Skip to content

About

KohakuMossTrainer 的图形界面:配置编辑、数据检查、训练队列与监控,支持浏览器和桌面窗口。

Resources

Stars

1 star

Watchers

0 watching

Forks

Repository files navigation

KohakuMoss Studio

KohakuMoss(MOSS-Image 微调框架)的图形界面。新建配置、检查数据、估算显存、排队训练、看曲线和样图、续训、采样、导出,都在一个 UE5 编辑器风格的窗口里完成。不用手写 .py 配置,也不用记 kogine 命令。

  • 参数完整:训练器的每个参数都能在界面里改,包括训练脚本的 137 个和数据、采样、导出脚本的参数,每个参数都有中文白话说明。
  • 只在本机运行:默认监听 127.0.0.1:8840,可以用浏览器打开,也可以用桌面窗口打开。
  • 不改训练器:Studio 只读写你自己的配置文件;训练控制(保存、采样、暂停)通过 Studio 自己的任务进程注入,KohakuMossTrainer 的代码保持原样。

KohakuMoss Studio 主界面

主界面(2560×1440):左边是配置大纲,中间是参数,右边是所选参数的说明,底部是训练曲线。

目录

功能一览

功能 说明
参数编辑器 参数直接从 kogine 脚本(scripts/train/moss.py 等)读出,包括分区、默认值、可选值和字典子字段。上游新增参数不用改 Studio,会自动出现。每行以参数原名为主,中文名和短注释为辅;按"常用 / 高级"分组,可以搜索参数名、中文名或说明。
参数说明 「参数说明」面板用白话解释所选参数:每个取值的含义、经验值、对显存和速度的影响、相关参数。脚本注释变化后,说明会标为"可能已过时"。
无损读写配置 保存时只替换改动的值所在的那段源码,注释、1536 * 1536 这样的表达式和排版都逐字保留。被注释掉的 # KNOB = ... 在设值时自动取消注释,重置时再注释回去。
来源追踪 按执行顺序展开 use_config 预设层,标出每个参数的值来自哪里:脚本默认值、哪一个预设层,还是当前文件。
预设层与源码 在界面里添加、删除、重排 use_config 预设层;也可以直接编辑 Python 源码,保存前先看 diff。支持撤销 / 重做,可同时打开多个配置标签。
显存估算 用训练器自己的显存模型估算每个 MEMORY_PROFILE 的峰值,标出 auto 会选哪个。未保存的修改也会计入估算。
数据报告 扫描数据集,给出样本数、分辨率和宽高比分布、token 预算、被丢弃的样本,以及每张图的目标尺寸、裁剪框和渲染后的 caption。
任务队列 一次提交检查数据、文本缓存、潜变量缓存、训练四个阶段,排队依次执行。任务是独立进程,关闭浏览器或重启 Studio 都不会中断训练,下次启动时自动接管。
训练控制 训练中可以立即保存检查点、立即采样、保存并暂停、在当前步结束并导出,也可以强制终止。
监控 底部面板按"训练"归组显示输出日志、训练曲线、样图、检查点与导出、任务队列;状态栏显示 GPU 状态。多次运行的曲线可以叠加,两次运行的配置可以对比。
采样与导出 从一次训练生成采样、对比网格、导出、合并、量化配置;在检查点上直接导出 ComfyUI / LyCORIS / 合并模型;采样结果在画廊里浏览。
配置管理 用户配置支持多级文件夹、拖动整理、重命名、移到回收站。移动或重命名时会自动改写相关 use_config 路径。
环境与兼容性 设置页可以切换训练器仓库和 Python 环境。"上游兼容性报告"在训练器更新后检查 Studio 依赖的函数和界面元数据是否还匹配。

安装

Studio 不建自己的虚拟环境,而是装进 KohakuMossTrainer 的虚拟环境,这样才能直接调用训练器。

前置条件

  • 已安装 KohakuMossTrainer,并且能正常运行(按它的 README 安装,kohakumoss-doctor 不报错);
  • 训练器 venv 的 Python ≥ 3.11(训练器安装脚本创建的是 3.12);
  • Node.js ≥ 22 和 pnpm(npm install -g pnpm 或 corepack enable),用来构建前端;
  • 只有用桌面窗口时才需要 Rust(rustup)。

推荐目录结构:Studio 和训练器放在同一个父目录下。首次启动时,启动脚本会自动使用旁边训练器的 venv。

<任意目录>/
├─ KohakuMossTrainer/    训练器(含 .venv)
└─ KohakuMossStudio/     本项目

安装命令(Windows,在 KohakuMossStudio 目录下):

uv pip install --python ..\KohakuMossTrainer\.venv\Scripts\python.exe -e .

