ComfyUI训练技巧：调整超参数策略

ComfyUI训练超参数策略
一 训练目标与数据策略

• 明确目标类型：
• 具象类 LoRA（单一角色/服装/物体）优先追求细节还原与身份一致性。
• 泛化类 LoRA（风格/场景/摄影）强调跨样本的一致风格与多样性。
• 数据规模与重复次数：
• 具象类建议≥20张素材；泛化类建议≥100张素材，且风格、主体需高度一致。
• 通过文件夹命名控制每张图的训练重复次数，常用10–15次/张；实践中常见做法为动漫类10次、真人20–30次以平衡过拟合风险。
• 图像尺寸与一致性：
• 训练分辨率需与模型匹配：SD1.5 常用 512×768；SDXL/Flux 常用 1024×1536。
• 统一尺寸、清理杂项、避免强无关背景，有助于稳定收敛与泛化。
• 标注与正则：
• 使用标签器（如WD 标签器）生成描述，保证标签与内容强相关；必要时引入正则化或增加数据多样性以抑制过拟合。

二 关键超参数与推荐区间

• 学习率与批量
• 学习率与批量需联动；批量较小时适当降低学习率以稳收敛。
• 优先使用单张或小批量起步，逐步放大；显存受限时宁可减小批量而非强行放大。
• 训练轮数与保存
• 建议先小轮次试跑，如10轮观察损失与预览，再决定是否加深；常见做法在10–30轮区间内调整。
• 采用“每N轮自动保存”策略，便于回溯与挑选最优权重。
• 网络维度与 Alpha
• 网络维度（rank）控制容量：具象类常用32，泛化类常用64；Alpha 取与维度相同或一半较稳。
• 训练范围与模块选择
• 优先仅微调UNet以降低过拟合与漂移风险；必要时再考虑文本编码器或其他模块。
• 分辨率与正则化
• 分辨率过高会放大显存与过拟合压力；与数据一致性冲突时，优先保证数据质量与标签一致性，其次再调维度/轮次。
• 推理时 LoRA 权重
• 生成阶段 LoRA 权重常用0.6–0.8，在保真与泛化间折中；不同项目可据效果微调。

三 分阶段调参流程

• 阶段0 基线跑通
• 具象类：20–30张、每张10–15次、rank 32、epoch 10、batch 1、UNet-only；记录训练损失与样本预览。
• 泛化类：≥100张、每张10–15次、rank 64、epoch 10、batch 1；观察风格一致性与多样性。
• 阶段1 欠拟合对策
• 增加每张图的重复次数（如15→20）、适度提升 rank（如32→48/64）、延长训练至15–20轮；必要时扩充同风格数据。
• 阶段2 过拟合对策
• 降低 rank（如64→32）、减少重复次数、提前停止（如10–12轮）、增强数据多样性与正则；生成时适当降低 LoRA 权重（如0.8→0.6）。
• 阶段3 稳定性与显存优化
• 维持小批量与合理学习率；若显存吃紧，优先降分辨率或 batch，其次再考虑梯度累积（若训练脚本支持）。

四 常见症状与快速修正

• 训练损失不下降或震荡
• 学习率过高或批量过小；先降学习率、增大批量（或累积步数），并观察预览质量是否改善。
• 生成结果过拟合（细节黏在训练样本）
• 降低 rank、减少每张图重复次数、缩短训练轮次；生成时 LoRA 权重下调至0.5–0.7区间尝试。
• 生成结果欠拟合（学不到主体特征）
• 增加重复次数、适度提升 rank、延长训练轮次；确保分辨率与数据一致性。
• 泛化差（风格/主体跨样本不稳定）
• 扩充数据量与多样性、保持风格一致；必要时引入正则化或更强的数据清洗。
• 显存不足或采样器报错（环境层面）
• 降低分辨率与批量、启用显存优化（如 FP16/BF16、TF32）、更新驱动与依赖、必要时更换采样器或分步调试。

五 不同模型的快速参考

以上区间用于起步与迭代，具体项目应在相同数据与预算下做小范围网格搜索，以验证最优组合。