ai-toolkit

写份配置就能微调扩散模型，LoRA 训练开箱即用

开源 free 模型训练

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 12266

维护状态活跃

是否开源是

定价模式 free

项目预览

项目数据

分类模型训练

开发团队ostris

所属国家

官网地址

GitHubhttps://github.com/ostris/ai-toolkit

定价模式free

价格说明开源免费，需自行部署

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型

GitHub 星标★ 12266

30天Star增速

HF 下载量

上线时间2023-07-05 00:00:00

代码更新—

仓库体积—

本站数据更新—

维护状态活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-10-12

浏览次数0

项目介绍

ai-toolkit 是一个面向扩散模型（如 Stable Diffusion、Flux 等）微调的训练工具箱，由 ostris 开发。它把数据准备、LoRA/全量微调、训练监控和模型导出整合到一套配置驱动的流程里，用户只需写一份 YAML 配置即可启动训练，无需自己拼装 diffusers、accelerate 等组件。核心能力包括：支持 LoRA、LoKr、DoRA 等多种低秩适配方法，覆盖 SD1.5、SDXL、Flux、SD3 等主流底模；内置数据集缓存、分桶、打标与正则化处理；提供 Web UI 和 CLI 两种操作方式，并集成 TensorBoard/WandB 监控。项目还针对低显存场景做了优化，支持梯度检查点、8bit 优化器和多卡训练。对想快速上手扩散模型微调、又不想深陷训练脚本细节的开发者与创作者来说，它显著降低了门槛。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

正在加载星标数据…

技术标签

使用教程

—

难度：进阶约 20 分钟部署方式：本地安装 6 步

环境要求

git（克隆仓库必需，Windows 需先装好 git 才能克隆）
Python >=3.10（推荐 3.12）
NVIDIA GPU，显存需满足你要训练的任务
Node.js > 20（运行 Web UI 需要）
手动安装需自备 python venv 虚拟环境

安装与启动步骤

1克隆仓库

把 ai-toolkit 仓库拉到本地并进入目录，后续所有操作都在该目录内进行。
```
git clone https://github.com/ostris/ai-toolkit.git
cd ai-toolkit
```
2管理器一键安装

推荐方式：运行对应平台脚本，管理器自动检测硬件、装好 PyTorch 和 Python 环境，并在 http://localhost:8675 启动 UI。
```
chmod +x run_linux.sh
./run_linux.sh
```
3Mac 平台启动

Apple Silicon 上使用 Mac 脚本，作者标注该方式为实验性，遇到问题可改用手动安装。
```
chmod +x run_mac.zsh
./run_mac.zsh
```

4手动安装依赖

不使用管理器时，建虚拟环境后先装指定版本 torch，再装 requirements.txt；Windows 把激活命令换成 venvScriptsctivate。

python3 -m venv venv
source venv/bin/activate
pip3 install --no-cache-dir torch==2.13.0 torchvision==0.28.0 torchaudio==2.11.0 --index-url https://download.pytorch.org/whl/cu130
pip3 install -r requirements.txt

5命令行管理器

无界面服务器可直接调用 manager 模块：install 首次安装、update 同步依赖、launch 启动 UI、doctor 诊断问题。
```
python3 -m manager install
python3 -m manager launch
```
6构建启动 UI

进入 ui 目录构建并启动前端，需 Node.js 20 以上；训练任务不依赖该进程常驻，它只负责启停和监控任务。
```
cd ui
npm run build_and_start
```

关键配置

配置项	必填	说明	示例
`code_mount`	是	Modal 部署时指向本地 ai-toolkit 目录，挂载到容器内。	`modal.Mount.from_local_dir("/Users/username/ai-toolkit", rem`
`GPU`	否	run_modal.py 中 @app.function 的 GPU 类型，README 默认 A100 40GB。	`A100`
`Timeout`	否	run_modal.py 中 @app.function 的超时时间，默认 2 小时。	`7200`

如何确认成功

浏览器打开 http://localhost:8675 能看到 Web UI 界面即启动成功；部署在服务器上则用 http://<你的IP>:8675 访问。

常见问题

Q：管理器安装失败怎么办？

A：管理器仍为实验性功能。README 说明手动安装步骤依然可用，按手动流程建 venv、装 torch 与 requirements.txt 即可。

Q：UI 必须一直开着吗？

A：不需要。UI 只用于启动、停止和监控任务，任务运行不依赖它常驻。

Q：服务器上怎么访问这个界面？

A：用 http://:8675 访问，其中换成服务器的实际 IP 地址。

Q：没有本地显卡能训吗？

A：可以用 RunPod：作者维护了官方 Pod 模板，Readme 中也附了入门视频链接。

注意事项

管理器会把 Node.js、FFmpeg 及 Python 环境都装在 ai-toolkit 文件夹内，不做系统级安装。
管理器每次启动都会检查更新；如果你改过本地文件，更新会被跳过并给出警告，不会覆盖你的修改。
Windows 用户如遇问题，README 推荐第三方一键安装脚本 https://github.com/Tavris1/AI-Toolkit-Easy-Install。
GUI 与 CLI 两种方式都支持，训练配置以 YAML 驱动，具体模型与参数请以仓库内配置文件为准。

核心亮点

配置驱动，一份 YAML 即可启动 LoRA/全量微调，省去手写训练循环
覆盖 SD1.5、SDXL、Flux、SD3 等主流底模，适配方法含 LoRA、LoKr、DoRA
内置 Web UI 与 TensorBoard/WandB 监控，训练过程可视化，低显存优化到位

不足之处

高级定制（自定义损失、新架构）仍需改源码，扩展性受配置层限制
文档和示例更新速度偶尔落后于新底模支持，社区问答依赖 Discord

适用场景

个人创作者用消费级显卡微调角色或画风 LoRA
团队批量训练风格模型并接入自有素材管线
研究者快速对比不同适配方法在扩散模型上的效果

替代项目

kohya-ss/sd-scripts、huggingface/diffusers

上一篇：RLinf

下一篇：torchtitan