要跑测试时,把 -e . 换成 -e ".[dev]"。前端不用手动构建:首次启动时,启动脚本会自动执行 pnpm install 和构建。训练器在别的位置,或者用的是 Conda 等外部环境时,见启动参数与环境选择。

启动

方式 Windows Linux
浏览器版 双击 Start_WebUI.bat ./Start_WebUI_Linux.sh
桌面窗口 双击 Start_GUI.bat ./Start_GUI_Linux.sh

浏览器版启动后会自动打开 http://127.0.0.1:8840。如果 Studio 已经在运行,只打开浏览器。桌面窗口第一次启动要编译几分钟,之后几秒就能打开(见桌面窗口)。

关闭窗口或按 Ctrl+C 会停止 Studio,但不影响正在运行的训练任务,下次启动时自动接管。

第一次训练

下面以"用一个图片文件夹训练 LoRA"为例,从零走一遍完整流程。

0. 准备底模和数据集

  • 底模:下载 MOSS-Image-Base(约 26 GB),例如在训练器目录下执行:

    hf download OpenMOSS-Team/MOSS-Image-Base --local-dir models/MOSS-Image-Base
  • 数据集:常用两种布局。完整说明见训练器的 docs/guides/datasets.md。

    • kohya 风格:dataset/5_name/ 下放图片和同名 .txt 标签,文件夹名前面的数字是重复次数;
    • 普通文件夹:任意目录下的图片,旁边放同名的 .txt / .caption / .json 标注。

1. 确认训练器环境

启动 Studio 后,看左下角状态栏显示的训练器路径是否正确。路径不对,或者训练器不在 Studio 旁边时,打开 编辑 → 设置…:

  1. 在"训练器仓库"中浏览或输入 KohakuMossTrainer 的根目录;
  2. "Python 环境"保持"自动识别仓库中的虚拟环境"(依次查找 .venv、venv、env)。用 Conda 或外部 venv 时,改成"手动指定 Python";
  3. 点 检测环境,显示"匹配成功"后点 保存;
  4. 关闭并重新启动 Studio 后生效。只刷新页面不会切换环境。

设置:训练器仓库与 Python 环境

2. 新建训练配置

点 文件 → 新建训练配置…(也可以在大纲里右键"用户配置")。训练器自带的配置是只读的,你的配置都会写在 configs/user/ 下,并继承所选配方。

新建训练配置

按显卡选择基础配方:

配方 适用场景
lora_24g_bf16 24 GB、支持 bf16 的显卡(3090 / 4090 / 50 系),LoRA r32,大多数人选这个
lora_16g_fp16 只支持 fp16 的显卡(V100、2080 Ti 22 GB 等)
lora_12g_stream 12 GB 显卡:int8 底模、权重流式加载、激活值卸载
dora / lycoris_lokr / lycoris_loha / lycoris_oft 其他适配器算法(默认按 24 GB bf16 配置)
full_24g_offload / full_fsdp_4xv100 全量微调
lora_ddp / lora_xpu_b50 双卡 DDP(Linux)/ Intel Arc Pro B50

文件名只能用字母、数字和 _ . -。新配置会列出全部参数,没改动的参数保持注释状态。

3. 填写必填参数

新配置会自动打开。中间的"细节"面板顶部有搜索框,输入参数名、中文名或关键词(如 cache、学习率)就能找到参数。至少检查下面几项:

