Lora Trainer

lora-trainer — LoRA 训练编排入口

把「训练一个 LoRA」的意图，变成一次受控的训练：准备数据 → 体检 → 组装配置 → 用户确认 → 通过 trainer API 开训 → 监看 log。本 skill 默认 Anima 优先，也支持 SD1.5 / SDXL / Flux。

训练耗时、占显存、难回退。在 POST /api/run 之前必须把组装好的配置摊给用户、明确确认；未确认不开训。

底层 = lora-scripts-next（SD-Trainer）的 mikazuki FastAPI（http://127.0.0.1:28000，路由前缀 /api）。完整契约见 ../references/trainer-api.md。

适用范围（用户用的不是 SD-Trainer 时怎么办）

本 skill 的开训与打标只针对 SD-Trainer 的 mikazuki API——trainer-api.md 的契约只对它成立。绝不要把这套 /api/run body 发给别的训练器（kohya_ss GUI、OneTrainer、ai-toolkit…），它们的 API 完全不同。用户在用别的训练器时，按可移植性分层处理：

1. 体检照做：dataset-doctor 与 fix_dataset.py 是训练器无关的（标准 kohya <repeats>_<concept> + sidecar caption 约定），完整可用，全程离线。
2. 参数知识可借用：anima-params.md / presets.md 的键就是 kohya sd-scripts 词汇（network_dim、unet_lr、repeats/epochs 步数预算）。可以据此给参数建议，或替用户生成一份 kohya 风格 TOML / 命令行，让他们在自己的训练器里手动跑。
3. 不自动开训：明确告知「自动开训只支持 SD-Trainer」，给两条路——装 SD-Trainer（见 README），或拿第 2 点生成的配置自己跑。

/api/version 连不上 ≠ 中止一切：数据整理、体检、修复全部离线可做；开训需要 trainer 在线，打标则按底模需要已配置的 sd-image-sorter 或 trainer 端点。

两条路径

• 快速通道（默认）：用户只给一个图片文件夹。结构整理、打标、体检、修复、选参全部自动；用户只看一张「确认卡」。一般用户走这条。
• 进阶通道：用户自己点名 preset / dim / LR / 优化器等参数时走「进阶流程」，参数知识见 ../references/。

两条路都必须过 dataset-doctor 闸门，必须确认后才开训。

快速通道（只需要一个图片文件夹）

0. 连 trainer、读显卡。 GET /api/version 确认在跑（连不上 → 让用户启动 run_gui.bat，可建议在输入框输入 ! run_gui.bat 直接在会话里运行）。再 GET /api/graphic_cards 自动读显存——不要问用户显存多大。

1. 收集最少输入。 必需：图片文件夹路径、练单角色/概念还是画风。单角色再明确 1girl / 1boy / 1other;画风 trigger 必须用 @ 前缀。其余自动推：

• trigger（角色/概念才需要）：从概念/文件夹名生成候选——小写、去空格；若是常见词，做数字变体避免撞概念（mychar → mych4r）。写进确认卡让用户改。
• output_name = <concept>-anima-v1；版本号冲突就 +1。

2. 自动准备数据。 每步先跑 dry-run 把计划摊给用户，确认一次后加 --apply 执行（fixer 不删文件，原件进 _quarantine/）：

• 散图、没有 <repeats>_<concept> 结构 → fix_dataset.py organize --repeats <R> --concept <name>（R 见第 3 步）。
• 没 caption且目标是 Anima → 调 ../lora-pipeline/scripts/tag_dataset.py --dataset-dir <concept-dir> --trigger <T> --subject-tag <count>;画风传 --style。快速通道与完整 pipeline 必须使用同一套分段 caption、模型阈值和语义审查。其他底模才用 POST /api/interrogate。
• 跑 doctor.py --trigger <T> --epochs <N> 体检：FAIL/WARN 的每个 issue code 都有对应建议（见 ../dataset-doctor/SKILL.md 修复手册）。把要做的修复一次列全、统一确认，再逐条执行；重检到 PASS，或让用户明确接受剩余 WARN。

3. 自动选参。 不要让用户做数学：

• repeats = clamp(round(150 / 图片数), 1, 10)，epochs = 10（画风 12）→ 约 1500 步仅作首轮预算。doctor 去重后重算实际步数，并通过固定 seed 快照比较决定是否早停。
• preset（../references/presets.md）：显存 ≥16GB → preset 1（角色）/ 2（画风）；≤12GB → preset 3（LoKr + blocks_to_swap=16；8GB 改 24）。

4. 确认卡（强制）。 用人话摊牌，等用户回「确认」：

📋 训练确认卡
- 练什么：角色 LoRA「zkz」 · trigger: zkz（要换就说）
- 数据：32 张图 × 5 重复 × 10 轮 = 1600 步
- 显卡：RTX 4070 12GB → 用省显存配置（LoKr）
- 输出：./output/zkz-anima-v1/，每 2 轮存一个文件
- 底模：Anima（dim32/alpha16 · bf16 · unet_lr 2e-5）
回复「确认」开训；想改哪一项直接说。

5. 开训 + 监看。 同进阶流程第 5–6 步。

进阶流程

1. 收集输入。 train_data_dir（<repeats>_<concept> 的父目录）、trigger word、output_name、模型类型、目标（角色/画风/概念）。缺就问。

