cocktailpeanut/fluxgym

Flux Gym – 在入门级 GPU 上训练 FLUX LoRA 模型的简单 Web UI

功能简介 – 这是一款基于 Gradio 的轻量级 Web 界面，封装了强大的 Kohya-ss 训练脚本，让您只需 12 GB VRAM 即可微调 FLUX 扩散模型 (LoRAs)。该 UI 是 AI-Toolkit 前端的派生版本，但与原版不同，它可以在 12GB、16GB 和 20GB 的显卡上运行。

重要意义 – 为新的 FLUX 系列训练 LoRA 通常需要 24 GB GPU 或命令行工作流。Flux Gym 通过点选式的浏览器 UI 提供了相同的灵活性（完整的 Kohya-ss 标志集），此外还具备自动模型下载、训练期间生成示例图像以及一键发布到 Hugging Face 等便捷功能。

核心功能（如 README 所述）

低显存支持 – 支持 12GB/16GB/20GB GPU。
完全兼容 Kohya-ss – Advanced 选项卡展示了最新 sd-scripts 版本支持的所有训练标志。
自动模型处理 – 基础 FLUX 模型（dev, dev2pro, schnell）按需下载；可以通过 models.yaml 添加其他模型。
示例图像生成 – 可选择每 N 步生成预览图像，并可完全控制提示词、种子、尺寸、CFG 等。
Hugging Face 发布 – 在本地存储个人 HF 令牌，并直接从 UI 推送训练好的 LoRA。
Docker & Pinokio 一键安装程序 – 提供现成的容器和一键启动器，实现无忧安装。
标题文件上传 – 支持与图像文件名匹配的成对 .txt 标题文件。

快速入门概览（摘自 README）

安装 – 使用 Pinokio 一键启动器、运行提供的 Docker compose，或者克隆仓库并设置 Python 虚拟环境。
运行 – 在激活 venv 的情况下运行 python app.py，即可在 http://localhost:7860 启动 Gradio 服务器。
训练 – 在 UI 中：
- 填写 LoRA 元数据。
- 上传图像（及可选的 .txt 标题）。
- 可选启用示例图像生成并设置提示词。
- 点击 Start。
发布 – 训练完成后，使用 Hugging Face 令牌登录并推送 LoRA。

安装详情（文档记录）

手动安装: 克隆仓库，克隆 sd-scripts 子模块 (git clone -b sd3 https://github.com/kohya-ss/sd-scripts)，创建 venv，安装 sd-scripts 依赖，安装应用的 requirements.txt，然后安装 PyTorch nightly 版本（RTX 50 系列使用 cu121 或 cu128）。
Docker: 使用相同的文件夹布局，如果需要请设置 PUID/PGID，然后运行 docker compose up -d --build。
Pinokio: 点击提供的 Pinokio 链接进行自动安装。

支持的基础模型（自动下载）

Flux-1-dev
Flux-1-dev2pro (背景信息请参阅相关的 Medium 文章)
Flux-1-schnell (支持但不建议用于高质量场景)
自定义模型 – 通过编辑 models.yaml 添加。

可扩展性

UI 通过解析最新的 kohya-ss/sd-scripts 启动标志来构建 Advanced 选项卡，因此上游添加的任何新标志都会自动出现。
添加新基础模型只需编辑 models.yaml，如果想分享它们，可以提交 PR。

使用人群

README 指向了 Pinokio 上的一个社区展示页面，用户可以在那里分享他们在本地训练的 LoRA。

总结

Flux Gym 是一个真正的开源工具，它将用户友好的 Web UI 与 Kohya-ss 训练脚本的全部功能结合在一起，使得在消费级 GPU 上进行 FLUX LoRA 微调变得触手可及。