参数 要做什么
WEIGHTS 改成底模目录(含 transformer/、text_encoder/、vae/),或单个 .safetensors 文件。点值右边的文件夹图标可以浏览路径。
DATASETS 展开第一项,把 path 改成你的数据集。普通文件夹要把 source 改为 "folder",并用 txt_as 指定标注是 "tags" 还是 "nl"(自然语言)。用值右边的按钮可以添加更多数据集。
RUN_NAME 新配置默认用配方名(如 lora-24g-bf16),建议改成自己的名字,否则不同配置的训练会写进同一个运行目录。
STEPS、LR 训练步数和学习率,配方给的值可以先不改。
SAMPLE_PROMPTS、SAMPLE_EVERY 训练中定期出样图的提示词和间隔步数,0 表示不采样。SAMPLE_SIZE 的顺序是 (高, 宽),两边都必须是 16 的倍数。

参数怎么填拿不准时,点一下这一行,右侧的「参数说明」会解释每个取值的含义,并给出经验值和相关参数:

参数说明面板

改完按 Ctrl+S 保存。工具栏右端显示"配置有效"即可继续。如果显示"N 个问题",到右侧「校验」标签查看原因。

相对路径以训练器根目录为准。例如 models/MOSS-Image-Base 指的是 KohakuMossTrainer/models/MOSS-Image-Base。

4. 估算显存

打开右侧的「显存估算」标签,选择"显卡总量"或"空闲显存"作为预算,就能看到每个 MEMORY_PROFILE 的预计峰值。auto 会从最快的 speed 往下,选第一个放得下的档位。如果 auto 一个都放不下,说明需要降低 MAX_TOKENS 或换更省显存的配方。

显存估算

5. 运行

点工具栏的绿色 ▶,选择要运行的阶段:

运行对话框

阶段 作用
检查数据 扫描数据集,生成数据报告(只用 CPU,很快)
文本缓存 用文本编码器预先编码 caption
潜变量缓存 用 VAE 预先编码图片
训练 正式训练
  • 第一次运行时,对话框会提示缺少同目录的 <配置名>_data.py(数据配置),点 生成 即可。生成时会把当前的 WEIGHTS 写进编码器路径,所以要先填好 WEIGHTS 并保存再生成。
  • 第一次训练建议四个阶段全选。之后只改了训练参数(学习率、步数等)时,只勾"训练";改了数据集、分辨率或 caption 相关参数时,要重新跑两个缓存阶段。
  • 有未保存的修改时,按钮显示"保存并运行",会先保存并重新校验,再提交任务。
  • 也可以先在中间的「数据」标签点 检查数据,确认样本数、尺寸分布和 token 预算没问题再训练:

数据报告

6. 监控与控制训练

  • 底部面板:最左边的下拉框选择要看的"训练"(一个训练配置的所有任务和运行目录归在一起)。右边依次是「输出日志」「训练曲线」「样图」「检查点与导出」「任务队列」。
  • 工具栏(训练阶段可用):立即保存检查点、立即采样、保存并暂停(不导出,之后可续训),以及停止菜单(在当前步结束并导出,或强制终止且不保存)。
  • 状态栏:当前任务的步数和剩余时间,以及 GPU 占用、显存、温度、功耗。
  • 训练结果写在 runs/moss/<RUN_NAME>/ 下,包括 log.txt、metrics.jsonl、样图、检查点和 export/。

7. 续训、采样与导出

都在底部面板的「检查点与导出」标签里:

  • 从最新续训 / 从此续训:把检查点路径写进训练配置的 RESUME。保存后再点 ▶ 运行训练阶段即可。
  • 导出…:把某个检查点导出为 ComfyUI / LyCORIS 格式或合并后的模型。训练正常结束时,也会按 EXPORT_FORMATS 自动导出到 export/。
  • 采样:用这个检查点新建采样配置。打开后点 ▶ 运行,结果在中间的「结果」标签里浏览。
  • 对比网格:用勾选的检查点(不勾选时用最近 4 个)生成"提示词 × 检查点"对比网格。
  • 工具配置…:从这次运行新建采样、导出、合并、量化等配置。

