Gambaran umum Prasyarat Struktur bundel pekerjaan Siapkan data pelatihan Kirim pekerjaan pelatihan Kirim pekerjaan pembuatan gambar Varian model Rekomendasi pelatihan Bersihkan Sumber daya terkait

FLUX.2 Penyetelan halus dan pembuatan gambar Klein LoRa

Contoh ini menunjukkan cara menyempurnakan model pembuatan gambar FLUX.2 Klein menggunakan LoRa (Low-Rank Adaptasi) dan menghasilkan gambar dalam skala besar di Deadline Cloud. Alur kerja melatih adaptor ringan dari kumpulan data gambar kecil. Kemudian menggunakan adaptor itu untuk menghasilkan gambar baru dari prompt teks, semua diatur sebagai pekerjaan Deadline Cloud pada armada GPU.

Kode sumber untuk contoh ini tersedia di repositori deadline-cloud-sample pada. GitHub

Video berikut menunjukkan alur kerja K FLUX.2 lein LoRa di Deadline Cloud.

Perkiraan waktu: 30-60 menit (termasuk 15-45 menit untuk pelatihan).

Gambaran umum

Contohnya terdiri dari dua bundel pekerjaan:

lora_training - Fine-tunes FLUX.2 Klein pada dataset gambar Anda menggunakan LoRa, menghasilkan file .safetensors adaptor.
image_generation — Memuat model dasar dengan adaptor terlatih Anda dan menghasilkan gambar dari prompt teks. Saat menghasilkan beberapa gambar, pekerjaan disejajarkan di seluruh pekerja.

LoRa adalah teknik penyetelan hemat parameter yang melatih adaptor kecil alih-alih memodifikasi bobot model lengkap. Pendekatan ini membuat pelatihan cepat (15-45 menit pada satu GPU) dan adaptor yang dihasilkan portabel dan mudah untuk versi.

Bundel pekerjaan menggunakan diffuser dan perpustakaan peft untuk pelatihan dan inferensi.

Untuk menyelesaikan contoh ini, ikuti langkah-langkah berikut:

Lengkapi prasyarat.
Siapkan data pelatihan.
Kirimkan pekerjaan pelatihan.
Kirim pekerjaan pembuatan gambar.
Pembersihan sumber daya

Prasyarat

Sebelum Anda mulai, pastikan Anda memiliki yang berikut:

Farm Deadline Cloud dengan armada GPU (Linux, GPU NVIDIA A10G, 13 GB+ VRAM, 64 GiB+ memori sistem disarankan).
Antrian yang terkait dengan armada GPU.
Dead line Cloud CLI diinstal pada workstation Anda.
20—50 gambar pelatihan subjek Anda (.jpg,, .png.jpeg, atau.webp).

Struktur bundel pekerjaan


flux2_klein_lora/
├── lora_training/
│   ├── template.yaml       # OpenJD job template
│   └── train_lora.py       # Training script
└── image_generation/
    ├── template.yaml       # OpenJD job template
    └── generate_image.py   # Inference script

Siapkan data pelatihan

Untuk menyiapkan data pelatihan Anda

Buat direktori yang berisi gambar subjek Anda. Untuk hasil terbaik, gunakan 20—50 gambar dengan berbagai pose, pencahayaan, dan latar belakang.
Secara opsional, berikan file .txt keterangan di samping setiap gambar untuk pelatihan yang lebih bernuansa:
```
training_images/
├── IMG_001.jpeg
├── IMG_001.txt    # "a photo of ohwx dog sitting on grass"
├── IMG_002.jpeg
├── IMG_002.txt    # "a photo of ohwx dog running on beach"
```
Jika tidak ada file keterangan yang ada, skrip pelatihan menghasilkannya secara otomatis menggunakan parameter prompt instance. Teks khusus menghasilkan hasil berkualitas lebih tinggi karena mereka mengajarkan model asosiasi yang lebih spesifik antara kata pemicu dan fitur visual Anda.
Pilih kata pemicu yang unik (sepertiohwx). Ini mengikat konsep yang dipelajari ke token yang tidak bertentangan dengan pengetahuan model yang ada.

Kirim pekerjaan pelatihan

Untuk mengirimkan pekerjaan pelatihan

Arahkan ke flux2_klein_lora direktori di deadline-cloud-samples repositori kloning Anda.

Untuk mengirimkan pekerjaan pelatihan dengan GUI, jalankan perintah berikut:


deadline bundle gui-submit ./lora_training

Atau, untuk mengirimkan pekerjaan pelatihan secara langsung dengan CLI, jalankan perintah berikut:


deadline bundle submit ./lora_training \
  --queue-id gpu-queue-id \
  --parameter DatasetPath="$HOME/training_images" \
  --parameter InstancePrompt="a photo of ohwx dog" \
  --parameter OutputDir=/tmp/lora_output \
  --parameter MaxTrainSteps=1500 \
  --parameter Resolution=512

Pantau status pekerjaan di konsol Deadline Cloud atau dengan menggunakan deadline job get perintah.

