SD-Trainer

LoRA-scripts（SD-Trainer）是基于 kohya-ss/sd-scripts 的本地训练与数据集工作台。v2 界面集成训练配置、Caption 生成、人工标签编辑、任务日志和训练指标。

English · 人类操作指南 · MCP 接入 · Agent 使用文档 · Agent 开发文档

训练工作台

选择训练器，配置模型资产和数据集，在启动任务前查看参数帮助与配置检查结果。表单随训练器展示对应参数，支持常用/全部参数切换、搜索和配置完成度检查。

当前目录提供 SD、SDXL、SD3、FLUX.1、Chroma、Lumina、HunyuanImage 2.1、Anima 和 MOSS-Image Base / SFT LoRA；实验性训练器会在界面中标注。训练代码直接收录于 scripts/dev，已同步 sd-scripts v0.12.3。MOSS-Image 的模型与依赖要求见安装配置指南。

任务保留配置、状态和日志，详情页直接展示损失与学习率曲线。指标读取兼容 TensorBoard 的事件文件，无需另外启动 TensorBoard 服务。

Caption 与人工编辑

Caption 工作台可扫描数据集，使用 WD/CL 标签器、BLIP/GIT 系列模型及支持的 chat VLM 批量生成标签或自然语言描述。默认跳过已有 Caption，可选手动选图及写入前复核，并与训练任务共享 GPU 队列。界面会在执行前显示模型可用性与依赖要求。

独立的 Tag 编辑器支持逐图编辑、筛选、标签建议、批量增删、文本或正则替换以及格式整理。批量修改先预览再应用；备份与冲突检测支持在文件未被外部修改时安全回滚。

通过 MCP 让 agent 操作

GUI 启动时默认同时开启内置 MCP。在本机 MCP 客户端选择 Streamable HTTP，连接 http://127.0.0.1:28000/mcp/；端口不同时，从 GUI 设置复制实际地址。设置中的开关即时生效，并在下次启动时保留。Agent 可以查看数据、提交实验、监控日志与指标、读取输出样图，使用与网页相同的训练队列。连接详情与可选的独立 stdio 入口见 MCP 接入说明。

Windows NVIDIA 便携版

从 Releases 下载 lora-scripts_windows_portable_nvidia.7z，完整解压后双击包内的 run_gui.bat。

默认包包含 Python 3.11.9、PyTorch 2.14.1 / CUDA 13.0 和构建好的前端。另提供 lora-scripts_windows_portable_nvidia_cu128.7z，使用 PyTorch 2.11.0 / CUDA 12.8。两者均内置匹配的 ONNX GPU 运行时，需要 Windows x64 与兼容的 NVIDIA 驱动，无需另装 Python、Node.js 或 CUDA Toolkit。

默认 CUDA 13 包需要 R580 或更新驱动。cu128 包提供另一种 CUDA/驱动组合；两个包均要求 Turing 或更新架构，不恢复 Pascal、Volta 显卡支持。模型权重与训练数据需自行准备。详见便携版使用与排障。

从源码安装

默认 CUDA 13.0 安装推荐使用已验证的 Python 3.11 x64；Python 3.10 源码安装须选择 cu128。获取源码需要 Git。构建前端还需要带 Corepack 的 Node.js 22 LTS（至少 22.12）或 24+，运行已构建的前端不需要 Node.js。

安装器默认提供 PyTorch 2.14.1、torchvision 0.29.1、xFormers 0.0.35 与 CUDA 13.0。Windows 传入 -Cuda cu128、Linux 传入 --cuda cu128，可选择 PyTorch 2.11.0 / torchvision 0.26.0。如需保留其他兼容组合，先在项目环境中安装对应的 PyTorch，再传入 -SkipTorch 或 --skip-torch；PyTorch 至少需要 2.6。启动时会按已安装 PyTorch 的 CUDA 版本选择 ONNX Runtime。

git clone https://github.com/Akegarasu/lora-scripts
cd lora-scripts

构建前端

当前开发版本在 version.json 中关闭了 frontend.autoDownload。源码首次启动前需要构建前端；前端代码更新后也需要重新构建：

cd frontend
corepack pnpm install --frozen-lockfile
corepack pnpm run build
cd ..

Corepack 使用 frontend/package.json 中固定的 pnpm 版本。构建结果与版本信息会写入 frontend/dist。

Windows

在仓库根目录打开 PowerShell，执行：

.\scripts\install-cn.ps1
.\scripts\run_gui.ps1

使用官方安装源时，将安装命令换成 .\scripts\install.ps1。 安装 CUDA 12.8 版本时使用 .\scripts\install-cn.ps1 -Cuda cu128 或 .\scripts\install.ps1 -Cuda cu128。

Linux

在仓库根目录执行：

bash scripts/install.bash
source venv/bin/activate
bash scripts/run_gui.sh

GUI 启动脚本使用当前激活的 Python，因此每次新开终端都需要先激活 venv。启动后打开 http://127.0.0.1:28000。 安装 CUDA 12.8 版本时使用 bash scripts/install.bash --cuda cu128。

更新 Python 依赖后，应重新运行安装器并重启 GUI。已启用前端自动下载的发布版本可以从 GitHub Release、Jihulab 或静态镜像获取匹配前端；开发版本仍需按上面的步骤构建。详见前端版本与分发说明。

Docker

Dockerfile 会构建前端，并将当前源码与 PyTorch 2.14.1 / CUDA 13.0 一起打包：

docker build -t lora-scripts:local .
docker run --gpus all -p 28000:28000 lora-scripts:local

构建 CUDA 12.8 版本时需同时设置两个参数：

docker build --build-arg PYTORCH_IMAGE=pytorch/pytorch:2.11.0-cuda12.8-cudnn9-runtime --build-arg CUDA_FLAVOR=cu128 -t lora-scripts:cu128 .

宿主机需要兼容的 NVIDIA 驱动与 NVIDIA Container Toolkit。请把数据集、模型和输出目录挂载到容器内 /app/lora-scripts 下的对应位置，以便在容器外保留文件。

通过脚本训练

安装依赖后，也可在仓库根目录编辑并运行 Windows 的 scripts/train.ps1 或 Linux 的 scripts/train.sh。Linux 需要先激活 venv。这些入口与 GUI 使用同一份随仓库分发的训练代码。

GUI 参数

在已激活的环境中传给 python gui.py，或传给便携版的 run_gui.bat。

参数	默认值	说明
--host	127.0.0.1	服务器绑定地址
--port	28000	服务器端口
--listen	关闭	监听所有网络接口
--skip-prepare-environment	关闭	跳过依赖检查与准备
--skip-prepare-onnxruntime	关闭	跳过 ONNX Runtime 准备
--disable-auto-mirror	关闭	禁用自动软件源镜像选择
--dev	关闭	启用后端自动重载，跳过前端自动下载
--frontend-source	读取配置，默认 github	github、jihulab/cn、static、auto 或 off
--frontend-static-base-url	未设置	静态前端镜像根地址
--skip-frontend-download	关闭	跳过前端自动下载
--force-frontend-download	关闭	重新安装匹配版本的前端制品

许可

GNU AGPL v3。随仓库收录的组件与下载的模型分别遵循各自许可。