1. 클론

git clone https://github.com/kohya-ss/sd-scripts.git cd sd-scripts

2. 가상환경 생성

python -m venv venv .\venv\Scripts\activate # Windows

또는

source venv/bin/activate # Linux/Mac

3. PyTorch 설치 (CUDA 11.8 기준)

pip install torch==2.1.2 torchvision==0.16.2 --index-url https://download.pytorch.org/whl/cu118

4. 의존성 설치

pip install --upgrade -r requirements.txt pip install xformers==0.0.23.post1 --index-url https://download.pytorch.org/whl/cu118

5. Accelerate 설정

accelerate config

질문에 답변:

컴퓨팅 환경: This machine 머신 타입: No distributed training CPU only?: NO torch dynamo?: NO DeepSpeed?: NO GPU ids: all (또는 0) Mixed precision: 8GB VRAM의 경우 fp16, 12GB 이상의 경우 bf16

SDXL(Stable Diffusion XL) 모델 아키텍처는 여러 개의 대용량 파일로 구성되며 두 가지 주요 구성 요소는 기본 모델과 선택적 정제 모델입니다..safetensors. 모델 파일 크기는 사용된 파일 형식(예: 또는 .ckpt) 에 따라 달라질 수 있습니다 . 공식 SDXL 1.0 파일 공식 SDXL 1.0 릴리스의 일반적인 파일 크기는 다음과 같습니다. 기본 모델: 약 6.94GB. 이 모델은 텍스트 프롬프트에서 초기 이미지를 생성하는 데 사용됩니다. 리파이너 모델: 약 6.08GB. 리파이너는 기본 모델에서 생성된 이미지에 세부적인 정보를 추가하고 품질을 개선하는 두 번째 단계로 사용됩니다. 전체 파이프라인의 총 크기: 기본 모델과 정제 모델의 결합된 크기는 약 13GB이지만, 많은 사용자는 이제 더 빠른 워크플로를 위해 기본 모델을 주로 사용합니다.

이미지 크기 조정 및 버킷화 최적 해상도: 훈련하려는 기본 모델에 따라 권장 해상도가 다릅니다. Stable Diffusion 1.5: 512x512, 512x768, 768x512 등 SDXL: 1024x1024 버킷화 (Bucketing): Kohya_ss는 여러 다른 해상도의 이미지를 효율적으로 처리하는 '버킷' 기능을 제공합니다. GUI에서 사전 처리 탭 선택: Kohya GUI의 Utilities 탭에서 Prepare training data를 선택합니다. 폴더 설정: Source directory에 원본 이미지 폴더를, Destination directory에 처리된 이미지를 저장할 폴더를 지정합니다. 최소/최대 해상도 설정: Min resolution과 Max resolution을 설정하고, Use buckets를 활성화합니다. 자동 크기 조정: Process images를 실행하면 이미지가 지정된 버킷 해상도에 맞게 자동으로 리사이즈되고 크롭됩니다.

💡 추가 팁 최대 3000 스텝 또는 30 에포크 권장 GitHub 50장의 학습 이미지와 4회 반복 권장 GitHub VRAM별 배치 크기:

8GB: batch_size 1-2 GitHub 12GB: batch_size 2-3 GitHub 더 높은 VRAM: batch_size 5+ GitHub

💡 반복 횟수 선택 가이드

이미지 수	권장 반복	폴더명 예시	10 에포크 시 총 스텝
10장	10회	`10_character`	1000 스텝
20장	5회	`5_character`	1000 스텝
50장	4회	`4_character`	2000 스텝
100장	2회	`2_character`	2000 스텝
200장	1회	`1_character`	2000 스텝

목표: 총 스텝이 1500~3000 정도가 되도록 조절

고품질 (일관된 스타일/포즈/의상): → 4회 반복으로 충분

저품질 (다양한 각도/의상/배경): → 10~20회 필요할 수도


### **2. 목표가 다름**

Gemini 기준: 캐릭터 얼굴/특징 확실히 학습 Kohya 문서: 과적합(overfitting) 방지


### **3. 총 스텝 수 계산 방식**

50장 × 4회 × 10 에포크 = 2000 스텝 50장 × 10회 × 5 에포크 = 2500 스텝 50장 × 20회 × 2 에포크 = 2000 스텝

결국 **총 스텝이 비슷**하면 결과도 비슷해요!

---

## 📊 실전 테스트 결과 (커뮤니티 경험)

| 반복 횟수 | 이미지 수 | 에포크 | 총 스텝 | 결과 |
|----------|----------|-------|---------|------|
| 4회 | 50장 | 10 | 2000 | ⭐⭐⭐⭐ 균형 잡힘 |
| 10회 | 50장 | 5 | 2500 | ⭐⭐⭐⭐⭐ 강한 학습 |
| 20회 | 50장 | 3 | 3000 | ⚠️ 과적합 위험 |
| 2회 | 100장 | 10 | 2000 | ⭐⭐⭐⭐ 자연스러움 |

---

## 🎯 실전 가이드

### **상황별 권장 설정**

#### **📷 고품질 데이터셋 (일관된 캐릭터/스타일)**

이미지: 50장 반복: 4~6회 에포크: 8~10 총 스텝: 1600~3000

예: 4_character_name


#### **🎨 다양한 데이터셋 (여러 포즈/의상/배경)**

이미지: 50장 반복: 8~12회 에포크: 5~8 총 스텝: 2000~4800

예: 10_character_name


#### **⚡ 빠른 테스트 (품질 확인용)**

이미지: 30장 반복: 5회 에포크: 5 총 스텝: 750

예: 5_test_character


#### **🏆 프로덕션 품질 (상업용/고품질)**

이미지: 100장+ 반복: 3~5회 에포크: 10~15 총 스텝: 3000~7500

예: 3_character_name


---

## 💡 **내 추천: 점진적 테스트**

### **1단계: 낮게 시작**

폴더: 4_character 에포크: 5 → 1000 스텝에서 결과 확인


### **2단계: 필요시 증가**

만족스럽지 않으면: 폴더: 8_character 에포크: 5 → 2000 스텝에서 재확인


### **3단계: 최적점 찾기**

과적합 보이면: 반복 횟수 줄이기 언더피팅이면: 반복 횟수 늘리기


---

## 🔬 과학적(?) 접근

### **총 스텝 기준 가이드:**

1000~1500 스텝: 가벼운 스타일 LoRA 2000~3000 스텝: 캐릭터 LoRA (일반) 3000~5000 스텝: 디테일한 캐릭터 5000+ 스텝: 복잡한 컨셉/다중 캐릭터

5.7 KiB Raw Blame History Unescape Escape