概觀先決條件任務套件結構準備訓練資料提交訓練任務提交映像產生任務模型變體訓練建議清除相關資源

FLUX.2 Klein LoRA 微調和產生影像

此範例示範如何使用 LoRA （低排名調整）微調 FLUX.2 Klein 影像產生模型，並在截止日期雲端上大規模產生影像。工作流程會從小型影像資料集訓練輕量型轉接器。然後，它會使用該轉接器從文字提示產生新映像，所有文字提示都會協調為 GPU 機群上的截止日期雲端任務。

此範例的原始程式碼可在 GitHub 的 deadline-cloud-samples 儲存庫中使用。

下列影片示範在截止日期雲端上的 FLUX.2 Klein LoRA 工作流程。

預估時間：30–60 分鐘（包括 15–45 分鐘的訓練）。

概觀

此範例包含兩個任務套件：

lora_training – 使用 LoRA 在影像資料集上微調 FLUX.2Krein，產生.safetensors轉接器檔案。
image_generation – 使用訓練過的轉接器載入基本模型，並從文字提示產生影像。產生多個映像時，工作會跨工作者平行處理。

LoRA 是一種參數高效的微調技術，可訓練小型轉接器，而不是修改完整的模型權重。此方法可讓訓練快速（在單一 GPU 上為 15–45 分鐘），而產生的轉接器便攜且易於版本。

任務套件使用擴散器和 peft 程式庫進行訓練和推論。

若要完成此範例，請遵循下列步驟：

完成先決條件。
準備訓練資料。
提交訓練任務。
提交映像產生任務。
清除資源。

先決條件

開始前，請確定您有下列項目：

具有 GPU 機群的截止日期雲端陣列 (Linux建議使用 NVIDIA A10G GPU、13 GB+ VRAM、64 GiB+ 系統記憶體）。
與 GPU 機群相關聯的佇列。
工作站上安裝的截止日期雲端 CLI。
您主題的 20–50 張訓練影像 (.jpg、.jpeg、 .png或 .webp)。

任務套件結構


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

準備訓練資料

建立包含您主體影像的目錄。為了獲得最佳結果，請使用 20–50 張具有不同姿勢、照明和背景的影像。
或者，為每個影像提供.txt字幕檔案，以獲得更細微的訓練：
```
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"
```
如果沒有字幕檔案，訓練指令碼會使用執行個體提示參數自動產生這些檔案。自訂字幕會產生更高品質的結果，因為它們會教導模型您的觸發詞和視覺特徵之間更具體的關聯。
選擇唯一的觸發詞（例如 ohwx)。這會將學到的概念繫結到不會與現有模型知識衝突的字符。

提交訓練任務

導覽至您複製儲存deadline-cloud-samples庫中的flux2_klein_lora目錄。

若要使用 GUI 提交訓練任務，請執行下列命令：


deadline bundle gui-submit ./lora_training

或者，若要直接使用 CLI 提交訓練任務，請執行下列命令：


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

在截止日期雲端主控台或使用 deadline job get命令來監控任務狀態。

訓練參數

訓練參數
參數	描述	預設
模型版本	`flux.2-klein-base-4b` 或 `flux.2-klein-4b`	`flux.2-klein-base-4b`
資料集路徑	包含訓練映像的目錄	—
執行個體提示	描述您的主體的文字	—
Resolution	以像素為單位的訓練影像解析度	512
Network Dim	LoRA 排名（較高 = 更多容量）	16
網路 Alpha	LoRA alpha 擴展係數	16
訓練步驟上限	訓練反覆運算次數	1500
輸出目錄	在何處儲存訓練過的權重	—

訓練輸出

訓練任務會產生下列成品：

flux2_klein_lora.safetensors – 具有內嵌中繼資料的訓練 LoRA 轉接器。
每 300 個步驟儲存的檢查點。

若要在訓練完成後下載輸出，請執行下列命令：


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

提交映像產生任務

導覽至您複製儲存deadline-cloud-samples庫中的flux2_klein_lora目錄。

若要使用 GUI 提交映像產生任務，請執行下列命令：


deadline bundle gui-submit ./image_generation

或者，若要直接使用 CLI 提交映像產生任務，請執行下列命令：


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

在截止日期雲端主控台或使用 deadline job get命令來監控任務狀態。

當 NumImages 大於 1 時，Deadline Cloud 會將工作分散到多個工作者，以便更快速產生。

產生參數

產生參數
參數	描述	預設
LoRA 路徑	訓練`.safetensors`檔案的路徑	—
提示詞	文字描述（包括您的觸發字詞）	—
影像數量	要產生的映像總數	1
Width	輸出寬度，以像素為單位	1024
Height	輸出高度，以像素為單位	1024
推論步驟	雜訊消除步驟的數量	50
指導規模	無分類器指引擴展	4.0

產生輸出

影像會儲存為 image_0001.png、 image_0002.png等。若要下載它們，請執行下列命令：


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

模型變體

FLUX.2 Klein 模型變體
模型	Parameters	最適合
`flux.2-klein-base-4b`	4B	微調、商業用途
`flux.2-klein-4b`	4B	快速推論 (4 個雜訊消除步驟）

訓練建議

下列建議可協助您獲得最佳結果：

資料集大小 – 20–50 張高品質影像非常適合大多數主體。
解析度 – 針對具有 24 GB VRAM 的 GPUs 使用 512。較高的解析度需要更多記憶體。
訓練步驟 – 從 1500 開始。如果輸出與您的主體不相似，請增加。
網路變暗 – 16 是良好的預設值。針對複雜或抽象概念使用 32。
學習率 – 1e-4 的預設值適用於大多數情況。

清除

為了避免持續收費，請清除您為此範例建立的資源：

清除範例資源

在截止日期雲端主控台中，停止或刪除您用於此範例的 GPU 機群。
如果不再需要任務附件建立的任何 Amazon Simple Storage Service (Amazon S3) 物件，請將其刪除。
如果不再需要本機輸出檔案，請將其移除：
```
rm -rf /tmp/lora_output /tmp/generated_images
```

下列資源提供其他資訊：

您的瀏覽器已停用或無法使用 Javascript。

您必須啟用 Javascript，才能使用 AWS 文件。請參閱您的瀏覽器說明頁以取得說明。

文件慣用形式

教學

vLLM LLM 排行榜