训练与微调AI 资源

fast-DreamBooth：在 Google Colab 中用个人图片快速微调 Stable Diffusion 模型

bababa14/fast-DreamBooth · 🎨 Create a customized Stable Diffusion model in just 30 minutes using your images with the automated Fast DreamBooth in Google Colab.

GitHub原文发布未知首次收录 2026-09-18上架 2026-09-18 07:02

☆ 收藏查看项目 ↗

ELI5：它是什么，解决什么问题

fast-DreamBooth 是一个基于 Google Colab 的自动化 DreamBooth 工具，用于使用自己的图片训练定制化 Stable Diffusion 模型。据描述，整个过程大约只需 30 分钟，适合初学者和希望快速实验 AI 图像生成的用户。项目提供 Jupyter Notebook 形式的使用流程，涵盖图片上传、模型训练和训练后图像生成等步骤。

# dreambooth # stable-diffusion # fine-tuning # google-colab # image-generation

核心能力与快速开始

★ 2 · Jupyter Notebook

能做什么: 基于 Google Colab 的自动化 DreamBooth 流程，使用个人图片微调 Stable Diffusion 模型；支持图片上传、训练参数选择、模型训练及训练后生成新图像。
适用场景: 适合希望用少量个人图片快速定制 Stable Diffusion 图像生成模型的初学者、爱好者或实验者，用于生成个性化图像。
项目形态: 可直接使用的工具
部署方式: Google Colab（Jupyter Notebook）
主要依赖: 至少 8 GB RAM、5 GB 可用存储空间，以及稳定的网络连接；需要 Google Colab 环境。
使用限制: README 中未说明具体的模型训练效果、时间消耗、API 成本、GPU 配额等限制。
许可证: MIT
最近推送: 2026-09-17 14:37

官方入门核对 README 依据 ↗

资料检查：2026-09-18 07:00 · 卡片整理：2026-09-18 07:00
卡片由 AI 根据仓库资料整理，未进行安装或运行验证 · 本次更新未完成，保留上次成功内容

相似资源

LoRA Forge：用于训练 Anima、SDXL、FLUX 等模型 LoRA 的 Web UI

LoRA Forge 是一个通过浏览器表单启动 LoRA 训练的 Web UI，支持 Anima、Krea 2、MOSS-Image、SDXL、FLUX、SD3.5 和 SD1.5，并为 SDXL 与 SD1.5 提供 Dreambooth 全量微调。底层调用 kohya-ss/sd-scripts、musubi-tuner 以及自研的 MOSS-Image 训练器，自动准备 Python、PyTorch 和训练环境。项目提供 Essentials 简化表单、配置导入导出、Runs 页面进度与 loss 曲线、样本图和控制台输出，并通过 torch.compile、flash-attn、fp16 累加和批量化 ProdigyPlus 步骤提升训练速度。

fine-tuning-pipeline：基于 PyTorch 的 LLM LoRA/QLoRA 监督微调流水线

该项目是一个面向生产场景的因果语言模型监督微调（SFT）流水线，基于 Hugging Face Transformers、PEFT 与 Accelerate 构建，支持 LoRA/QLoRA、assistant-only 损失掩码、单卡与多卡训练以及可选 DeepSpeed ZeRO-3。数据侧提供 JSON/JSONL/HF 数据集的规范化、schema 过滤与确定性切分，训练侧通过种子控制与每次运行的 run_manifest.json 提升可复现性，并输出安全序列化的模型检查点与 LoRA 合并脚本。仓库还包含 AWS SageMaker/Terraform 部署脚手架示例，以及 Ruff、Black、配置校验、测试、CodeQL 与 Terraform 校验等工程质量检查。

NVIDIA Nemotron：面向智能体 AI 的开源模型训练配方、部署指南与用例资源库

NVIDIA Nemotron 开发者资源库，围绕 Nemotron 系列开源高效多模态模型，提供从数据准备、合成数据生成、预训练、SFT、PEFT、强化学习到评测、量化与部署的完整训练配方，以及使用 cookbook、端到端智能体工作流示例和模块化 nemotron steps CLI。仓库还附带名为 nemotron-customize 的 Claude Code 插件，可按步骤目录规划流水线并生成 YAML 配置。

minllm：从零构建可在笔记本上运行的最小 LLM 全流程教学项目

minllm 是一个用 PyTorch 从零编写、以可读性为目标的最小语言模型流水线，覆盖分词器、预训练、推理、微调、RLHF 与 RLVR 等十个阶段，并附带交互式网站、测试和实测结果，可在笔记本上运行。项目仅依赖 PyTorch 实现张量与自动微分，其余组件（分词器、模型、训练循环、LoRA 微调、评估和强化学习算法）均为自写代码，不依赖 transformers、tokenizers、peft、trl 或 vllm。README 还列出了混合专家、长上下文、潜在注意力、蒸馏、数据准备、缩放定律、结构化输出、推测解码、工具调用、模型评判、安全、自训练、量化等分支主题及其测量结果。

这是基于来源内容整理的摘要。原文链接失效后，本页摘要和讨论仍会保留。