界面说明

区域 内容
菜单栏 文件:新建训练配置、打开配置文件、新建工具配置、保存。编辑:撤销 / 重做、查看未保存的差异、直接编辑源码、设置。窗口:收起或展开底部面板、切换参数行密度、移动面板、重置面板布局。帮助:上游兼容性报告。
工具栏 保存 / 撤销 / 重做 / 从磁盘重新载入;▶ 运行和训练控制按钮;任务的阶段进度(点击可查看对应日志);右端是配置校验结果。
大纲(左) 「大纲」标签列出 configs/ 下的所有配置。用户配置可以右键新建、重命名、移到回收站,或拖进文件夹;训练配置和它的 _data.py 合成一行。「运行」标签列出所有运行目录,勾选多个可以叠加曲线,勾选两个可以对比配置。
细节(中) 当前配置的全部参数。上方的分区按钮可以只看某一类参数,"已覆盖"只看本文件设置过的参数,"有问题"只看校验不通过的参数。每个分区末尾折叠着"高级"参数。
右侧面板 「Python 源码」实时显示改动后的源码;「校验」;「显存估算」;「参数说明」;「预设层」(use_config 列表,点铅笔进入编辑)。
底部面板 训练选择器,以及日志、曲线、样图、检查点、队列五个标签。
状态栏 训练器路径、运行中任务的进度、GPU 状态、未保存的修改数。

参数行的标记

  • 右侧标签:用户 表示值由当前文件设置;彩色标签(如 base_lora)表示值来自该预设层;默认 表示脚本默认值。前面带 ● 表示修改尚未保存。用户 = 表示覆盖值和继承值相同,这行覆盖是多余的。
  • ↺:重置为继承值,也就是把本文件里的这一行注释掉。
  • ƒ:按 Python 表达式编辑,例如 1536 * 1536,表达式会原样写入文件。
  • 未生效:当前设置下这个参数不起作用。例如 MEMORY_PROFILE 不是 manual 时,CHECKPOINT、STREAM 等手动显存参数都不生效。
  • 标签页名字后面的圆点表示有未保存的修改。

布局:面板之间的分隔条可以拖动。「预设层」「参数说明」「数据」这几个分区可以拖到右侧面板的标签栏里,与参数并排查看。布局乱了时用 窗口 → 重置面板布局。界面按 2560×1440、100% 缩放设计。

常见问题

训练器自带的配置为什么不能改? configs/moss/ 等目录是训练器自带的预设,只读。请新建自己的配置并继承它们,或者把它们作为预设层添加进来。

用 Studio 保存后,我手写的注释和表达式还在吗? 在。Studio 只替换被修改的值,其余内容逐字不变。保存前会检查文件是否在外部被改动过,如果改过会提示,不会覆盖。

关掉浏览器或 Studio,训练会停吗? 不会。任务在独立进程中运行,重新打开 Studio 后自动接管。只有排队中、还没开始的任务要等 Studio 再次启动才会执行。

切换了训练器仓库,界面没变化? 仓库和 Python 的选择在重启 Studio 后才生效。切换前要先完成或取消当前仓库的未完成任务。

桌面窗口里还是旧界面? Studio 服务器已经让页面每次加载都重新验证。如果仍然看到旧界面,按 F5 刷新。

修改了 overlays/ 下的中文名或参数说明,没有生效? schema 有缓存,需要重启 Studio。

样图尺寸报错? SAMPLE_SIZE 是 (高, 宽),两边都必须是 16 的倍数。Studio 在入队前和训练启动前都会检查。

启动参数与环境选择

Windows 用 start.ps1(两个 bat 会把参数原样传给它),Linux 用两个 .sh 入口:

用途 PowerShell Linux / Python
端口(默认 8840) -Port 8841 --port 8841
不自动打开浏览器 -NoBrowser --no-browser
强制重新构建前端 -Build --build
数据目录 -DataDir <目录> --data-dir <目录>
训练器仓库 -Root <目录> --root <目录>
Python 解释器 -Python <python.exe> --python <python>
前端开发模式(API 8840 + Vite 热更新 5173) -Dev --dev
桌面窗口 -Desktop(即 Start_GUI.bat) Start_GUI_Linux.sh

不用脚本时,也可以直接运行:

..\KohakuMossTrainer\.venv\Scripts\python.exe -m kohakumoss_studio --open

训练器仓库和 Python 的优先级:显式启动参数 > 环境变量 KOHAKUMOSS_TRAINER_ROOT / KOHAKUMOSS_PYTHON > 设置页保存的选择 > 首次启动默认值(旁边的 KohakuMossTrainer)。显式指定仓库时会重新自动识别 Python,不沿用另一个仓库保存的手动路径。

数据目录:依次取 -DataDir / --data-dir、KOHAKUMOSS_STUDIO_HOME,源码运行时默认是 Studio 的 var/。任务记录、日志、settings.json、缩略图缓存和回收站都放在这里。浏览器版、桌面版和 python -m kohakumoss_studio 共用这个目录。

检测会实际运行所选 Python,检查它的版本、训练器的导入位置、Studio 的安装位置和必要依赖。所选 Python 必须加载所选仓库的训练器源码,不能混用另一份仓库。所选环境还没装 Studio 时,执行(把路径换成实际路径):

uv pip install --python "D:\OtherTrainer\.venv\Scripts\python.exe" -e "<KohakuMossStudio 路径>"

任务记录和编辑器标签按仓库分开保存,切换回原来的仓库可以继续查看。

桌面窗口

双击 Start_GUI.bat(或运行 .\start.ps1 -Desktop),Studio 会在独立的桌面窗口(Tauri 2 + WebView2)里打开。窗口加载的是同一个服务器、同一套前端,和浏览器版没有两套代码。

  • 用 tauri dev 从源码启动,不打安装包。第一次要编译窗口程序,需要几分钟;之后没改 desktop/ 的话几秒就能打开。编译产物在 desktop/target/。
  • 窗口会用训练器 venv 的 Python 启动服务器,关窗时停掉它。如果端口上已经有 Studio 在运行(比如用 Start_WebUI.bat 开的),窗口直接连上去,关窗时也不会停掉它。两种情况下正在运行的训练任务都不受影响。
  • 有未保存的配置或排队中的任务时,关窗前会先确认。
  • 最小化、最大化 / 还原、关闭按钮在页面菜单栏右端。拖动顶部空白处移动窗口,双击最大化 / 还原。
  • 选择文件夹、.py / .bat 文件时使用系统对话框;外部链接用系统浏览器打开。
  • 窗口已经打开时再双击 Start_GUI.bat,会切换到这个窗口。窗口的大小和位置会被记住。

Linux

两个入口都从源码启动,使用同一套界面和设置:

./Start_WebUI_Linux.sh   # 浏览器版
./Start_GUI_Linux.sh     # Tauri 桌面窗口

通过 ZIP 或复制文件取得源码时,如果入口没有执行权限,先运行 chmod +x Start_GUI_Linux.sh Start_WebUI_Linux.sh。

先装好能运行的 Linux 版 KohakuMossTrainer,再把 Studio 装进它的虚拟环境。需要 Python ≥ 3.11、Node ≥ 22.12 和 pnpm。启动脚本用系统的 python3 做引导,服务器和训练任务使用选定的训练器 Python。

cd /path/to/KohakuMossStudio
uv pip install --python ../KohakuMossTrainer/.venv/bin/python -e ".[dev]"

桌面版还需要 Rust,以及 GTK / WebKitGTK 的开发依赖。Ubuntu / Debian 示例:

sudo apt install build-essential pkg-config libwebkit2gtk-4.1-dev \
  libxdo-dev libayatana-appindicator3-dev librsvg2-dev fonts-noto-cjk

其他发行版参考 Tauri 的 Linux 前置要求。桌面窗口需要图形会话;没有图形会话时,可以用 ./Start_WebUI_Linux.sh --no-browser 只启动本机服务。

  • Linux 会自动识别 .venv、venv、env 中的 bin/python / bin/python3,并保留虚拟环境的符号链接。Windows 专用的 MSVC 选项只在 Windows 服务器上显示。
  • 启动入口可以在其他工作目录调用,参数中的相对路径按调用时的工作目录解释。如需指定引导解释器,可设置 KOHAKUMOSS_STUDIO_BOOTSTRAP_PYTHON。
  • Windows 和 Linux 要分别安装虚拟环境、node_modules 和 Rust 编译产物。在 WSL 中使用时,推荐在 Linux 文件系统里放一份独立的源码副本。

