Krea2图像编辑LoRA训练：配对数据、AI Toolkit参数与批次报错修复

作者：@T8star-Aix



一句话导读：本期演示如何用配对的原图与编辑目标图训练 Krea2 图像编辑 LoRA，并更新 AI Toolkit 云端训练器，修复批次设置较大时出现的训练报错。

核心内容：
1. 效果与定位：作者展示了训练约 5000 步的 LoRA，用于移除图片中的帽子、车辆等对象。当前模型能完成基本编辑指令，但稳定性和泛化能力仍取决于训练样本数量与覆盖范围，不能把单次采样失败直接等同于训练无效。
2. 配对数据结构：reference/control 目录保存原图，target 目录保存编辑后的目标图；两边图片必须使用一致的文件名。目标图还需要同名 TXT，写入对应编辑指令，例如移除某个对象。原图本身不需要提示词。
3. 数据量与制作：演示数据集约 20 组，作者提醒移除类任务需要更多、多样化的配对样本以提升鲁棒性。没有现成数据时，可以借助图像编辑模型制作一对一、尺寸尽量一致的原图和目标图。
4. AI Toolkit 模型选择：新建任务时应选择 Krea2 的 edit training 配置，而不是普通 LoRA 或其他训练类型。训练界面中的控制数据集要指向 reference/control，目标数据集要指向 target；这两个路径如果选反会直接报错。
5. 关键参数：作者建议启用与编辑模型相关的缓存和目标特征选项，增加保存轮次，并根据质量要求选择最高约 1536 的分辨率。优化器可使用自动学习率方案，但训练更快不一定代表质量更好；步数应结合样本量和编辑任务复杂度提高。
6. 控制图与提示词：单控制训练传一张控制图，双控制训练则需要对应两张；采样提示词和控制图数量必须与训练配置一致，否则容易报错。编辑指令不宜过于复杂，因为当前基础模型的编辑能力仍有限。
7. 批次报错修复：旧版训练器在批次大于 1 时可能发生训练异常。作者说明新版 Docker/云端训练器已修复这一问题，Krea2 的不同模型规格均可按显存条件设置更大的批次。
8. 本地测试建议：训练完成后可下载 LoRA 到本地工作流，替换模型后用不同编辑提示词复测。生成尺寸保持约 100 万像素通常更稳定；若训练分辨率覆盖 768 到 1536，也可以在这个范围内适当调整。

适合人群：准备训练图像编辑 LoRA、需要理解配对数据格式，或正在排查 AI Toolkit 数据集路径、批次和采样配置问题的用户。

补充说明：本文根据授权视频约 8 分 36 秒的完整音频转写整理，并结合视频简介与默认首屏 3 条评论核对模型名、训练器入口和资源链接。建议观看原视频确认界面中的具体开关、数据集路径和实际生成效果。

相关夸克网盘链接：
【T8 CF整合包V12：https://pan.quark.cn/s/af20c54c9a13】
【无限画布整合包v2.5.4（支持贞贞平价AI小屋API）：https://pan.quark.cn/s/5871a0142ff3】
【贞贞整合包V4.7F：https://pan.quark.cn/s/ed4f5cc2db75】