打开
http://localhost:8675，你会看到一个深色界面。本教程把左侧导航和 New Job 的每个面板过一遍，搞清楚每块是干什么的。UI 本质上就是 YAML 配置的图形化外壳，看懂面板 = 看懂配置。
左侧导航
| 页面 | 作用 |
|---|---|
| Dashboard | 运行状态一览（GPU/资源/最近任务概况） |
| + New Job | 新建训练任务（核心配置页，见下） |
| Training Queue | 作业控制中心：查看运行状态、打开日志、停止/删除任务、下载 checkpoint 与采样图 |
| Datasets | 数据集管理：创建可复用数据集条目（主训练集 + DOP 正则数据集） |
| Settings | 全局设置（HF Token、默认路径等） |
Datasets 页
数据集是"图片文件夹 + 同名 txt 描述"的集合，可以先创建好、多个任务复用：
- 主训练集：你的目标图片 + caption
- 正则数据集（Is Regularization）：用于 DOP 的正则样本（详见 05 篇）
创建后可以在列表里看到图片数量，训练任务里通过下拉选择（Target Dataset）。
New Job：核心配置页
新建任务按面板组织，从上到下依次是：
| 面板 | 关键字段 | 说明 |
|---|---|---|
| Job | Training Name、Trigger Word | 任务名（也是输出目录名）；触发词会自动前置到 caption |
| Model | Model Architecture、Name or Path、Low VRAM | 选模型家族（FLUX.2 / Z-Image Turbo / Krea 2…）与 HF 模型路径 |
| Quantization | Transformer、Text Encoder、Compile | 量化精度（qfloat8 默认；低显存可更激进） |
| Target | Target Type（LoRA/LoKr）、Linear Rank | 训练适配器类型与秩 |
| Save | Data Type、Save Every、Max Step Saves to Keep | 保存精度与节奏、保留多少个中间 checkpoint |
| Training | Batch Size、Steps、Optimizer、Learning Rate、Timestep、EMA、Text Encoder Optimizations | 核心训练超参数 |
| Regularization | Differential Output Preservation | DOP 开关（需正则数据集） |
| Datasets | Target Dataset、Control Dataset、LoRA Weight、Num Repeats、Default Caption、Caption Dropout Rate、Cache Latents、Resolutions | 数据集绑定与处理 |
| Sample | Sample Every、Sampler、Guidance Scale、Sample Steps、宽高、Seed、Walk Seed、Sample Prompts | 训练过程中的采样预览 |
演示图占位
此处放：New Job 页面各面板截图（Job→Model→Quantization→Target→Save→Training→Regularization→Datasets→Sample）
说明：上方还有 Show Advanced（显示高级选项）与 Create（创建任务）按钮
Training Queue：跑起来之后看这里
任务创建后进入 Training Queue：
- 实时运行状态（等待 / 训练中 / 完成 / 出错）
- 点击任务可打开日志、查看采样图（按保存节奏逐步出现）
- 可以停止 / 删除任务；完成后下载 checkpoint 与 sample
- 页面里通常还能查看/下载该任务的 Config File（即对应 YAML，UI 与 CLI 是同一份配置）
UI 与 CLI 的关系
一句话：UI 只是入口，配置本质是 YAML。
- UI 上的每个面板字段，最终都落在 YAML 里
- 用 CLI 训练（
python run.py config/xxx.yml）与用 UI 训练效果一致 - 从 UI 任务的 Config File 导出的 YAML 可以直接给 CLI 用，反之亦然
所以后面几篇讲"核心超参数"时，会同时给 UI 字段名和配置字段名，方便两种方式对照。
下一步
→ 04 · 数据集准备 学会组织训练数据——这是决定训练成败的一半