez tekrarlanması gerektiğini belirleyebilirsiniz.

Birden çok veri seti

FLUX LoRA Eğitiminin güçlü özelliklerinden biri, birden çok veri setini sorunsuz bir şekilde birleştirme yeteneğidir. FLUX LoRA Eğitim iş akışında, sırayla bağlanmış üç TrainDatasetAdd düğümü vardır. Her düğüm, kendi benzersiz ayarlarıyla farklı bir veri setini temsil eder. Bu düğümleri birbirine bağlayarak, çeşitli kaynaklardan gelen görüntüleri ve altyazıları içeren zengin ve çeşitli bir eğitim seti oluşturabilirsiniz.

Bunu göstermek için, kediler, köpekler ve ayılar için üç ayrı veri setine sahip olduğunuz bir senaryoyu göz önünde bulunduralım. Her biri bu veri setlerinden birine adanmış üç TrainDatasetAdd düğümü kurabilirsiniz. İlk düğümde, image_dir parametresinde "kediler" veri setinin yolunu belirtir, class token'ı "kedi" olarak ayarlar ve çözünürlük ve batch boyutu gibi diğer parametreleri ihtiyaçlarınıza göre ayarlarsınız. Benzer şekilde, ikinci ve üçüncü düğümleri sırasıyla "köpekler" ve "ayılar" veri setleri için yapılandırırsınız.

Bu yaklaşım, FLUX LoRA Eğitim sürecinin çeşitli kategoriler arasında genelleme yeteneğini artıracak çeşitli görüntülerden yararlanmasını sağlar.

Örnek

Örneğimizde, modeli eğitmek için yalnızca bir veri seti kullanıyoruz, bu nedenle bir TrainDatasetAdd düğümünü etkinleştirip diğer ikisini atlıyoruz. İşte nasıl ayarlayabileceğiniz:

2.2. Ayarlar ve Başlatma

Ayarlar ve Başlatma bölümü, FLUX LoRA Eğitimi için ana bileşenleri ve parametreleri yapılandırdığınız yerdir. Bu bölüm, eğitim ortamınızı kurmak için birlikte çalışan birkaç temel düğüm içerir.

2.2.1. FluxTrainModelSelect

İlk olarak, FluxTrainModelSelect düğümünüz var, bu düğüm FLUX LoRA Eğitiminde kullanılacak FLUX modellerini seçmekten sorumludur. Bu düğüm, dört kritik modelin yollarını belirtmenize olanak tanır: transformer, VAE (Variational Autoencoder), CLIP_L (Contrastive Language-Image Pre-training) ve T5 (Text-to-Text Transfer Transformer). Bu modeller, FLUX eğitim sürecinin bel kemiğini oluşturur ve tümü RunComfy platformunda kurulmuştur.

2.2.2. OptimizerConfig

OptimizerConfig düğümü, FLUX LoRA Eğitiminde modelin parametrelerinin nasıl güncelleneceğini belirleyen optimizörü kurmak için çok önemlidir. Optimizör türünü (örneğin, AdamW, CAME) seçebilir, patlayan gradyanları önlemek için maksimum gradyan normunu ayarlayabilir ve öğrenme oranı zamanlayıcısını (örneğin, sabit, cosinüs azalması) seçebilirsiniz. Ayrıca, optimizöre özgü parametreleri, örneğin ısınma adımları ve zamanlayıcı gücü gibi ince ayar yapabilir ve daha fazla özelleştirme için ekstra argümanlar sağlayabilirsiniz.

Büyük modelleri ele alma yeteneği ve bellek verimliliği ile bilinen Adafactor optimizörünü tercih ediyorsanız, bunun yerine OptimizerConfigAdafactor düğümünü kullanabilirsiniz.

2.2.3. InitFluxLoRATraining

InitFluxLoRATraining düğümü, tüm önemli bileşenlerin bir araya gelerek FLUX LoRA Eğitim sürecini başlattığı merkezi merkezdir.

Çıkış dizini: FLUX LoRA Yolu

InitFluxLoRATraining düğümünde belirtmeniz gereken önemli şeylerden biri, eğitilmiş modelinizin kaydedileceği çıkış dizinidir. RunComfy platformunda, çıkışınızın yeri olarak /home/user/ComfyUI/output/{file_name} seçebilirsiniz. Eğitim tamamlandıktan sonra, bunu dosya tarayıcısında görüntüleyebilirsiniz.

Ağ boyutları ve öğrenme oranları

Sonraki adımda, ağ boyutlarını ve öğrenme oranlarını ayarlamak isteyeceksiniz. Ağ boyutları, LoRA ağınızın boyutunu ve karmaşıklığını belirlerken, öğrenme oranları modelinizin ne kadar hızlı öğrenip uyum sağlayacağını kontrol eder.

Maksimum eğitim adımları

Dikkate almanız gereken bir diğer önemli parametre max_train_steps'tir. Bu, eğitim sürecinin ne kadar süreceğini, başka bir deyişle, modelinizin tamamen pişene kadar kaç adım atmasını istediğinizi belirler. Bu değeri özel ihtiyaçlarınıza ve veri setinizin boyutuna göre ayarlayabilirsiniz. Modelinizin lezzetli çıktılar üretmek için yeterince öğrenmiş olduğu tatlı noktayı bulmakla ilgilidir!

