ComfyUI: создание и обучение LoRA

ComfyUI: создание
и обучение LoRA
Превращайте свои фотографии и иллюстрации в основу для новых образов, сцен и визуальных серий.

Онлайн
курс

онлайн
занятий

домашних
работ

недель доступа
к записям занятий

Обучите нейросеть работать с вашими персонажами и стилями

На онлайн-курсе вы научитесь создавать собственные LoRA на домашнем компьютере: готовить датасеты, управлять обучением и использовать результат в своих workflow в ComfyUI.

Знакомый персонаж в новых сценах, узнаваемое лицо в нейрофотосессии, серия иллюстраций в авторской манере — собственная LoRA помогает настроить генерацию под конкретную творческую задачу. На онлайн-курсе вы освоите полный цикл её создания: от отбора изображений до проверки готового результата. В ComfyUI вы соберёте workflow для подготовки датасетов и автоматического описания кадров, а в Ostris AI-Toolkit настроите и запустите обучение на своём компьютере. Разберётесь, как исходные изображения, подписи и параметры тренировки влияют на сходство, передачу стиля и способность модели работать с новыми сюжетами.

Курс построен вокруг практики: за восемь занятий вы пройдёте путь от первого запуска на готовом датасете до самостоятельного итогового проекта. Научитесь дополнять набор изображений недостающими ракурсами, находить ошибки обучения и сравнивать версии LoRA в одинаковых условиях. Отдельное внимание уделим настройкам под вашу видеокарту, расходу памяти и контролю длительных тренировок. Работать можно с материалами курса или собственными изображениями. К финалу вы подготовите и представите обученную LoRA вместе с серией генераций, показывающих, как она решает выбранную задачу.

11.01 — 1.03

19:00 — 21:10

С. Ласмин

С 11 января по 1 марта

Занятия: Пн в 19:00

Осталось мест: 11

Преподаватель: С. Ласмин

Курс можно купить в рассрочку без переплат и документов

22900 руб.

16029 руб.

Промоакция Продлили акцию на курс
С 21 октября по 27 октября до 23:59

Записаться

или забронировать место

^* Занятия проходят по вашему локальному времени (Москва, стандартное время)

подтверждение бронирования

ComfyUI: создание и обучение LoRA

дата:

с 11 января по 1 марта 2027 г.

время:

с 19:00 по 21:10

Преподаватель:

Стив Ласмин

Чтобы продолжить, Вам
нужно войти или зарегистрироваться

Бронь гарантирует место в группе до окончания срока оплаты. Стоимость обучения определяется на момент оплаты брони. Оплатить бронь нужно не позднее двух дней после старта обучения.

Вы уверены, что хотите отменить бронь на
«ComfyUI: создание и обучение LoRA»?

Преподаватель: Стив Ласмин

Фотограф, ретушёр, преподаватель и разработчик инструментов для ComfyUI. Более шести лет преподавал фотографию, Photoshop и обработку изображений, работал с коммерческими съёмками для Leroy Merlin, BenQ, Paul Mitchell, «Бронницкого Ювелира» и других клиентов.

Стив пришёл в AI из реального визуального продакшена, поэтому объясняет ComfyUI не как абстрактную технологию, а как рабочий инструмент для генерации, ретуши, реставрации, апскейла и автоматизации задач. Он активно работает с современными локальными моделями, ведёт YouTube-канал о ComfyUI и публикует собственные кастомные ноды в Comfy Registry. На занятиях делает акцент не на заучивании кнопок, а на понимании логики workflow: как устроена схема, как данные проходят через ноды и как адаптировать процесс под свою задачу.
Узнать подробнее...

Чему вы научитесь?

Устанавливать Ostris AI-Toolkit и запускать обучение LoRA.

Собирать и очищать датасеты для персонажей и стилей.

Автоматизировать обработку изображений в ComfyUI.

Создавать и корректировать текстовые описания кадров.

