波仔
🧠 第七章 绘画模型训练：创意生成与视觉设计
📄 一句话概括

40 张图查出 13 处毛病：尺寸过小 4、文件名不规范 3、非 RGB 3、近乎纯色 1、不是方图 1、 重复 1。但真正会被拒收或把模型带坏的只有 8 张（20%）。 「处」说的是毛病有多少，「张」说的是要动几次手，两个口径别混着看。

📝 本节和前面几节的关系

上一节把环境装好了。这一节准备数据——训练 LoRA 的成败，八成在这一步就定了。

一、一个 LoRA 数据集长什么样

结构极简：一个文件夹，里面一对一对的「图 + 同名 txt」。img_001.png 配 img_001.txt， txt 里就是这张图的标签，用逗号隔开。 张数：一个画风 LoRA 15 到 30 张就够，人物 LoRA 常 20 到 50 张。 再多收益递减，反而更容易过拟合。 规格：边长 512 或 768、方图、RGB 模式。训练时会被裁到目标分辨率，不是方图就会把主体裁掉一块。 命名：全小写字母数字加下划线。理由不是审美， 是很多启动脚本按 img_*.png 这种模式匹配文件—— 名字不合规的图会被静默跳过，不报错，只是少了几张。

二、六项质检，逐项说为什么

① 尺寸过小。 小于 512 会被放大，放大就是糊，模型学到的是「糊的画风」。 ② 非 RGB。 RGBA（带透明通道）、P（调色板）、L（灰度）这三种模式，训练脚本有的直接报错， 有的静默转成灰度。后者更坑——你以为在训彩色的。 ③ 不是方图。 裁切位置是随机的，主体在边上就被切掉了。 ④ 近乎纯色。 一张纯灰图没有信息量，模型会把它学成「背景色」，结果是出图永远偏灰。 ⑤ 重复。 同一张图出现两次等于给它双倍权重。 这种错在几百张的集子里几乎必犯（截图存了两次、微信重发过）。 ⑥ 文件名不规范。 中文、空格、大写扩展名——这三类会被模式匹配漏掉，而且训练器一声不吭。

三、「处」和「张」是两个口径

Demo 里 40 张图查出 13 处问题，但只有 8 张需要动手。 差别在于一张图可能有好几个毛病（一张 256 的灰度图同时算「尺寸过小」和「非 RGB」）。 为什么两个都要算： 处数说的是「这个数据集有多脏」，张数说的是「我要动几次手」。报给别人的时候要写清是哪一个， 不然会被追问。 Demo 里那 8 张的口径是「会被拒收或学坏」——只算非 RGB、尺寸过小、近乎纯色这三项。 「不是方图」和「重复」不算在里面，它们不会让训练失败，只会让结果差一点。

四、处理顺序：先粗后细

第一步改名。 统一成 img_%03d.png，这一步最便宜、收益最大，因为后面所有脚本都靠名字找文件。 第二步转 RGB 并裁成方图。 一次批量处理，裁的时候用「居中裁」而不是「左上角裁」， 主体一般都在中间。 第三步查重复。 按文件哈希查， 别按文件名——img_001.png 和 copy_of_001.png 内容一样但名字不同。 第四步看纯色。 放在最后，因为它是唯一「可能是正样本」的毛病：白底产品图的标准差也很低， 不能无脑删。 最后一条： 把命名规则写下来，下一次采集就按规则命名。这样这一整轮检查就可以省掉—— 质检的成本，远高于一开始就按规范拍。

五、动手 Demo：数据集质检：40 张图查出 13 处毛病，8 张得动手改

用 Pillow 造 40 张图，故意混进六类问题：尺寸过小、非 RGB、近乎纯色、不是方图、内容重复、 文件名不规范。逐张检查并统计每类毛病的张数，再按「严格会被拒收」的口径数一遍张数。

tags = []
if im.mode != "RGB":       tags.append(u"非 RGB")
if wd < 512 or ht < 512:   tags.append(u"尺寸过小")
if abs(wd - ht) > 8:       tags.append(u"不是方图")
arr = np.asarray(im.convert("RGB"), dtype=np.float32)
if arr.std() < 6.0:        tags.append(u"近乎纯色")
if md5 in seen:            tags.append(u"重复")
if not re.match(r"^[a-z0-9_]+\.png$", f):
    tags.append(u"文件名不规范")
for t in tags:
    prob[t] = prob.get(t, 0) + 1