2.3.4. FluxTrainValidationSettings

Son olarak, FluxTrainValidationSettings düğümü, FLUX LoRA Eğitim sürecinde modelinizin performansını değerlendirmek için doğrulama ayarlarını yapılandırmanıza olanak tanır. Doğrulama adımlarının sayısını, görüntü boyutunu, rehberlik ölçeğini ve tekrar edilebilirlik için tohumu ayarlayabilirsiniz. Ayrıca, zaman adımı örnekleme yöntemini seçebilir ve üretilen görüntülerin kalitesini artırmak için sigmoid ölçek ve kaydırma parametrelerini ayarlayabilirsiniz.

3. Eğitim

FLUX LoRA Eğitiminin Eğitim bölümü, sihrin gerçekleştiği yerdir. Dört bölüme ayrılmıştır: Train_01, Train_02, Train_03 ve Train_04. Bu bölümlerin her biri, FLUX LoRA Eğitim sürecinde modelinizi kademeli olarak ince ayar yapmanızı ve geliştirmenizi sağlayan farklı bir aşamayı temsil eder.

3.1. Train_01

Train_01 ile başlayalım. Bu, ilk eğitim döngüsünün gerçekleştiği yerdir. Bu bölümün yıldızı, belirli bir adım sayısı için eğitim döngüsünü yürüte bölümün yıldızı, belirli bir adım sayısı için eğitim döngüsünü yürüten FluxTrainLoop düğümüdür. Bu örnekte, 250 adım olarak ayarladık, ancak ihtiyaçlarınıza göre bunu ayarlayabilirsiniz. Eğitim döngüsü tamamlandığında, eğitilmiş model düzenli aralıklarla modeli kaydeden FluxTrainSave düğümüne geçirilir. Bu, farklı eğitim aşamalarında modelinizin kontrol noktalarına sahip olmanızı sağlar, bu da ilerlemeyi izlemek ve beklenmeyen kesintilerden kurtulmak için yararlı olabilir.

Ancak eğitim sadece modeli kaydetmekle ilgili değildir. Performansını doğrulamak ve nasıl performans gösterdiğini görmek de gerekir. İşte burada FluxTrainValidate düğümü devreye girer. Bu düğüm, eğitilmiş modeli alır ve doğrulama veri setini kullanarak test eder. Bu veri seti, eğitim verilerinden ayrı olup, modelin görülmemiş örneklere nasıl genelleme yaptığını değerlendirir. FluxTrainValidate düğümü, doğrulama verilerine dayalı olarak örnek görüntüler üretir, bu aşamada modelin çıktısının görsel bir temsilini sağlar.

Eğitim ilerlemesini izlemek için VisualizeLoss düğümü vardır. Bu kullanışlı düğüm, eğitim kaybını zaman içinde görselleştirir, modelin nasıl öğrendiğini ve iyi bir çözüme doğru yakınlaşıp yakınlaşmadığını görmenizi sağlar. İlerlemenizi izleyen ve sizi doğru yolda tutmaya yardımcı olan kişisel bir antrenör gibi.

3.2. Train_02, Train_03, Train_04

Train_02'de, FLUX LoRA Eğitiminde Train_01'den devam ederek, çıktı belirli bir adım sayısı (örneğin, 250 adım) boyunca daha fazla eğitilir. Train_03 ve Train_04 benzer bir model izler, eğitim güncellenmiş bağlantılarla aşamalı olarak devam eder. Her aşama bir FLUX LoRA modeli çıktısı üretir, bu da performansı test etmenize ve karşılaştırmanıza olanak tanır.

Örnek

Örneğimizde, her biri 250 adım süren yalnızca Train_01 ve Train_02'yi kullanmayı seçtik. Train_03 ve Train_04'ü şimdilik atladık. Ancak, ihtiyaçlarınıza ve kaynaklarınıza göre eğitim bölümlerinin ve adımlarının sayısını deneyebilir ve ayarlayabilirsiniz.

4. FLUX ve FLUX LoRA Modellerini Nasıl ve Nerede Kullanılır

FLUX LoRA modeline sahip olduğunuzda, bunu dahil edebilirsiniz. Mevcut LoRA modelini eğitilmiş modelinizle değiştirin, ardından performansını değerlendirmek için sonuçları test edin.

Örnek

Örneğimizde, FLUX LoRA iş akışını kullanarak, FLUX LoRA modelini uygulayarak ve performansını gözlemleyerek daha fazla influencer görüntüsü üretiyoruz.

Lisans

Lisans dosyalarını görüntüleyin:

FLUX.1 [dev] Modeli, Black Forest Labs. Inc. tarafından FLUX.1 [dev] Ticari Olmayan Lisans altında lisanslanmıştır. Telif Hakkı Black Forest Labs. Inc.

BLACK FOREST LABS, INC.'İN HİÇBİR DURUMDA, BU MODELİN KULLANIMINDAN KAYNAKLANAN VEYA BU MODELLE İLGİLİ HERHANGİ BİR SÖZLEŞME, HAKSIZ FİİL VEYA DİĞER DURUMLARDAN DOĞAN HERHANGİ BİR TALEP, ZARAR VEYA DİĞER YÜKÜMLÜLÜKTEN SORUMLU OLMAYACAĞINI UNUTMAYIN.