Дополнять датасеты сгенерированными ракурсами.

Настраивать параметры обучения под свою задачу.

Оптимизировать расход памяти и контролировать нагрузку на видеокарту.

Находить ошибки обучения и выбирать удачный чекпоинт.

Сравнивать версии LoRA и проверять их в новых сюжетах.

Подключать собственные LoRA к рабочим процессам в ComfyUI.

Для кого курс?

Курс рассчитан на тех, кто уже работает в ComfyUI и хочет создавать собственные LoRA под конкретные задачи. Это следующий шаг для выпускников курса «ComfyUI: AI-продакшн у вас дома» и пользователей с сопоставимым опытом.

Фотографам и ретушёрам курс поможет работать с узнаваемостью человека в нейрофотосессиях. Цифровым художникам и иллюстраторам — обучать LoRA на персонажах и авторских стилях. Дизайнерам, 3D-художникам и создателям контента — использовать повторяющиеся образы и предметы в сериях изображений и визуальных концепциях.

Что вам понадобится?

Базовые навыки ComfyUI, которые можно получить на базовом курсе ComfyUI. Нужно уметь собирать и запускать workflow, устанавливать кастомные ноды, подключать модели и LoRA.

Работающий ComfyUI. Ostris AI-Toolkit установим на курсе.

Компьютер на Windows 10/11 x64.

Видеокарта NVIDIA от 12 ГБ VRAM — для обучения на Z-Image с экономией памяти. Для более комфортной работы рекомендуется 16–24 ГБ VRAM; требования зависят от выбранной модели и конфигурации.

Оперативная память от 32 ГБ, желательно 64 ГБ.

SSD с 200+ ГБ свободного места для моделей, датасетов и результатов обучения.

Время на практику между занятиями. Обучение LoRA может занимать несколько часов; продолжительность зависит от компьютера, модели и настроек. Учебные датасеты предоставляются, при желании можно использовать собственные изображения.

Что вы получите?

Возможность посещать живые онлайн-занятия с преподавателем.

Записи всех занятий для повторения в течение всего онлайн-курса плюс 2 недели после его окончания. После истечения стандартного срока доступа вы сможете продлить его ещё на 2 недели и делать это неоднократно.

Конспекты всех занятий бессрочно. Рабочие файлы курса.

Домашние задания по практике для закрепления материала.

Сертификат об успешном окончании курса при выполнении всех заданий и рейтинге 75 % и выше.

Обзорное занятие курса

28 октября в 19:00 (мск) приглашаем на бесплатное обзорное занятие курса «ComfyUI: создание и обучение LoRA». Покажем курс «изнутри»: как обучают LoRA на своих изображениях и используют её для генерации узнаваемых персонажей, портретов и авторских стилей.

В прямом эфире сравним генерацию с LoRA и без неё, покажем подготовку датасета в ComfyUI и запуск обучения в Ostris AI-Toolkit. Пройдёмся по программе, обсудим требования к компьютеру и ответим на вопросы, чтобы вы поняли, подходит ли вам курс и какие задачи сможете решать после обучения.

ЗАПИСАТЬСЯ НА ОБЗОР БЕСПЛАТНО

Рекомендуем вам посмотреть

Занятие 1. Дружелюбный старт: вход в мир LoRA, эффектные возможности ИИ и простой запуск Ostris AI-Toolkit без программирования, принципы обучения и тренировки LoRA

Цель занятия: Познакомить студентов с возможностями современных LoRA-моделей, развеять страхи перед «сложным ИИ» и легко установить Ostris AI-Toolkit на рабочий ПК за несколько простых шагов.

Темы занятия:

Шоукейс и магия LoRA: Демонстрация возможностей уже обученных LoRA-моделей. Разбор примеров с поразительным, фотореалистичным сходством с оригинальным датасетом (персонажи, люди, сложные арт-стили, предметы).

