FLUX.2 [dev] LoRA 的数据集设计，核心是三个问题：多少张图、怎么描述、要不要正则化。本篇给出可直接套用的答案。
需要多少图像？
| LoRA 类型 | 图像数量 |
|---|---|
| 简单风格 LoRA | 约 15–30 张精选图像 |
| 角色 / 身份 LoRA | 约 20–60 张图像 |
| 编辑 / 指令 LoRA | 50–200 个三元组（源、目标、指令） |
数量不是唯一标准：精选 + 多样远比"多而杂"重要。FLUX.2 是 32B 大模型，小数据集上过拟合很快，宁少勿滥。
描述策略：不写什么比写什么更重要
您在描述中"不写"的内容，对 LoRA 来说是"自由的"——模型会把没提到的部分当作可变化空间。
| 类型 | 描述策略 |
|---|---|
| 风格 LoRA | 描述图像里有什么（主体、场景、元素），不要写媒介或风格词。风格词不写，风格就是默认输出；写了风格词，风格变成"附加属性" |
| 角色 LoRA | 用简短独特的触发词（如 midnight_tarot）+ 类别词（person、woman 等），描述可辨认特征 |
触发词写法
- 独特组合词，避免与常见英文单词冲突
- 在 caption 中使用
[trigger]占位符，训练时自动替换为 Trigger Word 字段的值 - 示例：Trigger Word =
midnight_tarot，caption =[trigger] woman with a celestial tarot card deck
DOP（Differential Output Preservation）
作用：一种正则化策略——当触发词不存在时，惩罚 LoRA 对生成结果的改变。防止 LoRA 渗漏（不触发也长得像训练目标），保住基础模型行为。
使用：
- 在 Datasets 页准备正则数据集（Is Regularization），样本是普通内容图、caption 不含 trigger
- 训练时开启 DOP 并绑定正则数据集
- 注意：开启 DOP 后不能再开 Cache Text Embeddings（03 篇）
何时用：训练目标与基座原有能力重叠（如真实人物、常见物体）或已出现渗漏时。
数据准备清单
- 按类型确定数量与形式（上表）
- 统一格式：jpg/jpeg/png + 同名 txt caption
- caption 写"有什么"不写"什么风格"（风格类）
- 触发词独特且一致
- 需要时准备正则数据集（勾选 Is Regularization）
演示图占位
此处放：风格 LoRA 数据集样例（主题一致、场景多样）
说明：caption 只描述主体，风格词不出现
下一步
→ 06 · 分步配置训练 打开 New Job，逐面板填参数