🎓 模型训练（LoRA）
🖥️ 训练服务器
--
在新服务器上执行以下命令（自动安装 train_worker + 开机自启）：
⚠️ 部署前需确保：① 服务器已装好 NVIDIA 驱动 + Docker ② ai-toolkit 已安装（或 NAS 已挂载）③ 安全组开放 8090 端口
当前训练状态
正在加载...
🚀 开始训练
📚 训练素材库
🕐 历史训练
🗑 回收站
🗂 底模管理
📖 使用说明
① 训练素材
📌 素材在「📚 训练素材库」里上传管理：
① 新建项目 → ② 两个窗口分别传原图/结果图（文件名一致自动配对）
③ 也可从「用户生图记录」勾选好作品加入
④ 攒够 30 组以上即可开始训练
① 新建项目 → ② 两个窗口分别传原图/结果图（文件名一致自动配对）
③ 也可从「用户生图记录」勾选好作品加入
④ 攒够 30 组以上即可开始训练
未选择项目
② 训练参数（默认值即可，不懂别改）
📌 训练步数：模型学习多少轮。
太少（<1000）学不到位；3000 最佳；太多（>8000）会"死记硬背"，换张图就变形。
📌 底模：Kontext 就是你的浮雕模型，目前只有这一个选项。
太少（<1000）学不到位；3000 最佳；太多（>8000）会"死记硬背"，换张图就变形。
📌 底模：Kontext 就是你的浮雕模型，目前只有这一个选项。
📌 分辨率：模型"一次看多大的图"。512 不是你的图变小，是处理尺寸——你的高清训练集（300万像素）会自动缩放，细节不丢。
📌 学习率：模型每次学习的"步子大小"。1e-4 = 0.0001 是标准值：太大学歪，太小白练。默认就好，不要改。
📌 学习率：模型每次学习的"步子大小"。1e-4 = 0.0001 是标准值：太大学歪，太小白练。默认就好，不要改。
💡 grayscale = 灰度。如果你的训练集是彩色风格，把这里改成对应的描述。
✅ 后面的
✅ 后面的
--ctrl_img {control_image} 不用管：删掉也行，系统会自动补上。
⚠️ 训练会占用 GPU，期间 ComfyUI 出图暂停（总控自动降级，线上无感）
训练素材库
📝
🎓 本项目训练记录与 LoRA
（按项目自动关联，训练产出在这里直接看、直接挂载）
正在加载本项目训练记录...
🛠 配对命名工作台 （日常攒素材用：选图 → 输入序号 → 自动规范命名）
怎么用：左侧选「原图」、右侧选「结果图」→ 点「自动」找下一个空序号（或手动输入）→ 点「💾 保存本组」。
保存后自动命名成 {序号}.png：原图进 controls/、结果图进 images/，同名即自动配对。文件名、配对一步到位，不用再手动改名。
保存后自动命名成 {序号}.png：原图进 controls/、结果图进 images/，同名即自动配对。文件名、配对一步到位，不用再手动改名。
🖼 原图（start，彩色/转换后图）
📁 点击或拖入本地原图
将保存为 controls/{序号}.png
🎨 结果图（end，最终浮雕效果）
📁 点击或拖入本地结果图
将保存为 images/{序号}.png
🔧 批量工具
▶ 📂 整包上传（文件夹拖入 / 按原名上传）
📂 拖入整个文件夹，或点击选择文件夹
支持的文件夹结构：
images/（结果图）+ controls/（原图）— ai-toolkit 标准格式
或 end/ + start/，或 结果图/ + 原图/
文件名一致自动配对，支持 png/jpg/jpeg/webp
images/（结果图）+ controls/（原图）— ai-toolkit 标准格式
或 end/ + start/，或 结果图/ + 原图/
文件名一致自动配对，支持 png/jpg/jpeg/webp
准备中...