架构

浏览器 / Tauri 桌面窗口
        │  HTTP /api/*(127.0.0.1:8840);同一服务器还提供 frontend/dist
FastAPI 服务(kohakumoss_studio.server)
        │  读配置 schema、无损编辑与预览、数据报告、显存估算、运行目录
        │  启动任务进程(一次只运行一个,独立进程组)
任务进程(runner/launch.py:在进程内调用 kogine run)
        │  train_hooks / inspect_hooks 在任务进程里包装训练器函数
        │  文件通道:control.json(命令)/ status.json(进度)/ exit.json(结果)
KohakuMossTrainer(不修改;只写入用户自己的配置文件)

后端 src/kohakumoss_studio/

模块 作用
schema/ 从 kogine 脚本读出参数 schema,叠加界面元数据 overlays/*.toml(中文名、短注释、控件、常用 / 高级分组、生效条件)。overlay 里没写的参数仍然按通用方式显示。
overlays/docs/*.toml 「参数说明」的白话说明(格式见 train.toml 文件头)。每条记录用 basis 保存所依据的脚本注释哈希,注释变化后标为过时。写完或核对后运行 python -m kohakumoss_studio.schema.stamp <overlay> KNOB...;不带参数时,列出过时、继承和缺说明的参数。
pyconfig/ 把配置文件当文本处理:解析、按 ast 位置拼接编辑、来源追踪,以及 use_config 层的增删和重排。
configs.py / catalog.py / organize.py 单个配置的查看、预览和保存(含 diff 与外部改动检查);配置索引、按配方新建配置;用户文件夹的移动、重命名和回收站(会同步改写 use_config 路径)。
upstream.py 服务器用到的训练器内部接口集中在这里。只有它、memory.py 和 runner/*_hooks.py 会导入 kohakumoss 内部代码。
runner/ jobs.py 是任务队列:独立进程组;重启后用 pid 加进程创建时间重新接管;同组任务有一个失败,后面的自动取消;硬停时用 psutil 结束整个进程树。plan.py 把配置拆成阶段,并把任务关联到所属训练。control.py 是原子写入的文件通道。env.py 设置任务环境(UTF-8、MSVC vcvars,后者缓存在 msvc-env.json)。
memory.py / datareport.py / tools.py / gallery.py / runs.py / gpu.py 依次是:显存估算、数据报告、工具配置(采样、网格、导出、合并、量化)、采样结果画廊、运行目录读取、nvidia-smi 查询。
compat.py 上游兼容性报告:用 ast 读源码,检查钩子包装的函数(TARGETS)和 overlay 是否与训练器一致,不导入 torch。
trainer.py / startup.py / launch.py 训练器仓库和 Python 的识别与校验;Linux 启动器的公共逻辑;PowerShell 与 Tauri 共用的源码启动器。

训练控制的实现:train_hooks.py 在 CallbackRunner 末尾追加一个 StudioControl 回调,上报 step、loss、lr、速度、ETA、VRAM,并执行 save / sample / pause / finish 四个命令。对于 NativeDriver,pause / finish 把 steps 改成当前步,让训练循环正常结束;其他 driver 先存检查点再抛 Stop。钩子还会在设备初始化前复查最终参数(例如采样尺寸)。

前端 frontend/(Vue 3 + TypeScript + Vite)

文件 作用
store.ts 编辑器状态:所有打开的文档及其修改、预设层、源码和撤销 / 重做历史。每次编辑都由服务器预览,浏览器里不重新推导参数值。
outline.ts 大纲树、文件夹操作和拖放。
jobs.ts / trainings.ts 任务和运行的状态;按训练给任务和运行目录分组。
layout.ts 面板尺寸和停靠状态,保存在 localStorage 的 kms.layout。
platform.ts 封装桌面窗口的原生能力:系统对话框、窗口按钮、关窗提醒。

桌面 desktop/(Tauri 2,Rust):server.rs 先探测端口,已有 Studio 就直接使用,否则用 --exit-with-stdin 启动服务器,管道关闭时服务器退出,不会留下占着端口的孤儿进程。main.rs 负责导航限制、最小权限的运行时 capability、关窗确认,以及服务器意外退出后回到启动页并提供重试。

