Herramientas de entrenamiento LoRA de Flux comparadas

Cuatro herramientas cubren el panorama del entrenamiento LoRA de Flux: el entrenador del sitio Civit, Kohya_ss, ai-toolkit y fluxgym. Cada una apunta a un nivel de habilidad y perfil de hardware distintos.

TL;DR

• Civit Trainer: Entrenamiento LoRA de Flux basado en el navegador con cero configuración local.
• Kohya_ss: Envoltorio de GUI alrededor de los scripts de entrenamiento de terminal de Kohya; control total de parámetros.
• ai-toolkit: Suite de código abierto impulsado por YAML que su README recomienda para GPUs de consumo.
• fluxgym: Interfaz web de baja VRAM para entrenamiento LoRA de Flux en hardware limitado.

Por qué el entrenamiento LoRA de Flux tiene un desafío especial

FLUX.1-dev se destiló usando un enfoque de guía reducida. Entrenadores reportan que esto hace que el entrenamiento directo de LoRA en FLUX.1-dev diverja del proceso de entrenamiento original (Flux-Dev2Pro model card). El workaround común es un enfoque de dos etapas: recuperar una base más capaz entrenando en FLUX.1-dev o Flux-Dev2Pro, y luego entrenar la LoRA sobre ese modelo recuperado.

Entrenador del sitio Civit: la opción centrada en el navegador

La plataforma Civit aloja un entrenador LoRA integrado para Flux. Un usuario comparó tres entrenamientos usando el mismo conjunto de datos de imágenes estilo AssassinKahb (article 6748). Run | Resolución | Optimizador | Épocas | Fórmula de pasos | Source

|-----|-----------|-----------|--------|---------------|--------

V1 | 512 | adamw8bit | 5 | Cantidad de imágenes × Repeticiones × Épocas ÷ Tamaño de lote | article 6748 V2 | 1024 | adamw8bit | 5 | Misma fórmula | article 6748 V3 | 1024 | Prodigy (configuración Kappa Neuro) | 12 | Misma fórmula; limitada a 10,000 en Civit | article 6748

V3 usó la configuración Prodigy de Kappa Neuro, que establece la dimensión de red en 2, la tasa de aprendizaje en 0.0005, programador coseno con 3 ciclos, offset de ruido de 0.1 y min-SNR gamma de 5 (article 6748). Cada entrenamiento produce un archivo LoRA .safetensors. Civit limita el entrenamiento a 10,000 pasos (article 6748).

El Entrenador de Civit no requiere instalación local, lo que lo convierte en la opción con menor barrera de entrada.

Kohya_ss: envoltorio de GUI para los scripts de Kohya

Kohya_ss es un envoltorio de GUI alrededor de los scripts de entrenamiento de Kohya. La guía de configuración de Civit lista estos pasos para Windows (article 8073):

1. Clonar: git clone https://github.com/bmaltais/kohya_ss
2. Entrar a la carpeta, hacer checkout de master, pip install rich, setup.bat

El menú de configuración ofrece configuración de Accelerate, selección de GPU y modo de precisión. En tarjetas RTX 30/40/50, selecciona bf16; hardware más antiguo usa fp16.

Cuidado: el README actual de Kohya_ss no menciona setup.bat ni pip install rich; su instalador se centra en uv o pip install -r requirements.txt, y lista python >= 3.10 con 3.12 recomendado en lugar de Python 3.10.11 como requisito fijo. Trata los pasos del artículo 8073 como el procedimiento de un reportero, no como el estándar actual del proyecto.

ai-toolkit: la suite todo en uno de código abierto

ai-toolkit es una suite de entrenamiento para modelos de difusión. Soporta FLUX.1-dev de forma nativa y proporciona tanto una CLI como una interfaz web (ai-toolkit README).

Instalación

En Linux o Windows con Python >= 3.10, crea y activa un entorno virtual, luego instala las dependencias con pip install -r requirements.txt. El README muestra Python 3.12 como la versión recomendada (ai-toolkit README).

Entrenar una LoRA de Flux

1. Copia el archivo de configuración de ejemplo: config/examples/train_lora_flux_24gb.yaml a la carpeta config (ai-toolkit README).
2. Edita el archivo de configuración para tu ruta de modelo, directorio del conjunto de datos y nombre de salida.
3. Ejecuta: python run.py config/your_config.yml

Usar Flux-Dev2Pro

El artículo 7809 describe cambiar el transformador a Flux-Dev2Pro: reemplaza el directorio FLUX.1-dev/transformer con Flux1-dev2Pro/transformer dentro de la carpeta del modelo de tu herramienta de entrenamiento (article 7809). Este cambio no está documentado en el README de ai-toolkit.

fluxgym: interfaz web de baja VRAM

fluxgym es una interfaz alternativa para el entrenamiento LoRA de Flux de baja VRAM. El repositorio lo describe como una "interfaz de entrenamiento FLUX LoRA simple con soporte para VRAM baja" (GitHub). Está dirigido a usuarios que prefieren una GUI en lugar del flujo de terminal de Kohya. Las cifras exactas de VRAM de hojas de cálculo de la comunidad no se verificaron de forma independiente desde la documentación abierta.

