Skip to main content
ComfyUI 原生支持训练 LoRA（Low-Rank Adaptation）模型，无需外部工具或自定义节点。本文档提供训练流程的整体概览，各节点的详细参数说明请参阅对应的节点文档。
训练节点目前标记为实验性功能。功能和行为可能会在未来版本中发生变化。

​
节点概览

原生 LoRA 训练系统由数据集节点和训练节点两个部分组成。

​
数据集节点

用于准备和管理训练数据：

​
训练节点

用于执行训练、保存和推理：

​
系统要求

  • 具有足够显存的 GPU（训练通常比推理需要更多内存）
  • 训练图像（存放在 ComfyUI/input/ 的子文件夹中）
  • 基础模型（checkpoint）

​
典型训练流程

1

加载训练图像

将训练图像放入 ComfyUI/input/ 下的子文件夹。
  • 若只需图像，使用 Load Image Dataset from Folder
  • 若需要图文配对，使用 Load Image and Text Dataset from Folder（每张图像需对应同名 .txt 说明文件）
从 10–20 张高质量图像开始，质量比数量更重要。
2

编码数据集

将图像和文本连接到 Make Training Dataset 节点，提供 VAE 和 CLIP 模型进行编码，得到 latents 和 conditioning 输出。若需要多次训练同一数据集，可用 Save Training Dataset 将编码结果保存到磁盘，后续直接用 Load Training Dataset 加载，避免重复编码。
3

（可选）分辨率分桶

若训练图像尺寸不一致，将编码后的数据通过 Resolution Bucket 节点按分辨率分组，并在 Train LoRA 节点中启用 bucket_mode，以实现高效的批量训练。
4

配置并运行 Train LoRA

将模型、潜空间数据和条件数据连接到 Train LoRA 节点，根据需要调整训练参数后执行工作流。常用起始配置：节点将输出训练好的 lora 权重、loss_map 损失历史和完成的 steps 数。
5

监控训练进度

将 loss_map 连接到 Plot Loss Graph 节点，查看训练损失曲线。损失趋于平稳后即可停止训练。
6

保存并测试 LoRA

将 lora 输出连接到 Save LoRA Weights 导出为 .safetensors 文件，保存在 ComfyUI/output/loras/ 目录中。在推理工作流中，使用 Load LoRA Model 节点将训练好的 LoRA 应用到基础模型进行测试。

​
显存优化

​
量化模型训练

对 FP8/FP4 等量化模型训练 LoRA，推荐在 Train LoRA 中使用以下配置：
  • training_dtype: none
  • quantized_backward: 启用
  • bypass_mode: 启用
推理时在 Load LoRA Model 中也需启用 bypass。

​
继续训练

在 Train LoRA 的 existing_lora 参数中选择已保存的 LoRA 文件，即可从之前的检查点继续训练，总步数会自动累积。

​
支持的训练算法

通过 Train LoRA 的 algorithm 参数可选择不同的权重适配器：