Никакого программирования! Почему вам НЕ нужно уметь писать код или знать Python. Ostris AI-Toolkit — это просто, понятно и доступно каждому.

Обзор современных архитектур: На каких базовых моделях мы будем учиться (Z-Image-Turbo, Krea-2) и какие возможности они дают.

Разбор железа простым языком: Сколько видеопамяти (VRAM) нужно вашей видеокарте и как оптимизировать ресурсы.

Простая установка за 3 шага: Пошаговое развертывание Ostris AI-Toolkit через готовый кликабельный инсталлятор (Easy Install .bat с GitHub).

Первый запуск графического веб-интерфейса (AI Toolkit UI): Удобная кнопка запуска, знакомство с главной панелью управления, кнопками и меню.

Готовый датасет курса изнутри: структура папок, .txt-описания, триггерное слово.

Первый конфиг по шаблону преподавателя: как применить готовую конфигурацию.

Запуск и базовый мониторинг: логи, папка samples, GPU-Z/диспетчер задач — что нормально, а что тревожно.

Практика и домашнее задание:

Запуск готового установочного .bat-файла на своем ПК.

Открытие графического веб-интерфейса в браузере.

Проверка корректности обнаружения видеокарты в интерфейсе.

Загрузка готового датасета и конфигурации для тренировки, первый запуск обучения.

Результат занятия: Студент убедился в невероятных возможностях LoRA, избавился от страха перед технологиями и имеет полностью готовую к работе программу с красивым веб-интерфейсом. Студент произвёл первый запуск обучения LoRA и оценил производительность своей системы.

Занятие 2. Идеальный датасет: стратегия отбора кадров и ComfyUI workflow для автокадрирования, обтравки и изменения размеров, принципы тренировки и запуск обучения LoRA

Цель занятия: Научить студентов правилам профессионального формирования датасетов и собрать автоматический конвейер в ComfyUI для кадрирования, удаления фона и подгонки размеров изображений.

Темы занятия:

Алгоритм обучения LoRA: датасет → конфиг → шаги → чекпоинты → сэмплы

Фундаментальные различия двух типов датасетов:

Тип 1 (Человек / Персонаж): разнообразие ракурсов (крупный план, 3/4, ростовой), мимика, одежда, освещение. Категорический отказ от дублей, фильтров и одинаковых селфи.

Тип 2 (Стиль / Эстетика): вариативность сюжетов (пейзажи, предметы, портреты), объединенных единой техникой и манерой исполнения.

Как нейросеть видит размеры: Понимание работы механизмов мультиразрешений (Resolution Buckets).

Сборка автоконвейера в ComfyUI для подготовки фото:

Автоматическое кадрирование лица/объекта (Auto-cropping).

Автоматическая обтравка и удаление фона / замена фона на нейтральный белый (Background removal) — на конкретном учебном примере.

Автоматическое изменение размеров изображений (Resizing/Scaling) под требования нейросети без искажения пропорций.

Специфика подбора кадров датасета под Z-Image-Turbo и Krea-2: требования к четкости и качеству.

Базовые правила текстовых файлов (.txt) и создание триггерных слов (trigger_word).

Практика и домашнее задание:

Собрать в ComfyUI нодовый конвейер для автообработки фото (кадрирование, обтравка на белый фон для учебного примера, изменение размера).

Прогнать сырой набор фотографий через собранный workflow.

Подготовить 2 папки датасетов: «Персонаж» (15–30 кадров) и «Стиль» (20–40 кадров).

Результат занятия: Студент имеет собственный автоинструмент в ComfyUI, который за секунды подготавливает и очищает картинки, экономя часы работы в Photoshop.

Занятие 3. Интеллектуальный кэпшенинг в ComfyUI: Qwen 3.5 / Qwen 3.8 vs Gemma 4, тонкости описаний для людей, стилей и сложных сцен

Цель занятия: Освоить создание автоматизированных схем автоописания датасета (captions) на базе моделей Qwen и научиться решать сложные сценарии с несколькими персонажами в кадре.

