Co to jest
LoRA (Low-Rank Adaptation) to metoda doszkalania gotowego modelu obrazkowego pod konkretną twarz, postać albo styl graficzny, bez trenowania całego modelu od zera. Duży model bazowy (np. Stable Diffusion, Flux) zostaje nietknięty, a LoRA to małoformatowa "nakładka" - dodatkowy plik, który podczas generowania modyfikuje działanie modelu tak, żeby konsekwentnie odtwarzał zapamiętane cechy: rysy twarzy, sylwetkę, sposób ubierania się albo charakterystyczną kolorystykę.
W praktyce różnica jest taka: bez LoRA każde zdjęcie wygenerowane z tym samym opisem tekstowym (promptem) pokazuje inną osobę. Z odpowiednio wytrenowaną LoRA model za każdym razem generuje tę samą, rozpoznawalną twarz, nawet w różnych pozach, ubraniach i scenerii.
Plik LoRA jest stosunkowo mały (zwykle kilkadziesiąt do kilkuset megabajtów, w zależności od ustawień), bo nie zapisuje całej wiedzy modelu od nowa, tylko niewielką "poprawkę" nałożoną na istniejące wagi. Dzięki temu trening jest znacznie szybszy i tańszy niż pełne dotrenowanie modelu.
Do czego służy przy modelkach AI
Przy budowie wirtualnej modelki LoRA to narzędzie, które pozwala przejść od "generuję ładne, ale losowe twarze" do "generuję zawsze tę samą, rozpoznawalną postać". To właśnie ten krok odróżnia przypadkowe obrazki od spójnej marki - jeśli obserwujący mają rozpoznawać modelkę na kolejnych zdjęciach i rolkach, jej twarz i sylwetka muszą być powtarzalne, a to bez LoRA (lub podobnej techniki, np. InstantID czy face swap) praktycznie się nie udaje.
LoRA trenuje się na zestawie zdjęć referencyjnych - albo wcześniej wygenerowanych przez sam model (żeby "zamrozić" wypracowany wygląd), albo przygotowanych ręcznie. Po wytrenowaniu tego pliku można go używać razem z dowolnym promptem: ta sama twarz w stroju sportowym, na plaży, w studiu, w różnym oświetleniu i pozach. To fundament pod tworzenie spójnej galerii zdjęć jednej postaci, na czym opiera się cała dalsza praca nad kontem i monetyzacją.
Oprócz twarzy LoRA można trenować też pod konkretny styl wizualny - na przykład charakterystyczną estetykę zdjęć, typ oświetlenia czy sposób kadrowania, co przydaje się, gdy modelka ma mieć rozpoznawalny "look" niezależnie od tego, kto i co jest na zdjęciu.
Jak się tego używa
Trening LoRA wymaga zestawu obrazów referencyjnych - im bardziej zróżnicowane pod względem kąta, oświetlenia i wyrazu twarzy przy zachowaniu tej samej tożsamości, tym stabilniejszy efekt. Zbyt mały i jednorodny zbiór (np. same zdjęcia z jednego ujęcia) prowadzi do modelu, który słabo generalizuje - twarz "rozjeżdża się" przy nietypowych pozach czy oświetleniu.
Kluczowe parametry treningu to między innymi liczba kroków (epok) oraz tzw. ranga (rank) - parametr określający pojemność LoRA, czyli ile szczegółów model jest w stanie zapamiętać. Wyższa ranga daje większą wierność szczegółów, ale zwiększa ryzyko przeuczenia i rozmiar pliku. Nie ma jednej uniwersalnej wartości - dobór zależy od jakości i liczby zdjęć wejściowych, użytego modelu bazowego oraz narzędzia treningowego, dlatego warto trzymać się domyślnych ustawień polecanych przez konkretne narzędzie i dopiero potem je korygować.
Po wytrenowaniu, gotowy plik LoRA wczytuje się razem z modelem bazowym i ustawia jego "siłę" (wagę) - zwykle w formie suwaka od zera do jedynki lub więcej. Zbyt niska waga słabo odtwarza twarz, zbyt wysoka usztywnia generowanie i ogranicza różnorodność póz oraz scen.
Najczęstszy błąd to trenowanie LoRA na zbyt małym i zbyt podobnym do siebie zestawie zdjęć - na przykład kilkunastu ujęciach z tej samej sesji, w tym samym świetle i niemal tej samej pozie. Model uczy się wtedy nie tylko twarzy, ale też tła, oświetlenia i kąta zdjęcia, więc przy próbie wygenerowania postaci w innej scenerii efekt się psuje albo twarz traci podobieństwo. Drugi typowy problem to przeuczenie (overfitting) - ustawienie zbyt wielu kroków treningu lub zbyt wysokiej wagi LoRA, przez co model traci elastyczność i generuje niemal identyczne, sztywne obrazy zamiast naturalnie różnicować pozy i wyrazy twarzy. Warto testować kilka wersji LoRA z różną liczbą kroków i porównywać wyniki, zamiast zakładać, że "więcej treningu" zawsze znaczy "lepiej".