实跑输出：

--------------------------------------------------------------------
数据集质检：40 张图查出 13 处毛病，8 张得动手改
--------------------------------------------------------------------
  图片总数                 40 张
  问题类型       张数
  ------------------
  尺寸过小          4
  文件名不规范      3
  非 RGB            3
  近乎纯色          1
  不是方图          1
  重复              1
  会被训练器拒收或学坏     8 张（20%）

  第一张表是**全部问题**：一共 **13 处**。
  第二行是真正要处理的：**8 张会被拒收或把模型带坏。**
  「文件名不规范」看起来无害——但如果启动脚本按 `img_*.png` 匹配，
  **那 3 张（大写的、带空格的、中文的）会直接被漏掉**，而且训练器不会报错，只是少了几张图。
  所以质检要按「处」和「张」各算一遍：**处数说的是毛病有多少，张数说的是要动几次手。**
  处理顺序建议：**先改名统一 → 再转 RGB 并裁成方图 → 再查重复 → 最后看纯色。**
  纯色图放最后，因为它可能是正样本（比如白底产品图），不能无脑删。

第一张表最上面两行就是「尺寸过小 4、 文件名不规范 3」——这两个数在这份数据里并列第一，但性质完全不同。前者影响画质， 后者影响「能不能被读到」。 「近乎纯色」只查出 1 张，因为我只造了一张纯灰图。 真实数据集里这一类往往比想象中多（白底产品图、纯色背景照）。 第二行那个 8 张（20%） 才是要动手的数量。 注意它把「不是方图」和「重复」排除在外了——那两项不会让训练失败。 「文件名不规范」那句提醒最实用： 那 3 张会直接被 img_*.png 漏掉，而且不报错。所以这条检查不是「强迫症」， 是「防止静默丢数据」。 说明：这 40 张图是 Pillow 生成的随机噪点，不是真的画。 判据（模式不等于 RGB、边长小于 512、标准差小于 6、哈希重复）都是真判。 换成真图，代码一行不用改。

30 秒实验

  1. 把目标尺寸从 512 改成 768，重跑，看「尺寸过小」那行怎么变。 26 张 512 的图会全部变成过小——分辨率标准一变，全集的合格线都变。
  2. 把纯色阈值从 6.0 改到 15.0，看那一行涨到几张。 阈值每抬一点，误伤的正常图就多几张——所以它只能当提示，不能当删除依据。
  3. 把命名正则改成 ^.*\.png$，看「文件名不规范」归零。 归零了，但漏检风险也回来了——这就是「先改名」的意义。

常见误区

  1. 「图越多越好」。30 张干净图胜过 300 张杂图。杂图会让模型学到互相矛盾的信号。
  2. 「文件名无所谓」。按模式匹配的脚本会静默漏掉，你只会觉得「怎么少训了几张」。
  3. 「PNG 都是一样的」。RGBA、P、L 三种模式要么报错，要么被转成灰度，后者最难发现。
自测三问（点开对答案） 1. 一个画风 LoRA 大概要多少张图？ —— 15 到 30 张。人物 LoRA 常 20 到 50 张。质量远比数量重要。 2. 为什么「文件名不规范」是硬伤？ —— 因为启动脚本常按 `img_*.png` 这类模式匹配文件，不合规的会被静默跳过，不报错， 只是少训了几张。 3. 处理顺序为什么把「纯色」放最后？ —— 因为纯色图可能是正样本——白底产品图的标准差也很低。它是唯一不能自动删的毛病，要人看一眼。

图干净了，但每张图还缺一样东西：标签。下一节就是打标签，而打标签里最容易漏的是那个「开关词」。

相关笔记