cocktailpeanut/fluxgym

Flux Gym – 在入門級 GPU 上訓練 FLUX LoRA 模型的簡單 Web UI

功能簡介 – 這是一款基於 Gradio 的輕量級 Web 介面，封裝了強大的 Kohya-ss 訓練腳本，讓您只需 12 GB VRAM 即可微調 FLUX 擴散模型 (LoRAs)。該 UI 是 AI-Toolkit 前端的派生版本，但與原版不同，它可以在 12GB、16GB 和 20GB 的顯卡上運行。

重要意義 – 為新的 FLUX 系列訓練 LoRA 通常需要 24 GB GPU 或命令列工作流。Flux Gym 透過點選式的瀏覽器 UI 提供了相同的靈活性（完整的 Kohya-ss 標誌集），此外還具備自動模型下載、訓練期間生成範例圖像以及一鍵發佈到 Hugging Face 等便捷功能。

核心功能（如 README 所述）

低顯存支援 – 支援 12GB/16GB/20GB GPU。
完全相容 Kohya-ss – Advanced 選項卡展示了最新 sd-scripts 版本支援的所有訓練標誌。
自動模型處理 – 基礎 FLUX 模型（dev, dev2pro, schnell）按需下載；可以透過 models.yaml 新增其他模型。
範例圖像生成 – 可選擇每 N 步生成預覽圖像，並可完全控制提示詞、種子、尺寸、CFG 等。
Hugging Face 發佈 – 在本地儲存個人 HF 令牌，並直接從 UI 推送訓練好的 LoRA。
Docker & Pinokio 一鍵安裝程式 – 提供現成的容器和一鍵啟動器，實現無憂安裝。
標題檔案上傳 – 支援與圖像檔名相匹配的成對 .txt 標題檔案。

快速入門概覽（摘自 README）

安裝 – 使用 Pinokio 一鍵啟動器、執行提供的 Docker compose，或者克隆倉庫並設定 Python 虛擬環境。
執行 – 在啟動 venv 的情況下執行 python app.py，即可在 http://localhost:7860 啟動 Gradio 伺服器。
訓練 – 在 UI 中：
- 填寫 LoRA 元數據。
- 上傳圖像（及可選的 .txt 標題）。
- 可選啟用範例圖像生成並設定提示詞。
- 點擊 Start。
發佈 – 訓練完成後，使用 Hugging Face 令牌登入並推送 LoRA。

安裝詳情（文件記錄）

手動安裝: 克隆倉庫，克隆 sd-scripts 子模組 (git clone -b sd3 https://github.com/kohya-ss/sd-scripts)，建立 venv，安裝 sd-scripts 依賴，安裝應用程式的 requirements.txt，然後安裝 PyTorch nightly 版本（RTX 50 系列使用 cu121 或 cu128）。
Docker: 使用相同的資料夾結構，如果需要請設定 PUID/PGID，然後執行 docker compose up -d --build。
Pinokio: 點擊提供的 Pinokio 連結進行自動安裝。

支援的基礎模型（自動下載）

Flux-1-dev
Flux-1-dev2pro (背景資訊請參閱相關的 Medium 文章)
Flux-1-schnell (支援但不建議用於高品質場景)
自定義模型 – 透過編輯 models.yaml 新增。

可擴展性

UI 透過解析最新的 kohya-ss/sd-scripts 啟動標誌來建構 Advanced 選項卡，因此上游新增的任何標誌都會自動出現。
新增基礎模型只需編輯 models.yaml，如果想分享它們，可以提交 PR。

使用人群

README 指向了 Pinokio 上的一個社群展示頁面，使用者可以在那裡分享他們在本地訓練的 LoRA。

總結

Flux Gym 是一個真正的開源工具，它將使用者友好的 Web UI 與 Kohya-ss 訓練腳本的全部功能結合在一起，使得在消費級 GPU 上進行 FLUX LoRA 微調變得觸手可及。