准备高质量人物训练图

挑选一张【透明背景、纯正面、无遮挡、高分辨率】的人物立绘或实拍照作为主图。如果只有单张素材，可用Python脚本进行数据增强：先将图像缩放至512像素长边，再以白底填充为正方形，然后依次执行水平翻转、亮度对比度扰动及轻微旋转（±10°），最终生成至少40张变体。所有图像统一保存为PNG格式，并采用半角下划线命名，例如01_character_front.png、02_character_flip.png。

注意：请务必避免使用带有阴影、复杂背景、多人合照或低像素的截图。裁剪时需保留完整的头部与肩颈结构，仅截取脸部会导致身体比例失真，后续训练出的人物动作效果会非常奇怪。

上传与预处理（LiblibAI平台）

登录LiblibAI后，点击左侧「训练LoRA」，然后选择底模：人物肖像类选SD1.5，写实真人照片选SDXL，超写实皮肤质感选F.1。上传所有图像后，点击「裁剪/打标」。

裁剪方式选择「聚焦剪裁」，确保每张图中的人脸居中且占据画面60%以上。打标环节必须人工校验——删除AI自动生成的所有冗余标签，每张图仅保留两个词：【触发词】 + 【1girl 或 1boy】（例如 xiaobai_1girl）。触发词须为全英文、无空格、不加括号，后续生图时必须前置调用。

关键参数设置（防过拟合核心）

方法一：新手推荐（标准模式）
在「简易参数」中，将单次张数设为15、循环轮次设为8；并关闭「混合精度训练」开关。模型效果预览提示词填写：触发词, front view, studio lighting, high detail。

方法二：单图强化（仅1–3张原始图时启用）
展开「高级参数」→ Repeat设为7（强制重复学习）→ 学习率设为4e-4 → Epoch设为5 → Batch Size按显存选择：A10卡填3，V100卡填5。启用「正则图」并上传5张同风格无关图（如其他水墨人物），防止特征坍缩。

关键点：loss值稳定降至0.25–0.35区间即可停止训练。若低于0.2则易过拟合，生成图只会复刻原图姿态，完全丧失泛化能力——那样就前功尽弃了。

测试与部署到ComfyUI

训练完成后，进入「我的模型」→ 找到刚生成的LoRA → 点击「模型生图测试」。在提示词最前方输入触发词，后接描述，例如 xiaobai_1girl, wearing hanfu, standing in garden, soft light。

导出LoRA文件（.safetensors格式）→ 放入ComfyUI的models/loras目录 → 在工作流中添加「Lora Loader」节点，权重设为0.8–1.0。如需更强一致性，可叠加「IP‑Adapter FaceID Plus v2」节点，参考图选用原始训练图，控制权重0.65。

启动生成前，务必在KSampler节点中将CFG Scale设为7–9，采样步数≥20。过低的CFG会导致特征弱化，前面的努力可能白费。