Tensor.art 提供了一個基於瀏覽器、由雲端算力驅動的訓練環境，使數位創作者、設計師與 AI 藝術家無需依賴專門的本機硬體，即可直接在線上訓練自訂 Low-Rank Adaptation (LoRA) 模型。傳統上，訓練自訂風格、角色或概念適配器需要配備高階桌面 GPU 與充裕的 VRAM（通常需要 12GB 至 24GB 或更多）、繁瑣的本機軟體安裝（例如 Kohya_ss 或 ComfyUI）以及複雜的 CUDA 驅動程式設定。透過將整個訓練流程——包括圖像資料集整理、自動標註、雲端算力執行與檢查點評估——整合至直覺的 Web 介面中，Tensor.art 消除了本機硬體門檻。本指南將詳細說明創作者如何準備均衡的訓練資料集、設定關鍵超參數、在 Tensor.art 上執行雲端訓練，並將生成的自訂 LoRA 直接部署至實際創作工作流程中。
理解 Tensor.art 上的雲端 LoRA 訓練
Low-Rank Adaptation (LoRA) 是一種參數高效微調（PEFT）技術，旨在透過向交叉注意力層與投影層注入小型的可訓練低秩分解矩陣，以適配大型基礎擴散模型（例如 Stable Diffusion 1.5、SDXL、Pony Diffusion 與 Flux.1），同時保持底層基礎模型權重凍結。
LoRA 訓練不會生成體積高達數吉位元組（GB）的全新基礎模型，而是輸出一個輕量化的適配器檔案（根據架構與秩的大小，通常介於 10MB 至 250MB 之間）。這個輕量檔案能精確捕捉目標藝術風格、角色外貌特徵或特定物件的幾何結構。
透過 Tensor.art 在雲端執行此流程相較本機工作站具備顯著的運作優勢：
- 零硬體依賴： 創作者無需昂貴的顯示卡、專門的散熱設備或工作站級電源供應器。訓練任務直接在高效能雲端叢集上執行。
- 非同步處理： 訓練任務排入佇列後，使用者即可關閉瀏覽器或中斷連線。雲端伺服器會獨立處理任務，並在完成後通知使用者。
- 整合式生成工作區： 訓練完成的檢查點（Checkpoints）會直接儲存在使用者的平台資產庫中，無需下載或移動檔案，即可在 Tensor.art 的線上工作區內立即進行測試、提示詞迭代與圖像生成。
- 跨模型彈性： 平台支援多種現代擴散架構，允許創作者挑選最符合其美學與技術需求的基礎底模。
準備高品質訓練資料集
輸入圖像資料集的品質、一致性與多樣性決定了最終 LoRA 模型的逼真度與通用性。機器學習模型是從資料中歸納泛化模式，因此整理視覺訊號明確且乾淨的圖像至關重要。
1. 決定資料集規模與圖像數量
理想的訓練圖像數量取決於主題的複雜度：
| LoRA 類型 | 建議圖像數量 | 核心關注點 |
|---|---|---|
| 角色 / 肖像 | 15–30 張 | 多樣的鏡頭視角、面部表情、髮型以及光照配置。 |
| 藝術風格 / 美感 | 25–45 張 | 跨不同主體維持一致的筆觸、線條粗細、配色方案與獨特紋理質感。 |
| 物件 / 道具 | 15–25 張 | 乾淨的 360 度視角、純淨背景以及多樣的表面光照。 |
| 概念 / 主題 | 20–35 張 | 鮮明的氛圍元素、主題構圖與建築風格。 |
圖像品質重於單純的數量。精心挑選的 20 張清晰、高解析度圖像，其訓練成效遠優於 100 張經過壓縮、模糊或帶有雜訊的圖片，後者會將視覺瑕疵帶入模型權重中。
2. 在維持主體一致的前提下確保視覺多樣性
LoRA 訓練中常見的陷阱是資料集單一重複所導致的過擬合。如果每張訓練圖片中的角色都以完全相同的姿勢站在純灰色牆壁前，模型就會錯誤地將該姿勢與灰色牆壁學習為該角色的固有屬性。
要建構對提示詞響應良好且具備泛化能力的 LoRA，必須在多個視覺維度引入多樣性：
- 構圖與景別： 維持特寫頭部肖像（30%）、半身腰部以上鏡頭（40%）與全身遠景鏡頭（30%）的均衡搭配。
- 角度與透視： 將正臉肖像與四分之三側面、正側面以及偶見的俯視或仰視視角混合運用。
- 面部表情與姿態： 提供微笑、中性、嚴肅等不同表情，以及動態動作姿勢或放鬆姿態的範例。
- 光照與環境： 使用在不同光照條件（柔和日光、戲劇化輪廓光、霓虹夜景光）與多樣化背景下拍攝的圖像，協助模型將主體與周圍環境區分開來。
3. 圖像解析度、長寬比與裁切
- 目標解析度： 匹配所選基礎架構的原生解析度。對於 Stable Diffusion 1.5，512x512 至 768x768 像素左右的圖像表現穩定。對於 SDXL、Pony Diffusion 與 Flux.1 等現代架構，建議使用 1024x1024 像素或更高，以保留細膩的細節與紋理。
