Cómo entrenar un modelo LoRA localmente

Cómo entrenar un modelo LoRA personalizado localmente con Stable Diffusion y Flux

Entrenar un LoRA personalizado localmente te ofrece algo que ninguna herramienta en la nube puede darte: un modelo entrenado en tu sujeto exacto, ejecutándose de forma privada en tu propio hardware, sin coste por generación y sin restricciones de contenido. Ya sea que quieras enseñar a una IA a replicar un estilo artístico específico, generar personajes consistentes o recrear un producto o un rostro, el entrenamiento local de LoRA es el camino.

Esta guía cubre todo el proceso para entrenar modelos LoRA utilizando Flux — actualmente la arquitectura de código abierto más sólida para entrenamiento local — ejecutándose en tu propia GPU. No se requiere configuración de Python si utilizas Promptus, que gestiona el entorno automáticamente.

Lo que necesitas antes de empezar: requisitos de hardware y software

Entrenar un modelo LoRA localmente requiere una GPU NVIDIA compatible con al menos 12GB de VRAM para el entrenamiento basado en Flux. Es posible entrenar con 8GB de VRAM utilizando conjuntos de datos de menor resolución, pero los tiempos de procesamiento serán más largos y habrá pérdidas en la calidad final. Las GPU AMD son compatibles a través de ROCm en Linux, aunque requieren una configuración adicional.

Requisitos de GPU

Configuración de software

La forma más sencilla de configurar un entorno local de entrenamiento LoRA es a través de Promptus, que instala todas las dependencias — CUDA, Python, los nodos de entrenamiento y la gestión de modelos — en una sola descarga. La instalación manual mediante Python también es posible, pero requiere Git y varios pasos de configuración adicionales.

• Promptus (Windows o Mac): instalación con un solo clic, gestiona todas las dependencias automáticamente.
• Archivos del modelo base Flux (flux1-dev.safetensors o la variante FP8 para sistemas con menos VRAM).
• Codificadores de texto CLIP: clip_l.safetensors y t5xxl_fp8_e4m3fn.safetensors.
• Archivo VAE: ae.safetensors.
• Imágenes de entrenamiento: entre 20 y 50 imágenes a resolución 1024×1024 (JPG o PNG).

Cómo preparar tu conjunto de datos de entrenamiento

La calidad del conjunto de datos determina la calidad del LoRA. Un conjunto mal preparado — con iluminación inconsistente, mezcla de sujetos o resoluciones incorrectas — producirá un modelo con resultados borrosos o inconsistentes. Dedicar tiempo a la preparación de las imágenes es la parte que más valor añade a todo el proceso.

Pautas para la selección de imágenes

1. Usa entre 20 y 50 imágenes de tu sujeto. Menos de 20 imágenes suele resultar en subentrenamiento; más de 80 puede causar sobreajuste (over-fitting), haciendo que el modelo memorice en lugar de aprender.
2. Mantén una resolución consistente. Todas las imágenes deben medir 1024×1024 píxeles. Recórtalas y cámbiales el tamaño antes de empezar — las resoluciones mixtas confunden al entrenador.
3. Varía la composición, no el sujeto. Usa diferentes ángulos, iluminación, fondos y distancias para el mismo sujeto. Esto enseña al modelo a generalizar el concepto.
4. Elimina duplicados y casi duplicados. Dos imágenes casi idénticas cuentan como un único punto de datos y desperdician ciclos de procesamiento.
5. Asigna tu palabra de activación (trigger word). Elige una palabra única que active tu LoRA en los prompts — algo poco común que no aparezca de forma habitual, como mysubject01 o studioaxyz.

Redacción de etiquetas o subtítulos (opcional pero recomendado)

Etiquetar tus imágenes de entrenamiento enseña al modelo la relación exacta entre las descripciones de texto y el contenido visual. Esto mejora la respuesta de los prompts en tu LoRA final. Puedes generar etiquetas automáticamente usando flujos de trabajo con BLIP o Florence, o escribirlas manualmente.

Cada descripción debe detallar la imagen con precisión e incluir tu palabra de activación. Ejemplo: "mysubject01, una mujer con cabello oscuro que viste una chaqueta roja, de pie en un bosque, iluminación natural, fotorrealista."

Paso a paso: cómo entrenar Stable Diffusion LoRA localmente

Los siguientes pasos utilizan Promptus para gestionar el entorno de trabajo. Si empleas una configuración manual de Python, los parámetros del entrenador son idénticos — solo difiere la interfaz utilizada para cargar y ejecutar el flujo de trabajo.

1. Abre tu espacio de trabajo y carga el diseño. Dirígete a la pestaña Workflows. Busca "LoRA trainer" o "Flux trainer" en la biblioteca. Descarga el flujo de trabajo de entrenamiento para Flux LoRA.

2. Instala los nodos requeridos. Al cargar el flujo de trabajo, los nodos faltantes se marcarán automáticamente. Haz clic en "Install Missing Nodes" y reinicia el entorno cuando el sistema lo solicite.

3. Configura la ruta de tus imágenes. En el flujo de trabajo del entrenador, busca el campo Dataset Path y apunta hacia la carpeta que contiene tus imágenes de entrenamiento. Usa la ruta absoluta del archivo, no una relativa — esto evita el error de entrenamiento más común.

