数量比例：一般为训练数据集的 1:1 到 1:10，根据任务的复杂性进行调整。风格差异：确保风格差异适中，避免过大差异引发过拟合。超参数调整：调整正则化强度与学习率等超参数，确保正则化不影响模型的主学习目标。影响：正则化数据集的增加通常能提升泛化能力，但过多会影响训练效果，特别是模型可能会偏向于正则化数据集的特征。

本文介绍了ComfyUI-Manager插件的安装步骤：1）下载并安装GIT；2）进入ComfyUI的custom_nodes目录；3）克隆GitHub仓库或运行便携版脚本；4）安装Python依赖库；5）重启ComfyUI后即可使用管理功能，包括安装节点/模型、更新插件等。该教程由游戏AI研究所社区提供，帮助用户扩展ComfyUI功能。

控制 LoRA 的表达能力更大的维度能表示更复杂的变化（如风格、细节、构图调整等）。

在Stable Diffusion（SD）中，步数（Steps） 指的是采样过程中的迭代次数，也就是模型从纯噪声一步步“清晰化”图像的次数。你可以理解为模型在画这张图时“润色”的轮数。

在 LoRA（例如使用 Kohya‑ss）训练中，epochs 和 repeats 分别控制了模型“看”数据的轮数和每张图在一个epoch中出现的频次，两者共同决定训练强度和步骤总数

Ⅲ总结：SDXL 高分辨率修复支持多种放大算法，按原理大致分为六类：①Latent 插值类，②传统数学插值，③GAN 神经网络放大，④Transformer/注意力机制放大，⑤图像修复模型，⑥反扩散重建。Latent 系列（如 Latent antialiased / bicubic）运行快，但图像模糊，仅适合草图或预览；传统插值（如 Lanczos）基于图像数学插值，不带美学优化，保真度高但缺乏

ComfyUI 魔壶启动器 让你的 每一条 ComfyUI 管线都能一键生成独立小应用：• 不再需要复杂节点配置； • 一键打包，直接分发或共享； • 支持参数可视化面板，外部用户也能轻松调用。 这意味着，创作者可以把复杂的AI流程变成简单易用的小工具——让AI内容生产真正模块化、组件化。

学习率是控制 LoRA 在 SDXL 模型中“学习快慢”的关键超参，需分别为 U‑Net（画图部分）和 Text Encoder（语义理解部分）设定不同的值。根据素材集规模，U‑Net 学习率从 3e‑6（10 张）到 2e‑4（> 3000 张）逐步提高，Text Encoder 则从 5e‑7 上升到 3e‑5。训练总步数也应随数据量增长而增加（约 800–> 10000 步），并配合 3%–

CFG参数控制模型在生成图像时对提示词的服从程度，数值范围通常为1到20，推荐在5到12之间。数值越高，模型越严格遵循提示词，但可能导致图像失真；数值越低，模型自由度更高，图像可能更自然但偏离描述。CFG与提示词长度无直接关系，仅控制模型对提示词的接近程度。在Flux模型中，建议将CFG设为1.0以禁用传统提示词引导，并将Distilled CFG Guidance设为3.5作为新的引导机制。

4.测试结果得出结论：1.相比之前的单模态可使用较少素材集进行训练2.架构独特，可能面临模型崩溃，训练的时候参数设置尤为重要避免过拟合或欠拟3.和之前sdXL等模型的训练有一点不同，打标要尽量详细，越详细越好哦！4.10–30 张高质量图像即可获得良好效果,再也不用为找素材苦恼了！