Parameter pelatihan

Parameter pelatihan
Parameter	Deskripsi	Default
Versi Model	`flux.2-klein-base-4b` atau `flux.2-klein-4b`	`flux.2-klein-base-4b`
Jalur Dataset	Direktori berisi gambar pelatihan	Tidak ada
Prompt Instance	Teks yang menggambarkan subjek Anda	Tidak ada
Resolusi	Resolusi gambar pelatihan dalam piksel	512
Jaringan Redup	Peringkat LoRa (lebih tinggi = lebih banyak kapasitas)	16
Jaringan Alpha	Faktor penskalaan alfa LoRa	16
Langkah Pelatihan Maks	Jumlah iterasi pelatihan	1500
Direktori Output	Tempat menyimpan beban terlatih	Tidak ada

Output pelatihan

Pekerjaan pelatihan menghasilkan artefak berikut:

flux2_klein_lora.safetensors— Adaptor LoRa terlatih dengan metadata tertanam.
Pos pemeriksaan disimpan setiap 300 langkah.

Untuk mengunduh output setelah pelatihan selesai, jalankan perintah berikut:


deadline job download-output \
  --job-id training-job-id \
  --queue-id gpu-queue-id

Kirim pekerjaan pembuatan gambar

Untuk mengirimkan pekerjaan pembuatan gambar

Arahkan ke flux2_klein_lora direktori di deadline-cloud-samples repositori kloning Anda.

Untuk mengirimkan pekerjaan pembuatan gambar dengan GUI, jalankan perintah berikut:


deadline bundle gui-submit ./image_generation

Atau, untuk mengirimkan pekerjaan pembuatan gambar secara langsung dengan CLI, jalankan perintah berikut:


deadline bundle submit ./image_generation \
  --queue-id gpu-queue-id \
  --parameter LoRAPath=/tmp/lora_output/flux2_klein_lora.safetensors \
  --parameter Prompt="a photo of ohwx dog wearing a tuxedo" \
  --parameter OutputDir=/tmp/generated_images \
  --parameter NumImages=4

Pantau status pekerjaan di konsol Deadline Cloud atau dengan menggunakan deadline job get perintah.

Ketika NumImages lebih dari 1, Deadline Cloud mendistribusikan pekerjaan ke beberapa pekerja untuk menghasilkan lebih cepat.

Parameter generasi

Parameter generasi
Parameter	Deskripsi	Default
Jalur LoRa	Jalur ke `.safetensors` file terlatih	Tidak ada
Prompt	Deskripsi teks (sertakan kata pemicu Anda)	Tidak ada
Jumlah Gambar	Total gambar yang akan dihasilkan	1
Lebar	Lebar keluaran dalam piksel	1024
Tinggi	Tinggi keluaran dalam piksel	1024
Langkah Inferensi	Jumlah langkah denoising	50
Skala Bimbingan	Classifier-free skala bimbingan	4.0

Output generasi

Gambar disimpan sebagaiimage_0001.png,image_0002.png, dan seterusnya. Untuk mengunduhnya, jalankan perintah berikut:


deadline job download-output \
  --job-id generation-job-id \
  --queue-id gpu-queue-id

Varian model

FLUX.2 Varian model Klein
Model	Parameter	Terbaik untuk
`flux.2-klein-base-4b`	4B	Fine-tuning, penggunaan komersial
`flux.2-klein-4b`	4B	Inferensi cepat (4 langkah denoising)

Rekomendasi pelatihan

Rekomendasi berikut dapat membantu Anda mendapatkan hasil terbaik:

Ukuran dataset — 20—50 gambar berkualitas tinggi bekerja dengan baik untuk sebagian besar subjek.
Resol usi — Gunakan 512 untuk GPU dengan VRAM 24 GB. Resolusi yang lebih tinggi membutuhkan lebih banyak memori.
Langkah pelatihan — Mulai dengan 1500. Tingkatkan jika output tidak menyerupai subjek Anda.
Network dim — 16 adalah default yang baik. Gunakan 32 untuk konsep kompleks atau abstrak.
Tingkat pembelajaran — Standar 1e-4 bekerja dengan baik untuk sebagian besar kasus.

Bersihkan

Untuk menghindari biaya yang sedang berlangsung, bersihkan sumber daya yang Anda buat untuk contoh ini:

Untuk membersihkan sumber daya contoh

Di konsol Deadline Cloud, hentikan atau hapus armada GPU yang Anda gunakan untuk contoh ini.
Hapus objek Amazon Simple Storage Service (Amazon S3) yang dibuat oleh lampiran pekerjaan jika tidak lagi diperlukan.
Hapus file output lokal jika tidak lagi diperlukan:
```
rm -rf /tmp/lora_output /tmp/generated_images
```

Sumber daya berikut memberikan informasi tambahan:

Awas Javascript dinonaktifkan atau tidak tersedia di browser Anda.

Untuk menggunakan Dokumentasi AWS, Javascript harus diaktifkan. Lihat halaman Bantuan browser Anda untuk petunjuk.

Konvensi Dokumen

Tutorial

Papan peringkat VLLm LLM