OneTrainer
OneTrainer
3/5
🧩 软硬件结合
已发布
项目简介
OneTrainer is a one-stop solution for all your Diffusion training needs.
OneTrainer 是一款专为 Diffusion 模型训练打造的一站式解决方案，旨在简化从数据准备到模型微调的全流程。无论你是想对 Stable Diffusion 系列（1.5、2.0、2.1、3.0、3.5、SDXL）、FLUX.1/2、PixArt、Sana、Hunyuan Video 等主流模型进行全量微调、LoRA 还是 Embeddings 训练，OneTrainer 都能提供直观且强大的支持。
标签
项目特点
**多模型支持**：支持 Ernie Image、FLUX.1、Stable Diffusion 1.5/2.0/2.1/3.0/3.5、SDXL、PixArt、Hunyuan Video 等多种主流扩散模型及修补模型。
**多种训练方法**：提供全量微调、LoRA、嵌入（Embeddings）三种训练方式。
**掩码训练**：支持仅对样本的特定部分进行训练，提高训练针对性。
**自动备份**：训练过程中定期自动备份全部进度，支持无缝恢复训练。
**图像增强**：对每个图像样本随机应用旋转、亮度、对比度、饱和度等变换，快速创建更多样化的数据集。
**TensorBoard 集成**：内置 TensorBoard 集成，方便跟踪训练进度。
**多提示训练**：支持对每个图像样本使用多个不同的提示进行训练。
**噪声调度器重缩放**：实现了论文《Common Diffusion Noise Schedules and Sample Steps are Flawed》中的方法。
**EMA 训练**：支持训练自己的 EMA 模型，并可将 EMA 权重保留在 CPU 内存中以减少 VRAM 使用。
**宽高比分桶**：自动同时训练多种宽高比，只需选择目标分辨率，系统自动创建分桶。
**多分辨率训练**：同时训练多个分辨率。
**数据集工具**：使用 BLIP、BLIP2、WD-1.4 自动为数据集添加标注，或使用 ClipSeg、Rembg 创建掩码。
**模型工具**：通过简单 UI 在不同模型格式之间转换。
**采样 UI**：训练期间无需切换应用即可对模型进行采样。
技术规格
| 支持模型 | Ernie Image, Z-Image, Qwen Image, FLUX.1, Flux.2 Dev and Klein, Chroma, Stable Diffusion 1.5, 2.0, 2.1, 3.0, 3.5, SDXL, Würstchen-v2, Stable Cascade, PixArt-Alpha, PixArt-Sigma, Sana, Hunyuan Video 及修补模型 |
|---|---|
| 模型格式 | diffusers, ckpt |
| 训练方法 | 全量微调, LoRA, 嵌入 |
| 运行环境 | Python >=3.10 且 <3.14 |
| 操作系统 | Windows, Linux, macOS |
项目资源
搜索资源
物料清单 (BOM)
| 物料名称 | 数量 | 参考价格 | 备注 |
|---|---|---|---|
| Python | 1 | — | >=3.10 且 <3.14 |
| Git | 1 | — | 用于克隆仓库和更新 |
| 计算机 | 1 | — | 建议配备 NVIDIA GPU（用于训练） |
能力画像
⚪ 记忆与知识检索: 2/5
🔵 逻辑推演: 3/5
⚪ 表达与交流: 1/5
⚪ 感知与观察: 1/5
🔵 数理与计算: 4/5
🔵 动手与操作: 3/5
⚪ 狂热与坚持: 3/5
⚪ 创造与创新: 3/5
项目图库
所需技能
🔧 **动手能力**：需要能够安装 Python 和 Git，运行批处理或 shell 脚本，以及基本的命令行操作。
💻 **编程能力**：需要一定的 Python 基础，能够理解虚拟环境、依赖安装等概念。了解 PyTorch 和扩散模型原理有助于更好地使用。
⚡ **电子电路**：不涉及。
适用场景
**AI 模型微调**：对 Stable Diffusion 等扩散模型进行个性化微调或 LoRA 训练。
**学术研究**：用于实验不同的训练方法、噪声调度器或模型架构。
**内容创作**：训练自定义的文本到图像模型，生成特定风格或主题的图像。
**数据集处理**：利用内置工具对图像数据集进行自动标注、掩码生成和增强。