2. 闸门：先体检。 调 dataset-doctor 跑 doctor.py --trigger <TRIGGER> --epochs <N> --batch-size <B>：FAIL → 停，先修（用 fix_dataset.py 对应命令）再重检；WARN → 摊给用户确认是否继续；PASS → 继续。

3. 组装 config。 从 ../references/presets.md 选模板，填 <TRAIN_DATA_DIR> / <OUTPUT_NAME>，用 doctor 的 effective_images 估算总步数：

steps_per_epoch = ceil(effective_images / train_batch_size)
total_steps     = steps_per_epoch × max_train_epochs   # 角色首轮检查区间约 1000–2500

偏离区间就调 repeats/epochs。Anima 官方起点是 rank 32、unet_lr=2e-5;训练器服务端默认 5e-5 不是官方推荐。其余关键项：mixed_precision=bf16、gradient_checkpointing=true、attn_mode 留空自动、Windows max_data_loader_n_workers=0。caption 一律用单行 .txt;不要发送无效的 prefer_json_caption。

4. 摊牌 + 确认（强制）。 列出关键项（模型类型、底模、train_data_dir、network_dim/alpha、unet_lr、epochs、total_steps、output_dir、显存预估），明确征得同意再开训。

5. 开训。 POST /api/run，body = 组装好的 flat config（JSON）。用 PowerShell Invoke-RestMethod（示例见 trainer-api.md）。返回 status: fail → 把 message 给用户并修正；success → 记下 data.task_id 与 data.train_log_stream_url。

6. 监看。 轮询 GET /api/train/log/tail/{task_id}?limit=240（或让用户开 data.train_log_url / 6008 监控面板）。盯：loss=nan（多见于 fp16 → 改 bf16 或换优化器）、OOM（加 gradient_checkpointing / blocks_to_swap / 降分辨率）、报错退出。

训练完成后（别漏这步）

1. 产物在 output_dir 下：按 save_every_n_epochs 会有多个 epoch 快照（<name>-000002.safetensors …）+ 最终档。
2. 怎么挑：复制至少一个早期和最终快照到 ComfyUI，用 validate.py 在相同 seed 下与 strength 0 baseline 比较。选择能表达目标、同时仍响应姿势/主体/背景变化的快照。
3. 身份弱时先比较权重 0.8–1.1，再决定是否加练；僵脸、固定姿势或内容污染时用更早快照。

模型与适配器分支

模型类型（决定 model_train_type 与底模，见 trainer-api.md 映射表）：默认 → Anima（anima-lora，networks.lora_anima）；用户点名 SDXL / SD1.5 / Flux → sdxl-lora / sd-lora / flux-lora；全量微调 → anima-finetune / sdxl-finetune（Anima ~24GB，先提醒）。

适配器 lora_type（见 anima-params.md）：默认 lora；显存紧 / 小文件强风格 → lokr；timestep-aware → tlora（network_dim=32）。

读取导航

自检

1. 目标训练器是 SD-Trainer；不是的话没有把 /api/run 契约发给别的训练器，而是走「适用范围」的分层处理。
2. trainer 已在 28000 响应（/api/version）；显存来自 /api/graphic_cards，没问用户。
3. 已跑 dataset-doctor；FAIL 没放行，WARN 已让用户确认。
4. 所有 fix_dataset.py 修复都先 dry-run、经用户确认才 --apply；没有手写删除/改写命令。
5. model_train_type 与底模 / network_module 一致（Anima=networks.lora_anima，LoKr=lycoris.kohya，T-LoRA=networks.tlora_anima）。
6. 角色训练 trigger 一致率达标；默认 cache_text_encoder_outputs=true、shuffle_caption=false。若显式开启 shuffle，必须用足够的 keep_tokens 或 keep_tokens_separator 保留完整固定前缀，而不是假设 trigger 在首位。
7. 估算了 total_steps；~1000–2500 只作首轮检查区间，偏离时已说明依据而非硬拦截。
8. 已出确认卡并取得开训确认；未确认不 POST。
9. Anima 用 bf16；Automagic/CAME 会被服务端强制 bf16。

可验证案例（快速通道）

用户：「用 D:/data/mychar 这堆图练个角色 LoRA」（文件夹里是 30 张散图，没 caption）。

1. /api/version OK；/api/graphic_cards → 4070 12GB。
2. 唯一一问：已说是角色 → 不再问。trigger 候选 mych4r（mychar 是常见词，做数字变体）。
3. 准备数据：fix_dataset.py organize "D:/data/mychar" --repeats 5 --concept mych4r（dry-run 摊牌 → 确认 → --apply）→ tag_dataset.py --dataset-dir ... --trigger mych4r --subject-tag 1girl → 复查语义审查 → doctor.py --trigger mych4r --epochs 10 → PASS 或剩余 WARN 已接受。
4. 自动选参：30 张 → repeats=5、epochs=10 → 约 1500 步首轮预算；12GB → preset 3。
5. 确认卡 → 用户回「确认」→ POST /api/run → 监看 → 报告 ./output/mych4r-anima-v1/*.safetensors，并提示先试最后一个快照。

执行交接

• 数据集 / caption 体检与修复 → dataset-doctor（体检 doctor.py，修复 fix_dataset.py）。
• 端点 / 请求体 / SSE / 打标细节 → ../references/trainer-api.md；参数 → ../references/anima-params.md；模板 → ../references/presets.md；caption → ../references/caption-guide.md。
• 本 skill 负责准备、组装与（确认后）开训 + 监看；不绕过体检闸门，不在未确认时启动训练或改动用户文件。