Træn en LoRA lokalt: Konsistente AI-karakterer på dit eget GPU (2026)

Tekst-til-billede-modeller er meget gode til at opfinde et ansigt og elendige til at huske det. Bed om den samme person to gange, og du får to forskellige mennesker. En LoRA løser det: det er en lille fil, der lærer modellen ét bestemt motiv, så den samme karakter kommer igen, hver gang du kalder på den. Denne guide forklarer, hvad en LoRA egentlig er, hvordan du træner en LoRA lokalt på dit eget NVIDIA-GPU, og hvorfor de billeder, du fodrer den med, betyder langt mere end nogen træningsindstilling.

Hvad en LoRA egentlig er

En basismodel som Stable Diffusion XL ved, hvordan en person ser ud i almindelighed. Den ved ikke, hvordan din karakter ser ud. At gentræne hele modellen for at lære den det ville kræve enorm regnekraft og resultere i en fil på flere gigabyte.

En LoRA (Low-Rank Adaptation) tager en genvej. I stedet for at omskrive modellen lærer den et lille sæt justeringer, der lægger sig oven på den. Resultatet er en fil på nogle få dusin megabyte, som du indlæser sammen med basismodellen. Når du bruger det triggerord, du valgte under træningen, anvender modellen disse justeringer og gengiver dit motiv i stedet for en fremmed.

Det er hele ideen bag karakterkonsistens: ikke en bedre prompt, men en lille trænet fil, der bærer identiteten for dig.

Hvorfor træne lokalt frem for i cloud'en

Træning er det trin, hvor du afleverer det mest følsomme materiale, du ejer: et sæt rigtige fotografier af et rigtigt ansigt. Det gør spørgsmålet om, hvor det foregår, til et reelt spørgsmål, ikke en teknisk detalje.

• Billederne forlader aldrig din maskine. En lokal LoRA-træning læser billederne fra din harddisk, beregner på dit eget GPU og skriver den resulterende fil tilbage til din disk. Ingen upload, ingen kopi, der ligger på en andens lager, og ingen servicevilkår, der bestemmer, hvad der sker med et datasæt af ansigter.
• Ingen måling. Cloud-træningstjenester tager betaling pr. kørsel, og en LoRA rammer sjældent plet i første forsøg. Lokal træning koster dig strøm og tid, så du kan afprøve, indtil ligheden faktisk er god, i stedet for at rationere dine forsøg.
• Filen er din. En lokalt trænet LoRA er en fil på dit drev. Du kan tage backup af den, genbruge den, slette den. Den bor ikke i en konto, der kan lukkes, eller en tjeneste, der kan gå ned.

Prisen er tid. En lokal kørsel på et almindeligt kort tager cirka 30 til 60 minutter, mens den optager din VRAM. Cloud-træning i tendre.AI tager omkring 15 til 20 minutter og efterlader din maskine fri, men trækker på kreditter i stedet. Begge producerer samme slags fil. Vælg lokalt, når privatliv og pris betyder mest, og cloud, når du er væk fra dit GPU eller har travlt.

Datasættet er hele opgaven

Det er den del, de fleste guides springer over, og det er den del, der afgør, om din LoRA virker. Træningsindstillinger er stort set løste standarder. Dit billedsæt er det ikke.

Ti til femten billeder er det brugbare interval. Færre kan fungere, selv et enkelt billede giver et resultat, men ligheden lider som regel. Mange flere hjælper sjældent og skader ofte, fordi et stort sæt af næsten identiske billeder lærer modellen baggrunden i stedet for ansigtet.

Variation er det, du faktisk fodrer den med. Modellen lærer, hvad der forbliver konstant på tværs af dine billeder. Hvis hvert billede er samme vinkel i samme rum, konkluderer den, at rummet er en del af personen. Varier vinklen, lyset, afstanden, udtrykket og baggrunden. Det, der forbliver identisk på tværs af dem alle, er identiteten, og det er præcis det, du vil have den til at udtrække.

Kvalitet slår mængde. Skarpe, veloplyste, ublokerede ansigter. Sortér de sløre billeder fra, de kraftige filtre, de billeder hvor solbriller eller en hånd dækker halvdelen af ansigtet. Ét dårligt billede blandt tolv er nok til at trække resultatet ned.

Hvis rigtige billeder er knappe, kan du fylde sættet op med AI-genererede billeder af det samme motiv. Det er en legitim måde at nå et brugbart antal på, hvis du kun har fem eller seks rigtige billeder. Alle detaljer findes i Forbered dit fotodatasæt.

