OneTrainer를 이용한 z-image 캐릭터 LoRA 학습 성공 설정 공유

실용적 조언

고해상도 학습을 위해 Civitai에서 공유된 z-image-base-onetrainer.json 설정을 참고할 것
캡션 작성 시 트리거. 표정. 포즈. 각도. 의상. 배경 순서로 2-3단어씩 짧게 구성할 것
빠른 추론을 위해 8단계 설정의 Distill LoRA 워크플로우를 활용할 것

섹션별 상세

OneTrainer를 활용한 캐릭터 LoRA 학습 설정 공유가 이루어졌다. 작성자는 Civitai에 업로드된 z-image-base-onetrainer.json 설정 파일을 기반으로 학습을 진행했다. 이 설정은 기존의 512 해상도 가이드와 달리 1024 해상도 이미지에 최적화되어 고해상도 생성물에서 뛰어난 품질을 보여준다.

데이터셋 구성 및 캡셔닝 전략이 제시됐다. 약 50장의 이미지를 사용했으며, 트리거, 표정, 포즈, 각도, 의상, 배경 순으로 각 항목당 2-3단어의 짧은 캡션을 작성했다. 구체적인 예시로 Natasha. Neutral expression. Reclined on sofa와 같은 형식을 사용하여 다양한 각도와 포즈를 캡션에 포함하는 것이 중요함을 언급했다.

추론 속도 최적화 및 워크플로우가 공유됐다. 학습된 LoRA를 8단계(steps)의 Distill LoRA 방식으로 실행하여 FHD 해상도에서도 빠른 생성 속도를 확보했다. 작성자는 Pastebin을 통해 실제 사용한 워크플로우 링크를 공유하며 실무적인 재현 가능성을 높였다.

용어 해설

원트레이너(OneTrainer): — Stable Diffusion 모델 학습을 위한 오픈소스 GUI 도구로, 다양한 학습 옵션과 최적화 기능을 제공하여 사용자 맞춤형 LoRA 제작에 널리 사용된다.
저순위 적응(LoRA): — 기존 모델의 가중치를 고정한 채 소수의 추가 파라미터만 학습시키는 경량화 기법으로, 특정 캐릭터나 화풍을 적은 비용으로 학습시킬 때 필수적이다.
캡셔닝(Captioning): — 학습 데이터셋의 각 이미지에 대응하는 텍스트 설명을 작성하는 과정으로, 모델이 특정 단어와 시각적 특징 사이의 연관성을 학습하도록 돕는 역할을 한다.

언급된 도구

OneTrainer추천링크

Stable Diffusion 모델 및 LoRA 학습 GUI

z-image중립

학습에 사용된 베이스 모델

언급된 리소스

GitHubOneTrainer GitHub

문서z-image-base-onetrainer.json 설정 파일

튜토리얼학습 LoRA 활용 워크플로우