Resumen de comparación

Característica | Entrenador de Civit | Kohya_ss | ai-toolkit | fluxgym

|---------|--------------|----------|------------|---------

Interfaz | Navegador | Envoltorio de GUI | CLI / Interfaz web | Interfaz web de baja VRAM Instalación local | Ninguna | Requerida | Requerida | Opcional (Docker) Estilo de configuración | Campos de formulario | Controles de GUI | Archivos YAML | Formulario web Soporte de Flux | Nativo | Nativo | Nativo | Nativo Source | article 6748 | article 8073 | GitHub | GitHub Para lectura relacionada sobre la arquitectura de modelos Flux, consulta Cómo funcionan los modelos de difusión de Flux. Para orientación sobre selección de GPU, consulta Elegir una GPU para entrenamiento de difusión. Para un recorrido práctico del flujo de entrenamiento, consulta Entrenamiento LoRA de Flux paso a paso.

Requisitos de VRAM: lo que está documentado

El artículo 7619 registra que un entrenador temprano de Flux de baja VRAM produjo una LoRA en unas 12 horas, y que el autor probó resoluciones de 256 a 1024 antes de establecer configuraciones prácticas (article 7619). El artículo fue actualizado más tarde por una guía de gestión de VRAM más reciente. Los porcentajes exactos de reducción de tiempo de la hoja de cálculo de la comunidad se omiten aquí porque no se verificaron de forma independiente.

Consideraciones de licencia y modelo

El modelo Flux1-dev2pro se distribuye bajo la licencia FLUX.1 [dev] No Comercial (modelo 654919 de Civitai, model card de Flux-Dev2Pro). Los modelos LoRA entrenados con él heredan esta restricción para despliegue comercial.

El modelo base FLUX.1-dev tiene licencia similar de Black Forest Labs bajo la licencia FLUX.1 dev No Comercial (repositorio de Hugging Face). El uso de producción o comercial de modelos entrenados requiere una licencia comercial separada de Black Forest Labs.

Errores comunes y soluciones

Problema | Causa | Solución

|---------|-------|-----

El setup.bat de Kohya_ss no se encuentra | El artículo 8073 usaba comandos antiguos; el README actual de Kohya_ss se centra en uv o pip install -r requirements.txt y lista python >= 3.10 | Sigue el flujo de configuración actual en el README de Kohya_ss La rueda nocturna de PyTorch falla al instalarse | pip install --pre torch ... nightly/cu128 depende de la disponibilidad del artefacto nocturno | Usa un lanzamiento estable de PyTorch o verifica que el índice nocturno esté sirviendo tu versión de CUDA Ruta de cambio de transformador faltante en ai-toolkit | El cambio FLUX.1-dev/transformer → Flux1-dev2Pro/transformer está documentado en el artículo 7809, no en el README de ai-toolkit | Inspecciona tus carpetas locales del modelo antes de asumir que la ruta existe El entrenamiento se detiene en una tarjeta de 12 GB | El tamaño de lote y la resolución predeterminados consumen demasiada VRAM | Empieza en 512×512 o 768×768, reduce el tamaño de lote y habilita la acumulación de gradientes

Preguntas frecuentes

¿Cómo entreno una LoRA de Flux en GPUs de consumo? Usa ai-toolkit con su archivo de configuración de ejemplo para Flux, o el entrenador del sitio Civit para un flujo sin instalación en el navegador. Con VRAM baja, empieza en 512×512 con un tamaño de lote pequeño.

¿Cuál es la mejor configuración de VRAM para el entrenamiento de Flux? Reducir la resolución y los tamaños de lote más pequeños reduce la VRAM de forma lineal. La acumulación de gradientes te permite simular lotes más grandes sin picos de VRAM.

¿Cómo cambio el transformador por Flux1-dev2pro? El artículo 7809 instruye reemplazar el directorio FLUX.1-dev/transformer con Flux1-dev2Pro/transformer dentro de la carpeta del modelo de tu herramienta de entrenamiento. Esta ruta exacta no está documentada en el README de ai-toolkit.

¿Cuáles son los ajustes recomendados para Kohya_ss en Windows? Clona el repositorio, ejecuta el menú de configuración, selecciona bf16 para tarjetas de serie RTX 30/40/50, deshabilita DeepSpeed y entrenamiento distribuido, y habilita NUMA para hardware NVIDIA. El README actual de Kohya_ss usa uv o pip install -r requirements.txt en lugar de setup.bat y pip install rich.

¿Es gratuito usar Flux1-dev2pro? El modelo está disponible públicamente bajo la licencia FLUX.1 [dev] No Comercial. Puedes usarlo para investigación y proyectos personales, pero debes obtener una licencia comercial de Black Forest Labs para el despliegue en producción.

¿Cuál es la diferencia entre Kohya_ss y fluxgym? Kohya_ss es un envoltorio de GUI alrededor de los scripts de entrenamiento de Kohya. fluxgym es una interfaz web separada de baja VRAM que se dirige al entrenamiento LoRA de Flux en hardware limitado.