我用Replicate训练了个纹身Flux AI LORA模型,分享下经验
# 我用Replicate训练了个纹身AI模型,分享下经验
## 起因
最近一直在研究AI辅助设计,正好我对纹身设计特别感兴趣。经过一段时间摸索,用Replicate平台训练了一个还不错的纹身设计模型。目前已经整合到了Hottattoo.AI平台上。
其实一开始我也在纠结要不要自己训练模型,毕竟网上现成的模型不少。但用了一段时间后发现,通用模型对纹身设计的理解还是差了点意思,特别是在一些细节的处理上。所以就想着,与其用别人的模型凑合,不如自己动手训练一个。

## 为什么要自己训练模型?
说实话,主要是这几点原因:
1. **更懂纹身**:普通模型可能不太理解纹身的特殊要求,比如线条的流畅度、阴影的层次感
2. **好调整**:自己的模型想怎么改就怎么改,不用受限于别人的设定
3. **效果更好**:专门训练后,在纹身设计这块确实比通用模型强不少
4. **其实很便宜**:训练一次才花了不到2美元,还挺划算
## 实操教程
要是你也想试试,我把步骤整理了一下:
### 第一步:准备工作
需要准备这些:
- Replicate账号
- 20-30张高质量的纹身图片
- 2美元左右的训练费用
### 第二步:准备图片
1. **收集图片**:
- 挑选你喜欢的纹身风格
- 图片要清晰
- 最好风格统一一些
2. **整理文件**:
```bash
# 建个文件夹放图片
mkdir training_data
# 打包
zip -r training-images.zip training_data/*
```
### 第三步:开始训练
可以用网页或者代码来训练:
```python
import replicate
# 建个新模型
model = replicate.models.create(
owner="你的用户名",
name="tattoo-style-lora",
visibility="public",
description="纹身设计模型"
)
# 开始训练
training = replicate.trainings.create(
version="ostris/flux-dev-lora-trainer:4ffd32160efd92e956d39c5338a9b8fbafca58e03f791f6d8011f3e20e8ea6fa",
input={
"input_images": open("training-images.zip", "rb"),
"steps": 1000,
"trigger_word": "TATTOO_STYLE" # 触发词,随便起个名
},
destination=f"{model.owner}/{model.name}"
)
```
### 第四步:测试效果
训练好后,可以试试这样的提示词:
```
A TATTOO_STYLE design of a dragon, black and grey style, detailed linework
```
## 一些小技巧
1. **关于选图**
- 尽量选风格接近的
- 图片质量要好
- 多找几个角度的样本
2. **训练参数**
- 学习率用默认的就行
- 训练1000步差不多够了
- 其他参数也都用默认的挺好
## 实际效果
如果想看看效果,可以直接去Hottattoo.AI试试。我们把这个模型放在上面了,输入你想要的纹身风格就能看到效果。
[Hot TattooI](https://hottattoo.ai/)


## 写在最后
说实话,现在AI辅助设计确实挺方便的,但还是得靠设计师来把控最终效果。这个模型也就是个辅助工具,帮忙提供一些灵感和参考。
有兴趣的朋友可以去体验免费的[AI Tattoo Generator](https://hottattoo.ai/)
,想自己训练的也可以按照这篇文章试试。遇到问题随时交流!
Fine-tune FLUX.1 with your own images - Replicate blog
我用Replicate训练了个纹身Flux AI LORA模型,分享下经验的更多相关文章
- Visual Studio AI 离线模型训练(Windows10)
一.序 环境搭建:[查看] samples-for-ai项目下载:[下载],两个版本,一个2018年6月15日前,一个2018年6月15日-16日版本(当前最新版本). 在环境搭建过程中,通过git ...
- Visual Studio AI 离线模型训练(window 7)
本篇博客用tensorflow训练自带的数据mnist,参考自博客. 背景: 搭建好AI环境:查看 window 7 64位 准备工作: 在搭建AI环境过程中下载的samples-for-ai不是最新 ...
- Tensorflow tflearn 编写RCNN
两周多的努力总算写出了RCNN的代码,这段代码非常有意思,并且还顺带复习了几个Tensorflow应用方面的知识点,故特此总结下,带大家分享下经验.理论方面,RCNN的理论教程颇多,这里我不在做详尽说 ...
- Pytorch使用分布式训练,单机多卡
pytorch的并行分为模型并行.数据并行 左侧模型并行:是网络太大,一张卡存不了,那么拆分,然后进行模型并行训练. 右侧数据并行:多个显卡同时采用数据训练网络的副本. 一.模型并行 二.数据并行 数 ...