🖼 原图（start，保持原名）— 单个上传
📁 拖拽或点击上传原图
文件名需与结果图配对（如 1.png ↔ 1.png）
🎨 结果图（end，保持原名）— 单个上传
📁 拖拽或点击上传结果图
文件名需与原图配对（如 1.png ↔ 1.png）
💡 保持原名上传：适合本地已按规范命名（如 10.png ↔ 10.png）的素材。
从用户生图记录加入训练集
拉取用户成功出图，勾选好的作品加入当前项目（人工把关，避免坏图污染训练集）
训练历史与产出 LoRA
| 时间 | 名称 | 步数 | 参数 | 状态 | LoRA 文件 / 备注 | 操作 |
|---|---|---|---|---|---|---|
| 加载中... | ||||||
🗑 回收站（删除的 LoRA 在这里，可恢复或彻底删除）
删除模型只会先进回收站，不直接删文件；恢复后回到「🕐 历史训练」。
| 移入时间 | 名称 | LoRA 文件 | 所属项目 | 操作 |
|---|---|---|---|---|
| 加载中... | ||||
底模管理（NAS 工作台 / OSS 仓库）
加载中...
📖 训练功能使用说明
训练流程（傻瓜式）：
① 进「📚 训练素材库」→ 新建项目（如"象牙浮雕"）
② 方式一：把整个文件夹拖入顶部大方框 → 自动识别 images/controls 子目录，批量上传
② 方式二：两个小窗口分别拖入【原图】和【结果图】（文件名一致自动配对）
② 方式三（推荐日常攒素材）：用「🛠 配对命名工作台」→ 左选原图、右选结果图 → 点「🎯 自动」找空序号 → 「💾 保存本组」→ 自动命名成 1.png/2.png… 且自动配对
③ 也可点「从用户生图记录加入」勾选好的作品
④ 攒素材期间随时点「🔍 质量检查」：自动找出原图/结果图分辨率或比例不一致的组（这类坏样本会影响训练效果，建议剔除或重做）
⑤ 素材命名乱了可用「🔢 按序号批量重命名」一键整理成 1、2、3…
⑥ 攒够 30 组以上 → 到「🚀 开始训练」选项目 → 点开始
⑦ 训练中可看进度，完成后 LoRA 自动产出
LoRA 怎么用于生图？
训练完的 LoRA 在「🕐 历史训练」里点「🔌 挂载到ComfyUI」→ 文件复制到 ComfyUI 的 loras 目录 → 生图工作流/机器测试即可加载使用。
素材库管理（v0.98.7 新增）：
① 「📋 复制」：把已有素材库一键复制成新项目，再增删不好的素材、微调后重训（不用重传）
② 「⬇ 导出」：把整个素材库打包 zip 下载，备份或换机迁移都方便
③ 「✏️ 重命名」「📝 备注」：项目改名（训练历史自动跟随）、写备注（下拉框显示 📝）
LoRA 挂载与回收站（v0.98.7 新增）：
挂载成功的 LoRA 会显示绿色「✅ 已挂载」；不满意可「🔌 取消挂载」，出图立即不再使用。
不用的 LoRA 点「🗑 回收站」→ 整个训练输出移到 NAS 回收站（同盘秒级、可恢复），需要时找管理员恢复。
训练完的存储清理（v0.99 起全自动）：
底模常驻 OSS（标准存储，0.09元/GB/月 ≈ 5元/月），不再占 NAS。
点「🚀 开始训练」→ 若本地没有底模，先自动从 OSS 拉取（约 32G，3-5 分钟，有进度显示）→ 拉完自动开训。
训练结束 → 自动删除 NAS 上的底模副本（OSS 有完整备份，随时可拉回），NAS 只留 LoRA 成品和素材。
① 进「📚 训练素材库」→ 新建项目（如"象牙浮雕"）
② 方式一：把整个文件夹拖入顶部大方框 → 自动识别 images/controls 子目录，批量上传
② 方式二：两个小窗口分别拖入【原图】和【结果图】（文件名一致自动配对）
② 方式三（推荐日常攒素材）：用「🛠 配对命名工作台」→ 左选原图、右选结果图 → 点「🎯 自动」找空序号 → 「💾 保存本组」→ 自动命名成 1.png/2.png… 且自动配对
③ 也可点「从用户生图记录加入」勾选好的作品