Темы занятия:

Битва моделей компьютерного зрения: Сравнение Qwen 3.5-9B, Qwen 3.8-27B и Gemma4 для кэпшенинга под диффузионные модели (точность распознавания деталей, пространственные связи, понимание промптов).

Различия в логике кэпшенинга на примере учебных датасетов:

Для человека/персонажа: описываем всё вокруг (одежду, фон, позу, свет), но не описываем черты лица и тела (чтобы нейросеть «запекла» их в триггер-слово).

Для стиля: описываем сюжет и объекты, но не описываем элементы стиля (цвета, мазки, текстуру).

Сложные сценарии в датасете:

Как делать кэпшенинг, когда в кадре присутствует сразу несколько ключевых людей/персонажей.

Что делать, если главный персонаж изображен рядом со случайными прохожими/людьми (как правильно описать фоновых людей в текстовом файле, чтобы нейросеть не перепутала их с главным героем).

Сборка автокэпшенинга в ComfyUI: создание системного промпта, автоматическая вставка тега [trigger].

Практика и домашнее задание:

Сборка нодового процесса автокэпшенинга в ComfyUI на базе QwenVL.

Генерация текстовых описаний (.txt) для своего датасета.

Проверка и ручная корректировка описаний для сложных кадров (с группой людей или фоновыми персонажами).

Запуск обучения LoRA с настройками тренировки преподавателя на изображениях с описаниями, подготовленными по этой технологии.

Результат занятия: Студент умеет генерировать описания для разных кадров и знает, как обучать нейросеть даже на сложных групповых снимках. Студент запускает первую тренировку на датасете, для которого самостоятельно настроил автоматический кэпшенинг.

Занятие 4. Объемы датасета и генерация недостающих ракурсов через Flux-2-Klein и Qwen-Image-2.1

Цель занятия: Определить оптимальные границы объемов датасета и научиться синтезировать недостающие ракурсы персонажа при дефиците исходных фотографий.

Темы занятия:

Анатомия объемов датасета:

Минимальный размер: сколько фото нужно минимум (от 5–10 кадров) и чем грозит нехватка данных.

Рекомендуемый (золотой) размер: ориентир для учебных задач (25–50 кадров для человека, 20–70 для стиля).

Максимальный размер: когда 150–200 и более картинок не улучшают тренировку (дубли, шум, затягивание процесса).

Синтез датасета при дефиците исходников: как из 3–4 селфи сделать полноценную сессию.

Сборка workflow в ComfyUI на Flux-2-Klein и Qwen-Image-2.1:

Генерация кадров в новых ракурсах (профиль, 3/4, вид со спины, дальний план) с сохранением лица.

Управление виртуальной камерой и светом.

Смешивание реальных и синтетических кадров в гибридный датасет.

Практика и домашнее задание:

Взять 3–4 исходных фото объекта или человека.

Сгенерировать в ComfyUI 15–25 дополнительных кадров в новых ракурсах с сохранением узнаваемости.

Проверить и отбраковать неудачные изображения, объединить подходящие кадры в сбалансированный гибридный датасет.

Провести captioning для своего датасета и запустить тренировку.

Результат занятия: Студент четко понимает подходящий объем датасета и умеет «распаковывать» несколько исходных фотографий в полноценную обучающую выборку из отобранных вариативных снимков. Студент запускает тренировку LoRA на своём датасете.

Занятие 5. Секретные рычаги управления нейросетью: увлекательный разбор параметров Ostris AI-Toolkit

Цель занятия: Превратить «скучные» технические параметры в понятные и захватывающие инструменты управления «мозгами», памятью и характером обучаемой модели.

Темы занятия:

Почему именно эти параметры — самая важная часть тренировки: Это не просто цифры, а руль и педали газа вашей нейросети.

