本地保存了视频或图片素材，想借助Nova AI进行微调训练，但第一步就卡住了——不清楚如何将原始素材转化为模型可用的训练数据。这一步如果走不通，后续的角色一致性建模、分镜生成流程全都无法推进。别着急，下面我们把完整流程拆解开，一步步讲清楚。

准备原始素材并上传至S3存储桶

首先登录Amazon S3控制台，新建一个存储桶。桶名必须全局唯一，建议结合日期与项目缩写来命名，例如“nova-picchu-202607”——这样后续查找更加方便。

直接将本地视频文件拖拽到桶的根目录下。如果手头已有裁剪好的角色图集，也可以直接上传JPEG或PNG格式的图片，单张分辨率不低于512×512像素即可。

这里有一个极易踩坑的注意事项：务必关闭S3服务器端加密（SSE-S3）。如果保持开启，后续ECS任务读取文件时会直接报错，整个降采样步骤会静默失败——这是实际部署中最容易被忽略的权限陷阱，请一定手动关闭。

触发自动化帧提取与标注流水线

接下来，进入Amazon ECS控制台，找到预先配置好的FuzzyPixel处理集群，点击“运行新任务”。

在任务配置中，需要设置几个环境变量：INPUT_BUCKET设为刚才创建的S3桶名；FRAME_INTERVAL设为1，代表每秒抽取一帧；ROLE_NAME设为你想微调的具体角色名称，比如“Mayu”或“Mother”。

提交任务后，ECS会自动启动容器，依次执行三步操作：①从S3下载视频 → ②按设定间隔拆帧 → ③调用Nova Pro对每一帧生成结构化描述文本，包含角色位置、服饰、表情等关键词。

全部处理完成后，原始帧截图和对应的JSON标注文件会自动存入同一S3桶下的/output/子目录。路径示例如下：s3://nova-picchu-202607/output/mayu_00123.jpg + mayu_00123.json。至此，训练数据准备就绪。

在SageMaker中启动微调训练任务

目前有两种方式可供选择。

方法一：使用预置笔记本（推荐新手）

进入Amazon SageMaker Studio，打开GitHub代码库中的02-character-consistent-fine-tuning-with-amazon-nova-canvas/notebook/train_nova_canvas.ipynb，然后依次执行每个单元格即可。整个过程对新手非常友好，基本无需修改代码。

方法二：直接调用API（适合CI/CD集成）

在本地终端或CloudShell中运行以下命令：

aws bedrock create-model-customization-job \
  --job-name "mayu-v2" \
  --role-arn "arn:aws:iam::123456789012:role/NovaFineTuneRole" \
  --input-data-config '{ "inputDataS3Uri": "s3://nova-picchu-202607/output/", "dataFormat": "JSONL" }' \
  --output-data-config '{ "outputDataS3Uri": "s3://nova-picchu-202607/fine-tuned-models/" }' \
  --model-id "amazon.nova-canvas-v1"

训练耗时大约12小时。期间可以在Bedrock控制台查看任务状态。成功后，生成的定制模型ID格式类似arn:aws:bedrock:us-east-1:123456789012:model-customization/mayu-v2。

验证微调效果并部署推理端点

在Bedrock控制台选择刚生成的定制模型，点击“部署为实时端点”，实例类型选择ml.g5.xlarge——这是最低要求，确保GPU显存不低于24GB。

部署完成后，复制端点ARN。然后在Postman中构造一个POST请求：目标URL为https://runtime.bedrock.aws.amazon.com/model/custom/amazon.nova-canvas-v1:mayu-v2/invoke，Body选择raw → JSON，填入类似以下内容：

{"text":"Mayu wearing red hoodie, smiling, standing in Tokyo street at night"}

收到响应后，仔细检查返回图像中角色的发型、瞳色、服装细节是否与训练集保持一致。如果出现明显偏差——例如训练集中Mayu没有雀斑，但生成图中却出现了——说明标注数据里存在误标帧。此时需要回到S3的/output/目录，删除对应JSON文件，然后重新运行一次微调任务。

整个流程虽然步骤较多，但只要把每个环节的关键点卡住，角色一致性建模就能顺利推进。