④ 攒素材期间随时点「🔍 质量检查」：自动找出原图/结果图分辨率或比例不一致的组（这类坏样本会影响训练效果，建议剔除或重做）
⑤ 素材命名乱了可用「🔢 按序号批量重命名」一键整理成 1、2、3…
⑥ 攒够 30 组以上 → 到「🚀 开始训练」选项目 → 点开始
⑦ 训练中可看进度，完成后 LoRA 自动产出
LoRA 怎么用于生图？
训练完的 LoRA 在「🕐 历史训练」里点「🔌 挂载到ComfyUI」→ 文件复制到 ComfyUI 的 loras 目录 → 生图工作流/机器测试即可加载使用。
素材库管理（v0.98.7 新增）：
① 「📋 复制」：把已有素材库一键复制成新项目，再增删不好的素材、微调后重训（不用重传）
② 「⬇ 导出」：把整个素材库打包 zip 下载，备份或换机迁移都方便
③ 「✏️ 重命名」「📝 备注」：项目改名（训练历史自动跟随）、写备注（下拉框显示 📝）
LoRA 挂载与回收站（v0.98.7 新增）：
挂载成功的 LoRA 会显示绿色「✅ 已挂载」；不满意可「🔌 取消挂载」，出图立即不再使用。
不用的 LoRA 点「🗑 回收站」→ 整个训练输出移到 NAS 回收站（同盘秒级、可恢复），需要时找管理员恢复。
训练完的存储清理（v0.99 起全自动）：
底模常驻 OSS（标准存储，0.09元/GB/月 ≈ 5元/月），不再占 NAS。
点「🚀 开始训练」→ 若本地没有底模，先自动从 OSS 拉取（约 32G，3-5 分钟，有进度显示）→ 拉完自动开训。
训练结束 → 自动删除 NAS 上的底模副本（OSS 有完整备份，随时可拉回），NAS 只留 LoRA 成品和素材。
🔄 更换服务器后如何恢复训练功能
简单三步，数据全部保留：
① 添加机器：管理后台「机器管理」→ 添加机器 → 填写公网IP + GPU信息
② 一键部署：回到本页顶部「训练服务器」→ 选中新机器 → 点「📦 一键部署训练服务」→ 复制命令到新服务器执行
③ 测试连接：点「🔌 测试连接」→ 显示绿色「训练服务在线」= 恢复成功 ✅
① 添加机器：管理后台「机器管理」→ 添加机器 → 填写公网IP + GPU信息
② 一键部署：回到本页顶部「训练服务器」→ 选中新机器 → 点「📦 一键部署训练服务」→ 复制命令到新服务器执行
③ 测试连接：点「🔌 测试连接」→ 显示绿色「训练服务在线」= 恢复成功 ✅
⚠️ 新服务器需提前准备好：NVIDIA 驱动 + Docker + ai-toolkit（或 NAS 挂载后路径正确）+ 安全组开放 8090 端口
# 换机完整流程（假设新服务器 IP 为 47.xxx.xxx.xxx）：
#
# 1. 管理后台 → 机器管理 → 添加机器 → 填公网IP
# 2. 本页顶部选中新机器 → 点「一键部署」→ 复制命令
# 3. SSH 到新服务器，粘贴执行：
curl -fsSL 'https://dev.bdxfd.com/api/admin/train/deploy-script?agent_id=XX' \
-H "Authorization: Bearer YOUR_TOKEN" | bash
# 4. 回本页点「测试连接」→ 绿色 = 成功
# 5. 素材/底模/LoRA 全在 NAS，挂载后自动可见，无需重新上传
#
# 1. 管理后台 → 机器管理 → 添加机器 → 填公网IP
# 2. 本页顶部选中新机器 → 点「一键部署」→ 复制命令
# 3. SSH 到新服务器，粘贴执行：
curl -fsSL 'https://dev.bdxfd.com/api/admin/train/deploy-script?agent_id=XX' \
-H "Authorization: Bearer YOUR_TOKEN" | bash
# 4. 回本页点「测试连接」→ 绿色 = 成功
# 5. 素材/底模/LoRA 全在 NAS，挂载后自动可见，无需重新上传