4. Configura el nombre de salida. Elige un nombre descriptivo para tu archivo LoRA. Este se convertirá en el nombre del archivo (por ejemplo, mystyle_v1.safetensors) y debe reflejar el sujeto o estilo que estás entrenando.

5. Conecta el modelo Flux. En el flujo de trabajo, vincula tu archivo flux1-dev.safetensors al nodo de carga del modelo (model loader). Conecta también los codificadores CLIP y el VAE a sus nodos correspondientes. Si las líneas aparecen discontinuas y en color rojo, significa que falta algún archivo en la carpeta esperada.

6. Establece los pasos de entrenamiento (steps). Para un conjunto de 30 imágenes, un rango de 1,500 a 2,000 pasos es un buen punto de partida. Más pasos aumentan el tiempo de procesamiento pero pueden elevar la calidad, aunque superar los ~3,000 pasos en conjuntos pequeños suele degradar los resultados por sobreajuste.

7. Ajusta la tasa de aprendizaje (learning rate). Déjala en el valor predeterminado (normalmente 0.0001 o 1e-4) para tu primera ejecución. Realiza ajustes solo después de revisar tus primeros resultados.

8. Haz clic en Run. El proceso dará inicio. Podrás observar el progreso de los pasos, los valores de pérdida (loss) y las imágenes de vista previa en intervalos regulares.

Cómo probar tu LoRA entrenado tras completar el proceso

Al finalizar el entrenamiento, el archivo LoRA (un archivo .safetensors, típicamente de entre 50 y 200MB) se guardará en la ubicación de salida especificada. Cárgalo en un flujo de trabajo estándar de generación de imágenes para evaluar los resultados.

1. Carga el generador principal. Abre un flujo de trabajo básico de texto a imagen dentro del entorno de tu aplicación local.

2. Aplica el parche. Añade un nodo de carga de LoRA (LoRA loader) y selecciona tu archivo recién entrenado.

3. Ajusta los parámetros de peso. Establece la fuerza (strength) del LoRA en 0.8 para comenzar. Los valores cercanos a 1.0 aplican las características del LoRA con mayor intensidad; los valores en torno a 0.4 - 0.5 lo mezclan de forma más sutil con el modelo base.

4. Escribe un prompt de prueba con tu palabra de activación. Usa la estructura: [palabra de activación], [descripción del resultado deseado]. Realiza pruebas con 3 o 4 prompts distintos para evaluar la flexibilidad del modelo.

5. Evalúa el rendimiento. Compara las imágenes generadas con el LoRA activado y desactivado. Tu sujeto o estilo debe ser claramente identificable al estar activo y desaparecer por completo al desactivarlo.

Si los resultados no cumplen tus expectativas, los errores más comunes suelen ser: fuerza del LoRA demasiado baja (súbela a 0.9 - 1.0), ausencia de la palabra de activación en el prompt (añádela explícitamente al inicio) o subentrenamiento (vuelve a entrenar con más pasos o un conjunto de imágenes más grande).

Resolución de problemas: el LoRA no aparece o no funciona

Que el LoRA no se aplique o no se muestre en el selector de la interfaz es el problema más reportado. Casi siempre se debe a una de las siguientes cuatro causas.

El archivo LoRA no está en la carpeta correcta

El nodo de carga de LoRA busca los archivos en un directorio específico — normalmente models/loras/. Si tu archivo se guardó en otra ubicación, no aparecerá en el selector. Mueve el archivo .safetensors a la carpeta loras correcta y refresca la lista de archivos de la interfaz.

Falta la palabra de activación en el prompt

Si entrenaste el modelo incluyendo una palabra de activación en las descripciones de las imágenes, debes incluir exactamente esa palabra en tus prompts de generación para que el LoRA actúe. Sin ella, el LoRA puede parecer que no tiene efecto. Coloca tu palabra de activación al principio del prompt.

Fuerza del LoRA configurada demasiado baja

Una fuerza inferior a 0.5 puede arrojar resultados idénticos al modelo base, haciendo que parezca que el LoRA no está funcionando. Sube la fuerza a un rango de 0.8 - 1.0 antes de asumir que el entrenamiento falló.

Incompatibilidad de modelos base

Los LoRA entrenados con modelos Flux solo funcionan con modelos Flux. Un LoRA de Flux no se puede cargar en un flujo de trabajo de Stable Diffusion 1.5 o SDXL, ya que sus arquitecturas son incompatibles. Asegúrate de que el modelo base en tu flujo de generación coincida con el usado en el entrenamiento.

Preguntas frecuentes

Conclusión: el entrenamiento local de LoRA vale la pena

Entrenar un modelo LoRA personalizado de forma local te aporta algo que ningún servicio en la nube puede ofrecer: un modelo que te pertenece por completo, entrenado con tus datos, ejecutándose en tu hardware, sin suscripciones recurrentes y sin restricciones sobre el tipo de contenido que decides entrenar. La inversión inicial de tiempo en la configuración inicial se compensa con generaciones ilimitadas adaptadas exactamente a tus necesidades.

La forma más rápida de empezar es descargar Promptus, que instala el entorno local de entrenamiento completo en un solo paso — incluyendo modelos, nodos y flujos de trabajo. A partir de ahí, las pautas de esta guía se aplican directamente sin necesidad de usar líneas de comandos.

Fuentes: Stable Diffusion Core Models Repository · Flux Architecture Specification · Local Infrastructure Framework Docs