대부분의 LoRA 학습 도구들은 너무 많은 탭과 설정들로 과부하되어 있습니다. 초보자들에게 이러한 복잡함은 거대한 진입 장벽이 됩니다. 숙련된 사용자들에게는 지속적인 위험 요소입니다. 하위 메뉴에 숨겨진 체크박스 하나를 잊어버리는 것만으로도, 실패한 실행에 GPU 시간을 몇 시간이나 낭비하게 될 수 있기 때문입니다. 현실은 대부분의 프로젝트에서 80%의 파라미터(parameters)는 동일하게 유지되는 반면, 실제로 변경해야 하는 핵심적인 20%는 서로 다른 메뉴에 흩어져 있다는 점입니다.
Anima TrainFlow는 이러한 "탭 피로(tab-fatigue)"를 끝내줍니다. 이 도구는 모든 필수 제어 기능을 단일 페이지로 가져오는 제로 탭(zero-tab) 인터페이스를 제공합니다. 기술적인 문제 해결보다는 창의적인 결과물에 시간을 더 쏟을 수 있도록 단순하고, 직관적이며, 집중된 구조로 설계되었습니다.
GitHub: https://github.com/ThetaCursed/Anima-TrainFlow
사용해야 하는 이유?
- 제로 탭 UI (Zero-Tab UI): 필요한 모든 것을 한 화면에서 확인 가능.
- 진정한 휴대성 (Truly Portable): 사전 구성된 환경 - 압축을 풀고 바로 실행.
- 낮은 VRAM 친화적 (Low VRAM Friendly): 6GB 이상의 NVIDIA GPU에 최적화.
- 라이브 프리뷰 (Live Previews): 샘플이 생성됨에 따라 실시간으로 업데이트되는 내장 갤러리.
- 스마트 데이터셋 분석기 (Smart Dataset Analyzer): 최적의 해상도와 버킷(buckets)을 자동 계산.
- Prodigy 네이티브 (Prodigy Native): 지능적인 학습률(learning rate) 처리를 위해 사전 구성됨.
설정 뒤에 숨겨진 로직
Anima 2B를 위한 "스윗 스팟(sweet spot)"을 찾는 데는 많은 시행착오가 필요했습니다. 옵티마이저(optimizer) 동작부터 학습률(learning rate), 네트워크 랭크(network ranks), 그리고 이들이 Anima 아키텍처와 구체적으로 어떻게 상호작용하는지에 이르기까지 각 파라미터의 근본적인 메커니즘을 연구하는 데 시간을 보냈습니다. 이러한 통찰력을 테스트하기 위해 20개 이상의 서로 다른 LoRA를 학습시킨 끝에, 안정적인 구성을 찾아낼 수 있었습니다.
왜 Epoch(에포크)를 사용하지 않나요? 저는 의도적으로 Epoch 대신 Step(스텝) 기반 시스템을 채택했습니다. 테스트 결과 일관된 패턴이 나타났습니다. Anima 2B의 경우, 데이터셋의 크기와 상관없이 LoRA는 보통 약 1,800 steps 부근에서 "준비" 상태가 되며, 약 2,400~3,000 steps 이후부터 서서히 과적합 (Overfitting)이 시작됩니다. 총 Step 수에 집중함으로써 프로세스를 더 예측 가능하게 만들었고, Repeat(반복 횟수)와 Epoch를 계산해야 하는 혼란을 제거했습니다.
이 프로젝트는 sd-scripts의 수정 버전을 기반으로 하며 Gradio로 구축되었습니다.
여러분의 피드백을 기다리겠습니다!