Ferramentas de LoRA do Flux comparadas

Quatro ferramentas cobrem o treino de LoRA para Flux: o trainer do site Civit, o Kohya_ss, o ai-toolkit e o fluxgym. Cada uma mira um nível de habilidade e um perfil de hardware.

TL;DR

• Civit Trainer: treino de LoRA para Flux no navegador, sem instalação local.
• Kohya_ss: wrapper GUI dos scripts de treino do Kohya; controle total de parâmetros.
• ai-toolkit: suíte open-source orientada por YAML, recomendada pelo README para GPUs de consumo.
• fluxgym: UI web de baixo VRAM focada em treino de LoRA para Flux em hardware limitado.

Por que o treino de LoRA para Flux tem um desafio especial

FLUX.1-dev foi destilado com guidance reduzida. Treinadores relatam que o treino direto de LoRA no FLUX.1-dev diverge do processo original (Flux-Dev2Pro model card). O contorno comum é treinar em FLUX.1-dev ou Flux-Dev2Pro para recuperar uma base mais capaz, e depois treinar o LoRA nessa base.

Civit Website Trainer: opção browser-first

A Civit hospeda um trainer de LoRA embutido para Flux. Um usuário comparou três execuções com o mesmo dataset de imagens de esqueleto estilo AssassinKahb (artigo 6748).

V3 usou a config Prodigy do Kappa Neuro: network dimension 2, learning rate 0,0005, scheduler cosseno com 3 ciclos, noise offset 0,1 e min-SNR gamma 5 (artigo 6748). Cada execução gera um LoRA .safetensors. A Civit limita o treino a 10.000 steps (artigo 6748).

O Civit Trainer não exige instalação local, a menor barreira de entrada.

Kohya_ss: wrapper GUI dos scripts do Kohya

O Kohya_ss é um wrapper GUI dos scripts de treino do Kohya. O guia de setup da Civit lista estes passos no Windows (artigo 8073):

1. Clonar: git clone https://github.com/bmaltais/kohya_ss
2. Entrar na pasta, checar master, pip install rich, setup.bat

O menu de setup oferece configuração do Accelerate, seleção de GPU e modo de precisão. Em RTX 30/40/50, selecione bf16; hardware mais antigo usa fp16.

Cuidado: o README atual do Kohya_ss não menciona setup.bat nem pip install rich; foca em uv ou pip install -r requirements.txt, com python >= 3.10 e 3.12 recomendado, não Python 3.10.11 fixo. Trate o artigo 8073 como procedimento de um repórter, não como padrão atual do projeto.

ai-toolkit: suíte open-source all-in-one

O ai-toolkit é uma suíte de treino para modelos de difusão. Suporta nativamente FLUX.1-dev e oferece CLI e UI web (ai-toolkit README).

Instalação

No Linux ou no Windows com Python >= 3.10, crie e ative um venv e instale dependências com pip install -r requirements.txt. O README mostra Python 3.12 como versão recomendada (ai-toolkit README).

Treinando um LoRA para Flux

1. Copie a config de exemplo: config/examples/train_lora_flux_24gb.yaml para a pasta config (ai-toolkit README).
2. Edite o caminho do modelo, diretório do dataset e nome de saída.
3. Execute: python run.py config/your_config.yml

Usando Flux-Dev2Pro

O artigo 7809 descreve a troca do transformer: substituir FLUX.1-dev/transformer por Flux1-dev2Pro/transformer dentro da pasta de modelos da ferramenta de treino (artigo 7809). Essa troca não está no README do ai-toolkit.

fluxgym: UI web de baixo VRAM

O fluxgym é uma interface alternativa para treino de LoRA para Flux em baixo VRAM. O repositório o chama de "dead simple FLUX LoRA training UI with LOW VRAM support" (GitHub). Mira quem prefere GUI ao terminal do Kohya. Valores exatos de VRAM de planilhas comunitárias não foram verificados na documentação aberta.

Comparativo resumido

Para arquitetura dos modelos de difusão Flux, veja Arquitetura dos modelos de difusão Flux. Para escolha de GPU, veja Escolhendo uma GPU para treino de difusão. Para treino passo a passo, veja Treino de LoRA do Flux passo a passo.

Requisitos de VRAM: o que está documentado

O artigo 7619 registra que um treinador de baixo VRAM para Flux produziu um LoRA em cerca de 12 horas, testando resoluções de 256 a 1024 antes dos ajustes práticos (artigo 7619). O artigo foi depois atualizado por um guia de gerenciamento de VRAM. Percentuais exatos de redução de tempo da planilha comunitária são omitidos por não terem sido verificados de forma independente.

Considerações de licença e modelo

O Flux1-dev2pro é distribuído sob a FLUX.1 [dev] Non-Commercial License (Civitai model 654919, Flux-Dev2Pro model card). LoRAs treinadas com ele herdam essa restrição para uso comercial.

O FLUX.1-dev base é licenciado por Black Forest Labs sob a FLUX.1 dev Non-Commercial License (Hugging Face repo). Uso comercial ou em produção requer licença separada da Black Forest Labs.

Erros comuns e correções

FAQ

Como treinar LoRA do Flux em GPUs de consumo? Use o ai-toolkit com a config de exemplo para Flux, ou o trainer do site Civit para navegador sem instalação. Com VRAM baixo, comece em 512×512 com batch size pequeno.

Qual é o melhor setup de VRAM para treino de Flux? Resoluções e batch sizes menores reduzem o VRAM aproximadamente linearmente. Gradient accumulation simula batches maiores sem picos de VRAM.

Como trocar o transformer para Flux1-dev2pro? O artigo 7809 instrui substituir FLUX.1-dev/transformer por Flux1-dev2Pro/transformer dentro da pasta de modelos da ferramenta de treino. Esse caminho exato não está no README do ai-toolkit.

Quais são as configurações recomendadas para Kohya_ss no Windows? Clone o repositório, execute o menu de setup, selecione bf16 para RTX 30/40/50, desative DeepSpeed e treino distribuído e ative NUMA para NVIDIA. O README atual usa uv ou pip install -r requirements.txt, não setup.bat nem pip install rich.

O Flux1-dev2pro é gratuito para usar? O modelo está disponível publicamente sob a FLUX.1 [dev] Non-Commercial License. É permitido para pesquisa e projetos pessoais; uso comercial em produção exige licença da Black Forest Labs.

Qual a diferença entre Kohya_ss e fluxgym? O Kohya_ss é um wrapper GUI dos scripts do Kohya. O fluxgym é uma UI web separada de baixo VRAM para treino de LoRA para Flux em hardware limitado.