概述先决条件 Job 捆绑包结构准备训练数据提交训练作业提交图像生成作业型号变体培训建议清理相关资源

FLUX.2 Klein LoRa 微调和图像生成

此示例演示如何使用 LoRa（Low-Rank 自适应）微调 FLUX.2 Klein 图像生成模型，并在 Deadline Cloud 上大规模生成图像。该工作流程训练来自小型图像数据集的轻量级适配器。然后，它使用该适配器根据文本提示生成新图像，所有这些图像都作为 GPU 队列上的 Deadline Cloud 作业编排。

此示例的源代码可在上的 de adline-cloud-samples 存储库中找到。 GitHub

以下视频演示了 Deadline Cloud 上的 FLUX.2 Klein LoRa 工作流程。

预计时间：30—60 分钟（包括 15—45 分钟的训练时间）。

概述

该示例由两个任务捆绑包组成：

lora_tra Fine-tunes FLUX.2 ining — 使用 LoRa 对你的图像数据集进行 Klein，生成适配器文件。.safetensors
image_g eneration — 使用经过训练的适配器加载基础模型，并根据文本提示生成图像。生成多张图像时，工作将在各个工作人员之间并行进行。

LoRa 是一种参数高效的微调技术，它可以训练小型适配器，而不是修改整个模型的权重。这种方法使训练速度更快（在单个 GPU 上使用 15-45 分钟），并且生成的适配器便于携带且易于版本控制。

作业捆绑包使用扩散器和 peft 库进行训练和推理。

要完成此示例，请执行以下步骤：

完成先决条件。
准备训练数据。
提交训练作业。
提交图像生成作业。
清理资源。

先决条件

开始之前，请确保您拥有：

拥有 GPU 队列的 Deadline Cloud Farm（Linux，NVIDIA A10G GPU，13 GB+ VRAM，推荐 64 GiB以上的系统内存）。
与 GPU 队列关联的队列。
您的工作站上安装了 De adline Cloud CLI。
20—50 张拍摄对象的训练图像（.jpg、.png.jpeg、或.webp）。

Job 捆绑包结构


flux2_klein_lora/
├── lora_training/
│   ├── template.yaml       # OpenJD job template
│   └── train_lora.py       # Training script
└── image_generation/
    ├── template.yaml       # OpenJD job template
    └── generate_image.py   # Inference script

准备训练数据

准备您的训练数据

创建一个包含拍摄对象图像的目录。为获得最佳效果，请使用 20-50 张姿势、光线和背景各不相同的图像。
或者，在每张.txt图片旁边提供一个字幕文件，以便进行更细致入微的训练：
```
training_images/
├── IMG_001.jpeg
├── IMG_001.txt    # "a photo of ohwx dog sitting on grass"
├── IMG_002.jpeg
├── IMG_002.txt    # "a photo of ohwx dog running on beach"
```
如果不存在字幕文件，则训练脚本会使用实例提示参数自动生成字幕文件。自定义字幕可以产生更高质量的结果，因为它们可以教会模型在触发词和视觉特征之间更具体的关联。
选择一个唯一的触发词（例如ohwx）。这会将学到的概念绑定到一个与现有模型知识不冲突的代币上。

提交训练作业

提交培训作业

导航到克隆deadline-cloud-samples存储库中的flux2_klein_lora目录。

要使用 GUI 提交训练作业，请运行以下命令：


deadline bundle gui-submit ./lora_training

或者，要直接使用 CLI 提交训练作业，请运行以下命令：


deadline bundle submit ./lora_training \
  --queue-id gpu-queue-id \
  --parameter DatasetPath=~/training_images \
  --parameter InstancePrompt="a photo of ohwx dog" \
  --parameter OutputDir=/tmp/lora_output \
  --parameter MaxTrainSteps=1500 \
  --parameter Resolution=512

在 Deadline Cloud 控制台中或使用deadline job get命令监控任务状态。

训练参数

训练参数
参数	说明	默认
模型版本	`flux.2-klein-base-4b` 或 `flux.2-klein-4b`	`flux.2-klein-base-4b`
数据集路径	包含训练图像的目录	—
实例提示	描述您的主题的文字	—
解决方案	训练图像分辨率（以像素为单位）	512
网络调光	LoRa 等级（越高 = 容量越大）	16
网络 Alpha	LoRa α缩放系数	16
最大训练步数	训练迭代次数	1500
输出目录	在哪里保存训练过的重量	—

训练输出

训练作业会生成以下构件：

flux2_klein_lora.safetensors— 经过训练的 LoRa 适配器，带有嵌入式元数据。
每 300 步保存一次检查点。

要在训练完成后下载输出，请运行以下命令：


deadline job download-output \
  --job-id training-job-id \
  --queue-id gpu-queue-id

提交图像生成作业

导航到克隆deadline-cloud-samples存储库中的flux2_klein_lora目录。

要使用 GUI 提交图像生成作业，请运行以下命令：


deadline bundle gui-submit ./image_generation

或者，要直接通过 CLI 提交图像生成作业，请运行以下命令：


deadline bundle submit ./image_generation \
  --queue-id gpu-queue-id \
  --parameter LoRAPath=/tmp/lora_output/flux2_klein_lora.safetensors \
  --parameter Prompt="a photo of ohwx dog wearing a tuxedo" \
  --parameter OutputDir=/tmp/generated_images \
  --parameter NumImages=4

在 Deadline Cloud 控制台中或使用deadline job get命令监控任务状态。

当大NumImages于 1 时，Deadline Cloud 会将工作分配给多个工作人员，以加快生成速度。

生成参数

生成参数
参数	说明	默认
LoRa Path	经过训练的`.safetensors`文件的路径	—
提示	文字描述（包括你的触发词）	—
图像数量	要生成的图像总数	1
宽度	以像素为单位的输出宽度	1024
高度	以像素为单位的输出高度	1024
推理步骤	降噪步骤数	50
指导量表	Classifier-free 指导量表	4.0

发电输出

图像另存为image_0001.pngimage_0002.png、等。要下载它们，请运行以下命令：


deadline job download-output \
  --job-id generation-job-id \
  --queue-id gpu-queue-id

型号变体

FLUX.2 克莱因模型变体
模型	参数	适用于
`flux.2-klein-base-4b`	4B	Fine-tuning，商业用途
`flux.2-klein-4b`	4B	快速推理（4 个降噪步骤）

培训建议

以下建议可以帮助您获得最佳结果：

数据集大小 — 20—50 张高质量图像适用于大多数拍摄对象。
分辨率 — 对于具有 24 GB 显存的 GPU，请使用 512。更高的分辨率需要更多的内存。
训练步骤 — 从 1500 开始。如果输出与拍摄对象不相似，则增加。
网络暗淡 — 16 是一个不错的默认设置。对于复杂或抽象的概念，使用 32。
学习率 — 默认值 1e-4 适用于大多数情况。

清理

为避免持续收费，请清理您为此示例创建的资源：

清理示例资源

在 Deadline Cloud 控制台中，停止或删除您在本示例中使用的 GPU 队列。
如果不再需要任务附件创建的任何 Amazon Simple Storage Service 对象，请将其删除。
如果不再需要本地输出文件，请将其删除：
```
rm -rf /tmp/lora_output /tmp/generated_images
```

以下资源提供了更多信息：

Javascript 在您的浏览器中被禁用或不可用。

要使用 Amazon Web Services 文档，必须启用 Javascript。请参阅浏览器的帮助页面以了解相关说明。

文档惯例

教程

vlLM LLM 排行榜