lora

用少量图片和普通显卡,快速训练专属图像模型

LoRA(低秩适应)是一种高效的模型微调技术,最初由微软提出,此项目将其应用于扩散模型(如Stable Diffusion)的快速微调。它通过冻结预训练模型的权重,仅训练低秩分解的增量矩阵,大幅减少可训练参数量和显存占用,从而在消费级GPU上也能完成个性化图像生成模型的定制。项目基于Jupyter Notebook实现,提供了完整的训练流程和示例,支持DreamBooth风格的概念学习,用户可以用少量(约5-20张)图片训练出特定物体、风格或人物的定制模型。核心能力包括:低资源微调、快速迭代、与现有Stable Diffusion生态兼容。解决了传统全参数微调成本高、门槛高的问题,使得个人开发者和研究者也能轻松创建专属图像生成模型。

开源 free 图像生成
访问官网 ↗ GitHub ↗ 文档 ↗
GitHub 星标 ★ 7556
维护状态 低维护
是否开源 是
定价模式 free

项目数据

分类图像生成
开发团队cloneofsimo
所属国家
官网地址
定价模式free
价格说明开源项目,Apache-2.0许可,可免费使用和修改,无付费版本。
访问状态
是否开源是
开源协议Apache-2.0
主要语言Jupyter Notebook
技术栈/模型diffusion,dreambooth,fine-tuning,lora,stable-diffusion
GitHub 星标★ 7556
30天Star增速
HF 下载量
上线时间2022-12-08 00:00:00
最近更新2026-09-21 00:00:00
维护状态低维护
中文支持
访问方式
移动端支持
综合评分
收录时间2026-08-09
浏览次数0

使用教程

难度:进阶 约 10 分钟 部署方式:库/依赖 4 步

环境要求

  • Python 环境(可运行 pip,README 未指定具体版本)
  • 可访问 github.com 的网络(安装包需从 GitHub 拉取)
  • 如用于图像生成/微调,需具备可运行 Stable Diffusion 与 diffusers 的运行环境
  • Jupyter Notebook 环境(项目训练代码以 Notebook 形式提供)

安装与启动步骤

  1. 1准备 Python 环境

    确认本机已安装 Python 与 pip,README 未指定版本,建议使用较新的 Python 3 环境,避免与其他依赖冲突。

  2. 2安装 lora 包

    README 给出的唯一安装方式是用 pip 直接从 GitHub 仓库安装,安装后即可在 Python 中调用该库。

    pip install git+https://github.com/cloneofsimo/lora.git
  3. 3在线体验 Web Demo

    README 说明项目已集成到 Huggingface Spaces,使用 Gradio 搭建,可直接在浏览器中试用,无需本地部署。

  4. 4参考 Notebook 训练

    具体微调流程以仓库中的 Jupyter Notebook 形式提供(README 在 Getting Started 之后展开),建议对照仓库 Notebook 逐步执行。

关键配置

配置项必填说明示例
alpha否LoRA 合并比例,0 等同原模型,1 等同全量微调模型0.5

如何确认成功

重新执行 pip 安装命令后若出现 Successfully installed 一类提示,即表示库已成功安装;Web Demo 以页面能正常生成图片为准。

常见问题

Q:安装命令执行失败怎么办?

A:该命令直接从 GitHub 安装,需保证网络可访问 github.com;可配置代理或更换网络后重试,README 未提供其他安装方式。

Q:训练出的模型文件有多大?

A:README 说明 LoRA 结果非常小,约 1MB ~ 6MB,便于分享和下载。

Q:能和 diffusers 一起使用吗?

A:可以,README 的 Main Features 中明确写有兼容 diffusers。

Q:不想本地安装能直接用吗?

A:可以,项目已集成到 Huggingface Spaces,提供基于 Gradio 的在线 Web Demo。

注意事项

  • README 仅给出 pip 从 GitHub 安装这一条命令,未提供克隆仓库、下载权重、运行训练脚本的具体命令,相关操作需自行参考仓库 Notebook。
  • README 未写明 Python 版本、PyTorch/CUDA 版本、显存与端口等要求,请勿照搬网上参数。
  • LoRA 训练与推理依赖 Stable Diffusion 权重,需自行准备并遵守对应模型许可。
  • 项目主体为 Jupyter Notebook,按单元格顺序执行,注意不要跳步。

核心亮点

  • 显存占用极低,普通消费级显卡即可训练,大幅降低硬件门槛
  • 训练速度快,少量图片(5-20张)即可完成个性化定制
  • 与Stable Diffusion生态无缝集成,支持DreamBooth风格概念学习

不足之处

  • Notebook形式,缺乏命令行和脚本封装,自动化部署不便
  • 文档和社区支持相对有限,高级调参需自行摸索

适用场景

  • 个人创作者训练专属风格或角色模型
  • 小型团队快速原型验证,低成本定制图像生成能力
  • 教学和实验场景,演示扩散模型微调原理

替代项目

kohya-ss/sd-scripts、cloneofsimo/lora、Stable Diffusion LoRA (CivitAI)

项目介绍

lora 是模型训练领域的开源项目,由 cloneofsimo 开发,2022 年首次发布。

在全站 13,090 个收录项目中,它的 GitHub 星标数(7,556)位列前 7%,在模型训练分类的 522 个项目里位列前 7%。

项目已超过三个月没有代码更新,维护节奏明显放缓,最近一次代码更新于 2026-09-21。Apache-2.0许可,可免费使用和修改,无付费版本。

它主要面向的使用场景是:个人创作者训练专属风格或角色模型。同类可对比的替代方案包括 kohya-ss/sd-scripts、cloneofsimo/lora、Stable Diffusion LoRA (CivitAI)。

上一篇:Self-Supervised-Gans-Pytorch

下一篇:lora-scripts

同类项目推荐

Long-RL 开源

让强化学习轻松驾驭超长序列,训练更稳更快

Long-RL: Scaling RL to Long Sequences (NeurIPS 2025)

★ 729 2026-08-09
TPA 开源

把注意力复杂度从平方降到线性,长序列不再卡顿

[NeurIPS 2025 Spotlight] TPA: Tensor ProducT ATTenTion Transformer (https://arxiv.or···

★ 463 2026-08-09
minimind 开源

两小时造出你的小模型,练手入门不求人

Train a 64M-parameter LLM from scratch in just 2h!

★ 62178 2026-08-09
pruna 开源

一键优化 AI 模型,推理提速又省资源。

Pruna is a model optimization framework built for developers, enabling you to delive···

★ 1286 2026-08-13