Skip to main content

Visão geral

LoRA (Low-Rank Adaptation) é uma técnica de fine-tuning que ensina a um modelo de IA um novo estilo visual usando um pequeno conjunto de imagens de exemplo. Ela funciona injetando novos “pesos de estilo” em um modelo existente, tornando o treinamento rápido e eficiente. Este guia percorre o fluxo completo:

Preparar imagens de treinamento

Faça a curadoria e upload de imagens de alta qualidade que representem o estilo desejado

Enviar job de treinamento

Envie uma requisição POST para /styles/train com as URLs das imagens e a configuração

Monitorar o progresso

Acompanhe o status do seu job de treinamento usando o job_id retornado

Gerar com seu estilo

Aplique seu estilo treinado à geração de imagens

Preparar imagens de treinamento

Curando seu dataset

A qualidade das suas imagens de treinamento impacta diretamente os resultados. Diferentes tipos de treinamento têm requisitos distintos:

Quantas imagens?

Qualidade importa muito mais que quantidade. Um pequeno conjunto de imagens excelentes vai superar um grande conjunto de imagens medianas.
Qualidade > Quantidade15 imagens de alta qualidade produzirão melhores resultados que 50 de baixa qualidade. Priorize:
  • Alta resolução (mínimo 1024x1024)
  • Estilo consistente em todas as imagens
  • Sem marcas d’água, sobreposições de texto ou artefatos de compressão
  • Assuntos variados mantendo a coerência de estilo
Datasets de exemplo
  • Treinamento de personagem: fotos de uma pessoa com poses, expressões e condições de iluminação variadas. Evite incluir outras pessoas nas imagens.
  • Treinamento de estilo: uma coleção de obras de arte em um estilo consistente. Por exemplo, o The Metropolitan Museum of Art Ukiyo-E Dataset fornece xilogravuras japonesas ideais para treinar um estilo artístico.

Fazer upload das imagens

Antes do treinamento, faça upload das suas imagens para obter URLs hospedadas. Use o endpoint /assets:
Salve os valores de image_url retornados — você os passará para o endpoint de treinamento.

Treinar seu estilo

Exemplo básico de treinamento

Envie as URLs das suas imagens para iniciar o treinamento:

Tipos de treinamento

O parâmetro type define padrões inteligentes otimizados para seu caso de uso:

Parâmetros

Parâmetros obrigatórios

string
required
Um nome descritivo para seu estilo personalizado.Exemplo: "Ukiyo-E Style", "Product Photos"
array
required
Array de URLs de imagens para treinar. Inclua mais imagens para melhores resultados.

Parâmetros opcionais

string
default:"flux_dev"
Modelo base para treinamento:Modelos de imagem:
  • flux_dev - Alta qualidade, versátil
  • flux_schnell - Modelo em tempo real da BFL
  • qwen - Modelo da Alibaba
  • z-image - Modelo eficiente de imagem da Alibaba
  • wan22 - Apenas geração de imagem
Modelos de vídeo:
  • wan - Modelo de vídeo da Alibaba
string
default:"Default"
Categoria de treinamento: Style, Object, Character ou Default
string
Palavra personalizada para ativar este estilo nos prompts. Quando não especificada, usa o nome do estilo.
Escolha palavras-gatilho únicas que não apareçam em prompts típicos. Use underscores para gatilhos com múltiplas palavras: ukiyo_style
number
Controla a intensidade do treinamento. Valores mais altos treinam mais rápido, mas podem causar overfitting.Faixa recomendada: 0.0001 - 0.001
integer
Máximo de iterações de treinamento. Faixa: 1-2000
integer
Imagens processadas simultaneamente. Lotes maiores = treinamento mais rápido, mas mais memória.

Ajustando parâmetros avançados

Comece com os padrões definidos pelo campo type — eles funcionam bem para a maioria dos casos. Ajuste-os apenas se você observar problemas específicos:
Controla o quão agressivamente o modelo se adapta às suas imagens de treinamento.Sinais de que você precisa ajustar:
  • As saídas parecem idênticas às imagens de treinamento → reduza a taxa
  • A influência do estilo está fraca após o treinamento → aumente a taxa levemente
Por quanto tempo o modelo treina nas suas imagens.Sinais de que você precisa ajustar:
  • Saídas muito rígidas, ignorando os prompts → reduza os passos
  • Influência do estilo fraca → aumente os passos
  • Imagens geradas ficam exatamente iguais aos dados de treinamento → reduza os passos (overfitting)
Ajuste iterativoSe sua primeira tentativa de treinamento não produzir os resultados desejados:
  1. Comece ajustando max_train_steps (correção mais comum)
  2. Depois tente learning_rate se os passos sozinhos não ajudarem

Formato da resposta


Monitorar o progresso do treinamento

O treinamento normalmente leva de 5 a 15 minutos. Faça polling na Jobs API para verificar o status:
Jobs de treinamento passam por estes estados:
  1. queued - Aguardando na fila
  2. processing - Treinamento ativo
  3. completed - Treinamento concluído com sucesso
  4. failed - Treinamento encontrou um erro
  5. cancelled - Job cancelado manualmente

Usar seu estilo treinado

Assim que o treinamento for concluído, aplique seu estilo à geração de imagens usando o parâmetro styles:
Propriedade do estilo entre o app e a APIA API e o webapp da Krea operam como identidades de usuário separadas dentro do seu workspace. Estilos são privados do usuário que os criou, portanto:
  • Estilos treinados no app não são acessíveis pela API, a menos que sejam compartilhados
  • Estilos treinados na API não são acessíveis no app, a menos que sejam compartilhados
Para compartilhar um estilo com seu workspace (funciona nos dois sentidos):

Força do estilo

O parâmetro strength (0.0-1.0) controla o quão fortemente seu estilo é aplicado:
Comece com força 0.8 e ajuste com base nos resultados. Valores menores dão mais liberdade criativa; valores maiores impõem aderência mais estrita ao estilo.

Combinando múltiplos estilos

Aplique vários estilos adicionando-os ao array styles:

Boas práticas

  • Use quantas imagens de alta qualidade você tiver para melhores resultados
  • Garanta estilo consistente em todas as imagens de treinamento
  • Inclua variedade nos assuntos mantendo a coerência de estilo
  • Evite marcas d’água, sobreposições de texto ou artefatos
  • Use imagens com pelo menos 1024x1024 de resolução
  • Comece com os parâmetros padrão usando o campo type
  • Para estilos: 500-1000 passos costumam ser suficientes
  • Learning rates menores (0.0001-0.0003) previnem overfitting
  • Aumente os passos se o estilo não estiver forte o suficiente
  • Diminua os passos se a saída estiver muito rígida
  • Use a mesma palavra-gatilho se você planeja combinar múltiplos estilos
  • As palavras-gatilho são injetadas automaticamente no prompt se você incluir o estilo
  • Evite palavras comuns que aparecem em prompts típicos
  • Use underscores para gatilhos com múltiplas palavras: my_custom_style