LoRA 模型教程：训练与使用个性化 AI 绘画风格

为什么你需要 LoRA 教程

在用 AI 绘图时，你是不是也遇到这样的困境：画同一个角色，每张脸都不一样；想要某种产品风格，却总被模型带偏；为了生成一张符合公司 VI 的配图，反复抽卡几十次。根源在于预训练模型理解的只是抽象概念，无法记住你具体的视觉偏好。

LoRA（Low-Rank Adaptation）就像给 AI 装上一个「小插件」，只用少量图片，就能让模型学会你的专属风格或特定对象。这份 LoRA 教程会带你以办公和学习为场景，快速掌握训练与使用方法。

核心内容要点

1. 理解 LoRA 的运作原理

LoRA 不重训整个大模型，而是冻结原有权重，在旁路插入一组低秩矩阵。训练时只调整这部分参数，所以模型体积小、训练快。通俗讲，它像给模型写了一份「提示词字典」，让 AI 见到特定触发词就想起你给它看的图片风格。

2. 准备高质量训练集

LoRA 好不好用，数据占七成。建议准备 15~30 张图片，分辨率统一（如 512×512），主体清晰、背景干净。如果你要训练「办公室插画风」，就收集 20 张公司会议、电脑截图、办公桌等场景图；如果训练某个人物，则各角度各表情都要有。用剪裁工具把多余背景去掉，能显著提升训练效果。

3. 设置训练参数

用 sd-scripts 或 WebUI 自带训练脚本时，注意这几个参数：学习率建议 1e-4 左右，网络维度 32 到 64 之间，训练步数按 100 步/张。通俗讲，学习率太大容易学偏，太小则学不到细节。每 500 步保存一次 checkpoint，方便后续比对。

使用方法：从训练到调用

跟着这份 LoRA 教程，你其实只需四步：第一步，下载基础模型并解压；第二步，把训练集放到指定目录，并给图片打上 KPT 或 booru 风格标签；第三步，运行训练脚本，等待几十分钟到几小时；第四步，把生成的 .safetensors 文件放入 WebUI 的 models/Lora 目录，刷新并输入触发词（比如 preset:office style）。

在办公场景，你可以用训练好的 LoRA 快速产出统一风格的 PPT 封面、课件插图，甚至用同一画风批量生成记录卡片。学习场景中，教师可以训练手绘风、板报风，让后排学生更容易集中注意力。

注意事项

• 数据集多样性：尽量平衡主体大小、背景、光线，避免让模型只会复制单一张图的构图。
• 过拟合：训练轮数过高会让 LoRA 只会复制素材，失去泛化能力。建议训练 40~60 轮，并经常抽查。
• 触发词：给 LoRA 设置一个几乎不冲突的独特触发词，比如 company_x，并写在标签里，生成时才能稳定触发。
• 版权与隐私：不要拿他人作品、未授权照片或公司机密图训练 LoRA，尤其是商用前务必确认授权。
• 显存要求：8GB 显存就能训练 512 分辨率的 LoRA，如果是 6GB 可以用混合精度或减小批量。实在不行，也可以用在线平台。