- 長寬比彈性： Tensor.art 在訓練期間採用長寬比分桶（Aspect Ratio Bucketing），這意味著圖像不嚴格限制為正方形。不過，仍應避免極端寬幅全景或過長的垂直裁切，以防空間變形。
- 清除視覺干擾物： 上傳前請移除浮水印、UI 介面遮罩、字幕文字、簽名與嚴重的壓縮瑕疵。資料集中任何重複出現的不必要圖形元素，都有被固化至生成結果中的風險。
標註與觸發詞策略
圖像標註（亦稱標籤或 Tags）在訓練過程中引導神經網絡，確立哪些概念屬於基礎模型的現有詞彙，哪些概念應與你的新 LoRA 連結。
1. 確立獨特的觸發詞
觸發詞（Trigger Word）是提示詞中用於啟動 LoRA 所學特徵的唯一文字標記（Token）。
- 選擇獨特識別碼： 避免使用
cat、cyborg或watercolor等常見字典單字作為獨立觸發詞，因為基礎模型對標準單字已有強烈的預設理解。 - 建議命名模式： 使用獨特的組合詞或簡短偽詞，例如
cbrp_style、elena_v1_char或mech_armor_core。這能確保模型將新的視覺特徵專門與你的觸發詞關聯，而不會與既有概念產生衝突。
2. 自動標註與手動標籤比較
Tensor.art 整合了由視覺語言模型（如 Florence-2、Qwen-VL 或基於標籤的動漫解析器）驅動的自動標註工具，大幅簡化標註流程：
- 基於標籤的標註（Danbooru 風格）： 最適合 Stable Diffusion 1.5、動漫模型與 Pony Diffusion。標註內容由逗號分隔的描述性標籤組成（例如：
trigger_word, 1girl, solo, long black hair, blue eyes, white jacket, outdoors, daylight）。 - 自然語言描述： 適用於 SDXL 與 Flux.1，它們採用了更先進的文字編碼器（如 OpenCLIP 與 T5），能夠理解完整的語法句子（例如：
A portrait of trigger_word standing on a sunlit city street, wearing a white jacket with silver buttons, soft morning lighting）。
3. 標籤隔離原則
理解標註如何影響模型行為，對於達成預期的靈活性至關重要：
- 你明確標註的概念： 模型會將這些元素視為可替換的變數。例如，如果每張主體穿著紅色外套的圖片中你都標註了
red jacket，模型就會理解這件外套是一件可選服飾，日後可透過輸入blue sweater提示詞予以更換。 - 你從標註中省略的概念： 模型會將這些元素直接固化於觸發詞中。如果你從未標註
red jacket，模型便會認定紅色外套是該角色的固有、不可變更的特徵。 - 平衡身份特徵與自訂彈性： 務必在每張圖片的標註中包含你的觸發詞，並對希望在生成時能自由調整的任何背景元素、臨時服飾或偶見物件加上標籤。
Tensor.art 上的分步 LoRA 訓練工作流程
在 Tensor.art 上執行 LoRA 訓練遵循直接在 Web 應用程式內完成的結構化分步流程。
步驟 1：進入訓練介面
- 登入你的 Tensor.art 帳戶。
- 前往頂部導覽列或使用者個人資料選單，選擇 Train LoRA（或造訪訓練入口）。
- 點擊 Create Model 開啟全新的雲端訓練設定專案。
步驟 2：選擇基礎模型架構
挑選符合你的藝術目標與製作管線的基礎架構：
- Stable Diffusion 1.5： 輕量且快速，具備廣泛的生態系支援，運算點數消耗低。非常適合風格化插畫與一般動漫工作流程。
- SDXL 1.0： 在 1024x1024 解析度下呈現高視覺逼真度，對光照、皮膚紋理與複雜背景的處理大幅提升。
- Pony Diffusion： 基於 SDXL 骨幹架構建置，針對風格化藝術、角色一致性與複雜姿勢進行深度最佳化。
- Flux.1： 具備頂尖的文字遵循能力與逼真的寫實細節，所需的雲端訓練時間稍長，但構圖理解能力極佳。
注意： LoRA 權重與架構高度相依。針對 SD 1.5 訓練的 LoRA 無法在圖像生成時套用於 SDXL 或 Flux 基礎底模。
步驟 3：上傳與標註圖像
- 將整理好的圖像檔案拖放至資料集上傳區域。
- 點擊 Auto Labeling 按鈕，讓 Tensor.art 內建的視覺模型為所有上傳的圖片自動產生初始標註。
- 在資料集編輯器中檢視生成的標註。確認你的唯一觸發詞出現在每條標註的開頭，並修正任何錯誤的標籤或描述。
- 利用預覽網格確保所有圖像的上傳方向與裁切取景皆正確無誤。
步驟 4：設定訓練超參數