Sådan fungerer det i tendre.AI

1. Saml sættet. Ti til femten billeder af det samme motiv, varierede og rene.
2. Importer og navngiv. Åbn en karakter, importer billederne, og vælg et triggerord. Det ord er, hvordan du fremover kalder karakteren frem i prompts.
3. Lad den tagge. Appen tagger automatisk hvert billede med WD14-tagging, så du ikke skal skrive labels i hånden.
4. Vælg lokal eller cloud. Lokal kører på dit GPU og sætter genereringsmotoren på pause for at frigøre VRAM. Cloud kører på tendre.AI's servere og lader din maskine være i fred.
5. Vent, og test så. Generer ét billede med triggerordet, og vurder ligheden, før du bygger noget ovenpå det.
6. Genbrug den. Karakteren holder nu på tværs af scener, stilarter og opløsninger. Trin-for-trin-versionen findes i Træn en LoRA.

Hvad du skal bruge

En Windows-pc med et moderne NVIDIA-GPU, RTX 20-serien eller nyere, og 8 GB VRAM som et behageligt minimum. Tolv gigabyte eller mere giver dig plads til højere opløsninger og tungere workflows.

Billedgenerering på dit eget GPU er gratis og ubegrænset i tendre.AI, uden krav om licens for at komme i gang. Licensen tilføjer konsistente karakterer, altså en LoRA-trænet identitet, der holder på tværs af scener, plus cloud-generering og 200 kreditter til de dage, hvor du er væk fra din maskine. Det er et engangskøb, ikke et abonnement. Se priserne.

Hvor LoRA'er passer ind blandt alt det andet

En LoRA er ét værktøj blandt flere, og det er værd at vide, hvornår det er det forkerte.

Brug en LoRA, når du har brug for det samme motiv gentagne gange på tværs af mange billeder: en tilbagevendende karakter, et brandmaskot, en konsistent model til en serie. Den indledende træning betaler sig over dusinvis af genereringer.

Træn ikke en LoRA til et enkeltstående billede. En velskrevet prompt i en god lokal AI-billedgenerator bringer dig hurtigere derhen. Træning er en investering i gentagelse, ikke et generelt kvalitetsløft.

Og en LoRA lærer identitet, ikke komposition. Den retter ikke en dårlig prompt, en akavet positur eller en ødelagt hånd. Det hører til prompting, inpainting og opskalering, som sidder ved siden af den i Windows-appen.

FAQ

Hvor mange billeder skal jeg bruge for at træne en LoRA? Ti til femten billeder af det samme motiv er det brugbare interval. Færre kan stadig trænes, selv et enkelt billede virker, men ligheden forringes som regel. Ud over tyve opnår du sjældent noget ekstra, og næsten identiske billeder kan lære modellen baggrunden i stedet for ansigtet.

Hvor lang tid tager lokal LoRA-træning? Cirka 30 til 60 minutter på et almindeligt NVIDIA-GPU. Den optager din VRAM, mens den kører, så tendre.AI sætter genereringsmotoren på pause i mellemtiden. Cloud-træning tager omkring 15 til 20 minutter og efterlader din maskine fri.

Bliver mine billeder uploadet, når jeg træner en LoRA lokalt? Nej. Lokal træning læser billederne fra din harddisk, beregner på dit eget GPU og skriver LoRA-filen tilbage til din disk. Intet bliver uploadet. Kun cloud-træning, som er valgfri og kører på kreditter, sender noget væk fra din maskine.

Skal jeg have en licens for at generere billeder lokalt? Nej. Billedgenerering på dit eget NVIDIA-GPU er gratis og ubegrænset uden licens. Licensen låser op for konsistente karakterer på tværs af scener, cloud-generering og 200 kreditter.

Kan jeg bruge en LoRA, der er trænet et andet sted? En LoRA er en standardfil, så en, der er trænet til samme basismodel-familie, vil generelt kunne indlæses. At træne inde i tendre.AI sparer dig primært for taggingen, indstillingerne og gætterierne.

Hvad er et triggerord? Det ord, du vælger under træningen, til at kalde din karakter frem. Sæt det i en prompt, så anvender modellen LoRA'en og gengiver dit motiv. Vælg noget karakteristisk, der ikke kolliderer med almindeligt ordforråd.