许可证：其他
基础模型："black-forest-labs/FLUX.1-dev"
标签：

• flux
• flux-diffusers
• 文生图
• 图生图
• diffusers
• simpletuner
• 非全年龄向
• lora
• 模板:sd-lora
• 标准
  任务标签：文生图
  支持推理：是
  示例：
• 文本：'无条件（空白提示）'
  参数：
  负面提示：'模糊、裁剪、丑陋'
  输出：
  图片链接：./assets/image_0_0.png
• 文本：'路虎揽胜，一辆路虎揽胜行驶在香港的高速公路上，美丽的城市景观在后方。夜晚时分，摩天大楼的霓虹灯光璀璨夺目。车头"Range Rover"字母下方是进气格栅，格栅上嵌有蓝色小徽标，写着"Land Rover"'
  参数：
  负面提示：'模糊、裁剪、丑陋'
  输出：
  图片链接：./assets/image_1_0.png
  （后续示例内容保持相同结构翻译，此处省略以节省篇幅）

路虎揽胜第一阶段-2e-4-恒定值-带裁剪

这是基于black-forest-labs/FLUX.1-dev的标准PEFT LoRA模型。

训练期间未使用验证提示。

验证设置

• CFG值：3.0
• CFG重缩放：0.0
• 步数：20
• 采样器：FlowMatchEulerDiscreteScheduler
• 种子：42
• 分辨率：1344x768
• 跳过层引导：无

注：验证设置与训练设置不一定相同。

示例图库见：

文本编码器未参与训练，推理时可复用基础模型的文本编码器。

训练设置

• 训练周期：2

• 训练步数：10000

• 学习率：8e-05

  • 学习率计划：多项式
  • 预热步数：100

• 最大梯度值：0.1

• 有效批次大小：3

  • 微批次大小：3
  • 梯度累积步数：1
  • GPU数量：1

• 梯度检查点：启用

• 预测类型：流匹配（额外参数=['shift=3.0', 'flux_guidance_mode=constant', 'flux_guidance_value=1.0', 'flow_matching_loss=compatible', 'flux_lora_target=all']）

• 优化器：adamw_bf16

• 可训练参数精度：纯BF16

• 基础模型精度：int8-quanto

• 标题丢弃概率：5.0%

• LoRA秩：64

• LoRA Alpha：无

• LoRA丢弃率：0.1

• LoRA初始化风格：默认

数据集

（各数据集参数翻译略，保持原技术参数不变）

推理代码

import torch
from diffusers import DiffusionPipeline

model_id = 'black-forest-labs/FLUX.1-dev'
adapter_id = 'mipat12/rangerover-phase1-2e-4-constant-wcrops'
pipeline = DiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.bfloat16) # 直接加载为bf16格式
pipeline.load_lora_weights(adapter_id)

prompt = "宇航员骑着马穿越泰国丛林"

# 可选：量化模型以节省显存
# 注意：训练时已量化模型，建议推理时同样操作
from optimum.quanto import quantize, freeze, qint8
quantize(pipeline.transformer, weights=qint8)
freeze(pipeline.transformer)
    
pipeline.to('cuda' if torch.cuda.is_available() else 'mps' if torch.backends.mps.is_available() else 'cpu') # 管道已处于目标精度
model_output = pipeline(
    prompt=prompt,
    num_inference_steps=20,
    generator=torch.Generator(device='cuda' if torch.cuda.is_available() else 'mps' if torch.backends.mps.is_available() else 'cpu').manual_seed(42),
    width=1344,
    height=768,
    guidance_scale=3.0,
).images[0]

model_output.save("output.png", format="PNG")