Diffusion Training Dataset Composer最新版

如果你正在为 SD（Stable Diffusion）或 Flux 系列模型准备训练数据集，那么 Diffusion Training Dataset Composer 将是一个值得尝试的高效工具。

它是一款基于 PyQt5 的图形化界面工具，专为构建适用于 LoRA/DreamBooth 和微调任务的数据集而设计，支持高度定制化的设置、错误处理机制以及友好的用户体验，非常适合需要频繁构建训练样本的用户。

🧰 主要功能亮点

📦 安装要求与步骤

✅ 运行环境依赖

• Python 3.8 或更高版本
• PyQt5
• Pillow

推荐在虚拟环境中安装依赖：

pip install PyQt5 Pillow

🖥️ 启动方式

Windows 用户：

python image_sampler_tool.py

Linux 用户：

bash run_linux.sh

或直接运行

python3 image_sampler_tool.py

⚠️ 如果遇到 Qt 平台插件错误，请安装系统所需的 Qt 依赖包，例如：

sudo apt install python3-pyqt5

🛠️ 使用指南（分步说明）

1️⃣ 项目设置（左侧栏）

• 训练模式选择：
  • LoRA/DreamBooth：用于角色/主体训练，支持实例提示、类提示、重复次数设置
  • 微调模式：用于风格/概念训练，标题类型支持空白、基本、详细等
• 目标文件夹设置：
  通过“浏览”按钮指定输出目录，用于保存生成的训练数据集
• 图像参数设置：
  • 设置总图像数
  • 可选是否调整图像大小至指定像素值
  • 是否将非 PNG 图像转换为 PNG
  • 是否复制训练集 / 正则化集（仅限 LoRA/DreamBooth）
  • 种子控制（随机或固定）
  • 是否解锁文件夹百分比自由设置

2️⃣ 源文件夹管理（中间栏）

• 添加一个或多个包含训练图像的文件夹（支持批量导入）
• 每个文件夹拥有独立的色彩编码区域，便于区分
• 设置每个文件夹的采样比例（%）
• 设置该文件夹下图像的标题类型（空白、基本、详细、结构化）
• 针对 LoRA/DreamBooth 模式可设置：
  • 实例提示词
  • 类别提示词
  • 图像重复次数
• 支持移除文件夹、动态更新预览图像数量

3️⃣ 正则化控制（右侧栏，仅限 LoRA/DreamBooth 模式）

• 选择包含正则化图像的文件夹
• 开启/关闭正则化图像使用
• 设置正则化图像占比（相对于总训练图像）
• 支持选择子文件夹或根目录进行采样
• 快速全选/取消全选子文件夹
• 实时显示可用图像数与所需图像数对比

4️⃣ 执行与日志（左下角）

• 点击“开始”启动数据集构建流程
• 进度条与日志窗口实时反馈当前状态
• 若目标文件夹已存在 img 或 reg 文件夹，将弹出提示让你选择“清理”或“追加”
• 不会影响其他已有文件夹内容

💡 高级功能与实用技巧

• 持久化设置：退出后下次打开仍保留上次配置
• 智能文件命名：重复文件自动添加 _1, _2 后缀，防止覆盖
• 标题样式检查：根据是否存在标题文件对标签进行颜色标记
• 百万像素统计：提供各文件夹贡献的像素总量，帮助平衡数据分布
• 种子复现机制：使用相同种子可重现完全一致的采样结果
• 微调模式限制：正则化功能在此模式下不可用

🔧 常见问题与解决方案