AnimaLoraStudio

端到端流水线：从 Booru 抓图 → 筛选 → 打标 → 正则集 → 训练 → 出图测试，全流程在一个浏览器面板里推进。支持两个模型族的 LoRA 训练：Anima（Cosmos DiT 二次元特调，轻量入门）与 Krea 2（12.9B 单流 MMDiT，Raw 训练 / Turbo 快速出图）。

特性

• 一站式流水线：Booru 抓图 / 筛选 / 预处理（去重·放大·裁剪·涂抹）/ 打标 / 正则集 / 训练 / 出图测试，全在一个浏览器面板，Stepper 引导。
• 双模型族：Anima 与 Krea 2 共用同一套流程；训练配置里一键切换模型族（权重路径与族默认值自动重算、逐项确认后生效），参数选项按族过滤，同一项目可并存两族版本。
• 三种打标器：WD14、CLTagger（本地 ONNX）、LLM（OpenAI 兼容，长 caption）；触发词填一次自动注入每张 caption。
• Booru 抓图集成：原生 Gelbooru / Danbooru（Cloudflare 兼容 UA、速率限制、账号认证）。
• 正则集自动生成：训练集 tag 分布反向搜 + 长宽比聚类，或底模 AI 先验出图（无需 LoRA）。
• Project / Version 双层管理：单项目多 version 共享数据、独立配置 / 输出；预设池双向 fork。
• 多任务队列：训练 / 出图 / 数据作业统一台账；排队、定时开始、暂停（从最近 epoch 末续）、恢复、队列调度挂起。
• 内置出图测试：单图 / XY 矩阵评测 + 常驻推理 daemon；fp8 底模推理与 LoRA merge 对齐 ComfyUI 逐位一致；civitai 生态（PEFT / comfy 键格式）LoRA 可直接加载；输出 lora_unet_* 直接拖进 ComfyUI、无需转换。
• LoRA 评估：对训练产出的各 checkpoint 按验证集批量出图并算指标（CLIP / DINO / CCIP / WD14 标签召回，含纯底模对照），样图矩阵肉眼对比；一次评估 = 一个队列任务，中断可重试续跑。
• fp8 与显存编排：官方 fp8 权重可直接做训练底模（fp8_base，Krea 2 训练下探到 24 GB 级显卡）与推理底模（权重显存约减半）；Block 交换把靠后的层放在内存、算到才换入显存，Krea 2 训练与出图门槛进一步下探到 16 GB；文本编码器任务级预编码后释放、显存策略三档、大权重加载 RAM 护栏。
• 丰富训练算法：多种 loss / timestep 采样 / 优化器（AdamW · Lion · Prodigy · SOAP 等）/ LoRA · LyCORIS adapter，详见 训练算法选项。
• 环境自愈 + Web 内自更新：首装自动选 GPU 兼容 torch、依赖哈希比对、git pull / 重启 / 回滚。
• 中英双语：首次启动选语言，Settings 内可切换。

训练核心（runtime/）与 Studio 后端解耦，可独立 CLI 跑；模型族与 adapter / optimizer / scheduler / loss / sampler / timestep 采样均为 plugin registry，可扩展（见 ADR 0003）。

快速开始

先决条件（需自备）：NVIDIA GPU + CUDA · Python 3.10+ · Node.js 18+ · Git。

git clone https://github.com/WalkingMeatAxolotl/AnimaLoraStudio
cd AnimaLoraStudio
studio.bat          # Windows
./studio.sh         # Linux / macOS

首次运行自动建 venv/ → 按 GPU 驱动装对应 CUDA torch → 构建前端 → 起后端 → 开浏览器到 http://127.0.0.1:8765/，并弹引导 modal 一键装 Anima 入门套件。打开后去 设置 → 训练 的模型下载中心按模型族下载权重（默认落 ./models/）。

→ 完整步骤（启动选项 / 模型下载 / 国内镜像 / 流水线 walkthrough）见 上手教程。

硬件要求

• GPU：NVIDIA（A 卡 / Apple Silicon 不支持），按模型族分档：
  • Anima：16 GB+ 显存推荐（RTX 4060Ti 16G / 4070Ti / 4080 / 3090 / 4090 / 5090 等）；8 GB 极限可跑（需关 sample 输出 + 减小 batch / 分辨率，速度明显下降）。
  • Krea 2（12.9B）：训练用官方 fp8 底模 24 GB 级可跑，bf16 底模需 32 GB；出图用 fp8 底模 16 GB 起（「省显存」档），bf16 底模建议 32 GB。开 Block 交换（fp8 底模换出全部层）：训练下探到 12 GB（整卡约 10 GB，16 GB 更从容），出图下探到 8 GB（1024² 整卡约 6.3 GB），代价是速度约慢 4% 与相应的内存占用。
• RAM：16 GB+；Krea 2 建议 32 GB+（加载 26.3 GB 单文件权重时内存峰值约等于文件大小）；开 Block 交换按换出层数额外常驻（fp8 底模全换出约 11 GB）
• 存储：SSD 强烈推荐（latent cache + sample 输出 IO 频繁）；Krea 2 权重体积大（Raw / Turbo bf16 各 26.3 GB、官方 fp8 各 13.1 GB、文本编码器 5.2–8.9 GB），预留磁盘空间

文档

总入口 docs/README.md。

• 上手 → getting-started.md
• 用户向 → 标签格式 · 训练技巧 / 算法 · 优化器 · caption 格式
• 架构 → 跨步骤总览 · 项目结构 · studio 内部
• CLI 工具 → tools/README.md
• 协作 → CONTRIBUTING.md · docs/AGENTS.md
• 决策记录 → docs/adr/ ·　变更历史 → CHANGELOG.md

上游与致谢

• 核心训练脚本派生自 Moeblack/AnimaLoraToolkit
• Anima 主模型 / VAE：circlestone-labs / Anima
• Krea 2 主模型：krea / Krea-2-Raw · Krea-2-Turbo（官方 fp8 量化版来自 Comfy-Org/Krea-2）
• 文本编码器：Qwen3-0.6B-Base（Anima）与 Qwen3-VL-4B-Instruct（Krea 2），来自 Qwen 团队
• Krea 2 训练 / 采样实现参考并部分派生自 kohya-ss/musubi-tuner（Apache-2.0），模型结构派生自 ComfyUI、并对照 HuggingFace diffusers
• OrthoLoRA / T-LoRA 适配器实现派生自 sorryhyun/anima_lora（MIT），算法出自 ControlGenAI/T-LoRA 论文与官方实现
• Automagic 优化器移植自 ostris/ai-toolkit（MIT），bf16 Kahan 路径参考 tdrussell/diffusion-pipe
• 测试出图 / 采样链路对齐并派生自 ComfyUI（GPL-3.0）

完整的第三方算法 / 代码 / 论文出处见 THIRD_PARTY_NOTICES.md。

License

仓库整体以 GPL-3.0 发布（包含 / 派生自 ComfyUI 的 GPL-3.0 代码）。同时包含部分 Apache-2.0 第三方实现（NVIDIA Cosmos / Wan2.1 / musubi-tuner 派生等），见 LICENSE（GPL-3.0）/ LICENSE-APACHE / THIRD_PARTY_NOTICES.md，请保留原文件头声明。

模型权重（Anima / Krea 2 / Qwen / VAE）有各自的条款：Anima 相关权重含 Non-Commercial 等限制；Krea 2 权重受 Krea 2 Community License 约束。请以对应模型卡 / HF repo 协议为准。