AI Toolkit 训练 Anima LoRA

数据集是 Anima LoRA 训练的地基：分辨率分桶怎么选、重复度如何控制、以及一个独特的"保留切片"技巧——往数据集里混入一小片无关图像来保住灵活性。

数据集基本配置

为什么 Num Repeats 保持 1

当总步数已经固定时，增加 repeats 并不会以一种可控的方式让数据集概念变强——它主要只是改变了在到达步数上限之前同一批文件循环的频率。想变强靠步数/检查点策略，不靠 repeats。

三档分辨率各管什么

混合数据集的默认方案：512 + 768 + 1024 三档全用是一个很强的首轮方案。

• 内存有限时：先 512 + 768，再考虑打开 layer offloading
• 干净的高细节数据集：让 1024 保持启用
• 不要仅仅为了填满 1024 分桶而放大质量偏弱的源图

Caption Dropout 0.05

一个较小的 dropout 率有助于防止对精确标注的记忆。激进地提高它会削弱一个稀有的 trigger，并让训练变得不那么可预测。0.05 对于首轮就够了。

保留切片：恢复灵活性的 20–25%

症状：训练压制了无关画师标签、或每条提示词都像数据集——这是"标注过度 + 数据全是一个目标"的过度触及，不是欠拟合。

解法：往同一个数据集文件夹里加入大约 20–25% 干净、无关的插画图像：

• 它们与目标无关（其他角色、其他场景、其他画风）
• 给它们准确标注
• 不包含 trigger

数据集/
├── 目标图像（75–80%）  ← caption 带 trigger，标注可变特征
└── 保留图像（20–25%）  ← caption 无 trigger，准确标注无关内容

这一小片保留切片常常能恢复灵活性，而无需再动任何训练参数。原理：它给模型保留了"不带 trigger 的正常生成路径"，LoRA 就不会把目标风格绑死在所有输出上。

数据集质量检查

1. 多样性：镜头距离（特写/半身/全身）、姿势、背景、光照都要有
2. 去重：移除近似副本——重复取景会很快增加僵化程度
3. 视角覆盖：确认包含 LoRA 被期望生成的那些视角
4. 标注一致性：trigger 统一、可变特征有标注、无风格词（风格类）

占位图

下一步

→ 07 · 采样配置与验证提示词 用三条提示词检验学习、泛化与泄漏