🧬 32 张图训练专属画风：小训练集的 4 个关键参数

分类：生图 · 全流程实操

整理自 B 站 UP 主「今宵鳩鳴」《如何只使用32张图片！训练画风！》（BV1eC411574x）。本站做了要点提炼与改写。

先明确什么叫"小训练集"

32 张是刚过门槛的数量，作者自己通常准备 60-500 张。但就算是 1000 张、5000 张，相比动辄几万几十万张的大模型训练集，都算小训练集。小训练集有小训练集的处理方法，照搬大训练集的经验会翻车。

很多人以为 AI 会把透明背景当成白色或黑色——不是的。对训练集庞大的模型来说这无所谓，但对小训练集，混进几张透明背景图会明显拉低出图质量。所以：不要用透明背景图，也不用特意去做抠图。

这类图能帮助模型学色彩，但必须打标说明——告诉 AI"这是一张带边框的图""这是一张带 logo 的图"。这样你出图时不特意写边框或 logo，它就不会画出来。

不想在打标上花时间，就把不想要的元素直接 PS 掉或删掉图。

这是小训练集训练画风的核心。目的是让模型学到"画风"，而不是死记某一张图里的人物。

等效批量大小（batch size × 梯度累积步数）≈ 训练集图片数的一半
训练时一个 epoch 只有 2 步

举例：500 张图 → batch × 梯度累积 = 250；32 张图 → 等于 16。批量大小受显存限制，在显存允许的前提下尽量取大，剩下的用梯度累积补。

不开 Bucket 时，所有图会被裁成同一分辨率。你填 1024×1024，非正方形图就被裁成正方形——任何脚本的裁剪都不可控，训练集质量必然下降。

开 Bucket 后，它会把相似宽高比的图分组训练，图片保持完整。但会带出新问题：

如果某个 Bucket 里的图片数量不是批量大小的整数倍，多出来的图会被重复训练。比如批量大小 8，Bucket 里只有 1 张图，这张图就被训练 8 遍——小训练集里这会直接导致过拟合。
原本"一个 epoch 2 步"的理想节奏会被打乱，可能变成 6 步。

用脚本把所有图片按 Bucket 分到不同文件夹，你只需要裁掉那些凑不成整数的。1000 张图可能只需处理几十张，比全裁省事得多。

除了上面这几个必须改的，其他参数按常规理解设置即可。作者贴出了自己的参数作为参考，并坦言有不少"反常识"的地方——说明参数调整强依赖具体数据集，别照抄别人的完整参数表，先把你自己的数据整理干净。