- caffe学习笔记(一),ubuntu14.04+GPU (用Pascal VOC2007训练数据,并测试)
把源代码跑起来了,将实验过程记录如下,用于新手入门. 今天和师兄师姐才跑通,来分享下心得.(预训练网络:ImageNet_model,训练集:PASCAL VOC2007, GPU) 首先,整个tra ...
- caffe:用自己的数据训练网络mnist
画黑底白字的软件:KolourPaint. 假设所有"1"的图片放到名字为1的文件夹下.(0-9类似)..获取每个数字的名称文件后,手动表上标签.然后合成train.txt 1.获 ...
- EM算法(2):GMM训练算法
目录 EM算法(1):K-means 算法 EM算法(2):GMM训练算法 EM算法(3):EM算法运用 EM算法(4):EM算法证明 EM算法(2):GMM训练算法 1. 简介 GMM模型全称为Ga ...
- stanford coursera 机器学习编程作业 exercise4--使用BP算法训练神经网络以识别阿拉伯数字(0-9)
在这篇文章中,会实现一个BP(backpropagation)算法,并将之应用到手写的阿拉伯数字(0-9)的自动识别上. 训练数据集(training set)如下:一共有5000个训练实例(trai ...
- lecture6-mini批量梯度训练及三个加速的方法
Hinton的第6课,这一课中最后的那个rmsprop,关于它的资料,相对较少,差不多除了Hinton提出,没论文的样子,各位大大可以在这上面研究研究啊. 一.mini-批量梯度下降概述 这部分将介绍 ...
- Fast RCNN 训练自己数据集 (1编译配置)
FastRCNN 训练自己数据集 (1编译配置) 转载请注明出处,楼燚(yì)航的blog,http://www.cnblogs.com/louyihang-loves-baiyan/ https:/ ...
随机推荐
- Python网页应用开发神器fac 0.3.0全新版本发布
大家好我是费老师,在Python生态中,有很多以Python为主要开发语言,实现网页应用开发的框架,其中最为知名的有Dash.flet.streamlit.gradio.nicegui等. 如果综合考 ...
- 我当年如何入门Linux的?-zdc的那些往事
一.通信当年的疯狂 还记得09年初, 山寨机横行, 市场上手机主要还是塞班os, 小灵通还没有退出市场, 基于安卓的智能手机陆续推出. 没有王者荣耀,更没有微信, 小米的米聊还在ppt里: 那个时候网 ...
- shell 删除文件内容Mac、Linux兼容方法
# 定义sedi数组 # Linux sed后面, 用 "-i" sedi=(-i) case "$(uname)" in Darwin*) # Mac sed ...
- TrueType 和 OpenType 的关系
OpenType 和 TrueType 都是字体文件格式,它们用于在数字设备中存储和渲染文本.虽然这两种格式都广泛使用,但它们在设计和功能上有一些重要区别. TrueType 是由苹果公司和微软公司在 ...
- 【Python】之操作鼠标键盘,上传文件,并支持中文
Mac系统实现操作键盘 Python中模拟键盘和鼠标最著名的模块是:pymouse和pykeyboard.一次安装两个模块比较麻烦,而有一个库整合了这两个模块,而且能支持跨平台操作,这个库叫PyUse ...
- 这应该是全网最详细的Vue3.5版本解读
前言 Vue3.5正式版在这两天发布了,网上已经有了不少关于Vue3.5版本的解读文章.但是欧阳发现这些文章对3.5中新增的功能介绍都不是很全,所以导致不少同学有个错觉,觉得Vue3.5版本不过如此, ...
- Seata 四大模式详解
分布式事务 参考文章: 分布式事务实战方案汇总 https://www.cnblogs.com/yizhiamumu/p/16625677.html 分布式事务原理及解决方案案例https://www ...
- React函数式组件避免无用渲染的方案
在class组件中可以使用shouldComponentUpdate钩子函数,但是函数式组件中是没有这种钩子函数的,那么在函数式组件中来达到类似的效果呢? 答案是:React.Memo,如以下使用案例 ...
- 【效果】使用canvas rotate实现一个旋转的矩形
使用canvas rotate实现一个旋转的矩形,并且以矩形的中心为原点,围绕原点旋转: <canvas id="canvas" width="800" ...
- UWP 通过 .NET 9 和Native AOT 的支持实现 UWP 应用的现代化
微软(9 月 11 日)发布博文,微软正在预览对 .NET 9 的 UWP(通用 Windows 平台)支持,为现有 UWP 开发人员提供一条使用最新的 .NET 和本机 AOT 实现其应用程序现代化 ...