Блок «Архитектура и вместимость памяти» (Network):

Ранг (Rank): ёмкость адаптера LoRA — как ранг влияет на количество обучаемых параметров и передачу деталей.

Альфа (Alpha): масштабирование вклада LoRA и его связь с рангом адаптера. Базовые веса при обучении LoRA остаются неизменными.

LoKR Factor & Full Rank: параметры адаптера LoKr для работы со стилем.

Блок «Скорость впитывания знаний и режим обучения» (Train):

Learning Rate (Скорость обучения): «Размер шага» нейросети — как не перешагнуть через идеал и не застрять на месте.

Loss Type (MAE vs MSE): «строгость экзаменатора» — как разные функции потерь оценивают ошибки предсказания.

Differential Guidance: экспериментальный механизм усиления разницы между предсказанием модели и целевым значением для формирования новой обучающей цели.

Блок «Оптимизация и экономия видеопамяти» (Optimization):

Quantize (qfloat8) и Layer Offloading: как уменьшить расход видеопамяти при обучении моделей Flux-2 / Krea-2 с помощью квантования и размещения части весов в оперативной памяти.

Блок «Валидация и контрольные снимки» (Sampling): настройка тестовых промптов во время тренировки.

Практика и домашнее задание:

Собрать в веб-интерфейсе Ostris AI-Toolkit два конфига: один под «Персонажа», второй под «Стиль».

Настроить валидационные промпты с тегом [trigger].

Сохранить готовые .yaml конфиги.

Запустить тренировку LoRA на своём датасете по одному из них.

Результат занятия: Студент видит в параметрах не пугающие формулы, а понятные рычаги управления, точно зная, какой ползунок включить для достижения нужного визуального эффекта.

Занятие 6. Другие параметры тренировки LoRA: эпохи, пики нагрузки на VRAM, мониторинг температур и контроль процессов

Цель занятия: В тонкостях освоить запуск сессии обучения, научиться правильно рассчитывать шаги и эпохи, отслеживать пиковые нагрузки на видеопамять и защищать железо от перегрева. Превратить «получилось/не получилось» в управляемый процесс эффективной тренировки LoRA.

Темы занятия:

Математика тренировки:

Что такое эпохи (Epochs) и шаги (Steps). Формула расчета общего количества шагов с учетом размера датасета, повторов, размера батча и накопления градиентов.

Сохранение чекпоинтов (save_every): как часто сохранять промежуточные .safetensors файлы, чтобы не забить SSD и не упустить «золотую точку» обучения.

Запуск процесса: отправка задачи через UI или консоль CLI.

Анатомия нагрузки на VRAM — где происходят пики:

Кэширование латентов (cache_latents_to_disk) и текстовых эмбеддингов.

Фаза обратного распространения ошибки (Backward Pass).

Момент генерации валидационных сэмплов (Sample generation).

Мониторинг здоровья и температур ПК:

Инструменты контроля: Task Manager, GPU-Z, встроенные инструменты Ostris AI-Toolkit.

Безопасные температуры GPU Core, Hotspot и VRAM Junction с учетом конкретной видеокарты и доступных датчиков.

Как предотвратить троттлинг и перегрев при длительных сессиях.

Практика и домашнее задание:

Составить индивидуальный оптимальный конфиг для обучения LoRA на своей машине.

Запустить полноценную сессию тренировки LoRA с учебным ориентиром 1500–2000 шагов и корректировкой под выбранную конфигурацию.

Сделать скриншоты показателей GPU-Z в моменты пиковой нагрузки VRAM и генерации сэмплов.

Составить краткий отчет по скорости работы системы (секунд на шаг, s/it) и температурам.

Результат занятия: Студент умеет эффективно и безопасно запускать сессии тренировки, контролировать нагрев железа и точно знает, в какие моменты ПК испытывает максимальную нагрузку.

