项目背景
数字蝶舞是一个原创角色LoRA训练项目，目标是训练一个能够稳定生成特定角色形象的LoRA模型。该角色设定为粉蓝渐变双马尾、穿着未来感女仆装、身后有由数据碎片构成的蝴蝶翅膀的少女形象。通过这个实战案例，我们将演示LoRA模型训练的完整流程，从数据集准备到最终模型的使用和分享。
数据集准备
素材收集与筛选
为训练数字蝶舞角色LoRA，我们准备了25张高质量的角色图片。这些图片涵盖了不同角度（正面、侧面、四分之三视角）、不同表情（微笑、认真、惊讶）和不同姿态（站立、坐姿、动态）。所有图片都保持了角色核心特征的一致性：双马尾发型、特征性的服装设计和蝴蝶翅膀元素。图片分辨率统一调整为1024x1024像素。
标注策略
标注采用"触发词+通用描述"的策略。触发词设定为"digital_butterfly"，在每张图片的标注中都包含这个触发词。通用描述部分使用WD Tagger自动生成初始标签，然后人工移除与角色独特特征相关的描述（如发色、服装细节），让模型将这些特征与触发词关联起来。这样训练出的模型在使用触发词时就能自动生成角色的核心特征。
训练参数配置
基础模型选择animagine-xl-3.0，学习率设置为1e-4（使用cosine调度器），训练20个Epoch，Network Dim设为64，Alpha设为32。批次大小为1，使用梯度累积4步模拟批次大小4的效果。开启Flip Augmentation增加数据多样性。训练过程中每5个Epoch保存一次检查点，方便选择最佳训练状态的模型。整个训练过程在单张12GB显存的GPU上约需45分钟完成。