已知风险与维护要点

  • 钩子依赖训练器的私有函数和参数位置,例如 kohakumoss.training.entry 的 _start、_data、_prewarm、_export、build_callbacks 的位置参数(args[4] = checkpoints、args[5] = parts)、NativeDriver.steps,以及 kohakumoss_data 的 MossDataset、plan_stats。完整列表在 compat.TARGETS。训练器更新后,先看"上游兼容性报告",再跑 tests/test_hooks.py。
  • memory.py 调用 kohakumoss.memory 的估算模型,上游改了显存模型接口时要跟着改。
  • 多进程布局(spawn)中钩子不生效,只能强制终止。
  • 任务进程的工作目录是训练器根目录,所以配置里相对的 OUTPUT_DIR(默认 runs/moss)会写到 KohakuMossTrainer/runs/ 下。这是训练器原本的行为。
  • 任务没有 TTY,tqdm 进度条被关掉了,日志改为每 LOG_EVERY 步一行。实时进度以 status.json 为准。日志颜色只按关键词判断。
  • 预览时,Studio 在被预览配置旁边写临时文件 .studio-preview-* 让 kogine 载入,用完即删。进程被强杀时可能残留,可以直接删除。
  • 训练器原有的回调顺序中,采样先于同一步的保存执行。采样失败时,那一步的检查点还没写出。Studio 的采样尺寸预检就是为此加的。
  • 训练器 venv 的 python.exe 是启动器,真正的解释器是它的子进程。桌面窗口依赖"stdin 管道传给子进程、kill 启动器时 job object 一并结束服务器"这一行为。换成不这样做的 Python 时,server.rs 的兜底 kill 可能留下孤儿服务器。
  • 在 Git Bash 里运行 cargo 会用到 Git 自带的 /usr/bin/link.exe,导致链接失败;从 PowerShell / cmd(即 Start_GUI.bat)运行没有这个问题。
  • 在 Linux 的 WebKitGTK 下,LANG=C.UTF-8 时 navigator.language 为 C,uPlot 初始化会抛异常导致页面空白。frontend/patches/uplot@1.6.32.patch 修复了这个问题;升级 uPlot 时要确认补丁仍然需要并且有效。
  • index.html 以 no-cache 发送,带哈希的 assets/ 以 immutable 发送,避免 WebView2 继续用旧页面,不要去掉这两个头。
  • 训练控制命令(暂停、提前结束、续训、重启后接管)目前只有日常使用的验证,还没有一套系统的 GPU 端到端测试。在多进程或非 Native driver 上,这些命令的行为最容易出问题。

开发与测试

# 后端(用训练器的 venv)
..\KohakuMossTrainer\.venv\Scripts\python.exe -m pytest
# 前端
pnpm --dir frontend test
pnpm --dir frontend build
# 桌面
cargo clippy --manifest-path desktop/Cargo.toml --all-targets -- -D warnings

Linux 后端测试使用 ../KohakuMossTrainer/.venv/bin/python -m pytest。

  • 往返测试会遍历上游 configs/ 下的所有配置,检查原样写回后逐字不变。还会生成一份完整的训练配置,批量修改或重置参数后用 kogine 重新载入,核对载入后的值。
  • 测试不加载模型,产物写到临时目录或 var/test/,不碰用户自己的配置。
  • 调试界面时,可以用 --data-dir 指定一个独立数据目录,并换一个端口(如 -Port 8841)另起实例,避免影响正在使用的 Studio。
  • 代码规范见 CLAUDE.md:Python 源码和打印信息只用 ASCII,中文放在 overlay 和前端里;文件统一用 LF;提交前先过 black、ruff check 和 pnpm build。

许可

KohakuMoss License 要求基于它的衍生产品名称中包含 "Kohaku"。

About

KohakuMossTrainer 的图形界面:配置编辑、数据检查、训练队列与监控,支持浏览器和桌面窗口。

Resources

Stars

1 star

Watchers

0 watching

Forks

Releases

Packages

Contributors

Languages