Preparar dataset para LoRA
Suelta las imágenes de entrenamiento: recórtalas, descarta duplicados, genera descripciones con IA y descárgalo todo en un ZIP con archivos de imagen y .txt.
o toca para elegir. De 10 a 100 imágenes.
Elegir archivosInserta esta herramienta gratis
Pega este código donde quieras que aparezca la herramienta en tu web. Contiene tu clave personal.
Gratis y sin registro. La herramienta funciona en el navegador de tus visitantes y sus archivos nunca se suben. Debajo aparece una pequeña mención a enhancevision.de.
Paso a paso
- Decide primero si quieres omitir imágenes duplicadas y casi iguales. La comprobación se hace al soltar las imágenes, no al preparar el dataset.
- Suelta tus imágenes de entrenamiento. Cada una aparece en la lista con vista previa y tamaño en píxeles; con la ✕ quitas las que no quieras.
- Elige tamaño, recorte, formato de imagen y el nivel de las descripciones con IA. Si lo necesitas, añade una palabra clave (trigger).
- Toca «Preparar dataset». Las imágenes se recortan y describen una tras otra; el progreso aparece debajo de la lista.
- Lee cada descripción en el cuadro de texto junto a su imagen y corrige lo que no esté bien o falte.
- Descárgalo todo con «Descargar todo en ZIP». Los archivos van numerados y cada imagen tiene su .txt con el mismo nombre.
Para qué sirve
- Persona o personaje: Para un LoRA tuyo o de un personaje inventado, reúne fotos con distintas poses, ángulos y luces. La palabra clave quedará delante de cada descripción.
- Un estilo propio: Para un LoRA de estilo, usa obras hechas de forma parecida pero con temas distintos. Las descripciones deben contar sobre todo lo que se ve, para que el modelo aprenda el estilo como lo común.
- Producto u objeto: Quieres que un objeto concreto aparezca luego en escenas nuevas. Fotos desde varios lados y con fondos diferentes ayudan a separar el objeto de su entorno.
- Mantener formatos mezclados: Si tienes imágenes verticales y horizontales, elige «Mantener proporción (bucketing)». Así no se corta nada importante en los bordes.
- Solo recortar y numerar: Si prefieres escribir tú las descripciones, pon la IA en «Ninguna (escribirlas tú)» y usa solo el recorte, el control de duplicados y la estructura de archivos.
¿Qué ocurre?
- Recorte: cuadrado desde el centro, o manteniendo la proporción en pasos de 64 (bucketing).
- Duplicados: las imágenes duplicadas y casi iguales se detectan al soltarlas y se omiten.
- Descripciones: Florence-2 describe cada imagen en inglés. Después puedes editar cada descripción.
- Trigger word: se coloca delante de cada descripción.
El ZIP contiene un archivo .txt con el mismo nombre por cada imagen (001.png + 001.txt): el formato que esperan Kohya_ss, OneTrainer, AI-Toolkit y SimpleTuner.
Preguntas frecuentes
¿Se suben mis imágenes?
No. El recorte y las descripciones se hacen en tu navegador.
¿Cuántas imágenes necesito?
Para personas y estilos, a menudo bastan de 15 a 40 imágenes buenas y variadas. Importa más la calidad que la cantidad.
¿Qué significa que la imagen es más pequeña que el tamaño objetivo?
El lado corto de la imagen es menor que el tamaño elegido. Al recortarla puede ampliarse y verse blanda. Elige un tamaño menor, una foto mejor o amplíala antes con «Ampliar imagen».
¿Cuadrado o bucketing?
«Cuadrado desde el centro» sirve cuando el motivo está en el centro. El bucketing mantiene la proporción y redondea ambos lados a múltiplos de 64; el lado largo coincide aproximadamente con el tamaño elegido.
¿Se añade dos veces la palabra clave?
No. Si una descripción ya empieza por ella, no se repite. Si no, se coloca delante del texto seguida de una coma.
¿Qué pasa si cambio un ajuste después de preparar?
Vuelve a tocar «Preparar dataset» para que se recalculen el recorte y el formato. Las descripciones que ya existen se conservan.
¿Puedo escribir descripciones antes?
Sí. Si el cuadro ya tiene texto, no se genera descripción con IA para esa imagen. Así describes tú las imágenes que quieras.
¿Se conservan los nombres originales?
No. Las imágenes se guardan en el orden de la lista como 001, 002, etc. Así se evitan problemas con caracteres especiales en los programas de entrenamiento.
¿Cómo detecta los duplicados?
Compara una pequeña huella de cada imagen. Así reconoce la misma foto en otro tamaño o tomas casi idénticas. En la línea de estado ves cuántas se omitieron.