Занятие 7. Экспертная диагностика сэмплов, поиск «Sweet Spot» и интеграция готовой LoRA в ComfyUI

Цель занятия: Научить студентов диагностировать ошибки обучения (переобучение/недообучение), находить идеальный чекпоинт и полноценно работать с готовой LoRA в ComfyUI.

Темы занятия:

Анализ сгенерированных сэмплов (папка samples):

Недообучение (Undertraining): слабая реакция на триггер, размытые детали.

Идеальная точка (Sweet Spot): устойчивая узнаваемость, высокая гибкость к новым промптам, стилям и позам.

Переобучение (Overtraining / Burn): «выжженные» цвета, артефакты на коже, потеря реакции на промпт.

Пошаговые рецепты исправления: как скорректировать Learning Rate, Rank или Loss Type при повторном запуске.

Интеграция в ComfyUI:

Перенос файлов .safetensors из папки output в ComfyUI/models/loras.

Настройка подходящего узла загрузки LoRA для Z-Image-Turbo / Krea-2 / Flux-2 с учетом совместимости базовой модели и адаптера.

Подбор оптимального веса LoRA: strength_model — например, от 0,4 до 1,1.

Проверка «промптуемости» и совместимости: генерация персонажа в непривычных сеттингах, комбинация с другими стилевыми LoRA и ControlNet, совместимыми с выбранной моделью.

Практика и домашнее задание:

Изучить сетку сэмплов своей проведенной тренировки и определить идеальный чекпоинт (Sweet Spot).

Перенести выбранный .safetensors файл в ComfyUI.

Провести тестовую генерацию серии из 5 кадров с разной силой LoRA (0,5; 0,7; 0,9; 1,0; 1,5) в новых сюжетах. Для каждого сюжета сохранять одинаковые промпт и seed при сравнении разных весов. Сравнить две версии своей LoRA в одинаковых условиях и объяснить, как внесенные изменения повлияли на результат.

Подготовиться к сдаче финального проекта.

Результат занятия: Студент свободно «читает» результаты тренировки, уверенно находит наилучший чекпоинт и умеет внедрять обученные LoRA в реальные рабочие процессы ComfyUI.

Занятие 8. Защита финального проекта: полный цикл создания и презентация авторской LoRA

Цель занятия: Проверить все полученные знания на практике, проведя самостоятельный полный цикл создания LoRA «от идеи до готового арта», и защитить свой проект перед преподавателем и группой.

Структура и регламент финального проекта студента: Каждый студент готовит и презентует свой собственный практический проект по одной из выбранных тем («Персонаж/Человек» или «Авторский Стиль/Предмет»).

Этапы выполнения проекта:

Сбор и обработка авторского датасета: выбор темы, автокадрирование, обтравка и обработка размеров через собранный workflow в ComfyUI.

Генерация и правка Captions: автоописание через Qwen с внедрением триггерного слова [trigger] и учетом правил описания фона/сложных сцен.

Обучение модели: выбор архитектуры (Z-Image-Turbo / Krea-2), составление YAML-конфига в Ostris AI-Toolkit, расчет эпох/шагов и проведение сессии тренировки.

Финализация и сэмплинг: выбор наилучшего чекпоинта (Sweet Spot) и генерация серии итоговых изображений в ComfyUI в новых нетривиальных условиях.

Презентация и защита проекта:

Демонстрация результата: показ исходного датасета и финальных сгенерированных кадров (сравнение «До и После», демонстрация сходства и гибкости к промптам).

Аргументация настроек: объяснение выбора параметров (Rank, Alpha, Learning Rate, Optimizer).

Рефлексия и разбор сложностей: описание возникших проблем в процессе обработки кадров, неудачных сэмплов и сформулированные идеи по дальнейшему улучшению датасета, промптов описания и параметров обучения.

Результат занятия: Студент держит в руках готовый и проверенный файл собственной LoRA в формате .safetensors для дальнейшего использования в ComfyUI.