Tensor.art 兼具簡化預設設定與針對資深創作者的高階微調選項：
- 訓練輪數（Training Epochs）： 一個 Epoch 代表對整個資料集進行一次完整的訓練遍歷。對於 20 至 30 張圖片的資料集，8 至 12 輪為標準的初始範圍。
- 單圖重複次數（Repeats per Image）： 決定每張圖像在每個 Epoch 中被處理的次數（通常設定為 2 至 4 次）。總訓練步數計算公式為：
圖像數量 × 重複次數 × 訓練輪數 ÷ 批次大小 (Batch Size)。 - 學習率（Learning Rates）：
- UNet 學習率： 控制擴散網路更新視覺特徵的速率（通常為
1e-4或0.0001）。 - Text Encoder 學習率： 控制文字條件適應新標記的速率（通常為
5e-5，即 UNet 速率的一半）。對於僅訓練風格的 LoRA，部分創作者會凍結 Text Encoder 以避免詞彙漂移。
- UNet 學習率： 控制擴散網路更新視覺特徵的速率（通常為
- 網路秩（Rank / Dimension）與 Alpha：
- Rank (Dim)： 定義適配矩陣的容量。對於大多數角色或風格模型，
16或32的秩已十分充裕；更高的秩（例如64）能捕捉更細膩的細節，但會導致檔案體積膨脹。 - Alpha： 縮放權重更新的比例，通常設定為與 Rank 相同或為其一半（例如，Rank 32 / Alpha 16 或 32）。
- Rank (Dim)： 定義適配矩陣的容量。對於大多數角色或風格模型，
- 預覽提示詞（Preview Prompts）： 輸入一至兩組包含觸發詞的測試提示詞。Tensor.art 會在每個 Epoch 結束時自動使用這些提示詞生成樣本圖像，提供模型學習曲線的直觀視覺紀錄。
步驟 5：提交與監控雲端任務
- 檢視訓練設定摘要與預估的運算點數消耗。
- 點擊 Start Training 將任務派送至雲端 GPU 佇列。
- 透過即時狀態儀表板監控進度。由於訓練完全在遠端伺服器上執行，在訓練進行期間你可以放心離開該頁面。
評估檢查點與部署自訂模型
雲端訓練任務完成後，Tensor.art 會提供對應每個已完成 Epoch 的檢查點快照。評估這些檢查點對於在精準度與提示詞彈性之間取得最佳平衡至關重要。
1. 分析 Epoch 演進：欠擬合與過擬合
檢視連續各個 Epoch 自動生成的樣本預覽圖像：
- 欠擬合（早期 Epoch，例如 Epoch 1–4）： 模型尚未充分吸收主題的特徵細節。樣本圖像與標準基礎底模的輸出極為相似，對角色的還原度偏弱或風格紋理相當微弱。
- 最佳平衡（中期至後期 Epoch，例如 Epoch 6–10）： 模型能精確還原角色的臉部結構、服裝風格或藝術媒介，同時保留了極高的提示詞彈性。主體可置於新環境、新姿勢與新服飾中，而不會出現畫質劣化。
- 過擬合（輪數過多，例如 Epoch 12+）： 模型過於僵化地記住了訓練資料集。生成的圖像會出現對比度過高、色彩過飽和、姿勢僵硬或直接從來源圖片複製的雜亂背景瑕疵。對提示詞的響應度降低，難以變更光照或服裝。
2. 選擇、儲存與發布
- 選擇相似度最高且未出現過度飽和或僵硬跡象的 Epoch 檢查點。
- 選擇部署可見度：
- 私人模型（Private Model）： 僅限你的個人帳戶使用，適用於個人創意專案與商業資產生成。
- 公開社群模型（Public Community Model）： 將 LoRA 發布至 Tensor.art 社群中心，並附上封面圖、推薦觸發詞與提示詞範例，供其他創作者使用。
- 若你同時在本地環境中工作，可利用 Download 選項匯出標準的
.safetensors檔案，以便於本地的 Stable Diffusion WebUI 或 ComfyUI 中使用。
3. Tensor.art 線上生成最佳實踐
為了在使用新訓練的 LoRA 生成圖像時獲得最佳品質：
- LoRA 權重調整： 初步可將模型權重設定為
0.7或0.8。若目標特徵呈現過於微弱，可提高至0.9或1.0。若發現雜訊過多或姿勢僵硬，請將權重調降至0.5或0.6。 - 觸發詞位置： 將觸發詞放置於正向提示詞的開頭附近，以便在擴散過程中賦予其更高的語意權重。
- 負向提示詞： 使用標準負向提示詞過濾常見的數位瑕疵，但避免加入描述 LoRA 預期特徵的詞彙（例如在使用抽象藝術 LoRA 時過濾
stylized）。 - 疊加互補模型： Tensor.art 允許創作者同時組合多個 LoRA（例如，將自訂角色 LoRA 與社群的光影或電影感鏡頭 LoRA 搭配使用）。維持綜合權重總和在
1.0至1.4左右，以保持圖像的協調性並防止產生瑕疵。